Visualização de Dados
Questão 01
### 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)
### Gráfico 01
plot(clock,
MRT_1F,
type = "o",
pch = 4,
col = "black",
xlab = "Time between Things request (seconds)",
ylab = "Response Time (sec.)")
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="pink")
lines(clock, MRT_sem_F, type="o", pch=4, col="green")
legend("topright",
pch = c(4,11,1,2,5,4),
col = c("black","yellow","red","blue","pink","green"),
legend = c("1 Fog","3 Fogs","5 Fogs","10 Fogs","15 Fogs","w/o Fogs"),
lty = 1)
### Gráfico 02 - 06
g2 <- rbind(MRT_sem_F, MRT_1F)
g3 <- rbind(MRT_sem_F, MRT_3F)
g4 <- rbind(MRT_sem_F, MRT_5F)
g5 <- rbind(MRT_sem_F, MRT_10F)
g6 <- rbind(MRT_sem_F, MRT_15F)
#par(mfrow = c(3,2))
Questão 02
#par(mfrow = c(1,1))
quality <- c("Good","Very Good","Excelent")
mealPrice <- c("$10-19","$20-29","$30-39","$40-49")
l1 <- c(53.8,33.9,2.6,0)
l2 <- c(43.6,54.2,60.5,21.4)
l3 <- c(2.6,11.9,36.8,78.6)
dados <- rbind(l1,l2,l3)
Questão 03
library (dplyr)
dados <- airquality %>% filter(Month == 5)
dados$Temp <- (dados$Temp - 32) /1.8
Questão 04
sales <- read.table("https://training-course-material.com/images/8/8f/Sales.txt",header=TRUE)
qtd <- nrow(sales)
pct <- round(sales$SALES / sum(sales$SALES) * 100,2)
lbls <- paste(pct, "%", sep="")
Questão 05
dados <- InsectSprays
boxplot(dados$count ~ dados$spray,
xlab = "Tipos de Inseticidas",
ylab = "Quantidade",
col = "yellow",
outline = F,
main = "Quantidade de Insetos por Tipo de Inseticida")
Questão 06
#install.packages("anytime")
library(anytime)
library(tidyr)
library(dplyr)
f1 <- read.csv2(file="C:/Users/Acer/Downloads/monitoringCloudData/monitoringCloudData_NONE.csv", sep=",")
f2 <- read.csv2(file="C:/Users/Acer/Downloads/monitoringCloudData/monitoringCloudData_0.1.csv", sep=",")
f3 <- read.csv2(file="C:/Users/Acer/Downloads/monitoringCloudData/monitoringCloudData_0.5.csv", sep=",")
f4 <- read.csv2(file="C:/Users/Acer/Downloads/monitoringCloudData/monitoringCloudData_1.csv", sep=",")
# Convertendo tudo de usedMemory para MB
f1 <- f1 %>% separate(col="usedMemory", into=c("usedMemory","umUnit"), sep=-2)
f2 <- f2 %>% separate(col="usedMemory", into=c("usedMemory","umUnit"), sep=-2)
f3 <- f3 %>% separate(col="usedMemory", into=c("usedMemory","umUnit"), sep=-2)
f4 <- f4 %>% separate(col="usedMemory", into=c("usedMemory","umUnit"), sep=-2)
f1$usedMemory <- as.double(f1$usedMemory)
f2$usedMemory <- as.double(f2$usedMemory)
f3$usedMemory <- as.double(f3$usedMemory)
f4$usedMemory <- as.double(f4$usedMemory)
f1$usedMemory[f1$umUnit=="GB"] <- f1$usedMemory[f1$umUnit=="GB"]*1024
f2$usedMemory[f2$umUnit=="GB"] <- f2$usedMemory[f2$umUnit=="GB"]*1024
f3$usedMemory[f3$umUnit=="GB"] <- f3$usedMemory[f3$umUnit=="GB"]*1024
f4$usedMemory[f4$umUnit=="GB"] <- f4$usedMemory[f4$umUnit=="GB"]*1024
# Convertendo as datas de currentTime para tempo continuo
f1$ct<-anytime(f1$currentTime)
f2$ct<-anytime(f2$currentTime)
f3$ct<-anytime(f3$currentTime)
f4$ct<-anytime(f4$currentTime)
f1$ct2 <- difftime(f1$ct, min(f1$ct), units = "hours")
f2$ct2 <- difftime(f2$ct, min(f2$ct), units = "hours")
f3$ct2 <- difftime(f3$ct, min(f3$ct), units = "hours")
f4$ct2 <- difftime(f4$ct, min(f4$ct), units = "hours")
layout(matrix(c(1,2,3,4), 2, 2, byrow = TRUE))
plot(f1$ct2,f1$usedMemory ,type="l",main="Memory Analysis (None Workload)",xlab="Time (hour)",ylab="Used Memory (MB)",font.main=2)
plot(f2$ct2,f2$usedMemory ,type="l",main="Memory Analysis (Workload of 0.1)",xlab="Time (hour)",ylab="Used Memory (MB)",font.main=2)
plot(f3$ct2,f3$usedMemory ,type="l",main="Memory Analysis (Workload of 0.5)",xlab="Time (hour)",ylab="Used Memory (MB)",font.main=2)
plot(f4$ct2,f4$usedMemory ,type="l",main="Memory Analysis (Workload of 1.0)",xlab="Time (hour)",ylab="Used Memory (MB)",font.main=2)
Questão 07
library(plotly)
netflix_data <- read.csv2(file="C:/Users/Acer/Downloads/netflix_titles.csv", sep=",")
netflix_data <- netflix_data[!is.na(netflix_data$country) & netflix_data$country != "", ]
# Filtrando os conteúdos com apenas UM país de origem
single_country <- netflix_data %>%
filter(!is.na(country)) %>%
filter(!grepl(",", country))
# Contando os conteúdos por país
country_count <- single_country %>%
count(country) %>%
arrange(desc(n)) %>%
head(10)
# Criando o gráfico de pizza
fig_pie <- plot_ly(country_count, labels = ~country, values = ~n, type = 'pie') %>%
layout(title = 'Top 10 Países com Mais Conteúdo na Netflix')
fig_pie
Questão 08
table_data <- country_count
fig_table <- plot_ly(
type = 'table',
header = list(
values = c("País", "Total de conteúdos"),
align = c('center', 'center'),
line = list(width = 1, color = 'black'),
fill = list(color = 'gray'),
font = list(color = 'white', size = 12)
),
cells = list(
values = rbind(table_data$country, table_data$n),
align = c('center', 'center'),
line = list(color = "black", width = 1),
fill = list(color = c('white', 'lightgray')),
font = list(size = 12)
)
)
fig_table
Questão 09
netflix_data$decade <- floor(netflix_data$release_year / 10) * 10
decade_count <- netflix_data %>%
filter(!is.na(decade)) %>%
group_by(decade, type) %>%
summarise(Total = n(), .groups = 'drop') # Use .groups = 'drop' para evitar a mensagem de aviso
# Verifique se o gráfico está plotando corretamente
fig_line <- plot_ly(decade_count, x = ~decade, y = ~Total, color = ~type,
type = 'scatter', mode = 'lines+markers') %>%
layout(title = 'Conteúdo Disponível por Década',
xaxis = list(title = 'Década'),
yaxis = list(title = 'Quantidade de Conteúdo'))
fig_line
Questão 10
# Filtrar os dados entre 2000 e 2010 e para os gêneros especificados
filtered_data <- netflix_data %>%
filter(release_year >= 2000 & release_year <= 2010) %>%
mutate(genre = sapply(strsplit(listed_in, ","), `[`, 1))
# Filtrar apenas os gêneros de interesse
genres_of_interest <- c("Dramas", "Action & Adventure", "Comedies")
filtered_data <- filtered_data %>%
filter(genre %in% genres_of_interest)
# Renomeando os gêneros para português
filtered_data$genre <- recode(filtered_data$genre,
"Dramas" = "Dramas",
"Action & Adventure" = "Ação e Aventura",
"Comedies" = "Comédias")
# Contagem de filmes por ano e gênero
genre_count <- filtered_data %>%
group_by(release_year, genre) %>%
summarise(Total = n(), .groups = 'drop')
# Gráfico de barras lado-a-lado
fig_bar <- plot_ly(genre_count, x = ~release_year, y = ~Total, color = ~genre, type = 'bar') %>%
layout(title = 'Quantidade de Filmes por Gênero (2000-2010)',
barmode = 'group',
xaxis = list(title = 'Ano'),
yaxis = list(title = 'Quantidade de Filmes'))
fig_bar