1 Introdução

Neste documento, apresentamos uma introdução à biblioteca ggplot2, uma poderosa ferramenta de visualização de dados em R. Utilizando o conjunto de dados mtcars, exploramos várias técnicas de criação de gráficos para analisar diferentes aspectos dos modelos de carros, incluindo a relação entre potência e consumo de combustível, a distribuição de cilindros e o desempenho em diferentes condições.

Os gráficos gerados aqui demonstram apenas uma pequena amostra das capacidades do ggplot2. Essa biblioteca oferece uma gama impressionante de opções de personalização e flexibilidade na criação de gráficos de alta qualidade para uma ampla variedade de cenários de análise de dados.

É importante destacar que a biblioteca ggplot2 é muito mais extensa do que o que foi apresentado neste documento. Ela permite a criação de gráficos complexos, mapas, visualizações interativas e muito mais. Com a prática e o estudo adicional, você pode dominar essa ferramenta poderosa e utilizá-la para comunicar efetivamente seus insights a partir de dados.

À medida que você explora e aprofunda seu conhecimento sobre ggplot2, você descobrirá inúmeras maneiras de criar gráficos que atendam às suas necessidades específicas. Este é apenas o começo de uma jornada emocionante na visualização de dados com ggplot2.

Lembre-se de que a prática é fundamental para se tornar um especialista em visualização de dados, e o ggplot2 é uma ferramenta valiosa que pode ajudá-lo a contar histórias cativantes a partir de seus dados.

Começamos importando a biblioteca ggplot2 

#Caso não tenha a instalado a biblioteca gglot2, é necessário instalar.
#Remova o # do comando abaixo apenas para a primeira vez.
#install.packages("ggplot2")
#install.packages("Hmisc")
library(ggplot2)
library(ggcorrplot)

2 Análise Descritiva do Conjunto de Dados mtcars

Neste relatório, faremos análises descritivas de diferentes modelos de carros no conjunto de dados mtcars usando a biblioteca ggplot2. Vamos explorar várias características, como consumo de combustível, potência, cilindros, etc., usando gráficos de dispersão, gráficos de barras e outros tipos de gráficos.

# Define um tema ousado para os gráficos (theme_dark) com a fonte Times New Roman
theme_set(theme_classic())

2.1 1. Consumo de Combustível vs. Potência (Gráfico de Dispersão)

Neste gráfico de dispersão, podemos observar a relação entre a potência (em cavalos de potência - hp) e o consumo de combustível (em milhas por galão - mpg) dos carros no conjunto de dados mtcars. Cada ponto representa um carro, e a tendência geral mostra como a potência afeta o consumo de combustível. À medida que a potência aumenta, o consumo de combustível tende a diminuir.

2.2 2. Distribuição de Número de Cilindros (Gráfico de Barras)

Neste gráfico de barras, podemos visualizar a distribuição do número de cilindros nos carros. Os diferentes grupos de barras representam o número de cilindros (4, 6 ou 8) e a altura das barras indica o número de carros em cada categoria. Podemos ver que a maioria dos carros no conjunto de dados tem 4 cilindros.

2.3 3. Relação entre Peso e Consumo de Combustível (Gráfico de Dispersão)

Neste gráfico de dispersão, podemos verificar como o peso do carro (em mil libras - wt) afeta o consumo de combustível (mpg). Cada ponto representa um carro, e a tendência geral mostra como o peso do carro está relacionado com o consumo de combustível. Observamos que carros mais leves tendem a ter um melhor consumo de combustível.

2.4 4. Desempenho por Número de Marchas (Gráfico de Caixa)

Neste gráfico de caixa, analisamos o desempenho dos carros em termos do tempo que levam para percorrer um quarto de milha (qsec) de acordo com o número de marchas (gear) que possuem. As caixas representam a distribuição dos tempos, permitindo-nos comparar o desempenho entre diferentes números de marchas.

2.5 5. Relação entre Potência e Aceleração (Gráfico de Linhas)

Neste gráfico de linhas, investigamos a relação entre a potência (hp) e a aceleração (acceleration) dos carros. O gráfico de linhas nos permite ver como a aceleração varia à medida que a potência do carro aumenta. Pode-se notar uma tendência geral de que carros mais potentes tendem a ter uma aceleração mais rápida.

2.6 Matriz de correlação

Encontrar as correlações. 

corr <- round(cor(mtcars), 1)
head(corr[, 1:6])
##       mpg  cyl disp   hp drat   wt
## mpg   1.0 -0.9 -0.8 -0.8  0.7 -0.9
## cyl  -0.9  1.0  0.9  0.8 -0.7  0.8
## disp -0.8  0.9  1.0  0.8 -0.7  0.9
## hp   -0.8  0.8  0.8  1.0 -0.4  0.7
## drat  0.7 -0.7 -0.7 -0.4  1.0 -0.7
## wt   -0.9  0.8  0.9  0.7 -0.7  1.0

Os p valores. 

p.mat <- cor_pmat(mtcars)
head(p.mat[, 1:4])
##               mpg          cyl         disp           hp
## mpg  0.000000e+00 6.112687e-10 9.380327e-10 1.787835e-07
## cyl  6.112687e-10 0.000000e+00 1.802838e-12 3.477861e-09
## disp 9.380327e-10 1.802838e-12 0.000000e+00 7.142679e-08
## hp   1.787835e-07 3.477861e-09 7.142679e-08 0.000000e+00
## drat 1.776240e-05 8.244636e-06 5.282022e-06 9.988772e-03
## wt   1.293959e-10 1.217567e-07 1.222320e-11 4.145827e-05

Apresenta um gráfico com cores apenas para as correlações estatísticamente significantes. 

ggcorrplot(corr, p.mat = p.mat, hc.order = TRUE,
    type = "lower", insig = "blank")

Neste código, criamos um gráfico de mapa de correlação personalizado usando ggplot2. Utilizamos a função cor.mtest para calcular os p-valores correspondentes à matriz de correlação. Em seguida, usamos geom_tile para criar os blocos de cores que representam as correlações e geom_text para adicionar os valores de p-valor nos blocos de cores. Você pode personalizar o gráfico conforme necessário, ajustando as cores, os rótulos e outros aspectos de acordo com suas preferências. Certifique-se de substituir mtcars pela sua própria matriz de correlação, se necessário.

3 Conclusão

Neste documento, exploramos algumas análises descritivas do conjunto de dados mtcars utilizando a biblioteca ggplot2 em R. Utilizamos gráficos para descrever diferentes aspectos dos modelos de carros, incluindo a relação entre potência e consumo de combustível, a distribuição de cilindros, o desempenho em diferentes condições e muito mais.

O ggplot2 provou ser uma ferramenta valiosa para a visualização de dados, permitindo-nos criar gráficos personalizados e informativos. Através dos exemplos apresentados, você pôde observar como a escolha adequada de gráficos pode ajudar na análise de dados e na comunicação de resultados de forma eficaz.

É importante lembrar que o ggplot2 é uma biblioteca extensa e versátil, com muitas funcionalidades adicionais e opções de personalização disponíveis. Este documento serviu como uma introdução à biblioteca, mas há muito mais a explorar e aprender. À medida que você ganha mais experiência, poderá criar visualizações de dados mais complexas e envolventes para contar histórias a partir de seus dados.

Em resumo, a visualização de dados desempenha um papel fundamental na análise e na tomada de decisões informadas. O ggplot2 é uma ferramenta poderosa que pode ajudar você a criar gráficos de alta qualidade e aprofundar sua compreensão dos seus dados. Continue explorando e praticando, e você estará preparado para enfrentar desafios de visualização de dados mais complexos no futuro.

4 Referência

Aqui estão as fontes de dados e referências utilizadas neste documento:

  1. Conjunto de dados mtcars - Disponível no ambiente R.
  2. Documentação da biblioteca ggplot2 - Link para a documentação.
  3. Exemplos de matriz de correlação - Visualização de uma Matriz de Correlação usando ggplot2 (sthda.com)