Questão 1
# Dados fornecidos
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)
# Configurando layout
layout(matrix(c(1), nrow = 3, byrow = TRUE), heights = c(2, 1, 1))
# Gráfico 1: Junção de todas as séries (tela cheia)
plot(clock, MRT_1F, type = "o", col = "black", xlab = "Time between Things requests (seconds)", ylab = "Response Time (sec.)", main = "Response Time vs. Time", pch = 4)
lines(clock, MRT_3F, type = "o", col = "yellow", pch = 8)
lines(clock, MRT_5F, type = "o", col = "red", pch = 1)
lines(clock, MRT_10F, type = "o", col = "blue", pch = 2)
lines(clock, MRT_15F, type = "o", col = "purple", pch = 5)
lines(clock, MRT_sem_F, type = "o", col = "green", pch = 16)
legend("topright", legend = c("1 Fog", "3 Fogs", "5 Fogs", "10 Fogs", "15 Fogs", "w/o Fog"), col = c("black", "yellow", "red", "blue", "purple", "green"), lty = 1, pch = c(4, 8, 1, 2, 5, 16))
# Ajustando o layout para uma matriz 3x2
par(mfrow = c(3, 2), mar = c(5, 6, 4, 2) + 0.1)
# Gráfico 1: MRT_1F
barplot(rbind(MRT_sem_F, MRT_1F), beside = TRUE, names.arg = clock, col = c("#E6E6E6", "#666666"), border = "black",
xlab = "Time between Things requests",
ylab = "Response time (s)",
main = "w/o Fog vs 1 Fog", ylim = c(0.1, 550), log = "y")
legend("topright", legend = c("w/o Fog", "1 Fog"), fill = c("#E6E6E6", "#666666"), cex = 0.7) # Diminuindo o tamanho da legenda
# Gráfico 2: MRT_3F
barplot(rbind(MRT_sem_F, MRT_3F), beside = TRUE, names.arg = clock, col = c("#E6E6E6", "#666666"), border = "black",
xlab = "Time between Things requests",
ylab = "Response time (s)",
main = "w/o Fog vs 3 Fogs", ylim = c(0.1, 200), log = "y")
legend("topright", legend = c("w/o Fog", "3 Fogs"), fill = c("#E6E6E6", "#666666"), cex = 0.7)
# Gráfico 3: MRT_5F
barplot(rbind(MRT_sem_F, MRT_5F), beside = TRUE, names.arg = clock, col = c("#E6E6E6", "#666666"), border = "black",
xlab = "Time between Things requests",
ylab = "Response time (s)",
main = "w/o Fog vs 5 Fogs", ylim = c(0.1, 100), log = "y")
legend("topright", legend = c("w/o Fog", "5 Fogs"), fill = c("#E6E6E6", "#666666"), cex = 0.7)
# Gráfico 4: MRT_10F
barplot(rbind(MRT_sem_F, MRT_10F), beside = TRUE, names.arg = clock, col = c("#E6E6E6", "#666666"), border = "black",
xlab = "Time between Things requests",
ylab = "Response time (s)",
main = "w/o Fog vs 10 Fogs", ylim = c(0.1, 50), log = "y")
legend("topright", legend = c("w/o Fog", "10 Fogs"), fill = c("#E6E6E6", "#666666"), cex = 0.7)
# Gráfico 5: MRT_15F
barplot(rbind(MRT_sem_F, MRT_15F), beside = TRUE, names.arg = clock, col = c("#E6E6E6", "#666666"), border = "black",
xlab = "Time between Things requests",
ylab = "Response time (s)",
main = "w/o Fog vs 15 Fogs", ylim = c(0.1, 20), log = "y")
legend("topright", legend = c("w/o Fog", "15 Fogs"), fill = c("#E6E6E6", "#666666"), cex = 0.7)
# Espaço vazio se necessário
plot.new()
Questão 2
# Criando a matriz com os dados da tabela
qualidade_refeicao <- matrix(c(53.8, 33.9, 2.6, 0.0, 43.6, 54.2, 60.5, 21.4, 2.6, 11.9, 36.8, 78.6),
nrow = 3, byrow = TRUE)
# Definindo os nomes das linhas e colunas
rownames(qualidade_refeicao) <- c("Good", "Very Good", "Excellent")
colnames(qualidade_refeicao) <- c("$10–19", "$20–29", "$30–39", "$40–49")
# Ajustando as margens e o tamanho do gráfico
par(mar = c(5, 5, 4, 7), xpd = TRUE)
# Criando o gráfico de barras empilhadas sem a legenda dentro do gráfico
barplot(qualidade_refeicao, beside = FALSE, col = c("#E6E6E6", "#666666", "#FF9999"),
xlab = "Meal Price", ylab = "Percentage", main = "Quality Rating by Meal Price",
cex.names = 0.8, cex.axis = 0.8, cex.lab = 0.8)
# Adicionando a legenda fora da área do gráfico
legend("topright", inset = c(-0.2, 0), legend = rownames(qualidade_refeicao),
fill = c("#E6E6E6", "#666666", "#FF9999"), cex = 0.8)
Questão 3
# Carregando o dataset airquality
data("airquality")
# Filtrando os dados de temperatura do mês de maio
temp_may <- airquality$Temp[airquality$Month == 5]
# Convertendo as temperaturas de Fahrenheit para Celsius
temp_may_celsius <- (temp_may - 32) / 1.8
# Criando o histograma
hist(temp_may_celsius,
breaks = 10,
col = "#FFA07A",
main = "Histogram of Temperatures in May (Celsius)",
xlab = "Temperature (°C)",
ylab = "Frequency",
border = "black",
freq = FALSE)
# Adicionando a curva de densidade
lines(density(temp_may_celsius), col = "blue", lwd = 2)
Questão 4
# Carregando o dataset sales
sales <- read.table("https://training-course-material.com/images/8/8f/Sales.txt", header = TRUE)
# Convertendo a coluna de vendas para numérica (se necessário)
sales$SALES <- as.numeric(sales$SALES)
# Agrupando as vendas por país
sales_sum <- aggregate(SALES ~ COUNTRY, data = sales, sum)
# Calculando a porcentagem das vendas por país
sales_percentage <- round(100 * sales_sum$SALES / sum(sales_sum$SALES), 1)
# Criando as labels para o gráfico com porcentagem
labels <- paste(sales_sum$COUNTRY, "-", sales_percentage, "%", sep = "")
# Criando o gráfico de pizza
pie(sales_percentage, labels = labels, col = rainbow(length(sales_percentage)),
main = "Percentage of Total Sales by Country")
# Adicionando a legenda
legend("topright", legend = sales_sum$COUNTRY, fill = rainbow(length(sales_sum$COUNTRY)), cex = 0.8)
Questão 5
# Carregando o dataset InsectSprays
data("InsectSprays")
# Criando o boxplot sem outliers
boxplot(count ~ spray, data = InsectSprays,
col = "yellow",
main = "Insect Count by Spray Type",
xlab = "Spray Type",
ylab = "Insect Count",
outline = FALSE) # Remover outliers
Questão 6
# Definindo o caminho dos arquivos
file_path <- "C:/Users/Niciu/Downloads/monitoringCloudData/"
# Carregando os dados dos arquivos CSV
data_0.1 <- read.csv(paste0(file_path, "monitoringCloudData_0.1.csv"))
data_0.5 <- read.csv(paste0(file_path, "monitoringCloudData_0.5.csv"))
data_1 <- read.csv(paste0(file_path, "monitoringCloudData_1.csv"))
data_NONE <- read.csv(paste0(file_path, "monitoringCloudData_NONE.csv"))
# Função ajustada para remover sufixos e converter para MB
convert_to_mb <- function(memory_col) {
memory_col <- trimws(memory_col)
# Converter terabytes para megabytes
memory_col <- ifelse(grepl("TB", memory_col),
as.numeric(gsub("[^0-9.]", "", memory_col)) * 1000000,
# Converter gigabytes para megabytes
ifelse(grepl("GB", memory_col),
as.numeric(gsub("[^0-9.]", "", memory_col)) * 1024,
# Manter megabytes como estão
as.numeric(gsub("[^0-9.]", "", memory_col))))
return(memory_col)
}
# Aplicando a função de conversão
data_0.1$usedMemory_MB <- convert_to_mb(data_0.1$usedMemory)
data_0.5$usedMemory_MB <- convert_to_mb(data_0.5$usedMemory)
data_1$usedMemory_MB <- convert_to_mb(data_1$usedMemory)
data_NONE$usedMemory_MB <- convert_to_mb(data_NONE$usedMemory)
# Ajustando a coluna currentTime para tempo contínuo
data_0.1$currentTime <- as.POSIXct(data_0.1$currentTime, format = "%Y-%m-%d %H:%M:%S", tz = "UTC")
data_0.5$currentTime <- as.POSIXct(data_0.5$currentTime, format = "%Y-%m-%d %H:%M:%S", tz = "UTC")
data_1$currentTime <- as.POSIXct(data_1$currentTime, format = "%Y-%m-%d %H:%M:%S", tz = "UTC")
data_NONE$currentTime <- as.POSIXct(data_NONE$currentTime, format = "%Y-%m-%d %H:%M:%S", tz = "UTC")
# Identificando registros com NA em currentTime para data_0.5
na_current_time_0_5 <- data_0.5[is.na(data_0.5$currentTime), ]
# Removendo registros com NA em currentTime para data_0.5
data_0.5 <- data_0.5[!is.na(data_0.5$currentTime), ]
# Calculando a diferença de tempo em horas desde o início
data_0.1$Time_Hours <- as.numeric(difftime(data_0.1$currentTime, min(data_0.1$currentTime), units = "hours"))
data_0.5$Time_Hours <- as.numeric(difftime(data_0.5$currentTime, min(data_0.5$currentTime), units = "hours"))
data_1$Time_Hours <- as.numeric(difftime(data_1$currentTime, min(data_1$currentTime), units = "hours"))
data_NONE$Time_Hours <- as.numeric(difftime(data_NONE$currentTime, min(data_NONE$currentTime), units = "hours"))
# Removendo linhas com valores NA ou não finitos em Time_Hours e usedMemory_MB
data_0.1 <- data_0.1[is.finite(data_0.1$Time_Hours) & is.finite(data_0.1$usedMemory_MB), ]
data_0.5 <- data_0.5[is.finite(data_0.5$Time_Hours) & is.finite(data_0.5$usedMemory_MB), ]
data_1 <- data_1[is.finite(data_1$Time_Hours) & is.finite(data_1$usedMemory_MB), ]
data_NONE <- data_NONE[is.finite(data_NONE$Time_Hours) & is.finite(data_NONE$usedMemory_MB), ]
# Configurando o layout para exibir 4 gráficos em 2x2
par(mfrow = c(2, 2), mar = c(5, 5, 4, 2) + 0.1)
# Gráfico 1: monitoringCloudData_NONE.csv
plot(data_NONE$Time_Hours, data_NONE$usedMemory_MB, type = "l", col = "black",
main = "Memory Analysis (None Workload)", xlab = "Time (hour)", ylab = "Used Memory (MB)",
ylim = c(min(data_NONE$usedMemory_MB), max(data_NONE$usedMemory_MB)))
# Gráfico 2: monitoringCloudData_0.1.csv
plot(data_0.1$Time_Hours, data_0.1$usedMemory_MB, type = "l", col = "black",
main = "Memory Analysis (Workload of 0.1)", xlab = "Time (hour)", ylab = "Used Memory (MB)",
ylim = c(min(data_0.1$usedMemory_MB), max(data_0.1$usedMemory_MB)))
# Gráfico 3: monitoringCloudData_0.5.csv
plot(data_0.5$Time_Hours, data_0.5$usedMemory_MB, type = "l", col = "black",
main = "Memory Analysis (Workload of 0.5)", xlab = "Time (hour)", ylab = "Used Memory (MB)",
ylim = c(min(data_0.5$usedMemory_MB), max(data_0.5$usedMemory_MB)))
# Gráfico 4: monitoringCloudData_1.csv
plot(data_1$Time_Hours, data_1$usedMemory_MB, type = "l", col = "black",
main = "Memory Analysis (Workload of 1.0)", xlab = "Time (hour)", ylab = "Used Memory (MB)",
ylim = c(min(data_1$usedMemory_MB), max(data_1$usedMemory_MB)))
Questão 7
#carregar as bibliotecas necessárias
library(plotly)
## Carregando pacotes exigidos: ggplot2
##
## Anexando pacote: 'plotly'
## O seguinte objeto é mascarado por 'package:ggplot2':
##
## last_plot
## O seguinte objeto é mascarado por 'package:stats':
##
## filter
## O seguinte objeto é mascarado por 'package:graphics':
##
## layout
library(dplyr)
##
## Anexando pacote: 'dplyr'
## Os seguintes objetos são mascarados por 'package:stats':
##
## filter, lag
## Os seguintes objetos são mascarados por 'package:base':
##
## intersect, setdiff, setequal, union
# Definindo o caminho do arquivo e carregando os dados
file_path <- "C:/Users/Niciu/Downloads/netflix_titles.csv"
netflix_data <- read.csv(file_path)
# Filtrar os conteúdos com apenas UM país de origem
single_country_data <- netflix_data %>%
filter(!grepl(",", country))
# Remover entradas com país vazio
single_country_data <- single_country_data %>%
filter(country != "")
# Contar o número de conteúdos por país
country_counts <- single_country_data %>%
group_by(country) %>%
summarise(count = n()) %>%
arrange(desc(count))
# Selecionar os 10 países com mais conteúdos
top_countries <- head(country_counts, 10)
# Criar o gráfico de pizza
plot_ly(top_countries, labels = ~country, values = ~count, type = 'pie',
textinfo = 'label+percent',
title = 'Top 10 Países com Mais Conteúdos na Netflix (2019)')
Questão 8
#carregar as bibliotecas necessárias
library(plotly)
library(dplyr)
# Definindo o caminho do arquivo e carregando os dados
file_path <- "C:/Users/Niciu/Downloads/netflix_titles.csv"
netflix_data <- read.csv(file_path)
# Filtrar os conteúdos com apenas UM país de origem
single_country_data <- netflix_data %>%
filter(!grepl(",", country))
# Remover entradas com país vazio
single_country_data <- single_country_data %>%
filter(country != "")
# Contar o número de conteúdos por país
country_counts <- single_country_data %>%
group_by(country) %>%
summarise(count = n()) %>%
arrange(desc(count))
# Selecionar os 10 países com mais conteúdos
top_countries <- head(country_counts, 10)
# Criar a tabela formatada com Plotly
plot_ly(
type = 'table',
header = list(
values = c('País', 'Total de Conteúdos'),
align = 'center',
font = list(size = 14, color = 'white'),
fill = list(color = 'gray')
),
cells = list(
values = list(top_countries$country, top_countries$count),
align = 'center',
font = list(size = 12)
)
)
Questão 9
# carregar as bibliotecas necessárias)
library(plotly)
library(dplyr)
# Definindo o caminho do arquivo e carregando os dados
file_path <- "C:/Users/Niciu/Downloads/netflix_titles.csv"
netflix_data <- read.csv(file_path)
# Adicionar uma coluna de década
netflix_data <- netflix_data %>%
mutate(decade = floor(release_year / 10) * 10)
# Filtrar dados para filmes e séries
content_data <- netflix_data %>%
group_by(decade, type) %>%
summarise(content_count = n(), .groups = 'drop') %>%
arrange(decade)
# Ajustar os nomes dos tipos de conteúdo
content_data$type <- recode(content_data$type, "TV Show" = "TV Series", "Movie" = "Movie")
# Criar o gráfico de linha com pontos
fig <- plot_ly(content_data, x = ~decade, y = ~content_count, color = ~type,
type = 'scatter', mode = 'lines+markers',
line = list(width = 2),
marker = list(size = 8),
colors = c('TV Series' = 'blue', 'Movie' = 'orange'))
# Adicionar título e rótulos dos eixos
fig <- fig %>%
layout(title = 'Quantidade de Conteúdo por Década na Netflix',
xaxis = list(title = 'Década'),
yaxis = list(title = 'Quantidade de Conteúdo'))
# Exibir o gráfico
fig
Questão 10
# Instalar e carregar as bibliotecas necessárias
library(plotly)
library(dplyr)
# Definir o caminho do arquivo e carregar os dados
file_path <- "C:/Users/Niciu/Downloads/netflix_titles.csv"
netflix_data <- read.csv(file_path)
# Filtrar dados para filmes lançados entre 2000 e 2010
filtered_data <- netflix_data %>%
filter(release_year >= 2000 & release_year <= 2010) %>%
filter(type == "Movie")
# Selecionar o primeiro gênero listado
filtered_data <- filtered_data %>%
mutate(first_genre = trimws(sub(",.*", "", listed_in)))
# Traduzir os gêneros para o português
filtered_data <- filtered_data %>%
mutate(first_genre = case_when(
first_genre == "Dramas" ~ "Dramas",
first_genre == "Action & Adventure" ~ "Ação e Aventura",
first_genre == "Comedies" ~ "Comédias",
TRUE ~ first_genre
))
# Filtrar os gêneros desejados
genres_of_interest <- c("Dramas", "Ação e Aventura", "Comédias")
filtered_data <- filtered_data %>%
filter(first_genre %in% genres_of_interest)
# Contar a quantidade de filmes por ano e gênero
genre_counts <- filtered_data %>%
group_by(release_year, first_genre) %>%
summarise(count = n(), .groups = 'drop')
# Criar o gráfico de barras lado-a-lado
fig <- plot_ly()
for (genre in genres_of_interest) {
genre_data <- genre_counts %>% filter(first_genre == genre)
fig <- fig %>% add_trace(
x = genre_data$release_year,
y = genre_data$count,
type = 'bar',
name = genre
)
}
# Adicionar título e rótulos dos eixos
fig <- fig %>%
layout(title = 'Quantidade de Filmes por Gênero (2000-2010)',
xaxis = list(title = 'Ano'),
yaxis = list(title = 'Quantidade de Filmes'),
barmode = 'group', # Ajuste para exibir barras lado a lado
legend = list(title = list(text = 'Gênero')))
# Exibir o gráfico
fig