The goal of jabr is to browse, list, and fetch dataset from Open Data Jawa Barat right from R.
You can install the released version of jabr from CRAN with:
install.packages("jabr")And the development version from GitHub with:
# install.packages("devtools")
devtools::install_github("aswansyahputra/jabr")This is a basic example which shows you how to solve a common problem:
library(jabr)
(x <- jabr_list_dataset())
#> # A tibble: 1,516 x 6
#> id group_id title provider last_modified url
#> <chr> <chr> <chr> <chr> <date> <chr>
#> 1 9fe01… 5f1a32c2 Jumlah Kepala Ke… Dinas Kepen… 2019-12-16 https://data.ja…
#> 2 67304… 0241c181 Jumlah Jaringan … Dinas Komun… 2019-10-23 https://data.ja…
#> 3 d3c36… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> 4 f9957… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> 5 db602… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> 6 cfd19… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> 7 f90fb… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> 8 ff53e… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> 9 be7af… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> 10 4c272… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> # … with 1,506 more rows
# suppose that we want to get dataset about "Jumlah Desa Siaga Di Provinsi Jawa Barat 2018".
# Id of this data is "88ef59c5".
jabr_fetch("88ef59c5")
#> # A tibble: 107 x 7
#> title provinsi kode_kota_kabup… nama_kota_kabup… jenis_desa_kelu… jumlah
#> <chr> <chr> <int> <chr> <chr> <int>
#> 1 Juml… JAWA BA… 3204 KAB. BANDUNG PRATAMA 28
#> 2 Juml… JAWA BA… 3204 KAB. BANDUNG MADYA 114
#> 3 Juml… JAWA BA… 3204 KAB. BANDUNG PURNAMA 117
#> 4 Juml… JAWA BA… 3204 KAB. BANDUNG MANDIRI 21
#> 5 Juml… JAWA BA… 3217 KAB. BANDUNG BA… PRATAMA 15
#> 6 Juml… JAWA BA… 3217 KAB. BANDUNG BA… MADYA 98
#> 7 Juml… JAWA BA… 3217 KAB. BANDUNG BA… PURNAMA 36
#> 8 Juml… JAWA BA… 3217 KAB. BANDUNG BA… MANDIRI 15
#> 9 Juml… JAWA BA… 3216 KAB. BEKASI PRATAMA 158
#> 10 Juml… JAWA BA… 3216 KAB. BEKASI MADYA 26
#> # … with 97 more rows, and 1 more variable: satuan <chr>
## optionally, you can also remove the 'title' column
desa_siaga <- jabr_fetch("88ef59c5", keep_title = FALSE)
desa_siaga
#> # A tibble: 107 x 6
#> provinsi kode_kota_kabupa… nama_kota_kabupa… jenis_desa_kelu… jumlah satuan
#> <chr> <int> <chr> <chr> <int> <chr>
#> 1 JAWA BAR… 3204 KAB. BANDUNG PRATAMA 28 DESA/K…
#> 2 JAWA BAR… 3204 KAB. BANDUNG MADYA 114 DESA/K…
#> 3 JAWA BAR… 3204 KAB. BANDUNG PURNAMA 117 DESA/K…
#> 4 JAWA BAR… 3204 KAB. BANDUNG MANDIRI 21 DESA/K…
#> 5 JAWA BAR… 3217 KAB. BANDUNG BAR… PRATAMA 15 DESA/K…
#> 6 JAWA BAR… 3217 KAB. BANDUNG BAR… MADYA 98 DESA/K…
#> 7 JAWA BAR… 3217 KAB. BANDUNG BAR… PURNAMA 36 DESA/K…
#> 8 JAWA BAR… 3217 KAB. BANDUNG BAR… MANDIRI 15 DESA/K…
#> 9 JAWA BAR… 3216 KAB. BEKASI PRATAMA 158 DESA/K…
#> 10 JAWA BAR… 3216 KAB. BEKASI MADYA 26 DESA/K…
#> # … with 97 more rowslibrary(jabr)
library(dplyr)
#>
#> Attaching package: 'dplyr'
#> The following objects are masked from 'package:stats':
#>
#> filter, lag
#> The following objects are masked from 'package:base':
#>
#> intersect, setdiff, setequal, union
library(stringr)
library(tidyr)
(x <- jabr_list_dataset())
#> # A tibble: 1,516 x 6
#> id group_id title provider last_modified url
#> <chr> <chr> <chr> <chr> <date> <chr>
#> 1 9fe01… 5f1a32c2 Jumlah Kepala Ke… Dinas Kepen… 2019-12-16 https://data.ja…
#> 2 67304… 0241c181 Jumlah Jaringan … Dinas Komun… 2019-10-23 https://data.ja…
#> 3 d3c36… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> 4 f9957… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> 5 db602… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> 6 cfd19… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> 7 f90fb… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> 8 ff53e… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> 9 be7af… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> 10 4c272… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> # … with 1,506 more rows
# suppose that we want to get the datasets about "Angka Harapan Hidup".
# There are several datasets available in the list (one dataset per observation year).
## Step 1. List the ids of datasets that fall within same category.
## We can check and write the ids manualy, or using filtering technique.
ids <-
x %>%
dplyr::filter(stringr::str_detect(title, "Angka Harapan Hidup")) %>%
dplyr::pull(id)
ids
#> [1] "d3c36780" "f9957463" "db602753" "cfd19fb1" "f90fb4d1" "ff53ea3c" "be7afefd"
#> [8] "4c272d3d" "df7f3aaf"
## Step 2. Fetch the datasets using the ids.
ahh_jabar_raw <-
jabr_fetch(id = ids)
ahh_jabar_raw
#> # A tibble: 9 x 2
#> title dataset
#> <chr> <list>
#> 1 Angka Harapan Hidup Berdasarkan Kota Kabupaten Tahun 2010 <df[,5] [27 × 5]>
#> 2 Angka Harapan Hidup Berdasarkan Kota Kabupaten Tahun 2011 <df[,5] [27 × 5]>
#> 3 Angka Harapan Hidup Berdasarkan Kota Kabupaten Tahun 2012 <df[,5] [27 × 5]>
#> 4 Angka Harapan Hidup Berdasarkan Kota Kabupaten Tahun 2013 <df[,5] [27 × 5]>
#> 5 Angka Harapan Hidup Berdasarkan Kota Kabupaten Tahun 2014 <df[,5] [27 × 5]>
#> 6 Angka Harapan Hidup Berdasarkan Kota Kabupaten Tahun 2015 <df[,5] [27 × 5]>
#> 7 Angka Harapan Hidup Berdasarkan Kota Kabupaten Tahun 2016 <df[,5] [27 × 5]>
#> 8 Angka Harapan Hidup Berdasarkan Kota Kabupaten Tahun 2017 <df[,5] [27 × 5]>
#> 9 Angka Harapan Hidup Berdasarkan Kota Kabupaten Tahun 2018 <df[,5] [27 × 5]>
## Step 3. Expand/unnest the datasets.
ahh_jabar <-
ahh_jabar_raw %>%
tidyr::unnest(dataset)
ahh_jabar
#> # A tibble: 243 x 6
#> title provinsi kode_kota_kabup… nama_kota_kabup… angka_harapan_h… satuan
#> <chr> <chr> <int> <chr> <dbl> <chr>
#> 1 Angka Har… JAWA BA… 3204 KAB. BANDUNG 72.9 TAHUN
#> 2 Angka Har… JAWA BA… 3217 KAB. BANDUNG BA… 71.5 TAHUN
#> 3 Angka Har… JAWA BA… 3216 KAB. BEKASI 72.9 TAHUN
#> 4 Angka Har… JAWA BA… 3201 KAB. BOGOR 70.3 TAHUN
#> 5 Angka Har… JAWA BA… 3207 KAB. CIAMIS 70.0 TAHUN
#> 6 Angka Har… JAWA BA… 3203 KAB. CIANJUR 68.8 TAHUN
#> 7 Angka Har… JAWA BA… 3209 KAB. CIREBON 71.1 TAHUN
#> 8 Angka Har… JAWA BA… 3205 KAB. GARUT 70.3 TAHUN
#> 9 Angka Har… JAWA BA… 3212 KAB. INDRAMAYU 70.0 TAHUN
#> 10 Angka Har… JAWA BA… 3215 KAB. KARAWANG 71.3 TAHUN
#> # … with 233 more rows
## Step 4. (optional) Perform some data cleaning.
ahh_jabar <-
ahh_jabar %>%
tidyr::extract(title, "tahun", "(\\d{4})", convert = TRUE)
ahh_jabar
#> # A tibble: 243 x 6
#> tahun provinsi kode_kota_kabupat… nama_kota_kabupa… angka_harapan_hi… satuan
#> <int> <chr> <int> <chr> <dbl> <chr>
#> 1 2010 JAWA BAR… 3204 KAB. BANDUNG 72.9 TAHUN
#> 2 2010 JAWA BAR… 3217 KAB. BANDUNG BAR… 71.5 TAHUN
#> 3 2010 JAWA BAR… 3216 KAB. BEKASI 72.9 TAHUN
#> 4 2010 JAWA BAR… 3201 KAB. BOGOR 70.3 TAHUN
#> 5 2010 JAWA BAR… 3207 KAB. CIAMIS 70.0 TAHUN
#> 6 2010 JAWA BAR… 3203 KAB. CIANJUR 68.8 TAHUN
#> 7 2010 JAWA BAR… 3209 KAB. CIREBON 71.1 TAHUN
#> 8 2010 JAWA BAR… 3205 KAB. GARUT 70.3 TAHUN
#> 9 2010 JAWA BAR… 3212 KAB. INDRAMAYU 70.0 TAHUN
#> 10 2010 JAWA BAR… 3215 KAB. KARAWANG 71.3 TAHUN
#> # … with 233 more rowsWe will replicate the previous section, but by using a new and straighforward function.
library(jabr)
library(tidyr)
(x <- jabr_list_dataset())
#> # A tibble: 1,516 x 6
#> id group_id title provider last_modified url
#> <chr> <chr> <chr> <chr> <date> <chr>
#> 1 9fe01… 5f1a32c2 Jumlah Kepala Ke… Dinas Kepen… 2019-12-16 https://data.ja…
#> 2 67304… 0241c181 Jumlah Jaringan … Dinas Komun… 2019-10-23 https://data.ja…
#> 3 d3c36… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> 4 f9957… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> 5 db602… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> 6 cfd19… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> 7 f90fb… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> 8 ff53e… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> 9 be7af… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> 10 4c272… ffa4dc21 Angka Harapan Hi… Badan Pusat… 2019-09-25 https://data.ja…
#> # … with 1,506 more rows
# suppose that we want to get the datasets about "Angka Harapan Hidup".
# There are several datasets available in the list (one dataset per observation year). Those dataset falls within the same group_id, so we can use jabr_fetch_group() to fetch them.
## Step 1. Fetch the datasets using group_id ("ffa4dc21").
ahh_jabar_raw <-
jabr_fetch_group(group_id = "ffa4dc21")
ahh_jabar_raw
#> # A tibble: 9 x 2
#> title dataset
#> <chr> <list>
#> 1 Angka Harapan Hidup Berdasarkan Kota Kabupaten Tahun 2010 <df[,5] [27 × 5]>
#> 2 Angka Harapan Hidup Berdasarkan Kota Kabupaten Tahun 2011 <df[,5] [27 × 5]>
#> 3 Angka Harapan Hidup Berdasarkan Kota Kabupaten Tahun 2012 <df[,5] [27 × 5]>
#> 4 Angka Harapan Hidup Berdasarkan Kota Kabupaten Tahun 2013 <df[,5] [27 × 5]>
#> 5 Angka Harapan Hidup Berdasarkan Kota Kabupaten Tahun 2014 <df[,5] [27 × 5]>
#> 6 Angka Harapan Hidup Berdasarkan Kota Kabupaten Tahun 2015 <df[,5] [27 × 5]>
#> 7 Angka Harapan Hidup Berdasarkan Kota Kabupaten Tahun 2016 <df[,5] [27 × 5]>
#> 8 Angka Harapan Hidup Berdasarkan Kota Kabupaten Tahun 2017 <df[,5] [27 × 5]>
#> 9 Angka Harapan Hidup Berdasarkan Kota Kabupaten Tahun 2018 <df[,5] [27 × 5]>
## Step 2. Expand/unnest the datasets.
ahh_jabar <-
ahh_jabar_raw %>%
tidyr::unnest(dataset)
ahh_jabar
#> # A tibble: 243 x 6
#> title provinsi kode_kota_kabup… nama_kota_kabup… angka_harapan_h… satuan
#> <chr> <chr> <int> <chr> <dbl> <chr>
#> 1 Angka Har… JAWA BA… 3204 KAB. BANDUNG 72.9 TAHUN
#> 2 Angka Har… JAWA BA… 3217 KAB. BANDUNG BA… 71.5 TAHUN
#> 3 Angka Har… JAWA BA… 3216 KAB. BEKASI 72.9 TAHUN
#> 4 Angka Har… JAWA BA… 3201 KAB. BOGOR 70.3 TAHUN
#> 5 Angka Har… JAWA BA… 3207 KAB. CIAMIS 70.0 TAHUN
#> 6 Angka Har… JAWA BA… 3203 KAB. CIANJUR 68.8 TAHUN
#> 7 Angka Har… JAWA BA… 3209 KAB. CIREBON 71.1 TAHUN
#> 8 Angka Har… JAWA BA… 3205 KAB. GARUT 70.3 TAHUN
#> 9 Angka Har… JAWA BA… 3212 KAB. INDRAMAYU 70.0 TAHUN
#> 10 Angka Har… JAWA BA… 3215 KAB. KARAWANG 71.3 TAHUN
#> # … with 233 more rows
## Step 3. (optional) Perform some data cleaning.
ahh_jabar <-
ahh_jabar %>%
tidyr::extract(title, "tahun", "(\\d{4})", convert = TRUE)
ahh_jabar
#> # A tibble: 243 x 6
#> tahun provinsi kode_kota_kabupat… nama_kota_kabupa… angka_harapan_hi… satuan
#> <int> <chr> <int> <chr> <dbl> <chr>
#> 1 2010 JAWA BAR… 3204 KAB. BANDUNG 72.9 TAHUN
#> 2 2010 JAWA BAR… 3217 KAB. BANDUNG BAR… 71.5 TAHUN
#> 3 2010 JAWA BAR… 3216 KAB. BEKASI 72.9 TAHUN
#> 4 2010 JAWA BAR… 3201 KAB. BOGOR 70.3 TAHUN
#> 5 2010 JAWA BAR… 3207 KAB. CIAMIS 70.0 TAHUN
#> 6 2010 JAWA BAR… 3203 KAB. CIANJUR 68.8 TAHUN
#> 7 2010 JAWA BAR… 3209 KAB. CIREBON 71.1 TAHUN
#> 8 2010 JAWA BAR… 3205 KAB. GARUT 70.3 TAHUN
#> 9 2010 JAWA BAR… 3212 KAB. INDRAMAYU 70.0 TAHUN
#> 10 2010 JAWA BAR… 3215 KAB. KARAWANG 71.3 TAHUN
#> # … with 233 more rows