Capítulo17 Datos Ordenados

Fecha de la ultima revisión

## [1] "2024-11-07"

El tema proviene de los siguientes sitios.

English: https://r4ds.had.co.nz/tidy-data.html

Español: https://es.r4ds.hadley.nz/12-tidy.html

17.1 Temas: Datos Ordenados

17.1.1 El paquete tidyr

Ver vignettes

 library(tidyverse)
library(datos)

tabla1

## # A tibble: 6 × 4
##   pais        anio  casos  poblacion
##   <chr>      <dbl>  <dbl>      <dbl>
## 1 Afganistán  1999    745   19987071
## 2 Afganistán  2000   2666   20595360
## 3 Brasil      1999  37737  172006362
## 4 Brasil      2000  80488  174504898
## 5 China       1999 212258 1272915272
## 6 China       2000 213766 1280428583

tabla2

## # A tibble: 12 × 4
##    pais        anio tipo          cuenta
##    <chr>      <dbl> <chr>          <dbl>
##  1 Afganistán  1999 casos            745
##  2 Afganistán  1999 población   19987071
##  3 Afganistán  2000 casos           2666
##  4 Afganistán  2000 población   20595360
##  5 Brasil      1999 casos          37737
##  6 Brasil      1999 población  172006362
##  7 Brasil      2000 casos          80488
##  8 Brasil      2000 población  174504898
##  9 China       1999 casos         212258
## 10 China       1999 población 1272915272
## 11 China       2000 casos         213766
## 12 China       2000 población 1280428583

tabla3

## # A tibble: 6 × 3
##   pais        anio tasa             
##   <chr>      <dbl> <chr>            
## 1 Afganistán  1999 745/19987071     
## 2 Afganistán  2000 2666/20595360    
## 3 Brasil      1999 37737/172006362  
## 4 Brasil      2000 80488/174504898  
## 5 China       1999 212258/1272915272
## 6 China       2000 213766/1280428583

tabla4a

## # A tibble: 3 × 3
##   pais       `1999` `2000`
##   <chr>       <dbl>  <dbl>
## 1 Afganistán    745   2666
## 2 Brasil      37737  80488
## 3 China      212258 213766

tabla4b

## # A tibble: 3 × 3
##   pais           `1999`     `2000`
##   <chr>           <dbl>      <dbl>
## 1 Afganistán   19987071   20595360
## 2 Brasil      172006362  174504898
## 3 China      1272915272 1280428583

≠# Leaflet: Mapas interactivos

## [1] "2024-11-07"

library(tidyverse)

17.2 Bajar los datos de la web del USGS

Website: https://earthquake.usgs.gov/earthquakes/feed/v1.0/csv.php

library(data.table)
earthquakes <- fread("https://earthquake.usgs.gov/earthquakes/feed/v1.0/summary/all_month.csv")

head(earthquakes, n=10)

##                    time latitude longitude   depth   mag magType   nst   gap
##                  <POSc>    <num>     <num>   <num> <num>  <char> <int> <num>
##  1: 2024-11-07 17:17:04 36.09100 -117.8747  2.5700  1.17      ml    22    73
##  2: 2024-11-07 17:10:19 31.58900 -104.5200  3.1292  1.50      ml    16    78
##  3: 2024-11-07 17:09:09 38.84933 -122.8288  3.5400  0.46      md    13   118
##  4: 2024-11-07 17:08:46 61.66120 -150.0564 23.8000  1.80      ml    NA    NA
##  5: 2024-11-07 16:54:07 19.17483 -155.3843 29.5000  2.03      ml    52   178
##  6: 2024-11-07 16:53:27 38.83216 -122.8825  2.0100  0.93      md    14   129
##  7: 2024-11-07 16:42:04 -5.70290  154.4274 91.4640  5.20     mww    54   100
##  8: 2024-11-07 16:40:18 33.15883 -115.9590  6.8000  0.92      ml    21    63
##  9: 2024-11-07 16:34:28 31.71700 -104.3020  4.8672  1.60      ml    20    63
## 10: 2024-11-07 16:28:04 32.81400 -116.1745 11.6500  0.89      ml    20    78
##         dmin   rms    net           id             updated
##        <num> <num> <char>       <char>              <POSc>
##  1: 0.031000  0.13     ci   ci40789391 2024-11-07 17:33:59
##  2: 0.100000  0.30     tx   tx2024vxnl 2024-11-07 17:38:39
##  3: 0.006828  0.08     nc   nc75083596 2024-11-07 17:27:15
##  4:       NA  0.44     ak ak024ec9ugnb 2024-11-07 17:10:06
##  5: 0.063570  0.14     hv   hv74524677 2024-11-07 16:57:01
##  6: 0.006095  0.03     nc   nc75083586 2024-11-07 17:17:17
##  7: 2.710000  0.77     us   us7000nqfp 2024-11-07 17:03:18
##  8: 0.021470  0.16     ci   ci40789359 2024-11-07 17:22:18
##  9: 0.100000  0.30     tx   tx2024vxmg 2024-11-07 17:02:47
## 10: 0.068770  0.17     ci   ci40789335 2024-11-07 17:15:28
##                                       place       type horizontalError
##                                      <char>     <char>           <num>
##  1:            8 km NE of Coso Junction, CA earthquake            0.18
##  2:    66 km SSW of Whites City, New Mexico earthquake            0.00
##  3:                   10 km WNW of Cobb, CA earthquake            0.55
##  4:                9 km S of Willow, Alaska earthquake              NA
##  5:             10 km ESE of Pāhala, Hawaii earthquake            0.48
##  6:               12 km E of Cloverdale, CA earthquake            0.34
##  7: 135 km WNW of Panguna, Papua New Guinea earthquake            7.36
##  8:              16 km S of Salton City, CA earthquake            0.23
##  9:      51 km S of Whites City, New Mexico earthquake            0.00
## 10:               19 km WNW of Ocotillo, CA earthquake            0.32
##     depthError magError magNst    status locationSource magSource
##          <num>    <num>  <int>    <char>         <char>    <char>
##  1:   0.190000    0.099     10  reviewed             ci        ci
##  2:   1.770136    0.100     13 automatic             tx        tx
##  3:   1.660000    0.300     14 automatic             nc        nc
##  4:   0.200000       NA     NA automatic             ak        ak
##  5:   0.590000    0.920      6 automatic             hv        hv
##  6:   0.470000    0.190     17 automatic             nc        nc
##  7:   6.862000    0.071     19  reviewed             us        us
##  8:   0.370000    0.101     10  reviewed             ci        ci
##  9:   1.187781    0.200     16 automatic             tx        tx
## 10:   0.670000    0.134     13  reviewed             ci        ci

17.3 Si bajo los datos a mi computadora

Use esta alternativa si bajo los datos a su computadora

#library(readr)
#Earthquake_all_month <- read_csv("Datos/Earthquake_all_month.csv")

#EQ=Earthquake_all_month
#head(EQ, n=10)

names(earthquakes)

##  [1] "time"            "latitude"        "longitude"       "depth"          
##  [5] "mag"             "magType"         "nst"             "gap"            
##  [9] "dmin"            "rms"             "net"             "id"             
## [13] "updated"         "place"           "type"            "horizontalError"
## [17] "depthError"      "magError"        "magNst"          "status"         
## [21] "locationSource"  "magSource"

str(earthquakes)

## Classes 'data.table' and 'data.frame':   8025 obs. of  22 variables:
##  $ time           : POSIXct, format: "2024-11-07 17:17:04" "2024-11-07 17:10:19" ...
##  $ latitude       : num  36.1 31.6 38.8 61.7 19.2 ...
##  $ longitude      : num  -118 -105 -123 -150 -155 ...
##  $ depth          : num  2.57 3.13 3.54 23.8 29.5 ...
##  $ mag            : num  1.17 1.5 0.46 1.8 2.03 0.93 5.2 0.92 1.6 0.89 ...
##  $ magType        : chr  "ml" "ml" "md" "ml" ...
##  $ nst            : int  22 16 13 NA 52 14 54 21 20 20 ...
##  $ gap            : num  73 78 118 NA 178 129 100 63 63 78 ...
##  $ dmin           : num  0.031 0.1 0.00683 NA 0.06357 ...
##  $ rms            : num  0.13 0.3 0.08 0.44 0.14 ...
##  $ net            : chr  "ci" "tx" "nc" "ak" ...
##  $ id             : chr  "ci40789391" "tx2024vxnl" "nc75083596" "ak024ec9ugnb" ...
##  $ updated        : POSIXct, format: "2024-11-07 17:33:59" "2024-11-07 17:38:39" ...
##  $ place          : chr  "8 km NE of Coso Junction, CA" "66 km SSW of Whites City, New Mexico" "10 km WNW of Cobb, CA" "9 km S of Willow, Alaska" ...
##  $ type           : chr  "earthquake" "earthquake" "earthquake" "earthquake" ...
##  $ horizontalError: num  0.18 0 0.55 NA 0.48 0.34 7.36 0.23 0 0.32 ...
##  $ depthError     : num  0.19 1.77 1.66 0.2 0.59 ...
##  $ magError       : num  0.099 0.1 0.3 NA 0.92 0.19 0.071 0.101 0.2 0.134 ...
##  $ magNst         : int  10 13 14 NA 6 17 19 10 16 13 ...
##  $ status         : chr  "reviewed" "automatic" "automatic" "automatic" ...
##  $ locationSource : chr  "ci" "tx" "nc" "ak" ...
##  $ magSource      : chr  "ci" "tx" "nc" "ak" ...
##  - attr(*, ".internal.selfref")=<externalptr>

17.4 Importación de Paquetes y Datos

library(tidyverse)
library(leaflet)
#library(rinat)
library(RColorBrewer)
library(flextable)

Seleccionar un subgrupo de los datos, solamente lo primeros 100 datos

nrow(earthquakes)

## [1] 8025

EQ_100 = earthquakes |> slice(1:100)
head(EQ_100)

##                   time latitude longitude   depth   mag magType   nst   gap
##                 <POSc>    <num>     <num>   <num> <num>  <char> <int> <num>
## 1: 2024-11-07 17:17:04 36.09100 -117.8747  2.5700  1.17      ml    22    73
## 2: 2024-11-07 17:10:19 31.58900 -104.5200  3.1292  1.50      ml    16    78
## 3: 2024-11-07 17:09:09 38.84933 -122.8288  3.5400  0.46      md    13   118
## 4: 2024-11-07 17:08:46 61.66120 -150.0564 23.8000  1.80      ml    NA    NA
## 5: 2024-11-07 16:54:07 19.17483 -155.3843 29.5000  2.03      ml    52   178
## 6: 2024-11-07 16:53:27 38.83216 -122.8825  2.0100  0.93      md    14   129
##        dmin   rms    net           id             updated
##       <num> <num> <char>       <char>              <POSc>
## 1: 0.031000  0.13     ci   ci40789391 2024-11-07 17:33:59
## 2: 0.100000  0.30     tx   tx2024vxnl 2024-11-07 17:38:39
## 3: 0.006828  0.08     nc   nc75083596 2024-11-07 17:27:15
## 4:       NA  0.44     ak ak024ec9ugnb 2024-11-07 17:10:06
## 5: 0.063570  0.14     hv   hv74524677 2024-11-07 16:57:01
## 6: 0.006095  0.03     nc   nc75083586 2024-11-07 17:17:17
##                                   place       type horizontalError depthError
##                                  <char>     <char>           <num>      <num>
## 1:         8 km NE of Coso Junction, CA earthquake            0.18   0.190000
## 2: 66 km SSW of Whites City, New Mexico earthquake            0.00   1.770136
## 3:                10 km WNW of Cobb, CA earthquake            0.55   1.660000
## 4:             9 km S of Willow, Alaska earthquake              NA   0.200000
## 5:          10 km ESE of Pāhala, Hawaii earthquake            0.48   0.590000
## 6:            12 km E of Cloverdale, CA earthquake            0.34   0.470000
##    magError magNst    status locationSource magSource
##       <num>  <int>    <char>         <char>    <char>
## 1:    0.099     10  reviewed             ci        ci
## 2:    0.100     13 automatic             tx        tx
## 3:    0.300     14 automatic             nc        nc
## 4:       NA     NA automatic             ak        ak
## 5:    0.920      6 automatic             hv        hv
## 6:    0.190     17 automatic             nc        nc

17.5 Mapa básico con Leaflet

leaflet(earthquakes) %>% 
  addTiles() %>% 
  addCircleMarkers(lng = ~longitude, 
             lat = ~latitude, 
             popup = ~mag,
             color= ~(type))

#unique(earthquakes$type)

#color= ~(type),

17.6 Usando la paletas de color de viridis

https://cran.r-project.org/web/packages/viridis/vignettes/intro-to-viridis.html
Evaluar las siguientes paletas de colores:
- viridis
- inferno
- plasma
- magma
- cividis
- rocket
- turbo

Pasos

Seleccionar los datos en el áreas de PR, latitud y longitud
Crear una paleta de colores/ o usar viridis
Crear un mapa con los datos de los terremotos

names(EQ_100)
unique(EQ_100$type)
pal = colorFactor(palette = "magma≠", domain = NULL)


leaflet(EQ_100) %>% 
  addTiles() %>% 
  addCircleMarkers(lng = ~longitude, 
             lat = ~latitude, 
             color= ~pal(mag),
             popup = ~mag
             )

17.7 Trabajando con datos de iNaturalist

17.7.1 AHora crea un mapa de los terremotos alrededor de Puerto Rico

Obtener los datos de observaciones de una especie en iNaturalist desde R:

Los datos a utilizar se obtendrán desde iNaturalist, una aplicación con base en la ciencia ciudadana que mantiene un registro de ocurrencias de especies.

La función get_inat_obs() permite acceder a los datos disponibles en iNaturalist, especificando los siguientes parámetros:

taxon_name: La especies de interés, siempre escrita entre comillas (“). Puede utilizar nombre común o científico.
quality: Siendo una aplicación basada en ciencia ciudadana, la calidad de algunos datos podría ser baja, debido a que les falta información - como nombre científico o ubicación - o que contienen información errónea - especies mal identificadas-. Colocando 'research' en este parámetro se especifica que se desea obtener sólo aquellas observaciones con alta calidad - que tengan información completa y cuya identificación haya sido confirmada por varias personas de la comunidad -.
geo: Al igual que el parámetro quality, este parámetro cuyo valor es lógico (TRUE o FALSE), es para especificar que se quiere obtener sólo los datos que están georeferenciados (cuando se coloca como TRUE).
maxresults: A través del API (Interfaz de Programación de Aplicaciones) de iNaturalist se puede acceder a un máximo de 10,000 observaciones en una sola búsqueda. Con este parámetro, cuyo valor debe ser numérico, se especifica cuantas observaciones se desea obtener, y no se debe exceder de 10,000 por búsqueda.
bounds: Un vector que contiene los límites geográficos de la búsqueda. Se puede insertar un cuadro delimitador ya especificado en un objeto, concatenar los valores del vector, o insertar un objeto de características simples (Simple Feature, sf). El argumento bounds es importante porque si obtenemos datos de iNaturalist, las únicas columnas que obtenemos con información acerca de la región o área donde se hicieron las observaciones son:
place_guess: Contiene el nombre de la región, pero su precisión y los nombres utilizados para cada región varía mucho.
latitue: Posición en el eje vertical del sistema de coordenadas.
longitude: Posición en el eje horizontal del sistema de coordenadas.
Esto crea un problema a la hora del filtrar los datos por el nombre de una región, pues es difícil encontrar un solo valor que encompase a todas las variantes del nombre utilizado para esa región. iNaturalist se encuentra a nivel mundial, y usted puede acceder a todos esos datos. Sin embargo, hoy accederemos solamente a datos de Puerto Rico. Entonces, lo primero antes de acceder a lo datos de iNaturalist, es crear un objeto que contenga los límites geográficos de interés crea. Para esto se crea un objeto que contenga un cuadro delimitador (bounding box):

cajapr <- c(
  17.75, #Latitud Sur
   -67.4, #Longitud Oeste
  18.75, #Latitud Norte
  -65.15 #Longitud Este
  )

cajapr

library(rinat)

Ahora podemos acceder a datos de Puerto Rico utilizando el objeto cajapr. Para este ejercicio utilizaremos datos de orquídeas pertenecientes al género Eulophia. En Puerto Rico se han reportado 3 especies de este género Eulophia alta, Eulophia maculata y Eulophia graminea. De estos, sólo E. alta es considerada nativa de la isla. Entonces, utilizando la función get_inat_obs podemos acceder a los datos de Eulophia en Puerto Rico

eulophia <- get_inat_obs(taxon_name = "Eulophia", 
                            quality = 'research', 
                            geo = T, 
                            maxresults = 1000,
                            bounds = cajapr)

eulophia$scientific_name <- as.factor(eulophia$scientific_name)

flextable(head(eulophia)) # Para ver las primeras 6 lineas en una tabla bonita

bounds = cajapr Con el siguiente código podemos ver de forma rápida cuántas observaciones de cada especie hemos obtenido de iNaturalist:

summary(as.factor(eulophia$scientific_name))

Ahora que hemos obtenido los datos, podemos observar su distribución en el mapa de Puerto Rico utilizando leaflet.

17.8 Utilizando Leaflet

La función base del paquete leaflet es leaflet(), con esta se activa un artilugio (widget en inglés) sobre el cuál se construye el mapa. Esta función debe estar unida a otra función como addTiles() que añade el mapa.

leaflet() %>% 
  addTiles()

Una vez tenemos el artilugio y el mapa, añadimos una capa que incluye los datos que se desean visualizar con marcadores sobre el mapa con la función addMarkers() dentro del cual se deben especificar los parámetros lng (longitud) y lat (latitud). Note que también se especifica el data.frame que contiene los datos bajo la función leaflet(). Cuando se trabaja en Leaflet, al especificar las variables a utilizar, es necesario colocar una virgulilla (~) antes de la variable. Esto le deja saber a R que lo que se especifica es una variable dentro del data.frame mencionado en la primera capa bajo la función leaflet().

names(eulophia)
leaflet(eulophia) %>% 
  addTiles() %>% 
  addMarkers(lng = ~longitude, 
             lat = ~latitude)

Una vez los marcadores están establecidos, es posible añadir etiquetas que contengan información acerca de las observaciones con el parámetro popup de la función addMarkers(). Por ejemplo, se pueden colocar etiquetas que contengan información del lugar de la observación especificando que la etiqueta contenga la información de la variable place_guess. Para ver la etiqueta debe hacer clic sobre el marcador de interés.

names(eulophia)
leaflet(eulophia) %>% 
  addTiles() %>% 
  addMarkers(lng = ~ longitude, 
             lat = ~ latitude, 
             popup = ~ place_guess) #  cambiar a la variable de interes

La función paste0 es una función base de R que concatena todos los elementos en una línea de caracteres. Los caracteres introducidos serán interpretados como UTF-8 o codificación de caracteres. Estos caracteres pueden ser mezclados con valores de una variable de caracteres en un data.frame. En el siguiente ejemplo se crea una etiqueta que contiene la ubicación y la especie observada. Se utiliza la función paste0() para combinar caracteres y las variables scientific_name y place_guess del data.frame.

leaflet(eulophia) %>% 
  addTiles() %>% 
  addMarkers(lng = ~ longitude, 
             lat = ~ latitude, 
             popup = paste0("<B>Especie: </B>", "<I>", eulophia$scientific_name, "</I>",
                            "<br/>",
                            "<B>Colectado donde: </B>", eulophia$place_guess)
               )

La función addAwesomeMarkers() puede ser utilizada en lugar de addMarkers() y permite utilizar marcadores con diferentes diseños que se pueden obtener de fontawesome. Es posible cambiar los colores de los marcadores utilizando la codificación de colores RGB en formato (#RRGGBB). La siguiente guía de colores en R creada por Melissa Clarkson (2010) explica como utilizar colores en R: A guide to using color in R. Adicional, esta guía creada por Derek H. Ogle (2022) es muy útil.

En schemecolor podemos encontrar las codificaciones de los colores y muchos funcionan para leaflet. Para hacer estos cambios utilizamos la función awesomeIcons() bajo el parámetro icon dentro de addAwesomeMarkers().

Dentro de la función awesomeIcons() podemos especificar varios parámetros como:

icon: El icono que desea utilizar para su marcador. Debe poner el nombre que aparece en la página web de iconos que esté utilizando (i.e., fontawesome).
library: Cuando se especifica un icono, es necesario especificar la biblioteca de donde se saca el icono. Si es de fontawesome sería 'fa'.
markerColor: Para cambiar el color del marcador (parte que rodea el icono), utilizando la codificación de colores de schemecolor.
iconColor: Para cambiar el color del icono del marcadora, también con la codificación de schemecolor.

leaflet() %>% 
  addTiles() %>% 
  addAwesomeMarkers(lng = eulophia$longitude, 
                    lat = eulophia$latitude, 
             popup = paste0("<B>Especie: </B>", "<I>", eulophia$scientific_name, "</I>",
                            "<br/>",
                            "<B>Colectado por: </B>", eulophia$place_guess),
            icon = awesomeIcons(icon = "leaf", library = "fa", 
                                markerColor = "darkgreen",
                                iconColor =  "#FFFFFF")
               )

Cuando se visualiza una gran cantidad de datos, esto puede resultar en el solapamiento de los marcadores, lo cual no es muy agradable a la vista. Es posible crear agregados que ayuden a visualizar mejor y faciliten el movimiento a través del mapa con el parámetro clusterOptions bajo la función addAwesomeMarkers(). El valor de este parámetro debe ser la función markerClusterOptions().

leaflet() %>% 
  addTiles() %>% 
  addAwesomeMarkers(lng = eulophia$longitude, lat = eulophia$latitude, 
             popup = paste0("<B>Especie: </B>", "<I>", eulophia$scientific_name, "</I>",
                            "<br/>",
                            "<B>Colectado por: </B>", eulophia$place_guess),
            icon = awesomeIcons(icon = "leaf", library = "fa", 
                                markerColor = "darkgreen",
                                iconColor =  "#FFFFFF"),
            clusterOptions = markerClusterOptions()
               )

Y para culminar, es posible cambiar el diseño del mapa utilizando la función addProviderTiles() en lugar de addTiles(). Puede echar un vistazo a los diferentes diseños disponibles para Leaflet la página de proveedores de Leaflet en GitHub. Actualmente Leaflet en R admite diseños de los siguientes proveedores: OpenStreetMap, MapQuestOpen, Stamen, Esri and OpenWeatherMap.

icon1 <- awesomeIcons(icon = "smile-o",
                      iconColor = "#FFFFFF",
                      library = "fa",
                      markerColor = "darkgreen")

leaflet() %>% 
  addProviderTiles("Esri.WorldImagery") %>% 
  addAwesomeMarkers(lng = eulophia$longitude, lat = eulophia$latitude, 
             popup = paste0("<B>Especie: </B>", "<I>", eulophia$scientific_name, "</I>",
                            "<br/>",
                            "<B>Colectado por: </B>", eulophia$place_guess),
            icon = icon1
               )

17.9 Trabajando Variables Categóricas con Leaflet:

Es posible distinguir entre especies utilizando diferentes colores, pero debe utilizar la función addCircleMarkers() en lugar de addAwesomeMarkers(). Para colorear grupos en Leaflet es necesario generar una paleta de colores para las variables de interés de acuerdo al tipo de variable (i.e., numérica, factorial). Para esto se utilizan las funciones colorFactor(), colorNumeric(), colorBin(), o colorQuantile(). colorFactor() y colorNumeric() generan paletas de colores para variables factoriales y numericas, respectivamente; mientras que colorBin() y colorQuantile() generan paletas de colores para valores numéricos resumidos en grupos.

En este caso se está trabajando con una variable factorial que divide las observaciones entre 3 especies de orquídeas. Primero se crea una paleta de colores para una variable factorial con la función colorFactor(). Bajo esta función se especifican los parámetros palette y levels. palettees para especificar la paleta de colores a utilizar y levelsespecifica los niveles de la variable factorial. La paleta de colores que se utiliza ("Dark2") proviene del paquete RColorBrewer. Esta paleta de colores para los niveles de la variable factorial scientific_name del data.frame eulophia se guardará en un objeto llamado pal.

mypal <- colorFactor(palette = 'Set3',
            levels = levels(eulophia$scientific_name))

eulophia$scientific_name=as.factor(eulophia$scientific_name)

mypal <- colorFactor(palette = 'Set3',
            levels = levels(eulophia$scientific_name))

Ahora que se ha especificado los colores para los valores factoriales, es posible utilizar el objeto pal para colorear los marcadores circulares del mapa de Leaflet de acuerdo a la especie observada especificando el parámetro color

leaflet(eulophia) %>% 
  addTiles() %>% 
  addCircleMarkers(lng = ~ longitude, lat = ~ latitude,
                   popup = paste0("<B>Especie: </B>", "<I>", eulophia$scientific_name, "</I>",
                            "<br/>",
                            "<B>Colectado por: </B>", eulophia$place_guess),
                   color = ~ mypal(scientific_name))

Para ayudar con la visualización de datos pertenecientes a diferentes grupos, en ocasiones es bueno presentar una leyenda que indique los colores que representan cada grupo. Es posible añadir una leyenda al mapa de Leaflet utilizando la función addLegend() y especificando los siguientes parámetros:

position: Para determinar la posición de la leyenda, en este caso se colocará en la parte superior derecha, "topright", del mapa, pero podría colocarla en la parte inferior derecha ("bottomright"), la parte inferior izquierda ("bottomleft"), o la parte superior izquierda ("topleft").
pal: La paleta de colores a utilizar generada a través de la función colorFactor() o sus equivalentes (i.e., colorNumeric())
values: Los valores o la variable u objeto que contiene los valores utilizados.
title: El título de la leyenda especificado como una línea de caracteres.

leaflet(eulophia) %>% 
  addTiles() %>% 
  addCircleMarkers(lng = ~ longitude, lat = ~ latitude,
                   popup = paste0("<B>Especie: </B>", "<I>", eulophia$scientific_name, "</I>",
                            "<br/>",
                            "<B>Colectado por: </B>", eulophia$place_guess),
                   color = ~ pal(scientific_name)) %>% 
  addLegend(position = "topright", 
            pal = pal, 
            values = ~ scientific_name,
            title = "Species"
            )

iconcolor <- function(scienctific_name)

leaflet() %>% 
  addProviderTiles("Esri.WorldImagery") %>% 
  addAwesomeMarkers(lng = eulophia$longitude, lat = eulophia$latitude, 
             popup = paste0("<B>Especie: </B>", "<I>", eulophia$scientific_name, "</I>",
                            "<br/>",
                            "<B>Colectado por: </B>", eulophia$place_guess),
            icon = icon1
               )

L.circleMarker([place.lon, place.lat], { color: getColor(place.constructdate), // you can call the getColor function fillColor: getColor(place.constructdate), fillOpacity: 0.5 })