Use os dados abaixo para gerar os gráficos. Para o segundo gráfico (barras), use a escala logarítmica (log = “y”) e as seguintes cores: “#E6E6E6”, “#666666”. Além disso, os gráficos podem ser organizados com a função layout().
MRT_1F <-c(517.1468515630205, 85.13094142168089, 30.333207896694553, 12.694776264558937, 3.3041601673945418, 1.1823111717498882, 1.1892293502386786)
MRT_3F <-c(156.68929936163462, 11.540837783562276, 0.4512835621696538, 0.4509797929766453, 0.4502068233039181, 0.4496185276300172, 0.4543157082191288)
MRT_5F <-c(83.90319666471157, 0.3068151086494968, 0.30522314133037304, 0.3072588968084928, 0.30655265997285697, 0.3055812715727718, 0.3053297166713006)
MRT_10F <-c(29.55430642951759, 0.19832832665772515, 0.1971923924717474, 0.19796648905716516, 0.19615594370806338, 0.2034569237883263, 0.19617420889447737)
MRT_15F <-c(11.317736530583566, 0.167364215666193, 0.16172168266811013, 0.16701085329580515, 0.1598052657153692, 0.1645934043532696, 0.16216563797118075)
MRT_sem_F <-c(11.93430909937736, 0.6095414637034009, 0.6060645101029295, 0.612167181646899, 0.6146761002685637, 0.6096747087200697, 0.6125810476877268)
clock <- c(0.1, 0.5, 1, 1.5, 2, 2.5, 3)
# Carregar os dados
MRT_1F <- c(517.1468515630205, 85.13094142168089, 30.333207896694553, 12.694776264558937, 3.3041601673945418, 1.1823111717498882, 1.1892293502386786)
MRT_3F <- c(156.68929936163462, 11.540837783562276, 0.4512835621696538, 0.4509797929766453, 0.4502068233039181, 0.4496185276300172, 0.4543157082191288)
MRT_5F <- c(83.90319666471157, 0.3068151086494968, 0.30522314133037304, 0.3072588968084928, 0.30655265997285697, 0.3055812715727718, 0.3053297166713006)
MRT_10F <- c(29.55430642951759, 0.19832832665772515, 0.1971923924717474, 0.19796648905716516, 0.19615594370806338, 0.2034569237883263, 0.19617420889447737)
MRT_15F <- c(11.317736530583566, 0.167364215666193, 0.16172168266811013, 0.16701085329580515, 0.1598052657153692, 0.1645934043532696, 0.16216563797118075)
MRT_sem_F <- c(11.93430909937736, 0.6095414637034009, 0.6060645101029295, 0.612167181646899, 0.6146761002685637, 0.6096747087200697, 0.6125810476877268)
clock <- c(0.1, 0.5, 1, 1.5, 2, 2.5, 3)
# Definir o layout dos gráficos
layout(matrix(c(1,1), nrow = 1, byrow = TRUE))
# Primeiro Gráfico (Linha)
plot(clock, MRT_1F, type = "o",pch=4, col = "black", xlab = "Clock", ylab = "Tempo de resposta(seg)")
lines(clock, MRT_3F, type = "o", pch=11, col = "yellow")
lines(clock, MRT_5F, type = "o",pch=1, col = "red")
lines(clock, MRT_10F, type = "o",pch=2, col = "blue")
lines(clock, MRT_15F, type = "o",pch=5, col = "purple")
lines(clock, MRT_sem_F, type = "o",pch=4, col = "green")
legend("topright", legend = c("MRT_1F", "MRT_3F", "MRT_5F", "MRT_10F", "MRT_15F", "MRT_sem_F"), col = c("black", "yellow", "red", "blue", "purple", "green"), lty = 1)
# Definir o layout dos gráficos
layout(matrix(c(1,1), nrow = 1, byrow = TRUE))
par(mfrow = c(1,2))
# Segundo Gráfico (Barras com Escala Logarítmica)
barplot(rbind(MRT_sem_F, MRT_1F), beside = TRUE, log = "y", col = c("#E6E6E6", "#666666"), xlab = "Clock", ylab = "Tempo de resposta(seg)")
legend("topright", legend = c("MRT_sem_F", "MRT_1F"), col = c("#E6E6E6", "#666666"), lwd = 10)
barplot(rbind(MRT_sem_F, MRT_3F), beside = TRUE, log = "y", col = c("#E6E6E6", "#666666"), xlab = "Clock", ylab = "Tempo de resposta(seg)")
legend("topright", legend = c("MRT_sem_F", "MRT_3F"), col = c("#E6E6E6", "#666666"), lwd = 10)
barplot(rbind(MRT_sem_F, MRT_5F), beside = TRUE, log = "y", col = c("#E6E6E6", "#666666"), xlab = "Clock", ylab = "Tempo de resposta(seg)")
legend("topright", legend = c("MRT_sem_F", "MRT_5F"), col = c("#E6E6E6", "#666666"), lwd = 10)
barplot(rbind(MRT_sem_F, MRT_10F), beside = TRUE, log = "y", col = c("#E6E6E6", "#666666"),xlab = "Clock", ylab = "Tempo de resposta(seg)")
legend("topright", legend = c("MRT_sem_F", "MRT_10F"), col = c("#E6E6E6", "#666666"), lwd = 10)
barplot(rbind(MRT_sem_F, MRT_15F), beside = TRUE, log = "y", col = c("#E6E6E6", "#666666"), xlab = "Clock",ylab = "Tempo de resposta(seg)")
legend("topright", legend = c("MRT_sem_F", "MRT_15F"), col = c("#E6E6E6", "#666666"), lwd = 10)
Para a tabela abaixo que classifica a qualidade de refeição de acordo com categorias de preços crie um gráfico de barras empilhadas. Também adicione título, nomes de eixos e legenda.
# Dados da tabela de qualidade de refeições
meal_prices <- c("$10–19", "$20–29", "$30–39", "$40–49")
good <- c(53.8, 33.9, 2.6, 0.0)
very_good <- c(43.6, 54.2, 60.5, 21.4)
excellent <- c(2.6, 11.9, 36.8, 78.6)
# Convertendo as porcentagens em proporções
good <- good / 100
very_good <- very_good / 100
excellent <- excellent / 100
# Criando um dataframe
quality_ratings <- data.frame(good, very_good, excellent)
# A matriz precisa ser transposta porque barplot espera colunas como grupos
quality_ratings_matrix <- t(as.matrix(quality_ratings))
# Criando o gráfico de barras empilhadas
barplot(quality_ratings_matrix,
beside = FALSE,
col = c("lightblue", "blue", "darkblue"),
legend.text = TRUE,
args.legend = list(x = "topright", inset = c(-0.085, 0)), # ajustar posição da legenda
main = "Qualidade das refeições por preço",
xlab = "Preço medio",
ylab = "Indice de satistação",
names.arg = meal_prices)
Faça o histograma das temperaturas do mês de maio do dataset airquality. No entanto, primeiro converta as temperaturas para graus Celsius através da expressão °C = (°F − 32) / 1.8. Após isso, gere o histograma. Também adicione título, nomes de eixos, cor e curva de densidade.
# Carregar o conjunto de dados airquality
data("airquality")
# Filtrar os dados para o mês de maio
may_temps <- subset(airquality, Month == 5)$Temp
# Converter as temperaturas para Celsius
may_temps_c <- (may_temps - 32) * 5 / 9
# Calcular a média e o desvio padrão
mean_temp <- mean(may_temps_c, na.rm = TRUE)
sd_temp <- sd(may_temps_c, na.rm = TRUE)
# Criar o histograma com densidade em vez de contagem
hist(may_temps_c,
col = 'skyblue',
main = 'Histograma de Temperaturas em Maio com Curva Normal (em °C)',
xlab = 'Temperatura (°C)',
ylab = 'Densidade',
freq = FALSE)
# Adicionar a curva de densidade
dens <- density(may_temps_c)
lines(dens, col = 'blue', lwd = 2)
# Adicionar a curva normal
x <- seq(min(may_temps_c, na.rm = TRUE), max(may_temps_c, na.rm = TRUE), length.out = 100)
y <- dnorm(x, mean = mean_temp, sd = sd_temp)
lines(x, y, col = 'red', lwd = 2)
# Adicionar uma legenda
legend('topright', legend = c("Densidade", "Normal"), col = c("blue", "red"), lwd = 2)
Crie um gráfico de pizza com a porcentagem da tabela total de vendas por país. Use o dataset abaixo. Inclua a porcentagem de cada fatia, as cores das fatias e o nome do gráfico. Adicionalmente, use o comando legend() para incluir a legenda do gráfico. sales <- read.table(“https://training-course-material.com/images/8/8f/Sales.txt”,header=TRUE)
# Carregar dados de vendas
sales <- read.table("https://training-course-material.com/images/8/8f/Sales.txt", header = TRUE)
# Calcular a soma das vendas por país
sales_by_country <- sales
# Calcular as porcentagens
sales_by_country$Perc <- sales_by_country$SALES / sum(sales_by_country$SALES) * 100
lbls<- paste(round(sales_by_country$Perc), "%",sep= "")
# Criar o gráfico de pizza incluindo as porcentagens
pie(sales_by_country$SALES, labels= lbls, main = "Total Sales Percentage by Country", col = rainbow(length(sales_by_country$SALES)))
# Adicionar a legenda
legend("topright", legend = sales_by_country$COUNTRY, fill = rainbow(length(sales_by_country$COUNTRY)),cex=0.8)
Utilize os dados de contagens de insetos em unidades experimentais agrícolas tratados com inseticidas diferentes disponíveis no R em InsectSprays e construa um boxplot sem a presença dos outliers para os 6 tipos de inseticidas. Coloque título e nomes de eixos adequados. Além disso, as caixas devem ser preenchidas com a cor “yellow”.
# Carregar o conjunto de dados InsectSprays
data("InsectSprays")
View(InsectSprays)
# Criar o boxplot sem outliers
boxplot(count ~ spray, data = InsectSprays,
main = "Boxplot de Contagens de Insetos por Tipo de Inseticida",
xlab = "Tipo de Inseticida",
ylab = "Contagem de Insetos",
col = "yellow",
outline = FALSE)
Gere os gráficos abaixo a partir dos seguintes dados: monitoringCloudData_0.1.csv, monitoringCloudData_0.5.csv, monitoringCloudData_1.csv e monitoringCloudData_NONE.csv. Esses dados consistem de informações de monitoramento dos recursos de uma máquina virtual. Basicamente, é necessário gerar gráficos de linha do tempo de coleta dos recursos (currentTime) em relação a memória usada (usedMemory). Porém, é necessário ajustar a coluna “currentTime” para que o tempo fique contínuo e a coluna “usedMemory” para que todas as informações fiquem megabytes. Por fim, use a função layout() para organizar os gráficos. Dica 1: use a função difftime() para calcular a diferença do tempo em horas. Dica 2: use os conceitos vistos na aula de string/regex para converter os dados na coluna “usedMemory” para apenas megabytes. Além disso, considere que um terabyte equivale a 1000000 megabytes e 1 gigabyte equivale a 1024 megabytes.
# Carregar pacotes necessários
library(ggplot2)
# Função para ler e processar os dados
process_data <- function(file_name) {
# Ler os dados
data <- read.csv(file_name, header = TRUE)
# Ajustar o currentTime para formato de data/hora e calcular a diferença em horas
data$currentTime <- as.POSIXct(data$currentTime)
data$currentTime <- difftime(data$currentTime, min(data$currentTime), units = "hours")
# Tratar a coluna usedMemory
# Função auxiliar para converter memória para MB
convert_memory_to_mb <- function(memory) {
# Remover os sufixos MB, GB, e TB e converter para número
num <- as.numeric(gsub("MB", "", gsub("GB", "", gsub("TB", "", memory))))
# Verificar a unidade original e converter para MB
if (grepl("GB", memory)) {
return(num * 1024) # Converter GB para MB
} else if (grepl("TB", memory)) {
return(num * 1024 * 1024) # Converter TB para MB
} else {
return(num) # Já está em MB ou convertido para MB
}
}
# Aplicar a função para converter usedMemory para MB
data$usedMemory <- sapply(data$usedMemory, convert_memory_to_mb)
# Lidar com valores NA na coluna usedMemory
data$usedMemory[is.na(data$usedMemory)] <- 0
return(data)
}
# Processar cada arquivo
data_0.1 <- process_data("/Users/fabiohatem/Downloads/monitoringCloudData/monitoringCloudData_0.1.csv")
data_0.5 <- process_data("/Users/fabiohatem/Downloads/monitoringCloudData/monitoringCloudData_0.5.csv")
data_1 <- process_data("/Users/fabiohatem/Downloads/monitoringCloudData/monitoringCloudData_1.csv")
data_NONE <- process_data("/Users/fabiohatem/Downloads/monitoringCloudData/monitoringCloudData_NONE.csv")
# Definir o layout dos gráficos
layout(matrix(1:4, nrow = 2))
# Criar gráficos de linha
plot(data_0.1$currentTime, data_0.1$usedMemory, type = "l", col = "red", xlab = "Time (hours)", ylab = "Used Memory (MB)", main = "Data 0.1")
plot(data_0.5$currentTime, data_0.5$usedMemory, type = "l", col = "blue", xlab = "Time (hours)", ylab = "Used Memory (MB)", main = "Data 0.5")
plot(data_1$currentTime, data_1$usedMemory, type = "l", col = "green", xlab = "Time (hours)", ylab = "Used Memory (MB)", main = "Data 1")
plot(data_NONE$currentTime, data_NONE$usedMemory, type = "l", col = "purple", xlab = "Time (hours)", ylab = "Used Memory (MB)", main = "Data NONE")
Filtrando os conteúdos com apenas UM país de origem (coluna “country”), utilize o Plotly para obter um gráfico de pizza dos 10 países com mais conteúdo na plataforma.
if (!require(plotly)) {
# Escolher um espelho do CRAN
options(repos = c(CRAN = "http://cran.rstudio.com"))
# Instalar o pacote plotly
install.packages("plotly")
}
## Loading required package: plotly
##
## Attaching package: 'plotly'
## The following object is masked from 'package:ggplot2':
##
## last_plot
## The following object is masked from 'package:stats':
##
## filter
## The following object is masked from 'package:graphics':
##
## layout
library(plotly)
netflix_data<- read.csv("https://www.dropbox.com/s/bso7ierg8oyjjun/netflix_titles.csv?dl=1", header = TRUE)
View(netflix_data)
# Filtrar conteúdos com apenas um país de origem
single_country_data <- netflix_data[grepl("^([^,]+)$", netflix_data$country), ]
# Contar quantos conteúdos estão associados a cada país
country_counts <- table(single_country_data$country)
# Selecionar os 10 países com mais conteúdos
top_countries <- sort(country_counts, decreasing = TRUE)[1:10]
View(top_countries)
# Converter para dataframe
top_countries_df <- data.frame(Country = names(top_countries), Count = as.numeric(top_countries))
# Criar um gráfico de pizza com Plotly
plot_ly(data = top_countries_df, labels = ~Country, values = ~Count, type = 'pie', textinfo = 'label+percent') %>%
layout(title = 'Top 10 Países com Mais Conteúdo na Netflix (Somente um País de Origem)')
Considerando os 10 países descritos na questão anterior, utilize o Plotly para obter uma tabela com as colunas “País” e “Total de conteúdos”. Para tal tabela, é necessário que o cabeçalho esteja com o fundo da célula cinza e a letra em branco, e que todos os textos das células estejam centralizados.
netflix_data<- read.csv("https://www.dropbox.com/s/bso7ierg8oyjjun/netflix_titles.csv?dl=1", header = TRUE)
View(netflix_data)
# Filtrar conteúdos com apenas um país de origem
single_country_data <- netflix_data[grepl("^([^,]+)$", netflix_data$country), ]
# Contar quantos conteúdos estão associados a cada país
country_counts <- table(single_country_data$country)
# Selecionar os 10 países com mais conteúdos
top_countries <- sort(country_counts, decreasing = TRUE)[1:10]
View(top_countries)
# Converter para dataframe
top_countries_df <- data.frame(Country = names(top_countries), Count = as.numeric(top_countries))
# Criar uma tabela com Plotly
plot_ly() %>%
add_table(
data = top_countries_df,
header = list(
values = c("País", "Total de conteúdos"),
align = c("center", "center"),
line = list(color = "black"),
fill = list(color = "grey"),
font = list(color = "white", size = 12)
),
cells = list(
values = rbind(top_countries_df$Country, top_countries_df$Count),
align = c("center", "center"),
line = list(color = "black"),
fill = list(color = "white"),
font = list(color = "black", size = 11)
)
)
Utilizando o Plotly, obtenha um gráfico de linha com pontos (como na imagem abaixo) contendo a quantidade de conteúdo por década do Netflix, onde o eixo X representa as décadas e o eixo Y a quantidade de conteúdo disponível na plataforma (coluna “release_year”). Use uma linha azul para representar as séries e uma linha amarela representando os filmes. (Obs: considerar como década o período que compreende os anos de XXX0 à XXX9, por exemplo, 2000 à 2009)
# Carregar pacotes necessários
if (!require(plotly)) {
install.packages("plotly")
}
library(plotly)
library(dplyr)
##
## Attaching package: 'dplyr'
## The following objects are masked from 'package:stats':
##
## filter, lag
## The following objects are masked from 'package:base':
##
## intersect, setdiff, setequal, union
netflix_data<- read.csv("https://www.dropbox.com/s/bso7ierg8oyjjun/netflix_titles.csv?dl=1", header = TRUE)
# Converter o ano de lançamento para década
netflix_data$Decade <- floor(netflix_data$release_year / 10) * 10
# Agrupar por tipo e década, e contar a quantidade
content_by_decade <- netflix_data %>%
group_by(type, Decade) %>%
summarise(Count = n())
## `summarise()` has grouped output by 'type'. You can override using the
## `.groups` argument.
# Separar os dados por tipo
series_data <- filter(content_by_decade, type == "TV Show")
movies_data <- filter(content_by_decade, type == "Movie")
# Criar o gráfico de linha com Plotly
plot_ly() %>%
add_trace(data = series_data, x = ~Decade, y = ~Count, type = 'scatter', mode = 'lines+markers',
line = list(color = 'blue'), name = 'Series') %>%
add_trace(data = movies_data, x = ~Decade, y = ~Count, type = 'scatter', mode = 'lines+markers',
line = list(color = 'yellow'), name = 'Movies') %>%
layout(title = 'Quantidade de Conteúdo por Década na Netflix',
xaxis = list(title = 'Década'),
yaxis = list(title = 'Quantidade de Conteúdo'))
Utilizando o Plotly, obtenha um gráfico que representa a quantidade de filmes lançados de um determinado gênero entre os anos de 2000 e 2010. Este gráfico deve ser de barras lado-a-lado (como na imagem abaixo), com cada barra representando a quantidade de filmes dos gêneros “Dramas”, “Action & Adventure” e “Comedies” lançados naquele determinado ano. (Obs: Para filmes com múltiplos gêneros, considerar apenas o primeiro descrito na coluna “listed_in”).
# Carregar pacotes necessários
if (!require(plotly)) {
install.packages("plotly")
}
library(plotly)
library(dplyr)
netflix_data<- read.csv("https://www.dropbox.com/s/bso7ierg8oyjjun/netflix_titles.csv?dl=1", header = TRUE)
# Filtrar filmes lançados entre 2000 e 2010
movies_data <- netflix_data %>%
filter(type == "Movie" & release_year >= 2000 & release_year <= 2010)
# Extrair o primeiro gênero listado
movies_data$PrimaryGenre <- sapply(strsplit(as.character(movies_data$listed_in), ", "), `[`, 1)
# Filtrar por gêneros específicos
movies_data <- movies_data %>%
filter(PrimaryGenre %in% c("Dramas", "Action & Adventure", "Comedies"))
# Contar filmes por ano e gênero
genre_counts <- movies_data %>%
group_by(release_year, PrimaryGenre) %>%
summarise(Count = n())
## `summarise()` has grouped output by 'release_year'. You can override using the
## `.groups` argument.
# Criar o gráfico de barras lado-a-lado com Plotly
plot_ly(data = genre_counts, x = ~release_year, y = ~Count, color = ~PrimaryGenre, type = 'bar', barmode = 'group') %>%
layout(title = 'Quantidade de Filmes por Gênero (2000-2010)',
xaxis = list(title = 'Ano de Lançamento'),
yaxis = list(title = 'Quantidade de Filmes'))
## Warning: 'bar' objects don't have these attributes: 'barmode'
## Valid attributes include:
## '_deprecated', 'alignmentgroup', 'base', 'basesrc', 'cliponaxis', 'constraintext', 'customdata', 'customdatasrc', 'dx', 'dy', 'error_x', 'error_y', 'hoverinfo', 'hoverinfosrc', 'hoverlabel', 'hovertemplate', 'hovertemplatesrc', 'hovertext', 'hovertextsrc', 'ids', 'idssrc', 'insidetextanchor', 'insidetextfont', 'legendgroup', 'legendgrouptitle', 'legendrank', 'marker', 'meta', 'metasrc', 'name', 'offset', 'offsetgroup', 'offsetsrc', 'opacity', 'orientation', 'outsidetextfont', 'selected', 'selectedpoints', 'showlegend', 'stream', 'text', 'textangle', 'textfont', 'textposition', 'textpositionsrc', 'textsrc', 'texttemplate', 'texttemplatesrc', 'transforms', 'type', 'uid', 'uirevision', 'unselected', 'visible', 'width', 'widthsrc', 'x', 'x0', 'xaxis', 'xcalendar', 'xhoverformat', 'xperiod', 'xperiod0', 'xperiodalignment', 'xsrc', 'y', 'y0', 'yaxis', 'ycalendar', 'yhoverformat', 'yperiod', 'yperiod0', 'yperiodalignment', 'ysrc', 'key', 'set', 'frame', 'transforms', '_isNestedKey', '_isSimpleKey', '_isGraticule', '_bbox'
## Warning: 'bar' objects don't have these attributes: 'barmode'
## Valid attributes include:
## '_deprecated', 'alignmentgroup', 'base', 'basesrc', 'cliponaxis', 'constraintext', 'customdata', 'customdatasrc', 'dx', 'dy', 'error_x', 'error_y', 'hoverinfo', 'hoverinfosrc', 'hoverlabel', 'hovertemplate', 'hovertemplatesrc', 'hovertext', 'hovertextsrc', 'ids', 'idssrc', 'insidetextanchor', 'insidetextfont', 'legendgroup', 'legendgrouptitle', 'legendrank', 'marker', 'meta', 'metasrc', 'name', 'offset', 'offsetgroup', 'offsetsrc', 'opacity', 'orientation', 'outsidetextfont', 'selected', 'selectedpoints', 'showlegend', 'stream', 'text', 'textangle', 'textfont', 'textposition', 'textpositionsrc', 'textsrc', 'texttemplate', 'texttemplatesrc', 'transforms', 'type', 'uid', 'uirevision', 'unselected', 'visible', 'width', 'widthsrc', 'x', 'x0', 'xaxis', 'xcalendar', 'xhoverformat', 'xperiod', 'xperiod0', 'xperiodalignment', 'xsrc', 'y', 'y0', 'yaxis', 'ycalendar', 'yhoverformat', 'yperiod', 'yperiod0', 'yperiodalignment', 'ysrc', 'key', 'set', 'frame', 'transforms', '_isNestedKey', '_isSimpleKey', '_isGraticule', '_bbox'
## Warning: 'bar' objects don't have these attributes: 'barmode'
## Valid attributes include:
## '_deprecated', 'alignmentgroup', 'base', 'basesrc', 'cliponaxis', 'constraintext', 'customdata', 'customdatasrc', 'dx', 'dy', 'error_x', 'error_y', 'hoverinfo', 'hoverinfosrc', 'hoverlabel', 'hovertemplate', 'hovertemplatesrc', 'hovertext', 'hovertextsrc', 'ids', 'idssrc', 'insidetextanchor', 'insidetextfont', 'legendgroup', 'legendgrouptitle', 'legendrank', 'marker', 'meta', 'metasrc', 'name', 'offset', 'offsetgroup', 'offsetsrc', 'opacity', 'orientation', 'outsidetextfont', 'selected', 'selectedpoints', 'showlegend', 'stream', 'text', 'textangle', 'textfont', 'textposition', 'textpositionsrc', 'textsrc', 'texttemplate', 'texttemplatesrc', 'transforms', 'type', 'uid', 'uirevision', 'unselected', 'visible', 'width', 'widthsrc', 'x', 'x0', 'xaxis', 'xcalendar', 'xhoverformat', 'xperiod', 'xperiod0', 'xperiodalignment', 'xsrc', 'y', 'y0', 'yaxis', 'ycalendar', 'yhoverformat', 'yperiod', 'yperiod0', 'yperiodalignment', 'ysrc', 'key', 'set', 'frame', 'transforms', '_isNestedKey', '_isSimpleKey', '_isGraticule', '_bbox'