Visualização de dados com R

Aula 1 - Introdução a visualização de dados

Marcus Ramalho

2024-02-03

Marcus Ramalho

Pesquiso FII’s/PKM/Web3.0 com ciência de dados
Matlab/Fortran/Pascal/VBA/AutoLISP(LISP)/PHP/HTML/
M(power query)/TypeScript/Python/R❤️e Rust(loading)
Administração UFF
Mestrando PPGAd-UFF

Objetivos

Aula 1

Tipos de Gráficos por Tipo de Variável
Gráficos no R base, plot, hist, boxplot
Exercícios de fixação 1
gramática dos gráficos e ggplot2
Exercícios de fixação 2
Escalas
Exploração de dados com o pacote esquisse
Exercícios de fixação
Tarefa com nota

Tipos de variáveis

Variáveis categóricas - Representam categorias ou grupos
- Nominais - Não possuem ordem Exemplo: sexo, cor dos olhos
- Ordinais - Possuem ordem Exemplo: escolaridade, estado civil
Variáveis contínuas - Representam valores numéricos
- Discretas - Valores inteiros Exemplo: número de filhos, número de carros, número de acessos
- Contínuas - Valores reais Exemplo: peso, altura, salário, etc.

Tipo de Gráficos por Tipo de Variável

Variáveis categóricas
- barras
- setor
- etc…
Variáveis contínuas
- Histograma
- boxplot
- Gráfico de dispersão
- etc…

Um gráfico para cada tipo de variável

Ferramentas úteis:

Gráficos no R base - plot

plot(iris$Sepal.Length, iris$Sepal.Width,
    col = iris$Species, pch = 19,
    xlab = "Comprimento", ylab = "Largura", main = "Comprimento x Largura da Sépala"
)

# Legenda
legend(
    "topright",
    legend = levels(iris$Species),
    col = c("black", "red", "green"),
    pch = 19,
    title = "Espécies",
    bg = "lightgray"
)

Gráficos no R base - plot

Gráficos no R base - hist

hist(iris$Sepal.Length,
    xlab = "Comprimento da Sépala",
    ylab = "Frequência",
    main = "Histograma do Comprimento da Sépala",
    col = "lightblue",
    border = "black"
)

Gráficos no R base - boxplot

boxplot(iris$Sepal.Length,
    xlab = "Espécies",
    ylab = "Comprimento da Sépala",
    main = "Gráfico de Caixa do Comprimento da Sépala",
    col = "lightblue",
    border = "black"
)

Gráficos no R base - barplot

barplot(table(iris$Species),
    xlab = "Espécies",
    ylab = "Contagem",
    main = "Gráfico de Barras das Espécies",
    col = "lightblue",
    border = "black"
)

Gráficos no R base - pie

pie(table(iris$Species),
    main = "Gráfico de Pizza das Espécies",
    col = c("lightblue", "lightgreen", "lightpink"),
    border = "black"
)

Exercícios de fixação 1

1 - Use o conjunto de dados ‘casas’ do pacote ‘dados’ para responder as questões a seguir.

install.packages("dados")
library(dados)

Identifique duas variáveis categóricas. Liste cinco exemplos de valores únicos para uma das variáveis categóricas.
Utilizando o pacote de gráficos base do R, escolha uma variável contínua e gere um histograma para visualizar a distribuição. Explique o que você observa no gráfico.

2 - Use o conjunto de dados ‘dados_atmosfera’ do pacote ‘dados’ para responder as questões a seguir.

Utilizando o pacote de gráficos base do R, crie um gráfico de barras para representar a distribuição da variável categórica “nuvem_baixa”. Adicione rótulos aos eixos.
Crie um gráfico de dispersão para visualizar a relação entre as variáveis contínuas “temp_superficie” e “pressao”. Adicione rótulos aos eixos x e y, e destaque cores diferentes para cada ano (utilizando a variável categórica “ano”).

Exercícios de fixação 1 a - Resposta

Identificando todas as variáveis não numéricas do conjunto de dados

# Carregar o pacote
library(dados)

casas %>%
    select_if(~ is.character(.)) %>%
    names(.)

 [1] "pid"                            "moradia_classe"                
 [3] "moradia_zoneamento"             "rua_tipo"                      
 [5] "beco_tipo"                      "lote_formato"                  
 [7] "terreno_contorno"               "utilidades"                    
 [9] "lote_config"                    "terreno_declive"               
[11] "vizinhanca"                     "condicao_1"                    
[13] "condicao_2"                     "moradia_tipo"                  
[15] "moradia_estilo"                 "geral_qualidade"               
[17] "geral_condicao"                 "telhado_estilo"                
[19] "telhado_material"               "exterior_cobertura_1"          
[21] "exterior_cobertura_2"           "alvenaria_tipo"                
[23] "exterior_qualidade"             "exterior_condicao"             
[25] "fundacao_tipo"                  "porao_qualidade"               
[27] "porao_condicao"                 "porao_exposicao"               
[29] "porao_acabamento_1"             "porao_acabamento_2"            
[31] "aquecimento_tipo"               "aquecimento_qualidade_condicao"
[33] "ar_condicionado_central"        "sistema_eletrico_tipo"         
[35] "cozinha_qualidade"              "funcional"                     
[37] "lareira_qualidade"              "garagem_tipo"                  
[39] "garagem_acabamento"             "garagem_qualidade"             
[41] "garagem_condicao"               "entrada_veiculo_pavimentada"   
[43] "piscina_qualidade"              "cerca_qualidade"               
[45] "funcionalidades_diversas"       "venda_tipo"                    
[47] "venda_condicao"

Exercícios de fixação 1 a - Resposta

Listando cinco exemplos de valores únicos para a variável categórica “vizinhanca”

casas %>%
    count(vizinhanca) %>%
    head(5)

# A tibble: 5 × 2
  vizinhanca              n
  <chr>               <int>
1 Bloomington Heights    28
2 Bluestem               10
3 Briardale              30
4 Brookside             108
5 Clear Creek            44

Exercícios de fixação 1 b - Resposta

Criando um histograma para a variável contínua “area_construida”

# Criar o gráfico
hist(casas$garagem_area,
    xlab = "Área da Garagem",
    ylab = "Frequência",
    main = "Histograma da Área da Garagem",
    col = "lightblue",
    border = "lightblue"
)

Exercícios de fixação 2 a - Resposta

Criando um gráfico de barras para a variável categórica “nuvem_baixa”

barplot(table(dados_atmosfera$nuvem_baixa),
    xlab = "Nuvem Baixa",
    ylab = "Contagem",
    main = "Distribuição de Nuvem Baixa",
    col = "lightblue",
    border = "black"
)

Exercícios de fixação 2 b - Resposta

Criando um gráfico de dispersão para as variáveis contínuas “temp_superficie” e “pressao”

# Criar o gráfico
plot(dados_atmosfera$temp_superficie, dados_atmosfera$pressao,
    col = as.numeric(dados_atmosfera$ano), pch = 19,
    xlab = "Temperatura da Superfície",
    ylab = "Pressão",
    main = "Relação entre Temperatura da Superfície e Pressão"
)

# Adicionar a legenda
legend(
    "topright",
    legend = unique(dados_atmosfera$ano),
    col = unique(as.numeric(dados_atmosfera$ano)),
    pch = 19,
    title = "Ano",
    bg = "lightgray"
)

Gramática dos gráficos e ggplot2

O que é a gramática dos gráficos?

É um conjunto de regras que descrevem a estrutura de um gráfico e como ele é construído a partir dos dados.
O ggplot2 é um pacote do R que implementa a gramática dos gráficos.

ggplot2 - Exemplo

ggplot(iris, aes(x = Sepal.Length, y = Sepal.Width, color = Species)) +
    geom_point() +
    labs(title = "Comprimento x Largura da Sépala", x = "Comprimento", y = "Largura") +
    theme_minimal()

ggplot2 - Elementos da gramática

ggplot()

ggplot2 - Elementos da gramática

# Dados: Este é o conjunto de dados que queremos visualizar.
data <- mtcars

# Aesthetics: Mapeia variáveis nos dados para aspectos visuais do gráfico.
aes <- aes(x = mpg, y = hp)

# Geometrias: Descreve o tipo de gráfico que queremos criar.
geom <- geom_point()

# Escalas: Controla como os dados são mapeados para os aspectos visuais do gráfico.
scale <- scale_y_log10()

# Estatísticas: Realiza cálculos nos dados.
stat <- stat_summary(fun = mean, geom = "point", color = "red", size = 3)

# Coordenadas: Define o sistema de coordenadas do gráfico.

# Tema: Controla a aparência não-dados do gráfico, como a cor de fundo e a fonte do texto.
theme <- theme_minimal()

# Títulos e legendas
labels <- labs(
    title = "Relação entre MPG e HP",
    x = "MPG",
    y = "HP (escala logarítmica)",
    color = "Número de cilindros"
)

# Criar o gráfico
ggplot(data, aes) + geom + scale + stat + theme + labels

ggplot2 - Elementos da gramática

# Criar o gráfico
ggplot(mtcars, aes(x = mpg, y = hp)) +
    geom_point() +
    scale_y_log10() +
    facet_wrap(~am) + # cria uma faceta para cada valor único da variável am (transmissão manual ou automática)
    stat_summary(fun = mean, geom = "point", color = "red", size = 3) +
    theme_minimal() +
    labs(
        title = "Relação entre MPG e HP",
        x = "MPG",
        y = "HP (escala logarítmica)",
        color = "Número de cilindros"
    )

Gramática dos gráficos e ggplot2 - cores

O argumento color mapeia uma variável categórica para as cores dos pontos

ggplot(data, aes(x = mpg, y = hp, color = factor(cyl))) +
    geom_point() +
    labs(title = "Relação entre MPG e HP", x = "MPG", y = "HP") +
    theme_minimal()

Gramática dos gráficos e ggplot2 - cores

Se quisermos definir uma cor especifica temos que tomar cuidado com a localização do argumento color, por exemplo, se quisermos que todos os pontos sejam vermelhos, devemos colocar o argumento color dentro da função geom_point mas fora da função aes. Mas se quisermos mapear uma variável contínua para as cores dos pontos, devemos colocar o argumento color dentro da função aes.

ggplot(data, aes(x = mpg, y = hp)) +
    geom_point(color = "red") +
    labs(title = "Relação entre MPG e HP", x = "MPG", y = "HP") +
    theme_minimal()

Gramática dos gráficos e ggplot2 - cores

ggplot(data, aes(x = mpg, y = hp, color = wt)) +
    geom_point() +
    labs(title = "Relação entre MPG e HP", x = "MPG", y = "HP") +
    theme_minimal()

Gramática dos gráficos e ggplot2 - fill

O argumento fill mapeia uma variável categórica para o preenchimento das barras, a diferença entre color e fill é que color mapeia para a cor da borda e fill mapeia para o preenchimento.

ggplot(mtcars, aes(x = as.factor(cyl), fill = as.factor(cyl))) +
    geom_bar() +
    labs(
        title = "Distribuição do Número de Cilindros",
        x = "Número de cilindros",
        fill = "Número de cilindros"
    ) +
    theme_minimal()

Gramática dos gráficos e ggplot2 - formas

Exemplo

ggplot(data, aes(x = mpg, y = hp, shape = factor(cyl), size = 10, color = as.factor(cyl))) +
    geom_point() +
    labs(title = "Relação entre MPG e HP", x = "MPG", y = "HP") +
    theme_minimal()

Gramática dos gráficos e ggplot2 - tamanhos

Exemplo

ggplot(data, aes(x = mpg, y = hp, size = wt)) +
    geom_point() +
    labs(title = "Relação entre MPG e HP", x = "MPG", y = "HP") +
    theme_minimal()

Exercícios de fixação 3

Refaça os gráficos dos exercícios de fixação 1 e 2 utilizando o pacote ggplot2 e a gramática dos gráficos. Comente sobre as diferenças entre os gráficos gerados com o pacote base do R e com o pacote ggplot2.
Explore os geoms disponíveis no ggplot2 e crie um gráfico usando o pacote dados e o geom de sua escolha.

Escalas Lineares e Logarítmicas

x <- seq(1, 100, 1)
y <- x

plot(x, y, type = "l", col = "blue", lwd = 2, xlab = "X", ylab = "Y", main = "Gráfico com Escala Linear")

Escalas lineares são as mais comuns
Representam a relação entre duas variáveis de forma proporcional
Dados variam de forma linear

Escalas Lineares e Logarítmicas

# Dados
x <- seq(1, 100, 1)
y <- exp(x)

# Gráfico com escala logarítmica no eixo y
plot(x, y,
    type = "l", col = "blue", lwd = 2,
    xlab = "X", ylab = "Y (log scale)",
    main = "Gráfico com Escala Logarítmica",
    log = "y"
)

Escalas logarítmicas são usadas quando os dados variam de forma exponencial

Escalas Lineares e Logarítmicas

Quando precisamos representar variáveis em escalas diferentes, podemos usar a função scale_x_log10() ou scale_y_log10() para poder visualizar os dados de forma mais clara. No exemplo abaixo queremos comparar duas regressões que tem ordem de grandeza diferente, para isso usamos a escala logarítmica no eixo y.

x <- seq(1, 100, 1)

y1 <- x

y2 <- exp(x)

# Gráfico com escala logarítmica no eixo y

df <- data.frame(x = rep(x, 2), y = c(y1, y2), modelo = rep(c("linear", "exponencial"), each = length(x)))

ggplot(df, aes(x = x, y = y, color = modelo)) +
    geom_line() +
    scale_y_log10() +
    labs(title = "Escala logarítmica", x = "X", y = "Y (Escala log)") +
    theme_minimal()

Exemplo de gráfico de barras com escala percentual para variável categórica

Usando o conjunto de dados casas, vamos criar um gráfico de barras para visualizar a distribuição da variável categórica “porao_qualidade” e adicionar rótulos aos eixos de forma que a escala seja percentual.

Exemplo de gráfico de barras com escala percentual para variável categórica

Também podemos adicionar rótulos para cada barra com a função geom_text

casas %>%
    count(porao_qualidade) %>%
    mutate(percentual = n / sum(n)) %>%
    ggplot(aes(x = reorder(porao_qualidade, -percentual), y = percentual, fill = porao_qualidade)) +
    geom_bar(stat = "identity", color = "black") +
    labs(title = "Distribuição da qualidade do porão", x = "Qualidade do porão", y = "Percentual") +
    scale_y_continuous(labels = scales::percent) +
    geom_text(aes(label = scales::percent(percentual)), vjust = -0.5) + # Adiciona rótulos e ajusta a posição
    theme_minimal() +
    theme(plot.title = element_text(hjust = 0.5)) # Centraliza o título

Exemplo de gráfico de histograma no ggplot2

casas %>%
    ggplot(aes(x = garagem_area)) +
    geom_histogram(binwidth = 100, fill = "orange", color = "red") + # binwidth define a largura das barras
    labs(title = "Distribuição da área da garagem", x = "Área da garagem", y = "Frequência") +
    theme_minimal() +
    theme(plot.title = element_text(hjust = 0.5)) # Centraliza o título

Exemplo de boxplot no ggplot2 com o dataset casas

casas %>%
    ggplot(aes(x = porao_qualidade, y = construcao_ano, fill = porao_qualidade)) +
    geom_boxplot() +
    labs(title = "Distribuição da área construída por qualidade do porão", x = "Qualidade do porão", y = "Ano") +
    theme_minimal() +
    theme(plot.title = element_text(hjust = 0.5)) # Centraliza o título

Explorando dados com o pacote esquisse

O pacote esquisse é uma ferramenta interativa para explorar e visualizar dados. podemos usá-lo para criar gráficos rapidamente e explorar a relação entre variáveis.

# Instalar o pacote

install.packages("esquisse")

library(esquisse)

esquisse::esquisser() # use :: para chamar a função esquisser do pacote esquisse sem precisar carregar o pacote inteiro

Exercícios de fixação 4

Utilize o pacote esquisse para explorar o conjunto de dados casas. Crie dois gráficos, um explorando variáveis categóricas e outro explorando variáveis contínuas. Apresente os gráficos e comente sobre as relações observadas.

Tarefa final

Procure um conjunto de dados do seu interesse e crie um relatório exploratório dos dados utilizando o pacote esquisse. O relatório deve conter: um gráfico de barras, um histograma, um boxplot e um gráfico de dispersão. Comente sobre as relações observadas nos gráficos.

Sugestões :

Caso não tenha um conjunto de dados específico em mente, você pode utilizar um dos conjuntos de dados disponíveis no pacote ‘dados’ ou no kaggle.

O relatório deve ser entregue em um arquivo qmd ou rmd.