Claude og jeg har laget en interaktiv D3-graf

2025 er et merkeår. For all del, det er fortsatt flere fossilbiler enn elbiler i Norge. Men i 2025 ble det flere elbiler enn dieselbiler i Norge!

Bare sjekk ut den interaktive grafen rett under her:

Nå skal jeg innrømme med en gang at jeg lagde egentlig ikke denne grafen for å få fram et poeng om biler. Jeg ville teste ut i hvor stor grad jeg kunne bruke KI-en Claude til å lage elegante, interaktive D3-grafer. 

Og det funket!!!

Til inspirasjon: Lisa Charlotte Muth i Datawrapper

Virkelig, to innlegg i løpet av to uker? Jeg får passe på at jeg ikke legger lista for høyt nå. 

En måte jeg har lagt lista høyt på, er at jeg alltid skulle lage et kart eller en figur fra bunnen av hver bidige gang jeg skulle skrive noe på denne bloggen. En mer lavt hengende frukt jeg kan plukke innimellom, er å fortelle om ting og personer som inspirerer meg.

Det jeg hadde lyst til nå, er å nevne én person. Hver gang hun skriver noe på det store internett, sluker jeg det til meg. 

Jeg snakker om Lisa Charlotte Muth i Datawrapper.

Jeg er litt usikker på rollen hennes, men det er hun som skriver de lange, innsiktsfulle bloginnleggene hos Datawrapper om hvordan man kan gjøre grafer og figurer bedre.

(Datawrapper er et tysk selskap som har en utrolig god (og gratis) nettside for å lage heftige datavisualiseringer. Nettsiden er veldig intuitiv og enkel å bruke for å lage figurer og grafer. Samtidig har Datawrapper enkle og gode løsninger for "staffeliet" rundt selve figurene, altså titler, tekst osv. Jeg har imidlertid ikke tenkt å snakke noe mer om (hele) nettsiden til Datawrapper nå. Jeg skal prøve å få gjort det siden en gang.)

Muth er ikke alene om å skrive blogginnlegg hos Datawrapper, men tekstene hennes om fargebruk og fornuftige valg av graftyper, er utfyllende, enkle å lese og veldig godt illustrert.

Her er tre inngangsporter til Datawrapper-bloggen og arbeidet hennes:

Data vis do's & don'ts - Datawrapper Blog

Color in data vis - Datawrapper Blog

Opinions - Datawrapper Blog

Eller så har Muth også laget en flott samleside med alle føringer og tips:

Data & Analytics Songbooks - Miro

Og sist, men ikke minst, meld deg på nyhetsbrevet fra Datawrapper. Jeg liker også veldig godt den ukentlige gjennomgangen til Datawrapper av kule og fine datavisualiseringer ute på verdensveven (Data Vis Dispatch).

Gode bøker om datavisualisering og kartografi

 Dette er faktisk toårsdagen for sist gang jeg skrev et innlegg på denne bloggen. Sånn går det når man fyller livet med litt for mange forpliktelser. Nå har jeg hakket mer pusterom, og i tillegg har jeg litt ferdigkvernet innhold!

En tidligere kollega av meg spurte om bokanbefalinger: Gode bøker om datavisualisering og kartografi.

Vel her er anbefalingene mine. Du vil merke at jeg er opptatt av å treffe en god balanse mellom bøker som er praktiske og konkrete, samtidig som de kommer med gode hvorfor-forklaringer med teorien bak det praktiske:

Om datavisualisering generelt:

- Alt av Alberto Cairo, professor i datajournalistikk. Jeg har to av bøkene hans i hylla hjemme, «The truthful art» og «How charts lie». Nå klarer jeg ikke å skille dem så mye fra hverandre, for lenge siden jeg har lest dem, men veldig sansen for ham.

- Better Data Visualizations av Jonathan Schwabish, mye om å ta det neste steget. For eksempel å tenke forbi standard søylegrafer

- En tredje forfatter jeg har likt litt, mest fordi den har en fin oppslagssekvens om «alle» former for datavisualisering, er Andy Kirk med boka Data Visualisation – A Handbook for Data Driven Design. Han har forøvrig en YouTube-kanal som langt flere burde få øynene opp for.

Om kartografi:

- Min absolutte favorittbok her er Designing Better Maps: A Guide for GIS Users av Cynthia Brewer (ja, den Brewer som står bak ColorBrewer-palettene). Veldig konkret og praktisk, samtidig som går i essensen.

- En bok jeg er blitt veldig glad i, er Cartography: The Definitive Guide to Making Maps av Kenneth Field, eks-akademiker som er blant hovedkartografene i ESRI nå. Ikke en lærebok som Brewers, men et helt fantastisk oppslagsverk over alle aspekter med kartografi.

- Hvis du vil ha den komplette lærebok, som er grundig og for så vidt lettlest, men litt svær og ikke like sprek  som de andre bøkene jeg har nevnt her, så er Thematic Cartography av McMaster og Howard selve definisjonen på en tekstbok i kartografi. Den er imidlertid litt gammel.

- Hvis jeg skulle bestilt en bok nå, som jeg ikke har lest før, så ville det vært Cartography: Visualization of Geospatial Data av Menno-Jan Kraak (en bauta innen kartografi, virker det som) og Ferjan Ormeling. Faller nok veldig innenfor lærebok-segmentet.

Klassikere som er fine å ha i hylla, men som enten ikke tilfører veldig mye til det jeg har nevnt, eller som er litt utilgjengelige:

- The Visual Display of Quantitative Information er vel hovedverket til Edward Tufte, hvis jeg ikke tar helt feil. Tufte som i en av de absolutt største bautaene innenfor datavisualisering. Personlig synes jeg det blir litt for mye anekdotisk og synsing uten å gi gode hvorfor-begrunnelser, men han har jo en god del prinsipper og begrep som er veldig gode retningslinjer.

- Semiology of Graphics av Jacques Bertin er selve introduksjonen i systematiseringen av visuelle variabler og elementer som man ser som et grunnelement i «alle» innføringsbøker om kartografi og til dels datavisualisering generelt. Men veldig fransk og slitsom å lese, synes jeg i hvert fall

- How to lie with maps av Mark Monmonier, en relativt populærvitenskapelig innføring i kartografi som alle siterer når de skriver om at kart kan være misvisende eller manipulerende. Fornøyelig å lese. Jeg har anbefalt den til studenter som julegave til «utenforstående»

Hvordan (fortsette) å lære mer GIS?

Jeg har undervist mye i GIS-fag. Her om dagen fikk jeg spørsmål fra en tidligere student om hvordan hen kunne fortsette å lære seg mer GIS etter introkurset vi tilbyr på samfunnsgeografi.

Vel, her er svarene jeg ga ham, og litt til som jeg kom på i etterkant.

Jevnlig basis

Det aller viktigste er at du bare gjør noe med GIS på jevnlig basis. Åpner du et GIS-program minst en gang i uka og leker deg med å prøve å lage et fint kart eller prøve et nytt type verktøy eller analyse i bare 15 eller 30 min, så vil du automatisk bli bedre i GIS.

For studenter: Har du oppgaver i andre fag/emner hvor du kan bruke GIS? Enten til å gjøre en hel analyse (f.eks. om segregering i byfag) eller bare et oversiktskart? Do it!

ESRI-KURS

Er du (fortsatt) student? I så fall bør du be den nye GIS-ambassadøren til Geodata på UiO, eller ditt studiested, om å få en ArcGIS-lisens hvor du også får gratis tilgang til alle online-kursene til ESRI, selskapet som står bak ArcGIS. Og hvis du ikke vet, dette er ting som koster myyye penger hvis du ikke er student.

GIS-ambassadør: https://geodata.no/artikkel/gis-ambassador-ved-ditt-studiested 

ESRI-kurs: https://www.esri.com/training/catalog/search/

Det er latterlige mange kurs hos ESRI, som dekker alle mulige aspekter av GIS, og de er relativt korte.

PENN UNIVERSITY

Penn University i USA har utrolig mange GIS-kurs online, hvor de har gjort mye materiale tilgjengelig for alle:

Oversikt over fag: https://geospatial.psu.edu/the-experience/course-catalog

Eksempel på innhold i ett fag: https://www.e-education.psu.edu/geog486/node/808

TWITTER OG #30DayMapChallenge

Twitter er et sted jeg følger veldig mange kart- og GIS-folk. Med både mye inspirasjon og mange guider. Hvis du følger alle her, så vil du definivt lære deg mye GIS:

https://carto.com/blog/twitter-guide-2018/

Eller så har det blitt en årlig tradisjon på twitter, i November, med #30DayMapChallenge, hvor du må lage et kart hver dag i november, men med forskjellige forhåndsbestemte temaer for hvert kart. Det er imidlertid ingenting som stopper deg fra å prøve deg på noen av utfordringene nå. Her kan du lese mer om det:

https://30daymapchallenge.com/

Litt beslektet til Twitter, er at ESRI-kartograf John Nelson har en YouTube-kanal hvor han kommer med små ettminuttsvideoer om litt overflødige, men samtidig veldig kule hacks for å få til kule effekter i ArcGIS Pro.

https://www.youtube.com/c/JohnNelsonMaps

HOBBY-PROSJEKT

Litt beslektet med mitt første tips, men mitt siste tips er at du finner et eller annet hobbyprosjekt som har noe med GIS å gjøre. Jeg har blitt god i GIS først og fremst fordi jeg har hatt det som hobby siden jeg tok SGO1910, innføringsfaget i GIS på samfunnsgeo.

Selv har jeg f.eks. prøvd å lage kart av data/statistikk jeg synes er interessant, som valgresultater eller sosioøkonomiske forskjeller i Oslo. Det som hjalp meg til å pushe meg selv, er at jeg la mye av det ut på denne bloggen!

En sånn blogg er forøvrig veldig fin å ha som portfolio når du søker på jobber! Selv om få andre ser på den.

Og sånn som i år, så skal jeg prøve å lage kart over nabolagene der familien min bor, som jeg kan ramme inn og gi i julegave til dem.

Aldersfordeling- og mengde i Norges fylker (i et mosaikk-diagram)

Klikk for å se (hakket) større.

Når vi sammenligner forskjellige grupper, steder eller hva det måtte være statistisk, så er det gjerne en av to ting vi snakker om. Bor det flere eldre i et fylke som Nordland enn i Oslo, eller er det en større andel eldre i Nordland enn i Oslo.

Jeg er glad i andeler, som er en form for relativ verdi. Andelen eldre er stor eller liten i forhold til (relativt til) den totale befolkningen i fylket. Antall eldre er ett, absolutt tall. Det tallet forandres ikke noe av hvor stor resten av befolkningen er.

Hvorfor babler jeg om dette? Jo, fordi man stort sett må velge å vise enten relative eller absolutte verdier når man lager en graf om noe.

Med såkalte mosaikk-diagram kan man imidlertid vise begge deler!

Mosaikk-diagram, er ikke så ulike stablete søylediagram som summerer til 100 prosent. I slike søylediagram er vi vant til at høyden på søylene og søylebitene angir en verdi. I et mosaikk-diagram kan i tillegg bredden på søylene bety noe.

I tilfellet mitt kan det være litt forvirrende å snakke om bredde og høyde, for jeg har lagt diagrammet mitt på siden, så du skal slippe å snu på hodet for å lese fylkesnavnene. I mitt tilfelle viser bredden på søylebiten hvor stor andel den aldersgruppen utgjør av befolkningen i hvert fylke. I Oslo er søylebiten for voksne (20-64 år) bredere enn i Trøndelag fordi en større andel av befolkningen i Oslo (66,3 %) er voksne enn i Trøndelag (59 %). 

I tillegg viser høyden på søylene hvor  mange som bor i hvert fylke, uavhengig av aldersfordelingen. Høydeforskjellen mellom søylene til Viken og Vestland viser for eksempel at dobbelt så mange bor i Viken som i Vestland. Dette gjør at arealet på senior-rektangelen angir hvor mange eldre som bor i hvert fylke.

Vi kan for eksempel se nå at hvis du møter på 100 tilfeldige mennesker på i Innlandet, så er det mer sannsynlig at du møter på en over 65 år enn hvis du møter på 100 tilfeldige mennesker i Oslo. Rett og slett fordi en større andel av befolkningen i Nordland er 65 år og eldre enn i Oslo.

Men, vi kan også se at  det bor flere eldre mennesker i Viken enn i Nordland, selv om prosentandelen er lavere, rett og slett fordi det bor mye mer folk i Viken i utgangspunktet. Generelt, legg merke til hvor mye høyere Viken er enn alle andre fylker ...

Et par siste ting om valg i denne grafen. Jeg valgte at andelen eldre skulle stå i sentrum. Derfor rangerte jeg alle fylkene etter andelen eldre. I tillegg ga jeg denne aldersgruppen en mye sterkere farge enn de andre aldersgruppene. Gulaktige farger er ekstremt effektive til å fremheve noe fordi de kan være både lyse og sterke (mette/saturated) samtidig. Samtidig knotet jeg en del med fargehjulet til Adobe for å finne dempede farger som samtidig fungerer bra med denne gulfargen. Jeg valgte også å ikke angi verdier for hvor mange som faktisk bor i de forskjellige regionene, rett og slett fordi jeg ikke vil oversvømme grafen med altfor mange detaljer.

Når det gjelder arbeidsgangen, så lagde jeg først grafen i statistikkprogrammet R, hvor jeg også lastet ned statistikken fra SSB. Koden kan du se under. Deretter eksporterte jeg en svg-fil til Inkscape – som er et veldig habilt gratisalternativ til Adobe Illustrator – og gjorde en god del estetisk finpuss der. Svg-fil er viktig, for det betyr at alle enkeltelementene i grafen er redigerbare vektorer og kan flyttes og endres på i Inkscape. Jeg kunne nok tatt meg av mye mer av den estetiske finpussen i R, men var litt gøy å bare knote i Inkscape. Lenge siden jeg har gjort den type grafisk arbeid.

Realistiske fjellskygger (i Jotunheimen) med Blender

Klikk for å se større. Datakilder: Statens kartverk

Jeg vet at dette ikke er det første kartet jeg har lagt ut av Jotunheimen. Poenget er at når jeg vil teste ut eller leke meg med terrengdata, så ender jeg som regel opp med å bruke dette høydedatasettet.

Hva er det jeg har testet ut her? Å lage fjellskygger (også kjent som hillshade på godt norsk) med programmet Blender.

Blender er i utgangspunktet et åpent og gratis program som brukes til å lage 3D-modeller og animasjon. Jeg har aldri rørt det fordi 1) det har aldri virket superrelevant for meg, og 2) at det virker så uhorvelig omfattende og komplisert.

Men i det siste har jeg sett stadig flere kartografer som har brukt Blender til å lage fjellskygge, altså å få fram skyggene og solflatene i et terreng. En viktig grunn til å bruke Blender, er at det gjengir solstråler og lyseffekter veldig bra.

Og jeg fant en supervennlig tutorial, skrevet av Daniel Huffman, som gjorde det overraskende enkelt for meg å få. I tillegg gjorde jeg litt etterarbeid i Photoshop for få til "sluttproduktet"

Klikk for å se større.

I kartet over har jeg smeltet sammen areldekke fra kartverkets N1000-kartserie. Her er imidlertid fjellskyggen slik Blender spyttet den ut.

Klikk for å se større.

Arealdekket med vann, vegetasjon osv. hadde jeg forberedt i ArcGIS Pro. Jeg la de to lagene oppå hverandre i Photoshop og brukte blending mode multiply (vær så snill og ikke be meg om å fornorske det).

Klikk for å se større

Jeg syntes imidlertid at det var litt mørkt – legg merke til at den opprinnelige fjellskyggen har en mellomgrå tone som lyseste fargetone – så jeg brukte kurve-verktøyet i Photoshop til å lyse opp de lyseste fargetonene litt mer.

Klikk for å se større

I tillegg ville jeg varme opp bildet litt. Den kalde tonen stemmer kanskje bedre overens med den norske fjellheimen, men det får så være. Et varmt fargefilter er lagt på topp, i tillegg er de lysere fargene blitt mer varme (gule) og de mørke blitt kaldere (blåe), for å få en fin og effektiv dynamikk (dette er kartet øverst).

Klikk for å se større

Jeg ble litt nysgjerrig på hva all etterbehandlingen i Photoshop gjorde med fjellskyggen, uavhengig arealdekket, og jeg må si at jeg liker effekten. Her ser du også tydligere at jeg gjorde skyggene kaldere og solflatene varmere. Langt mer innbydende og dynamisk (må passe på ikke å bruke det ordet for ofte) enn den opprinnelige fjellskyggen som er i rene gråtoner. Det sagt, kunne sikkert fått til denne effekten i Blender i utgangspunktet.

Kartogram: Stå "stor" er Norges befolkning

Datakilder: Kartverket og SSB

Jeg hører til blant dem som bruker kart til å si noe om folk. Problemet er at kart sier ikke i utgangspunktet noe om folk, de sier noe om steder.

Så når du viser et kart med Norges fylker, unnskyld, regioner, så er arealet som regel det første du legger merke til. Du registrerer, for eksempel, at Finnmark er mye større enn Oslo i areal.

En typisk måte å få kartet over regioners areal til å vise noe om befolkningen som bor i regionene på, er å bruke farger. Mørke, kraftige (mettede) farger betyr høye verdier. Lyse, vasne farger betyr lave verdier.

Farger er effektivt, farger er bra. Men menneskehjernen er skrudd sammen slik at vi fortsatt tenker at størrelse er viktig. Vi tilegner naturlig et stort område større verdi enn et mindre område. Store områder, som Finnmark, blir fort tilegnet mer vekt, betydning og oppmerksomhet enn Østfold, uten at det er noen god grunn til det. Kan vi gjøre noe med det?

Ja, vi kan lage et kartogram. I et vanlig kart bestemmes størrelsen på områdene (det jeg gjerne kaller de romlige enhetene), f.eks. regioner, av landarealet til områdene. Dette er en såpass stor selvfølgelighet at du fort må lese den setningen om igjen for å fange opp hva den egentlig betyr. Med et kartogram lar vi noe annet enn arealet bestemme størrelsen på områdene.

Som befolkningsmengden. Oslo har mer enn dobbelt så stor befolkning som Tromsø-Finnmark. Altså burde Oslo se dobbelt så stort ut.

Reiser virkelig flere med kollektivtransport?

Klikk for å se større.

En ganske selvforklarende og enkel graf. Statistisk sentralbyrå (SSB) har noen lignende grafer, som også viser at antall passasjerer med kollektivtransporten øker. Problemet med de grafene er at de viser antall kollektivreisende i absolutte tall, og tar ikke høyde befolkningsveksten. Selv om det er flere som reiser med kollektivtransport, så kan det i så fall være en lavere andel som reiser med kollektivtransporten.

Grafen over her tar høyde for det, og den viser at andelen som reiser med kollkektivtrqansport øker. Nå er det imidlertid to ting jeg må bemerke.

For det første, så ble metoden for å registrere kollektivpassasjerer endret i 2017 blant mange av kollektivtransportsøknadene, ifølge SSB. Vi bør altså ikke legge for mye inn i tolkningen av 2017 og 2018 sammenlignet med tidligere år.

For det andre, så behøver det ikke nødvendigvis å være flere enkeltpersoner som har begynt å reise. En passasjer er i denne sammenheng én påstigning, altså bør det tolkes mer som enkeltreiser. Med andre ord er det antall reiser som har økt.

Min egentlige motivasjon for å lage denne grafen var å bli bedre kjent med å bearbeide utseendet til grafen, når jeg lager den med ggplot2-pakken i R. Ggplot2 og R er utrolig fint til å lage grafer med, og det er ganske enkelt å velge mellom en del forhåndsdefinerte utseender (vil du ha Economist-stil på grafen din? Bare å skrive inn et ord i syntaksen din).

Under er koden min. Det fine med denne koden er at den henter statistikken direkte fra SSBs API, ved hjelp av PxWebApiData-pakken, som visstnok brukes til å kommunisere med en god del offentlige statistikkbanker i Europa og det som måtte være.

Slik endrer bilbruken seg i Europa

Klikk for å se større.

Kartene over her viser hvordan bruken av bil har endret seg i Europa i løpet av tiårsperioden fra 2007 til 2017. I en god del land i Nordvest-Europa har bilbruken faktisk gått ned, relativt sett, mens bilbruken skal ha økt i Norge. Bilbruken ser ut til å ha økt i både Sør-Europa og Øst-Europa, men at Tyrkia skiller seg kraftig ut.

Kartene er basert på hvor stor andel av alle de kilometrene som passasjerer reiser i løpet av et år som er med bil. Dette kan illustreres med disse (hypotetiske) regnestykkene:

I 2007 var det ti personer som til sammen reiste 72 000 km (såpass blir det hvis alle ti pendler 15 km hver vei fem ganger i uka 48 uker i året). 59 000 av de kilometrene var med bil. Altså er bilandelen av passasjerkilometrene 82 prosent (59 000 / 72 000).

På kartene under her kan du se de prosenttallene for 2007 og 2017.

Klikk for å se større

Datakilde er Eurostat, via R-pakken deres som bare heter Eurostat. Jeg har ikke satt meg nok inn i datamaterialet til å kunne si i hvor stor grad disse kartene viser reelle endringer i bilbruken, eller om det har vært endringer i datainnsamlingen fra 2007 til 2017. Kanskje jeg får lage en tidsseriegraf for å se om det er noen merkelige hopp i datasettet.

Kartene er laget i R, og her er syntaksen. Fine i denne anledning er at du trenger ikke noen lokale filer for å lage disse kartene. Du laster ned både statistikk og geodata i selve skriptet!

Jotunheimen

Klikk for å se større. Datakilder: Kartverket

Noen ganger er ord overflødige. Jotunheimen.

Terrengdata er fra hoydedata.no. Arealdekke og diverse annet er fra Kartverkets N1000-kart.

Tilskuertallet i eliteserien synker

Klikk for å se større.

Det har vært noen kamper i årets eliteserie i fotball (for herrer) hvor det har vært overraskende stusselig oppmøte, synes jeg. Da tenker jeg spesielt på Vålerenga og Brann. Lag i storbyene som bør være publikumsmagneter i områder med mye folk, men den gang ei.

Denne grafen viser at tilskuertallet jevnt over har sunket siden høydepunktet i 2007. Da var det også særdeles stor interesse for fotball her til lands, med oppblåste tv-avtaler og fotballøkonomi.

Så grønt er Oslo

Så grønt er det i Oslo! Dag 5 av #30DayMapChallenge med raster. #NDVI #Sentinel2 pic.twitter.com/BmdcWYWbZa

— Torstein S Throndsen (@TSThrondsen) 5. november 2019

Jeg har blitt med på en Twitter-bølge, som er blitt satt i gang av Topi Tjukanov, som generelt gjør mye kult med PostGIS.

Announcing #30DayMapChallenge in November 2019! Create a map each day of the month with the following themes 🌍🌎🌏

No restriction on tools. All maps should be created by you. Doing less than 30 maps is fine. #gischat #geography #cartography #dataviz pic.twitter.com/6Go4VFWcJB

— Topi Tjukanov (@tjukanov) 25. oktober 2019

Men for å komme tilbake til kartet jeg har laget, så viser det hvor mye grønn og frodig vegetasjon det er rundt omkring i Oslo.

Det har jeg gjort ved hjelp av satellittfoto fra Sentinel 2-satelitten, som gir deg bilder av jordkloden med en oppløsning helt ned til ti ganger ti meter. Det kartet består altså av celler på 100 kvadratmeter som er fargekodet etter hvor frodig vegetasjonen der skal være.

Hvis du klikker deg inn på kartet, så har jeg faktisk prøvd å oversette verdiene til godt norsk.

Fargeverdiene følger normalized difference vegetation index.

Satelittfoto, raster, og vegetasjonsindekser er ting jeg har arbeidet særdeles lite med fram til nå, men jeg må si at det er lettere tilgjengelig enn jeg trodde i utgangspunktet.

Satellittfotoene lastet jeg forøvrig gratis ned herfra.

Hvor mange pendler til andre kommuner?

Dette kartet viser hvor stor andel av arbeidsstyrken i hver enkelt kommune som pendler til arbeidsplasser i andre kommuner.

Holder musepekeren over den enkelte kommune for å se det nøyaktige tallet.

Legg spesielt merke til smultringen rundt Oslo. En veldig lav andel pendler ut fra Oslo, men svært mange pendler ut fra nabokommunene. Mange av dem pendler til Oslo.

Reisetid med kollektiv til Oslo S

Klikk for å se større.

Lærer meg nye ting, som å kjøre OpenTripPlanner (OTP) via databehandlings-/statistikkprogrammet R. OTP brukes til å beregne ruter (mellom A og B) med kollektivtransport.

En veldig fin og lett tilgjengelig introduksjon ligger ute på nettet, laget av Marcus Young.

Kommunalboliger i Oslo

Datakilde: Oslo statistikkbank

Et kart som ikke trenger så mange ekstra ord. Sagene skiller seg ut ved å ha 77,5 kommunalboliger per tusende bolig i bydelen.

Men kartet er laget i R. Du kan se all koden nederst i dette innlegget. Å lage kart i R kan nok være spesielt nyttig hvis du bare har en hel haug av statistikk som du har lyst til å lage noen kjappe og enkle kart av.

Selv er jeg totalt nybegynner i R, men det er to gratis e-bøker jeg går sakte, men sikkert gjennom nå.

Den ene er generelt om datamanipulering, R for Data Science av Garrett Grolemund og Hadley Wickham. Kan absolutt anbefales.

Den andre boka er mer GIS- og kartorientert, Geocomputation with R av Robin Lovelace, Jakub Nowosad og Jannes Muenchow. Ut i fra det jeg har lest foreløpig, så er den veldig grei hvis du vil ha en innføring til den romlige GIS-verdenen.

Mangfoldige Oslo øst

Klikk for å se større. Fargeskalaen Kilde: Oslo kommune.

Her har du et Oslo-kart med et klassisk mønster, et øst-vest-skille. Nordstrand, og tildels Østensjø, er i realiteten en del av vestkanten, mens Søndre Nordstrand lengst sør er en del av østkanten.

Jeg lagde kartet etter at Sylvi Listhaug gikk ut og snakket om en gettoisering av Oslo.

Og det kartet viser, er hvilke steder hvor det er mest miks av innbyggere med forskjellig landbakgrunn, altså hvilket land de selv eller begge deres foreldre opprinnelig kommer fra.

Jo mørkere blåfarge, jo mer miks. Jo lysere gulfarge, mindre miks.

Og karter viser at det strengt tatt er veldig lite av gettoer på østkanten i Oslo.

For hvis du tar et byfag innenfor samfunnsgeografi på Universitetet i Oslo, så vil du lære deg å være forsiktig med getto-begrepet.

Begrepet slik det brukes om gettoer i amerikanske byer - eller om jødiske gettoer i Europa før i tida – kan sjeldent brukes i en moderne europeisk, eller norsk, kontekst.

En getto består i stor grad av en gruppe mennesker, en minoritet, som har mange likhetstrekk.

De blå områdene på kartet over viser steder hvor det er veldig mange forskjellig type mennesker.

Nå skriver jeg litt på husk om getto-begrepet. Men et par andre kjennemerker ved amerikanske gettoer er at de transport- og infrastrukturmessig er relativt avsondret fra resten av byen. Bor du i en getto, jobber du gjerne der og tilbringer det aller meste av tiden der.

Også er skattesystemet i USA mye mer lokalt orientert enn i Norge. Skatter du i en bydel i USA, så går en god del av pengene dine til den bydelen som du bor i. I Norge omfordeles skattepenger mye mer geografisk. Beboere oppe i Holmenkollen kan finansiere sosiale tiltak i andre deler av byen av og landet med sine skattepenger.

Så der amerikanske gettoer kan bli ganske forfalne med slitte bygninger o.l., blant annet fordi de lokale myndighetene ikke får inn nok skattepenger, så kan det alltid rettes inn tiltak mot bydeler og -områder i Oslo med penger utenifra.

For å komme tilbake til kartet, så er tallene verdier på en Shannon entropi-indeks. Jeg vet ikke altfor mye om slike indekser, men de brukes mye innenfor biologi og økologi for å si noe variasjonen av arter innenfor områder. Er det bare en treart i dette skogholtet, eller er det mange forskjellige om hverandre? Jeg stilte det samme spørsmålet i kartet ovenfor, men bare om befolkningsgrupper med forskjellig landbakgrunn istedenfor trearter.

Vestfold og referansekart

Klikk for å se større. Kartdata: Kartverket, NVE, SSB.

Jeg tenker selv at jeg er ganske habil på norgesgeografi. Når jeg imidlertid tenker meg om, så er det et belte fra Østfold i sørøst til Møre og Romsdal i nordvest som jeg kjenner ganske godt til. Dette ble veldig tydelig for meg da jeg oppdaget at jeg ikke vet hva som ligger hvor av vestfoldbyene Sandefjord, Larvik og Tønsberg.

Så hvorfor ikke lage et kart over Vestfold?

Et annen grunn til å lage dette kartet er at jeg har lyst til å trene på å lage vakre kart igjen. Min bruk av GIS og kart har de siste årene utviklet seg i en analytisk og statistisk retning, der kartet nesten er underordnet tallene som jeg utledet av GIS-analyser.

Og når jeg først skulle trene på rent kartografisk design, så syntes jeg at referansekart er en spennende utfordring.

All den tid jeg har holdt på med samfunnsgeografi og kartmakeri, så har jeg stort sett laget tematiske kart. Kart over inntektsforskjeller og den slags.

Slike tematiske kart er strengt tatt enkle å utforme, for de skal ha et veldig snevert budskap.

Referansekart er mer utfordrende, for de skal gjerne vise litt av alt på ett og samme kart. Det blir fort mye surr, rot og kluss.

For eksempel, hvordan vise fram både kommunegrenser, elver og veier uten at det blir et salig rot av linjer?

Klikk for å se større.

I dette tilfellet vises ikke kommunegrenser med egne linjer i det hele tatt. Jeg er inspirert av den samme effekten som National Geographic bruker på sine veggkart.

For å få til den effekten brukte jeg Shapeburst fyll-teknikken i QGIS.

Jeg innrømmer gladelig at National Geographic sin kartografiske stil ble en stor inspirasjon, slik kartet utviklet seg. Opprinnelig hadde jeg egentlig tenkt å lage et kart mer i den spion-/blåprintstilen som jeg lagde et europakart med i februar. Men så syntes jeg at den effekten med kommunegrensene var så innmari fin mot en svak bakgrunnsfarge ...

Eliteseriens poengform: En bunntung vase

Klikk for å se større.

Ovenfor kan du se "formen" på eliteserien de siste ni årene, som er alle de sesongene eliteserien har hatt seksten lag.

Grafen under kan forklare hva disse formene egentlig er. 2009-sesongen var det mange lag som fikk oppunder førti poeng i eliteserien. Derfor er formen bredere i det sjiktet. Rosenborg hadde suverent mer poeng, 69, enn de andre lagene, så formen er smal i toppen. Og Lyn hanket inn langt færre poeng enn de andre lagene, og skaper den smale bunnen på 2009-sesongens form.

Klikk for å se større.

Formen de to siste årene er tydelig bunntung, hvor mange lag samler inn jevnt over lite poeng. Mange uavgjortresultater altså.

Europa-kart med blåkopi-/spiontema

Klikk for å se større.

Det er lenge siden jeg lagde et kart bare for å lage noe jeg synes er pent å se på, så det var på tide å gjøre noe med det.

Den siste tida har jeg tenkt på at det er ikke bare, bare å lage referansekart, et sånt kart som skal vise hvor alt er, med en viss struktur og hierarki i hva som er viktig å vise fram.

National Geographic har nær sagt satt en svært elegant standard for hvordan slike referansekart av kontinenter og hele verden skal se ut.

Men jeg hadde lyst til å lage et kart med en viss karakter. Etter å ha sett nok spionfilmer med kule mørke kart på dataskjermer, så fikk jeg lyst til å lage noe slikt.

Det som er artig med kartet mitt, er at alle fargene er basert på blåkopi-farger.

Eller så kan jeg si at balkanisering gjør det knotete å få landnavn til å passe inn på et kart. Hovedstedsnavn er bare å glemme.

Alt av kartgrunnlag er hentet gratis fra Natural Earth Data.

Problemet med koroplete kart

Koroplete kart er populære for å vise fram statistikk om forskjellige steder. Poenget med et koroplet kart er at du fargelegger forhåndsdefinerte områder, som f.eks. kommuner eller grunnkretser, med en farge basert på en verdi i det området. Kommuner med høyere gjennomsnittsinntekt får en sterkere blåfarge emns kommuner med lavere inntekt får en svakere farge.

Den vanligste (og viktigste) kritikken av koroplete kart, er at de favoriserer enheter (sånn som kommuner, fylker, bydeler) med stort areal over enheter med lite areal.

Skjermdump: https://www.reddit.com/r/The_Donald/comments/
932uy9/holy_hell_look_at_all_that_red/

Det ble faktisk gjort et nummer ut av dette i reddit-gruppen til Trump-tilhengere (jeg fikk vite dette via Twitter-kontoen til Joshua Stevens).
Tittelen på reddit-innlegget er HOLY HELL, LOOK AT ALL THAT RED!!!

(Kartet er interaktivt og laget av New York Times)

I følge dette kartet kan det virke som at Donald Trump vant presidentvalget i 2016 helt suverent. Det gjorde han ikke. Fargene på kartet viser hvor mange prosent av de stemmeberettigede som stemte på Trump og Clinton. Blått så stemte flere på Clinton enn på Trump, sterkere blåfarge, større prosentandel stemte på Clinton. De knallrøde områdene er altså steder hvor en ganske høy prosentandel stemte på Trump.

Hva er så problemet? Størrelsen på countyene. Noen av countyene dekker stort område, men det bor få folk i dem. Dette gjelder spesielt i Midtvesten og de fleste heller rurale områdene i USA. Storbyene derimot, hvor de absolutt fleste bor (82 prosent), er arealmessig ganske små. Man kan derfor få inntrykket av at steder med stort areal er viktigere enn steder med lite areal, uavhengig av hvor mange som bor der.

La oss sammenligne stemmeresultatene fra to steder i USA.

Klikk for å komme til New York Times interaktive kart.

Garfield county i Montana. 12 554 kvadratkilometer, ifølge Wikipedia. Midt i mellom Rogaland og Buskerud i areal. 91 prosent av de stemmeberettigede innbyggerne stemte på Trump. Knallrødt. Garfield er så stort at du tydelig kan se det på kartet over hele USA.

Klikk for å komme til New York Times interaktive kart.

Klikk for å komme til New York Times interaktive kart.

Manhattan i New York klarer du ikke å skille ut på USA-kartet. 59,1 kvadratkilometer. Like stort som Trondheim tettsted. 9,7 prosent stemte Trump.

Garfield er stort og rødt, Manhattan er lite blått. Garfield virker viktigere. Og begge kartutsnittene har samme målestokk. Poenget er at de 91 prosentene i Garfield som stemte på Trump, er bare 653 personer. De 9,7 prosentene på Manhattan er 64 929 personer.