#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
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)
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)
#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),
`$30-39` = c(2.6, 60.5, 36.8)
)
# Reorganizar os dados para o formato longo
dados_long <- tidyr::gather(dados, key = "Categoria", value = "Percentagem", -QualityRating)
# Criar um gráfico de barras empilhadas com ggplot2
grafico <- ggplot(dados_long, aes(x = QualityRating, y = Percentagem, fill = Categoria)) +
geom_bar(stat = "identity", position = "stack") +
scale_y_continuous(labels = scales::percent_format(scale = 1)) +
labs(title = "Percentagem por Categoria de Preço",
x = "Qualidade da Refeição",
y = "Percentagem",
fill = "Categoria de Preço") +
theme_minimal()
# Exibir o gráfico
print(grafico)
# Carregar o conjunto de dados airquality
data(airquality)
# Filtrar as temperaturas do mês de maio
temperaturas_maio <- airquality$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"
##
## $equidist
## [1] TRUE
##
## attr(,"class")
## [1] "histogram"
#Dados
sales <- read.table("https://training-course-material.com/images/8/8f/Sales.txt",header=TRUE)
# Calcular os percentuais
sales$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)
# 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)
#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
# 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
# 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”)