#Carregar Pacotes

## 
## 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
## 
## 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

Código do Gráfico de Linhas

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)

plot(clock, MRT_1F, type = "l", col = "red", lwd = 2, ylim = range(c(MRT_1F, MRT_3F, MRT_5F, MRT_10F, MRT_15F, MRT_sem_F)), 
     main = "Gráfico de Linhas para MRT", xlab = "Clock", ylab = "Valores")

# Adicionar linhas para os outros conjuntos de dados
lines(clock, MRT_3F, col = "blue", lwd = 2)
lines(clock, MRT_5F, col = "green", lwd = 2)
lines(clock, MRT_10F, col = "purple", lwd = 2)
lines(clock, MRT_15F, col = "orange", lwd = 2)
lines(clock, MRT_sem_F, col = "brown", lwd = 2)

# Adicionar pontos de interseção
points(clock, MRT_1F, col = "red", pch = 16)
points(clock, MRT_3F, col = "blue", pch = 16)
points(clock, MRT_5F, col = "green", pch = 16)
points(clock, MRT_10F, col = "purple", pch = 16)
points(clock, MRT_15F, col = "orange", pch = 16)
points(clock, MRT_sem_F, col = "brown", pch = 16)

# Adicionar legenda
legend("topright", legend = c("MRT_1F", "MRT_3F", "MRT_5F", "MRT_10F", "MRT_15F", "MRT_sem_F"), 
       col = c("red", "blue", "green", "purple", "orange", "brown"), lwd = 2)

Código dos Gráficos de Barras

par(mfrow=c(3,2)) # Organizar em 3 linhas e 2 colunas

# Organizar os gráficos em layout
layout(matrix(1:6, ncol = 2))

# Criar gráficos de barras
par(mar = c(5, 4, 2, 2))  # Margens para acomodar os rótulos

barplot(MRT_1F, log = "y", col = c("#E6E6E6", "#666666"), main = "MRT_1F", xlab = "Clock", ylab = "Valores")
axis(1, at = 1:length(clock), labels = clock)

barplot(MRT_3F, log = "y", col = c("#E6E6E6", "#666666"), main = "MRT_3F", xlab = "Clock", ylab = "")
axis(1, at = 1:length(clock), labels = clock)

barplot(MRT_5F, log = "y", col = c("#E6E6E6", "#666666"), main = "MRT_5F", xlab = "Clock", ylab = "")
axis(1, at = 1:length(clock), labels = clock)

barplot(MRT_10F, log = "y", col = c("#E6E6E6", "#666666"), main = "MRT_10F", xlab = "Clock", ylab = "")
axis(1, at = 1:length(clock), labels = clock)

barplot(MRT_15F, log = "y", col = c("#E6E6E6", "#666666"), main = "MRT_15F", xlab = "Clock", ylab = "")
axis(1, at = 1:length(clock), labels = clock)

barplot(MRT_sem_F, log = "y", col = c("#E6E6E6", "#666666"), main = "MRT_sem_F", xlab = "Clock", ylab = "")
axis(1, at = 1:length(clock), labels = clock)

# Restaurar o layout padrão
#layout(1)

Código do Gráfico de Barras Empilhadas

#library(ggplot2)
dados <- data.frame(
  QualityRating = c("Good", "Very Good", "Excellent"),
  `$10-19` = c(53.8, 43.6, 2.6),
  `$20-29` = c(33.9, 54.2, 11.9),
  `$30-39` = c(2.6, 60.5, 36.8)
)

# Reorganizar os dados para o formato longo
dados_long <- tidyr::gather(dados, key = "Categoria", value = "Percentagem", -QualityRating)

# Criar um gráfico de barras empilhadas com ggplot2
grafico <- ggplot(dados_long, aes(x = QualityRating, y = Percentagem, fill = Categoria)) +
  geom_bar(stat = "identity", position = "stack") +
  scale_y_continuous(labels = scales::percent_format(scale = 1)) +
  labs(title = "Percentagem por Categoria de Preço",
       x = "Qualidade da Refeição",
       y = "Percentagem",
       fill = "Categoria de Preço") +
  theme_minimal()

# Exibir o gráfico
print(grafico)

Código do Histograma

# Carregar o conjunto de dados airquality
data(airquality)

# Filtrar as temperaturas do mês de maio
temperaturas_maio <- airquality$Temp[which(airquality$Month == 5)]

# Converter as temperaturas para graus Celsius
temperaturas_celsius <- (temperaturas_maio - 32) / 1.8

# Criar o histograma
histograma <- hist(temperaturas_celsius, 
                   main = "Histograma das Temperaturas de Maio (°C)",
                   xlab = "Temperatura (°C)",
                   ylab = "Frequência",
                   col = "#87CEEB",  # Cor do histograma
                   probability = TRUE)

# Adicionar curva de densidade
lines(density(temperaturas_celsius), col = "red", lwd = 2)

# Ajustar parâmetros gráficos para permitir desenhos fora da área do gráfico
par(xpd = TRUE, mar = c(4, 4, 4, 2) + 0.1)  # Ajuste as margens externas conforme necessário

# Adicionar legenda fora do gráfico (bottom)
legend("topleft", legend = c("Densidade"), col = c("red"), lwd = 2, horiz = TRUE, inset = c(0, -0.1),xjust = 0,cex = 0.5)

print(histograma)
## $breaks
## [1] 12 14 16 18 20 22 24 26 28
## 
## $counts
## [1] 4 4 6 8 2 4 1 2
## 
## $density
## [1] 0.06451613 0.06451613 0.09677419 0.12903226 0.03225806 0.06451613 0.01612903
## [8] 0.03225806
## 
## $mids
## [1] 13 15 17 19 21 23 25 27
## 
## $xname
## [1] "temperaturas_celsius"
## 
## $equidist
## [1] TRUE
## 
## attr(,"class")
## [1] "histogram"

Código do Gráfico de Pizza

#Dados
sales <- read.table("https://training-course-material.com/images/8/8f/Sales.txt",header=TRUE)

# Calcular os percentuais
sales$PERCENTAGE <- sales$SALES / sum(sales$SALES) * 100


# Crie um gráfico de pizza
#library(ggplot2)
grafico_pizza<-ggplot(sales, aes(x="", y=SALES, fill=COUNTRY)) +
  geom_bar(stat="identity", width=1) +
  coord_polar("y") +
  ggtitle("Vendas por país") +
  theme_void() +
  geom_text(aes(label = paste0(round(PERCENTAGE, 2), "%")), position = position_stack(vjust = 0.5))

print(grafico_pizza)

Código do Boxplot

# Baixar os dados InsectSprays
data("InsectSprays")

# Criar o boxplot sem outliers
grafico_boxplot <- ggplot(InsectSprays, aes(x = spray, y = count, fill = spray)) +
  geom_boxplot(outlier.shape = NA, fill = "yellow") +  
  ggtitle("Contagens de Insetos em Unidades Experimentais Agrícolas") +
  xlab("Tipo de Inseticida") +
  ylab("Contagem de Insetos") +
  scale_fill_manual(values = rep("yellow", 6))  

# Exibir o gráfico
print(grafico_boxplot)

Código do Gráfico de Linha do Tempo

monitoringCloudData_0_1

#library(dplyr)
#library(readr)
monitoringCloudData_NONE <- read_csv("~/UFRPE/Computação_para_AnaliseDeDados/ProjeoLista12/monitoringCloudData_NONE.csv")
## Rows: 4302 Columns: 16
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr  (11): totalMemory, availableMemory, usedMemory, totalSwap, freeSwap, us...
## dbl   (4): totalCpuUsage..., percentageMemory..., percentageSwap..., percent...
## dttm  (1): currentTime
## 
## 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.
monitoringCloudData_1 <- read_csv("~/UFRPE/Computação_para_AnaliseDeDados/ProjeoLista12/monitoringCloudData_1.csv")
## Rows: 4303 Columns: 16
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr  (11): totalMemory, availableMemory, usedMemory, totalSwap, freeSwap, us...
## dbl   (4): totalCpuUsage..., percentageMemory..., percentageSwap..., percent...
## dttm  (1): currentTime
## 
## 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.
monitoringCloudData_0_5 <- read_csv("~/UFRPE/Computação_para_AnaliseDeDados/ProjeoLista12/monitoringCloudData_0.5.csv")
## Rows: 4303 Columns: 16
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (12): currentTime, totalMemory, availableMemory, usedMemory, totalSwap, ...
## dbl  (4): totalCpuUsage..., percentageMemory..., percentageSwap..., percenta...
## 
## 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.
monitoringCloudData_0_1 <- read_csv("~/UFRPE/Computação_para_AnaliseDeDados/ProjeoLista12/monitoringCloudData_0.1.csv")
## Rows: 4275 Columns: 16
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr  (11): totalMemory, availableMemory, usedMemory, totalSwap, freeSwap, us...
## dbl   (4): totalCpuUsage..., percentageMemory..., percentageSwap..., percent...
## dttm  (1): currentTime
## 
## 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.
#---------------------------------------------------------------------------------------------------------------------
#monitoringCloudData_0_1 
# Converta as colunas para os formatos desejados
monitoringCloudData_0_1 <- monitoringCloudData_0_1 %>%
  mutate(
    currentTime = as.POSIXct(currentTime),
    usedMemory = as.numeric(gsub("[^0-9.]", "", usedMemory)) / 1024,  # Converta para megabytes
    hoursElapsed = as.numeric(difftime(currentTime, min(currentTime), units = "hours"))
  )

# Crie o gráfico de linha do tempo
CloudData_0_1 <- ggplot(monitoringCloudData_0_1, aes(x = hoursElapsed, y = usedMemory)) +
  geom_line() +
  labs(
    title = "Linha do Tempo de Coleta de Recursos em Relação à Memória Usada",
    x = "Tempo Decorrido (horas)",
    y = "Memória Usada (MB)"
  ) +
  theme_minimal()

print(CloudData_0_1)

#------------------------------------------------------------------------------------------------------------------
monitoringCloudData_0_5 <- monitoringCloudData_0_5 %>%
  mutate(
    currentTime = as.POSIXct(currentTime),
    usedMemory = as.numeric(gsub("[^0-9.]", "", usedMemory)) / 1024,  # Converta para megabytes
    hoursElapsed = as.numeric(difftime(currentTime, min(currentTime), units = "hours"))
  )

# Crie o gráfico de linha do tempo
CloudData_0_5 <- ggplot(monitoringCloudData_0_5, aes(x = hoursElapsed, y = usedMemory)) +
  geom_line() +
  labs(
    title = "Linha do Tempo de Coleta de Recursos em Relação à Memória Usada",
    x = "Tempo Decorrido (horas)",
    y = "Memória Usada (MB)"
  ) +
  theme_minimal()

print(CloudData_0_5)

#-----------------------------------------------------------------------------------------------------------------

#monitoringCloudData_1 
# Converta as colunas para os formatos desejados
monitoringCloudData_1 <- monitoringCloudData_1 %>%
  mutate(
    currentTime = as.POSIXct(currentTime),
    usedMemory = as.numeric(gsub("[^0-9.]", "", usedMemory)) / 1024,  # Converta para megabytes
    hoursElapsed = as.numeric(difftime(currentTime, min(currentTime), units = "hours"))
  )

# Crie o gráfico de linha do tempo
CloudData_1 <- ggplot(monitoringCloudData_1, aes(x = hoursElapsed, y = usedMemory)) +
  geom_line() +
  labs(
    title = "Linha do Tempo de Coleta de Recursos em Relação à Memória Usada",
    x = "Tempo Decorrido (horas)",
    y = "Memória Usada (MB)"
  ) +
  theme_minimal()

print(CloudData_1)

#---------------------------------------------------------------------------------------------------------

#monitoringCloudData_NONE
# Converta as colunas para os formatos desejados
monitoringCloudData_NONE <- monitoringCloudData_NONE %>%
  mutate(
    currentTime = as.POSIXct(currentTime),
    usedMemory = as.numeric(gsub("[^0-9.]", "", usedMemory)) / 1024,  # Converta para megabytes
    hoursElapsed = as.numeric(difftime(currentTime, min(currentTime), units = "hours"))
  )

# Crie o gráfico de linha do tempo
CloudData_NONE <- ggplot(monitoringCloudData_NONE, aes(x = hoursElapsed, y = usedMemory)) +
  geom_line() +
  labs(
    title = "Linha do Tempo de Coleta de Recursos em Relação à Memória Usada",
    x = "Tempo Decorrido (horas)",
    y = "Memória Usada (MB)"
  ) +
  theme_minimal()

print(CloudData_NONE)

#Top 10 Países com Mais Conteúdo na Netflix ## Gráfico de Pizza

#library(plotly)

netflix <- read_csv("~/UFRPE/Computação_para_AnaliseDeDados/ProjeoLista12/netflix_titles.csv")
## Rows: 7787 Columns: 12
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (11): show_id, type, title, director, cast, country, date_added, rating,...
## dbl  (1): release_year
## 
## 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.
# Filtrar os conteúdos com apenas UM país de origem
netflix_filtered <- netflix %>%
  filter(!is.na(country) & !grepl(",", country))

# Contagem de conteúdo por país
top_countries <- netflix_filtered %>%
  group_by(country) %>%
  summarize(count = n()) %>%
  arrange(desc(count)) %>%
  head(10)

# Criar o gráfico de pizza com o Plotly
plot_ly(
  labels = top_countries$country,
  values = top_countries$count,
  type = "pie",
  textinfo = "percent+label",
  insidetextfont = list(color = "#FFFFFF"),
  hole = 0.6
) %>%
  layout(
    title = "Top 10 Países com Mais Conteúdo na Netflix",
    showlegend = FALSE
  )

#Top 10 Países com Mais Conteúdo na Netflix (Tabela)

# Criar a tabela com o Plotly
table <- plot_ly(
  type = "table",
  header = list(
    values = c("País", "Total de Conteúdos"),
    align = "center",
    fill = list(color = "#3E444D"),
    font = list(color = "white", size = 14)
  ),
  cells = list(
    values = list(top_countries$country, top_countries$count),
    align = "center"
  )
)

# Exibir a tabela
datatable <- table %>%
  layout(
    title = "Top 10 Países com Mais Conteúdo na Netflix",
    font = list(color = "#3E444D"),
    margin = list(l = 0, r = 0, t = 30, b = 0)
  )

datatable

Quantidade de Conteúdo por Década no Netflix

# Código do Gráfico de Linhas com Pontos
# Filtrar os conteúdos com ano de lançamento conhecido
netflix_filtered <- netflix %>%
  filter(!is.na(release_year))

# Criar uma coluna para representar a década
netflix_filtered <- netflix_filtered %>%
  mutate(decade = 10 * (release_year %/% 10))

# Contagem de conteúdo por década e tipo (série ou filme)
content_by_decade <- netflix_filtered %>%
  group_by(decade, type) %>%
  summarize(count = n())
## `summarise()` has grouped output by 'decade'. You can override using the
## `.groups` argument.
# Filtrar apenas séries e filmes
content_series <- content_by_decade %>%
  filter(type == "TV Show")

content_movies <- content_by_decade %>%
  filter(type == "Movie")

# Criar o gráfico de linha com pontos
plot <- plot_ly() %>%
  add_trace(
    x = ~content_series$decade,
    y = ~content_series$count,
    type = "scatter",
    mode = "lines+markers",
    name = "Séries",
    line = list(color = "blue")
  ) %>%
  add_trace(
    x = ~content_movies$decade,
    y = ~content_movies$count,
    type = "scatter",
    mode = "lines+markers",
    name = "Filmes",
    line = list(color = "yellow")
  ) %>%
  layout(
    title = "Quantidade de Conteúdo por Década no Netflix",
    xaxis = list(title = "Década"),
    yaxis = list(title = "Quantidade de Conteúdo"),
    showlegend = TRUE
  )

# Exibir o gráfico
plot

#Quantidade de Filmes por Gênero

Código do Gráfico de Barras Lado a Lado

# Filtrar filmes lançados entre 2000 e 2010
movies_filtered <- netflix %>%
  filter(type == "Movie" & between(release_year, 2000, 2010))

# Extrair o primeiro gênero da lista
movies_filtered <- movies_filtered %>%
  mutate(primary_genre = sub("\\s*([^,]+).*", "\\1", listed_in))

# Filtrar apenas os gêneros desejados
genres <- c("Dramas", "Action & Adventure", "Comedies")
movies_filtered <- movies_filtered %>%
  filter(primary_genre %in% genres)

# Contagem de filmes por ano e gênero
movies_count <- movies_filtered %>%
  group_by(release_year, primary_genre) %>%
  summarize(count = n())
## `summarise()` has grouped output by 'release_year'. You can override using the
## `.groups` argument.
# Criar o gráfico de barras lado a lado
plot <- plot_ly(
  data = movies_count,
  x = ~release_year,
  y = ~count,
  type = "bar",
  color = ~primary_genre,
  colors = c("Dramas" = "blue", "Action & Adventure" = "green", "Comedies" = "orange"),
  marker = list(line = list(color = "white", width = 0.5)),
  text = ~paste("Gênero: ", primary_genre, "<br>Filmes: ", count),
  hoverinfo = "text"
) %>%
  layout(
    title = "Quantidade de Filmes por Gênero (2000-2010)",
    xaxis = list(title = "Ano"),
    yaxis = list(title = "Quantidade de Filmes"),
    barmode = "group"
  )

# Exibir o gráfico
plot

```R # Renderizar o relatório rmarkdown::render(“Atividade12_R.Rmd”)