######Exercicio 1. Utilizando os dados de produção de ovos nos EUA. Faça um gráfico mostrando a evolução do número de ovos de galinhas criadas livres (orgânicas e não-orgânicas) ao longo dos anos.
library(tidyverse)
── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr 1.1.2 ✔ readr 2.1.4
✔ forcats 1.0.0 ✔ stringr 1.5.0
✔ ggplot2 3.4.2 ✔ tibble 3.2.1
✔ lubridate 1.9.2 ✔ tidyr 1.3.0
✔ purrr 1.0.1
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag() masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors
library(dplyr)#Subindo tabela e mudando os nomesegg<- readr::read_csv("https://raw.githubusercontent.com/rfordatascience/tidytuesday/master/data/2023/2023-04-11/egg-production.csv")
Rows: 220 Columns: 6
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (3): prod_type, prod_process, source
dbl (2): n_hens, n_eggs
date (1): observed_month
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
##Fazendo modificações na tabela de dadosegg2<-egg %>%rename(Data = observed_month, `Tipo de produto`= prod_type, `Tipo de processo`= prod_process,`Número de galinhas`=n_hens,`Número de ovos`=n_eggs)%>%mutate(`Tipo de produto`=recode(`Tipo de produto`,`hatching eggs`="incubados",`table eggs`="ovos de mesa"),`Tipo de processo`=recode(`Tipo de processo`,all="Gaiola + Livres",`cage-free (non-organic)`="Livres:Nao-organicos",`cage-free (organic)`="Livres: organicos"))%>%mutate(Produtividade=`Número de ovos`/`Número de galinhas`)%>%separate(Data,into=c("ano","mes","dia"),sep="-")egg2
g1<-ggplot(egg2,aes(x=ano,y=`Número de galinhas`/100000,fill=`Tipo de processo`))+geom_boxplot()+facet_wrap(~`Tipo de processo`,scales="free_y")+guides(fill="none")+labs(title="Número de galinhas", subtitle="Por milhão",y="Número de galinhas por milhao")+scale_fill_brewer(palette="YlGnBu")+theme_classic()+theme(axis.title.x=element_blank(),plot.background =element_rect(fill="#FFFFD9",color =NA),panel.background =element_rect(fill="#C7E9B4",color="black"),strip.background=element_rect(fill ="#41B6C4"))g1
###Fazendo grafico do exercicio 1, de numero de ovos por ano
g2<-ggplot(egg2,aes(x=ano,y=`Número de ovos`/100000,fill=`Tipo de processo`))+geom_boxplot()+facet_wrap(~`Tipo de processo`,scales="free_y")+guides(fill="none")+labs(title="Número de ovos", subtitle="Por milhão",y="Número de ovos por milhao")+scale_fill_brewer(palette="YlGnBu")+theme_classic()+theme(axis.title.x=element_blank(),plot.background =element_rect(fill="#FFFFD9",color =NA),panel.background =element_rect(fill="#C7E9B4",color="black"),strip.background=element_rect(fill ="#41B6C4"))g2
######Exercicio 2. Utilizando os dados de produção de ovos nos EUA faça um gráfico comparando a produtividade dos diferentes tipos de processos e dos diferentes tipos de produtos.
###Fazendo grafico do exercicio 2, Produtividade por Tipo de processo
brewer.pal(n=9,name ="BrBG")#mostra o código de cada cor
g3<-ggplot(egg2,aes(x=`Tipo de processo`,y=Produtividade,fill=`Tipo de processo`))+geom_boxplot()+guides(fill="none")+labs(title="Produtividade por tipo de processo",y="Produtividade (número de galinhas/número de ovos)")+scale_fill_brewer(palette="YlGnBu")+theme_classic()+theme(axis.title.x=element_blank(),plot.background =element_rect(fill="#F6E8C3",color =NA),panel.background =element_rect(fill="#F5F5F5",color="black"),strip.background=element_rect(fill ="#DFC27D"))g3
###Fazendo grafico do exercicio 2, Produtividade por Tipo de produto
g4<-ggplot(egg2,aes(x=`Tipo de produto`,y=Produtividade,fill=`Tipo de produto`))+geom_boxplot()+guides(fill="none")+labs(title="Produtividade por tipo de produto",y="Produtividade (número de galinhas/número de ovos)")+scale_fill_brewer(palette="YlGnBu")+theme_classic()+theme(axis.title.x=element_blank(),plot.background =element_rect(fill="#F6E8C3",color =NA),panel.background =element_rect(fill="#F5F5F5",color="black"),strip.background=element_rect(fill ="#DFC27D"))g4
###plotar os dos gráfico anteriores juntos
display.brewer.pal(n=9,name ="YlGnBu")##mostra as cores da paleta escolhida
library(patchwork)#para colocar as duas imagens juntaslibrary(ggtext)g5<-g3+g4+plot_annotation(title="Produtividade de ovos nos Estados Unidos 2016-2021",subtitle ="Produtividade por tipo de produto e por tipo de processo",caption="Plot for @TidyTuesday/By@Licet",theme=theme(plot.title=element_markdown(size=20,family="Impact", face="italic",color ="#01665E"),plot.subtitle=element_markdown(size=15,family ="Georgia",color ="#80CDC1"),plot.caption=element_markdown(size=10,family ="Ink Free"),plot.background=element_rect(fill="#B2A374", color =NA)))g5
Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
family not found in Windows font database
Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
family not found in Windows font database
Warning in grid.Call(C_textBounds, as.graphicsAnnot(x$label), x$x, x$y, : font
family not found in Windows font database
Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
font family not found in Windows font database
Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
font family not found in Windows font database
Warning in grid.Call.graphics(C_text, as.graphicsAnnot(x$label), x$x, x$y, :
font family not found in Windows font database
######Opcao 8, usando dados próprios para fazer um gráfico de barras comparando o número de espécies usada na restauracao da Floresta com Araucária em Comparacao a riqueza regional conhecida para este Ecossistema
Riqueza Familia num_sps X
1 Local Adoxaceae 1 NA
2 Regional Adoxaceae 1 NA
3 Local Anacardiaceae 2 NA
4 Regional Anacardiaceae 13 NA
5 Local Annonaceae 3 NA
6 Regional Annonaceae 21 NA
library(jpeg)p2 <-readJPEG("download.jpg")ggplot(barras, aes(x=reorder(Familia, -num_sps), y=num_sps, fill=Riqueza))+geom_bar(width =0.5, stat="identity", position =position_dodge2())+labs(y ="Número de espécies por familia", title ="Número de espécies usadas na restauração da Floresta com Araucária", subtitle ="Comparações por Familia")+scale_y_continuous(expand=c(0,0), limits=c(0,207))+scale_fill_manual(values =c("#6F99ADFF","#20854EFF"), labels =c("Local", "Regional"))+theme_classic()+theme(legend.title =element_blank(),legend.position =c(0.90, 0.9),axis.title.x =element_blank(),axis.text.x =element_text(face="italic", angle=30, hjust=1, color="Black"),plot.title =element_text(colour ="Black", size=15))+annotation_raster(p2, xmin=30, xmax=28, ymin =160, ymax=200)
######Opcao 8, usando dados próprios para fazer um gráfico de pizza sobre a categoria de ameaça das espécies
#creo um data.framedados <-data.frame(numero_estudos =c(78,3,3,5,19),tipo_restauracao =c('Não avaliada','Em perigo','Vulnerável','Quase ameaçada','Pouco preocupante'))head(dados)
numero_estudos tipo_restauracao
1 78 Não avaliada
2 3 Em perigo
3 3 Vulnerável
4 5 Quase ameaçada
5 19 Pouco preocupante
library(tidyverse)library(ggsci)vu<-ggplot(dados, aes(x="", y=tipo_restauracao, fill=tipo_restauracao)) +geom_bar(width =1, stat ="identity") +labs(title ="Status de ameaça das espécies usadas na restauração da Floresta com Araucária")+coord_polar("y", start=0)+scale_fill_viridis_d()+theme_minimal()+theme(axis.title =element_blank(),axis.text.y=element_blank(), legend.title =element_blank(),legend.position="bottom",axis.text.x=element_blank())vu
