El objetivo de este proyecto es analizar y visualizar la diferencia de género en el mundo del cine, específicamente en el sector de la actuación. Y poder obtener una conclusión de si existe tal diferencia y en dónde se encuentra ésta realmente. Para ello, observaremos tanto datos financieros, como aspectos de reconocimiento. Además, para tener un estudio más objetivo, observaremos tanto a los trabajadores/as americanos/as, como a los españoles/as, intentando aproximarnos en fechas para poder hacer la comparación.
Este trabajo está inspirado en el trabajo en grupo que hice con mis compañeros: “Análisis de la Industria Cinematográfica”. Para este trabajo individual he utilizado cuatro fuentes de datos principales:
1. Forbes Celebrity 100 since 2005: Es un dataframe obtenido de Kaggle que contiene un ranking de las celebridades mejor pagadas desde 2005 a 2021, incluyendo actores, actrices, atletas y personalidades de la televisión.
2. Premios Óscar de la Academia: Nominados y ganadores 1927 hasta 2017: Es una database obtenido de Data Hub que contiene los nominados y ganadores de los Premios de la Academia (los Oscar) desde su creación en 1927 hasta 2017.
3. Premios Goya: Es una database obtenida de Epdata que contiene los actores y actrices con más premios Goya de la historia (1987 - 2022).
4. Nominaciones Goya: Es una database obtenida de Epdata que contiene el número de directores y directoras de cine nominados en los Premios Goya (1987 - 2024).
# Estos son los Packages que hemos utilizado
library(tidyverse)
library(ggplot2)
library(plotly)
library(gt)
library(ggThemeAssist)
library(sf)
library(maps)
library(tmap)
library(stringr)
# Importamos datos
forbes_100 <- read.csv("data/forbes_celebrity_100.csv")
oscars_100 <- read.csv("data/data.csv")
goya_actrices <- read.csv("data/goya_actrices.csv")
goya_actores <- read.csv("data/goya_actores.csv")
directorxs <- read.csv("data/direct.csv")forbes_100 : datos sobre el ranking de las celebridades mejor pagadas. oscars_100 : datos sobre los actores y actrices ganadores de Oscar. goya_actrices : datos de las actrices ganadoras de premios Goya. goya_actores : datos de los actores ganadores de premios Goya. directorxs : datos de los directores y directoras que han ganado premios Goya.
entity, name, Parámetro : nombre de la persona ya sea actor, actriz, director o directora. Gender : sexo de la persona. winner : ganadores o no de premios. category : sector del trabajo o profesión. year, Año : año en que la persona ha ganado un premio o en el caso de lxs directorxs, que ha sido nominadx. total_num_oscar, num_oscars : numero total de los premios Oscar ganados. Pay, Pay..USD.millions. : mejor pago obtenido en millones de dólares por celebridad.
A la hora de determinar cuál sería la mejor actriz de todos los tiempos en Hollywood, es difícil ajustarse a un criterio concreto u objetivo.
Aquí vamos a considerar las actrices mejor pagadas desde 2005 hasta 2021 enh Hollywood, utilizando el dataset de Kaggle que reúne información de Forbes y The Daily Telegraph. Para el cual haremos una limpieza de datos, extrayendo las actrices mejor pagadas (excluyendo a las actrices de televisión, para centrarnos en el género del cine).
A continuación, presentamos un gráfico de barras que muestra las actrices mejor pagadas de Hollywood de 2005 a 2021.
best_actress <- forbes_100 %>%
select(Name, Pay..USD.millions., Year, Category) %>%
filter(Category == "Actresses") %>%
rename(Pay = 'Pay..USD.millions.') %>%
arrange(desc(Pay)) %>%
head(10)
# Calculamos la media de los pagos
mean_pay_female <- mean(best_actress$Pay)
#Hacemos un gráfico de barras horizontales
ggplot(best_actress, aes(x = reorder(Name, -Pay), y = Pay)) +
geom_bar(stat = "identity", fill = "pink") +
geom_text(aes(label = sprintf("$%.2fM", Pay)),
position = position_dodge(width = 1),
vjust = -0.5, color = "black", size = 3) +
geom_text(aes(label = Year),
position = position_dodge(width = 1),
vjust = 2.1, hjust = -0.3, color = "black", size = 3) +
labs(title = "Top Actrices Mejor Pagadas",
x = "Actrices",
y = "Pago (en millones de USD)") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
A continuación, presentamos un gráfico de barras que muestra las actrices con el mayor número de Oscar ganados desde 1927 a 2017, por ser considerado uno de los galardones más importantes.
oscars_actress <- oscars_100 %>%
select(entity, winner, year, category) %>%
filter(str_detect(category, regex("actress", ignore_case = TRUE)))
# Contamos el número de Oscar ganados por cada actriz
oscars_count <- oscars_actress %>%
group_by(entity, year) %>%
summarise(num_oscars = n())
#Sumamos el número de Oscar ganados por cada actriz
total_oscar <- oscars_count %>%
group_by(entity) %>%
summarise(total_num_oscars = sum(num_oscars))
#Ordenamos por número total de Oscar de manera descendente y tomamos las primeras 10 filas
top_10_actresses <- total_oscar %>%
arrange(desc(total_num_oscars)) %>%
head(10)
# Obtenemos los años en los que cada actriz ganó un Oscar
years_won <- oscars_count %>%
filter(entity %in% top_10_actresses$entity)
#Creamos el gráfico interactivo con plotly
plot_ly(top_10_actresses, x = ~entity, y = ~total_num_oscars, type = "bar", marker = list(color = "pink")) %>%
layout(title = "Top 10 Actrices Ganadoras de Oscar",
xaxis = list(title = "Actriz"),
yaxis = list(title = "Número Total de Oscar Ganados"),
hoverinfo = "text",
text = ~paste("Actriz: ", entity, "<br>Número Total de Oscar: ", total_num_oscars),
showlegend = FALSE) %>%
add_trace(data = years_won, x = ~entity, y = ~num_oscars, type = "scatter", mode = "markers",
hoverinfo = "text")Podemos observar que Meryl Streep es la actriz con mayor número de Oscar ganados desde 1927 hasta 2017, con 21 premios ganados. Seguida por Katherine Hepburn con 12 Oscar ganados y por Betta Davis con 11 Oscar: ambas actrices nacidas en 1907 y 1908 respectivamente, por lo que Meryl Streep sería la única viva de las actrices en el top 3 con mayor número de Oscar ganados a fecha del 2017.
Ahora que sabemos la información de las mejores actrices en Hollywood según sus premios Oscar ganados y lo que ganan por su trabajo, vamos a compararlo con los hombres en su sector, para saber si a partir del reconocimiento tanto monetario como en galardones (como lo es el Oscar) existe una gran diferencia entre géneros… o no.
Realizaremos exactamente los mismos pasos que anteriormente, para después poder comparar ambos:
best_actors <- forbes_100 %>%
select(Name, Pay..USD.millions., Year, Category) %>%
filter(Category == "Actors") %>%
rename(Pay = 'Pay..USD.millions.') %>%
arrange(desc(Pay)) %>%
head(10)
# Calculamos la media de los pagos
mean_pay_male <- mean(best_actors$Pay)
#Creamos un gráfico de barras horizontales
ggplot(best_actors, aes(x = reorder(Name, -Pay), y = Pay)) +
geom_bar(stat = "identity", fill = "skyblue") +
geom_text(aes(label = sprintf("$%.2fM", Pay)),
position = position_dodge(width = 1),
vjust = -0.5, color = "black", size = 3) +
geom_text(aes(label = Year),
position = position_dodge(width = 1),
vjust = 2.1, hjust = -0.3, color = "black", size = 3) +
labs(title = "Top Actores Mejor Pagados",
x = "Actores",
y = "Pago (en millones de USD)") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
oscars_actors <- oscars_100 %>%
select(entity, winner, year, category) %>%
filter(str_detect(category, regex("actor", ignore_case = TRUE)))
# Contamos el número de Oscar ganados por cada actriz
oscars_count_male <- oscars_actors %>%
group_by(entity, year) %>%
summarise(num_oscars = n())
#Sumamos el número de Oscar ganados por cada actriz
total_oscars_male <- oscars_count_male %>%
group_by(entity) %>%
summarise(total_num_oscars = sum(num_oscars))
#Ordenamos por número total de Oscar de manera descendente y tomamos las primeras 10 filas
top_10_actors <- total_oscars_male %>%
arrange(desc(total_num_oscars)) %>%
head(10)
# Obtenemos los años en los que cada actriz ganó un Oscar
years_won_male <- oscars_count_male %>%
filter(entity %in% top_10_actors$entity)
#Creamos el gráfico interactivo con plotly
plot_ly(top_10_actors, x = ~entity, y = ~total_num_oscars, type = "bar", marker = list(color = "skyblue")) %>%
layout(title = "Top 10 Actores Ganadores de Oscar",
xaxis = list(title = "Actor"),
yaxis = list(title = "Número Total de Oscars Ganados"),
hoverinfo = "text",
text = ~paste("Actor: ", entity, "<br>Número Total de Oscars: ", total_num_oscars),
showlegend = FALSE) %>%
add_trace(data = years_won_male, x = ~entity, y = ~num_oscars, type = "scatter", mode = "markers",
hoverinfo = "text")# Creamos columnas de género
best_actress$Gender <- "Female"
best_actors$Gender <- "Male"
# Obtenemos el mayor pago de cada actor o actriz
best_actress <- best_actress %>%
group_by(Name) %>%
summarize(Pay = max(Pay), Year = first(Year), Gender = first(Gender))
best_actors <- best_actors %>%
group_by(Name) %>%
summarize(Pay = max(Pay), Year = first(Year), Gender = first(Gender))
# Combinamos los conjuntos de datos
combined_data <- rbind(best_actress, best_actors)
# Ordenamos los datos por pago total de mayor a menor
combined_data <- combined_data %>%
arrange(desc(Pay))
# Por último creamos un gráfico interactivo con Plotly
plot_ly(data = combined_data, x = ~reorder(Name, -Pay), y = ~Pay, color = ~Gender, text = ~paste("Pago: $", sprintf("%.2fM", Pay), "<br>Año: ", Year)) %>%
add_bars() %>%
layout(title = "Top Actrices y Actores Mejor Pagados",
xaxis = list(title = "Personas"),
yaxis = list(title = "Pago (en millones de USD)"),
hovermode = "closest",
barmode = "group")Al comparar a los actores y actrices mejor pagados de Hollywood en un mismo gráfico podemos observar que los mejor pagados son los actores y después se encontrarían las mujeres mejor pagadas. No solo se puede observar que antes de las actrices aparecen primero todos los actores que habíamos observado en el gráfico del “Top Actores Mejor Pagados”, sino que el menor de los actores mejor pagados, que es Leonardo DiCaprio, todavía le saca una diferencia de 21 millones de USD a las actrices mejor pagadas que son Sandra Bullock y Scarlett Johansson, correspondiente a los años del 2005 al 2021. Además, el actor mejor pagado es George Clooney con 239 millones de USD, sacándole una diferencia a Sandra Bullock y Scarlett Johansson de 183 millones de USD.
# Combinamos los datos de actrices y actores
combined_oscars_data <- rbind(
mutate(oscars_actress, Gender = "Female"),
mutate(oscars_actors, Gender = "Male")
)
# Contamos el número total de Oscar ganados por cada persona
total_oscars_combined <- combined_oscars_data %>%
group_by(entity, Gender) %>%
summarise(total_num_oscars = n_distinct(year)) %>%
arrange(Gender, desc(total_num_oscars)) %>%
group_by(Gender) %>%
top_n(10, total_num_oscars)
# Definimos los colores por género
colors_by_gender <- c("Female" = "pink", "Male" = "skyblue")
# Por último creamos el gráfico interactivo con Plotly
plot_ly(total_oscars_combined, x = ~reorder(entity, -total_num_oscars), y = ~total_num_oscars, color = ~Gender,
type = "bar", marker = list(color = ~colors_by_gender[Gender])) %>%
layout(title = "Top Actores y Actrices Ganadores de Óscar",
xaxis = list(title = "Persona"),
yaxis = list(title = "Número Total de Oscar Ganados"),
hoverinfo = "text",
text = ~paste("Persona: ", entity, "<br>Número Total de Óscars: ", total_num_oscars),
showlegend = FALSE)En el caso del “Top Actores y Actrices Ganadores de Óscar” se puede apreciar una gran variedad entre actores y actrices en base a los Oscar que han ganado. En primer lugar, y ganadora máxima, se encuentra Meryl Streep, con 21 Oscar. Después, en su mayoría se encuentran los actores, con un 42% que han ganado 7 Oscar, contra un 92% de las actrices han obtenido entre 6 y 7 premios.
Hemos podido observar a través de los datos que sí existe una diferencia de género en el mundo de la actuación en Hollywood. Alevosamente, el pago que reciben los actores es muy superior al que reciben las actrices, no encontramos igualdad alguna, y esto se puede observar a primera vista en el gráfico de barras que está perfectamente separado a la mitad por colores entre actores o individuos de renta más alta versus las actrices o individuos de renta más baja. En cambio, en el gráfico “Top Actores y Actrices Ganadores de Oscar” encontramos más variedad, por una parte, en el top 4 de más galardonados/as se encuentran tres mujeres, pero después, son los actores los que más posiciones ocupan entre los más galardonados/as. Si la pregunta fuera cuántos actores han ganado más de siete Oscar entre 2005 y 2021, claramente la respuesta sería: los actores. A la hora de los premios, quizás no podemos confirmar que hay una desigualdad evidente en el rubro de la actuación en Hollywood, pero podemos verla claramente en los salarios que éstos reciben.
A continuación, presentamos un gráfico de puntos que muestra las actrices con el mayor número de Goya ganados desde 1987 a 2023, por ser considerado uno de los galardones más importantes en España.
# Primero he tenido que separar las categorías para después poder hacer el gráfico de barras.
goya_ganadoras <- goya_actrices %>%
tidyr::separate(
col = 'Año.Periodo.Parámetro.Premios.Nominaciones',
into = c("Año", "Periodo", "Parámetro", "Premios", "Nominaciones"),
sep = ";") %>%
mutate(gender = "Actriz") %>%
filter(!is.na(Premios))
# Creamos el gráfico de barras
grafico_goyam <- ggplot(goya_ganadoras, aes(x = reorder(Parámetro, -as.numeric(Premios)), y = as.numeric(Premios), color = Parámetro)) +
geom_point() +
labs(title = "Premios Ganados por Actriz",
x = "Actriz",
y = "Número de Premios",
color = "Actriz") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
grafico_goyam
A continuación, presentamos un gráfico de puntos que muestra los actores con el mayor número de Goya ganados desde 1987 a 2023.
# Primero he tenido que separar las categorías para después poder hacer el gráfico de barras.
goya_ganadores <- goya_actores %>%
tidyr::separate(
col = 'Año.Periodo.Parámetro.Nominaciones.Premios',
into = c("Año", "Periodo", "Parámetro", "Nominaciones", "Premios"),
sep = ";") %>%
mutate(gender = "Actor") %>%
filter(!is.na(Premios))
# Creamos el gráfico de barras
grafico_goyah <- ggplot(goya_ganadores, aes(x = reorder(Parámetro, -as.numeric(Premios)), y = as.numeric(Premios), color = Parámetro)) +
geom_point() +
labs(title = "Premios Ganados por Actor",
x = "Actor",
y = "Número de Premios",
color = "Actor") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
grafico_goyah
# Combinamos los conjuntos de datos
goya_combinado <- bind_rows(
mutate(goya_ganadores, gender = "Actor"),
mutate(goya_ganadoras, gender = "Actriz"))
# Ordenamos el conjunto de datos por el total de premios de mayor a menor y, eliminamos los NA
goya_combinado <- goya_combinado %>%
arrange(desc(Premios)) %>%
filter(!is.na(Nominaciones))
# Creamos un gráfico de barras apiladas con ggplot2
ggplot(goya_combinado, aes(x = reorder(Parámetro, Premios), y = Premios, fill = gender)) +
geom_bar(stat = "identity") +
labs(title = "Actores y Actrices con más premios Goya",
x = "Persona",
y = "Total de premios Goya",
fill = "Género") +
theme_minimal() +
theme(axis.text.x = element_text(angle = 45, hjust = 1))
Al no poder encontrar información sobre lo que ganan los actores y actrices españolas, he tenido que buscar otros datos para corroborar si lo que hemos visto en los actores y actrices de Hollywoood se repite en el mundo del cine español, por eso, he elegido a los directores y directoras más nominados/as a los premios Goya desde sus inicios hasta la fecha de hoy.
# Primero he tenido que separar las categorías para después poder hacer el gráfico de barras.
goya_directorxs <- directorxs %>%
tidyr::separate(
col = 'Año.Periodo.Hombres.Mujeres',
into = c("Año", "Periodo", "Hombres", "Mujeres"),
sep = ";") %>%
filter(!is.na(Hombres))
goya_directorxs <- goya_directorxs[, !(names(goya_directorxs) %in% c("Periodo"))] #eliminamos la columna Periodo
goya_directorxs <- na.omit(goya_directorxs[, -(39:44)]) #eliminamos las filas de la 39 a la 44 que se encuentran vacias
# Creamos un gráfico de barras con líneas de tendencia
ggplot(goya_directorxs, aes(x = as.numeric(Año), group = 1)) +
geom_point(aes(y = Hombres, color = "Directores"), position = position_dodge(width = 0.8)) +
geom_line(aes(y = Hombres, color = "Directores"), position = position_dodge(width = 0.8)) +
geom_smooth(aes(x = as.numeric(Año), y = Hombres, color = "Directores"),
method = "lm", se = FALSE, position = position_dodge(width = 0.8)) +
geom_point(aes(y = Mujeres, color = "Directoras"), position = position_dodge(width = 0.8)) +
geom_line(aes(y = Mujeres, color = "Directoras"), position = position_dodge(width = 0.8)) +
geom_smooth(aes(x = as.numeric(Año), y = Mujeres, color = "Directoras"),
method = "lm", se = FALSE, position = position_dodge(width = 0.8)) +
labs(title = "Nominaciones de Directores y Directoras en los Premios Goya",
x = "Año",
y = "Nominaciones") +
scale_color_manual(values = c("Directores" = "skyblue", "Directoras" = "pink")) +
theme_minimal()
Una vez obtenido el gráfico, observamos claramente una distinción en la cantidad de nominaciones, siendo la de los directores mucho más elevado. Las directoras en cada año de los premios han estado por debajo de los hombres sin poder superarlos nunca. Aunque observamos una tendencia creciente en el número de las nominaciones, los directores siempre obtienen más nominaciones que las directoras.
Al observar y evaluar los distintos gráficos tomamos conciencia de la desigualdad en el cine, que seguramente, si estudiáramos más a fondo, lo observaríamos en los distintos cargos de dicha industria. Ejemplos de esto son la campaña realizada en 2018 “Time’s Up” en donde además de reclamar otros derechos de seguridad e igualdad de la mujer, se reclamaba igualdad por la brecha salarial, debido a que las actrices por trabajar lo mismo e inclusive más en algunos casos, cobraban menos que los actores; como fue el descubrimiento por el hackeo de Sony, donde se describió la gran diferencia salarial entre algunos actores y sus compañeras actrices. Otro caso es la reciente huelga de Hollywood en 2023 que se ha hecho notar en España, en donde una vez más las mujeres de esta industria vuelven a levantar la voz por una igualdad que se vea reflejada en su trabajo, ¿cómo podemos esperar un cambio real en la pantalla si detrás de ella seguimos reproduciendo desigualdades? Es claro que, a pesar de los esfuerzos y las manifestaciones, la brecha de género persiste. La revolución en la pantalla comienza con la revolución detrás de la cámara.
Abajo muestro mi entorno de trabajo y paquetes utilizados
─ Session info ───────────────────────────────────────────────────────────────
setting value
version R version 4.3.2 (2023-10-31)
os macOS Sonoma 14.2
system x86_64, darwin20
ui X11
language (EN)
collate en_US.UTF-8
ctype en_US.UTF-8
tz Europe/Madrid
date 2024-01-22
pandoc 3.1.1 @ /Applications/RStudio.app/Contents/Resources/app/quarto/bin/tools/ (via rmarkdown)
─ Packages ───────────────────────────────────────────────────────────────────
package * version date (UTC) lib source
abind 1.4-5 2016-07-21 [1] CRAN (R 4.3.0)
base64enc 0.1-3 2015-07-28 [1] CRAN (R 4.3.0)
class 7.3-22 2023-05-03 [1] CRAN (R 4.3.2)
classInt 0.4-10 2023-09-05 [1] CRAN (R 4.3.0)
cli 3.6.2 2023-12-11 [1] CRAN (R 4.3.0)
clipr 0.8.0 2022-02-22 [1] CRAN (R 4.3.0)
codetools 0.2-19 2023-02-01 [1] CRAN (R 4.3.2)
colorspace 2.1-0 2023-01-23 [1] CRAN (R 4.3.0)
crosstalk 1.2.1 2023-11-23 [1] CRAN (R 4.3.0)
data.table 1.14.10 2023-12-08 [1] CRAN (R 4.3.0)
DBI 1.2.0 2023-12-21 [1] CRAN (R 4.3.0)
desc 1.4.3 2023-12-10 [1] CRAN (R 4.3.0)
details 0.3.0 2022-03-27 [1] CRAN (R 4.3.0)
dichromat 2.0-0.1 2022-05-02 [1] CRAN (R 4.3.0)
digest 0.6.33 2023-07-07 [1] CRAN (R 4.3.0)
dplyr * 1.1.4 2023-11-17 [1] CRAN (R 4.3.0)
e1071 1.7-14 2023-12-06 [1] CRAN (R 4.3.0)
ellipsis 0.3.2 2021-04-29 [1] CRAN (R 4.3.0)
evaluate 0.23 2023-11-01 [1] CRAN (R 4.3.0)
fansi 1.0.6 2023-12-08 [1] CRAN (R 4.3.0)
farver 2.1.1 2022-07-06 [1] CRAN (R 4.3.0)
fastmap 1.1.1 2023-02-24 [1] CRAN (R 4.3.0)
forcats * 1.0.0 2023-01-29 [1] CRAN (R 4.3.0)
formatR 1.14 2023-01-17 [1] CRAN (R 4.3.0)
generics 0.1.3 2022-07-05 [1] CRAN (R 4.3.0)
ggplot2 * 3.4.4 2023-10-12 [1] CRAN (R 4.3.0)
ggThemeAssist * 0.1.5 2016-08-13 [1] CRAN (R 4.3.0)
glue 1.6.2 2022-02-24 [1] CRAN (R 4.3.0)
gt * 0.10.0 2023-10-07 [1] CRAN (R 4.3.0)
gtable 0.3.4 2023-08-21 [1] CRAN (R 4.3.0)
hms 1.1.3 2023-03-21 [1] CRAN (R 4.3.0)
htmltools 0.5.7 2023-11-03 [1] CRAN (R 4.3.0)
htmlwidgets 1.6.4 2023-12-06 [1] CRAN (R 4.3.0)
httpuv 1.6.13 2023-12-06 [1] CRAN (R 4.3.0)
httr 1.4.7 2023-08-15 [1] CRAN (R 4.3.0)
jsonlite 1.8.8 2023-12-04 [1] CRAN (R 4.3.0)
KernSmooth 2.23-22 2023-07-10 [1] CRAN (R 4.3.2)
knitr 1.45 2023-10-30 [1] CRAN (R 4.3.0)
labeling 0.4.3 2023-08-29 [1] CRAN (R 4.3.0)
later 1.3.2 2023-12-06 [1] CRAN (R 4.3.0)
lattice 0.21-9 2023-10-01 [1] CRAN (R 4.3.2)
lazyeval 0.2.2 2019-03-15 [1] CRAN (R 4.3.0)
leafem 0.2.3 2023-09-17 [1] CRAN (R 4.3.0)
leaflet 2.2.1 2023-11-13 [1] CRAN (R 4.3.0)
leafsync 0.1.0 2019-03-05 [1] CRAN (R 4.3.0)
lifecycle 1.0.4 2023-11-07 [1] CRAN (R 4.3.0)
lubridate * 1.9.3 2023-09-27 [1] CRAN (R 4.3.0)
lwgeom 0.2-13 2023-05-22 [1] CRAN (R 4.3.0)
magrittr 2.0.3 2022-03-30 [1] CRAN (R 4.3.0)
maps * 3.4.2 2023-12-15 [1] CRAN (R 4.3.0)
Matrix 1.6-1.1 2023-09-18 [1] CRAN (R 4.3.2)
mgcv 1.9-0 2023-07-11 [1] CRAN (R 4.3.2)
mime 0.12 2021-09-28 [1] CRAN (R 4.3.0)
miniUI 0.1.1.1 2018-05-18 [1] CRAN (R 4.3.0)
munsell 0.5.0 2018-06-12 [1] CRAN (R 4.3.0)
nlme 3.1-163 2023-08-09 [1] CRAN (R 4.3.2)
pillar 1.9.0 2023-03-22 [1] CRAN (R 4.3.0)
pkgconfig 2.0.3 2019-09-22 [1] CRAN (R 4.3.0)
plotly * 4.10.3 2023-10-21 [1] CRAN (R 4.3.0)
png 0.1-8 2022-11-29 [1] CRAN (R 4.3.0)
promises 1.2.1 2023-08-10 [1] CRAN (R 4.3.0)
proxy 0.4-27 2022-06-09 [1] CRAN (R 4.3.0)
purrr * 1.0.2 2023-08-10 [1] CRAN (R 4.3.0)
R6 2.5.1 2021-08-19 [1] CRAN (R 4.3.0)
raster 3.6-26 2023-10-14 [1] CRAN (R 4.3.0)
RColorBrewer 1.1-3 2022-04-03 [1] CRAN (R 4.3.0)
Rcpp 1.0.11 2023-07-06 [1] CRAN (R 4.3.0)
readr * 2.1.4 2023-02-10 [1] CRAN (R 4.3.0)
rlang 1.1.2 2023-11-04 [1] CRAN (R 4.3.0)
rmarkdown 2.25 2023-09-18 [1] CRAN (R 4.3.0)
rstudioapi 0.15.0 2023-07-07 [1] CRAN (R 4.3.0)
scales 1.3.0 2023-11-28 [1] CRAN (R 4.3.0)
sessioninfo 1.2.2 2021-12-06 [1] CRAN (R 4.3.0)
sf * 1.0-14 2023-07-11 [1] CRAN (R 4.3.0)
shiny 1.8.0 2023-11-17 [1] CRAN (R 4.3.0)
sp 2.1-2 2023-11-26 [1] CRAN (R 4.3.0)
stars 0.6-4 2023-09-11 [1] CRAN (R 4.3.0)
stringi 1.8.3 2023-12-11 [1] CRAN (R 4.3.0)
stringr * 1.5.1 2023-11-14 [1] CRAN (R 4.3.0)
terra 1.7-55 2023-10-13 [1] CRAN (R 4.3.0)
tibble * 3.2.1 2023-03-20 [1] CRAN (R 4.3.0)
tidyr * 1.3.0 2023-01-24 [1] CRAN (R 4.3.0)
tidyselect 1.2.0 2022-10-10 [1] CRAN (R 4.3.0)
tidyverse * 2.0.0 2023-02-22 [1] CRAN (R 4.3.0)
timechange 0.2.0 2023-01-11 [1] CRAN (R 4.3.0)
tmap * 3.3-4 2023-09-12 [1] CRAN (R 4.3.0)
tmaptools 3.1-1 2021-01-19 [1] CRAN (R 4.3.0)
tzdb 0.4.0 2023-05-12 [1] CRAN (R 4.3.0)
units 0.8-5 2023-11-28 [1] CRAN (R 4.3.0)
utf8 1.2.4 2023-10-22 [1] CRAN (R 4.3.0)
vctrs 0.6.5 2023-12-01 [1] CRAN (R 4.3.0)
viridisLite 0.4.2 2023-05-02 [1] CRAN (R 4.3.0)
withr 2.5.2 2023-10-30 [1] CRAN (R 4.3.0)
xfun 0.41 2023-11-01 [1] CRAN (R 4.3.0)
XML 3.99-0.16 2023-11-29 [1] CRAN (R 4.3.0)
xml2 1.3.6 2023-12-04 [1] CRAN (R 4.3.0)
xtable 1.8-4 2019-04-21 [1] CRAN (R 4.3.0)
yaml 2.3.8 2023-12-11 [1] CRAN (R 4.3.0)
[1] /Library/Frameworks/R.framework/Versions/4.3-x86_64/Resources/library
──────────────────────────────────────────────────────────────────────────────