Visualização de Dados 1

Curso de análise e visualização de dados

Manipulação de Dados 4 Visualização de Dados 2

Introdução ao GGplot2

O ggplot2 é um pacote desenvolvido em 2005 por Hadley Wickham e sua equipe. Foi o primeiro pacote do núcleo central do Tidyverse e desenvolvido antes dos demais pacotes.

O ggplot2 é uma gramática para construção de gráficos e é estruturado a partir de um layout de camadas. As funções do ggplot2 estipulam um sistema de coordenadas e adicionam camadas que se superpõem em mapeamentos estéticos.

As camadas são agregadas a partir de um símbolo que funciona como um pipe (+). Mas o ggplot2 é anterior ao magrittr e ao dplyr, por isso, usa-se o + em vez do %>%.

Como é a sintaxe geral da função?

ggplot(<dataset>) +
<geom_function>(aes(<mapping>))

<dataset> é o conjunto de dados a ser trabalhado, <geom_function> é a função definidora do tipo de gráfico, e é a função de mapeamento estético do gráfico.

É possível também escrever a função desta forma, combinando dplyr e ggplot2:

dataset %>% 
 ggplot(aes(x = <x>, y = <y>)) +
 <geom_function>(<params>)

Há diferentes tipos de geom. Vamos começar com os gráficos de dispersão?

Solicitar pacotes

#install.packages("ggplot2")
library(ggplot2)
library(dplyr)
library(palmerpenguins)

geom_point()

geom_point: Este geom corresponde a um gráfico de dispersão (ou scatterplot). O scatterplot é uma visualização que apresenta múltiplas ocorrências de dados organizados a partir de duas variáveis numéricas e sequenciais.

Exemplo: vamos construir um scatterplot com nossos pinguins.

pinguins <- penguins %>% tidyr::drop_na()

pinguins %>% 
  ggplot() +
  geom_point(aes(x = body_mass_g, y = flipper_length_mm))

O que este primeiro gráfico nos diz?

pinguins %>% 
  ggplot() +
  geom_point(aes(x = body_mass_g, y = flipper_length_mm)) +
  geom_smooth(aes(x = body_mass_g, y = flipper_length_mm))

Vamos acrescentar um novo parâmetro, as espécies dos pinguins. Que tal distinguirmos as espécies por cor? Note que a cor pode corresponder a uma constante ou a uma variável categórica

pinguins %>% 
  ggplot() +
  geom_point(aes(x = body_mass_g, y = flipper_length_mm), color = "blue")
  # O parâmetro color está fora de aes nesse caso!

pinguins %>% 
  ggplot() +
  geom_point(aes(x = body_mass_g, y = flipper_length_mm, color = species))
  # O parâmetro color está dentro de aes nesse caso!

E o que é possível observar a partir do gráfico acima?

E quanto à altura (depth) e ao comprimento (lenght) do bico dos pinguins? Que conclusões podemos tirar desse novo gráfico abaixo?

pinguins %>% 
  ggplot() +
  geom_point(aes(x = bill_length_mm, y = bill_depth_mm, color = species))

Nós também podemos atribuir um tamanho variável aos pontos:

pinguins %>% 
  ggplot() +
  geom_point(aes(x = bill_length_mm, y = bill_depth_mm, color = species, size = species))

Ou podemos trabalhar com pontos diferentes, de acordo com as categorias:

pinguins %>% 
  ggplot() +
  geom_point(aes(x = bill_length_mm, y = bill_depth_mm, color = species, shape = species))

Ou controlar a transparência dos pontos, para adicionar uma quarta variável ao gráfico:

pinguins %>% 
  ggplot() +
  geom_point(aes(x = bill_length_mm, y = bill_depth_mm, color = species, alpha = island))

O próximo passo é tentar condensar essas informações, que estão dispersas, em outro tipo de gráfico.

geom_bar()

geom_bar: Este objeto geométrico corresponde a um gráfico de barras na sintaxe do ggplot2. O gráfico de barras condensa a informação dispersa em pontos no gráfico de dispersão, e apresenta uma informação geral e não detalhada sobre os dados. Sua composição requer uma variável categórica e uma variável numérica (que pode ser simplesmente a quantidade).

Exemplo: quantos pinguins temos em nosso banco de dados de acordo com o seu sexo?

pinguins %>% 
  ggplot() +
  geom_bar(aes(x = sex))
  # Há apenas um eixo X no gráfico, pois o ggplot2 conta as ocorrências
  # para criar o eixo Y.

No geom_bar, há duas formas de estatísticas mais usadas. A primeira delas é o count. Nesse caso, a própria função vai contar as ocorrências para gerar o gráfico. No segundo caso, a variável numérica já está presente no meu conjunto de dados. Então, a estatísticas mais apropriada é identity.

pinguins %>% 
  ggplot() +
  geom_bar(aes(x = sex), stat = "count")

pinguins %>% 
  ggplot() +
  geom_bar(aes(x = sex, y = body_mass_g), stat = "identity")

É possível realizar ajustes de customização no mapeamento estético de nossos gráficos.

pinguins %>% 
  ggplot() +
  geom_bar(aes(x = sex, y = body_mass_g, fill = sex), stat = "identity") +
  coord_flip()
  # Inverter as coordenadas X e Y

pinguins %>% 
  ggplot() +
  geom_bar(aes(x = sex, y = body_mass_g), stat = "identity", fill = "blue")
  # Definir uma única cor estática (parâmetro fill é externo a aes)

pinguins %>% 
  ggplot() +
  geom_bar(aes(x = sex, y = body_mass_g, fill = sex), stat = "identity")
  # Definir uma cor de acordo com uma variável categórica (parâmetro fill
  # é interno a aes)

pinguins %>% 
  ggplot() +
  geom_bar(aes(x = sex, y = body_mass_g, fill = species), stat = "identity")
  # Empilhar (stack) valores de acordo com uma terceira variável categórica.

Em geom_bar, o empilhamento pode ser realizado de múltiplas formas. É possível utilizar também o parâmetro position para definir a forma mais apropriada para esta operação. Observe:

pinguins %>% 
  ggplot() +
  geom_bar(aes(x = sex, y = body_mass_g, fill = species), stat = "identity")
  # Empilhamento simples

pinguins %>% 
  ggplot() +
  geom_bar(aes(x = sex, y = body_mass_g, fill = species), stat = "identity", position = "identity")
  # Sobreposição de pilhas (pouco útil)

pinguins %>% 
  ggplot() +
  geom_bar(aes(x = sex, y = body_mass_g, fill = species), stat = "identity", position = "dodge")
  # Alinhamento lateral de pilhas

pinguins %>% 
  ggplot() +
  geom_bar(aes(x = sex, y = body_mass_g, fill = species), stat = "identity", position = "fill")
  # Empilhamento à mesma altura

pinguins %>% 
  ggplot() +
  geom_bar(aes(x = sex, y = body_mass_g, fill = species), stat = "identity") +
  facet_wrap(~species)
# Apresentação segmentada por categoria

piechart

O ggplot2 não possui um geom específico para gráficos de pizza. Mas ele introduz a função coord_polar(), que permite criar uma espécie de gráfico polar com barras que se convertem em pizza.

pinguins %>% 
  ggplot() +
  geom_bar(aes(x = "", y = sex, fill = sex), stat="identity", width=1) +
  coord_polar("y", start=0)

pinguins %>% 
  ggplot() +
  geom_bar(aes(x = "", y = species, fill = species), stat="identity", width=1) +
  coord_polar("y", start=0)

geom_line()

geom_line: O geom_line corresponde ao gráfico de linha simples. Para utilizá-lo, é preciso haver duas variáveis numéricas e sequenciais a serem relacionadas. Geralmente, é empregado para visualizar flutuações ao longo do tempo, mas não apenas.

  • Importando os dados
pinguins <- penguins %>% tidyr::drop_na()
  • Gerando um gráfico de linha simples com stat_count
pinguins %>% 
  ggplot() +
  geom_line(aes(x = year), stat = "count")
  • Gerando um gráfico de linha simples com stat_identity
pinguins %>% 
  count(year) %>% 
  ggplot() +
  geom_line(aes(x = year, y = n), stat = "identity")
  • Gerando um gráfico de linha agrupado
pinguins %>% 
  count(year, species) %>% 
  ggplot() +
  geom_line(aes(x = year, y = n, group = species, color = species))

geom_area()

geom_area: Este geom funciona de modo similar ao geom_line, mas, ao invés de uma linha, ele plota uma área sólida. Além disso, é possível também empilhar as áreas.

  • Gerando um gráfico de área simples
pinguins %>% 
  count(year) %>% 
  ggplot() +
  geom_area(aes(x = year, y = n))
  • Gerando um gráfico de área empilhada
pinguins %>% 
  count(year, species) %>% 
  ggplot() +
  geom_area(aes(x = year, y = n, fill = species, color = species))
  • Gerando um gráfico de área segmentado por facetas (small multiples)
pinguins %>% 
  count(year, species) %>% 
  ggplot() +
  geom_area(aes(x = year, y = n, fill = species, color = species)) +
  facet_wrap(~species)

geom_histogram()

geom_histogram: O geom_histogram apresenta uma visualização gráfica em que uma variável numérica e sequencial tem sua frequência calculada.

  • Gerando um histograma simples
pinguins %>% 
  ggplot() +
  geom_histogram(aes(x = body_mass_g), binwidth = 100)
  • Gerando um histograma segmentado por facetas
pinguins %>% 
  ggplot() +
  geom_histogram(aes(x = body_mass_g, fill = species), binwidth = 100) +
  facet_wrap(~species)

geom_tile()

geom_tile: Este geom apresenta um mapa de calor (heatmap) a partir do cruzamento entre duas variáveis categóricas com uma terceira variável numérica sequencial.

  • Gerando um mapa de calor
pinguins %>% 
  select(species, sex, body_mass_g) %>% 
  ggplot() +
  geom_tile(aes(x = species, y = sex, fill = body_mass_g))

geom_boxplot()

geom_boxplot: Este objeto geométrico corresponde a um gráfico de caixa e bigode na sintaxe do ggplot2. O gráfico de caixa sintetiza um conjunto importante de informações em uma visualização extremamente condensada. É o tipo de gráfico mais comum para comparar diferentes grupos de observações. O boxplot pode ser utilizado para comparar duas variáveis numéricas ou uma variável numérica e uma categórica.

magick::image_read("https://raw.githubusercontent.com/ombudsmanviktor/workshop_rstats/main/aula10/boxplot_explanation.png") %>% 
  magick::image_scale("500") %>% print()

No esquema visual acima, note que a caixa organiza e divide quatro áreas do gráfico. No fio abaixo da caixa, estão representadas 25% das ocorrências com menor valor. No fio acima da caixa, estão as 25% ocorrências com maior valor. A caixa é dividida pela mediana, isto é, o valor central em um conjunto de dados.

Vamos praticar?

pinguins %>% 
  ggplot() +
  geom_boxplot(aes(x = sex, y = body_mass_g))

O boxplot acima é bem simples e compara uma variável categórica (sex) com uma variável numérica (body_mass_g). Vamos incrementar este gráfico com cores?

pinguins %>% 
  ggplot() +
  geom_boxplot(aes(x = sex, y = body_mass_g), color = "red")

pinguins %>% 
  ggplot() +
  geom_boxplot(aes(x = sex, y = body_mass_g, color = sex))

pinguins %>% 
  ggplot() +
  geom_boxplot(aes(x = sex, y = body_mass_g, fill = sex), color = "red")

Vamos adicionar mais uma variável com fill?

pinguins %>% 
  ggplot() +
  geom_boxplot(aes(x = sex, y = body_mass_g, fill = species))

E se quisermos olhar para as observações individuais?

pinguins %>% 
  ggplot() +
  geom_boxplot(aes(x = sex, y = body_mass_g, fill = sex)) +
  geom_jitter(aes(x = sex, y = body_mass_g, color = species), size=0.4, alpha=0.9)

pinguins %>% 
  ggplot() +
  geom_violin(aes(x = sex, y = body_mass_g, fill = sex)) +
  geom_jitter(aes(x = sex, y = body_mass_g, color = species), size=0.5, alpha=0.9)

Exportando os gráficos

É possível exportar seus gráficos em diferentes formatos. Os mais comuns são em formato PDF e em formato PNG. Acesse o botão Export na área Plots do seu R Studio, para uma exportação facilitada. Depois, é só escolher a pasta onde o gráfico será salvo, o tamanho da imagem e salvar.

EXERCÍCIOS

Para os exercícios a seguir, compartilhe no grupo da disciplina as imagens dos gráficos exportadas em formato PNG, e, somente com o professor, o seu script R utilizado para fazer os exercícios.

EXERCÍCIO 1

  1. Com base nos dados que você coletou na aula anterior, crie um gráfico de dispersão que apresente os RTs de cada tweet coletado e o número de seguidores do usuário que publicou o tweet.

EXERCÍCIO 2

  1. Com base nos dados que você coletou na aula anterior, crie um gráfico de barras que apresente os cinco idiomas (lang) mais comumente empregados em sua amostra.

Dica: Combine funções do dplyr com outra do ggplot2.

EXERCÍCIO 3

  1. Com base nos dados que você coletou na aula anterior, crie um gráfico de caixa que apresente os tweets que obtiveram acima de 100 retweets na sua amostra, categorizados de acordo com os principais dispositivos (source) utilizados por usuários para acessar o Twitter.