Questões
Questão 1
# 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)
# Layout
par(mar=c(1, 3, 1, 1))
layout(matrix(c(1, 1), nrow=1, ncol=2))
# Gráfico de Linhas
plot(clock, MRT_1F, type="l", col="red", xlab="Clock (GHz)", ylab="MRT", ylim=c(0, max(MRT_1F, MRT_3F, MRT_5F, MRT_10F, MRT_15F, MRT_sem_F)))
lines(clock, MRT_3F, type="l", col="blue")
lines(clock, MRT_5F, type="l", col="green")
lines(clock, MRT_10F, type="l", col="purple")
lines(clock, MRT_15F, type="l", col="orange")
lines(clock, MRT_sem_F, type="l", col="brown")
# 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"),
lty=1, cex=0.8)
# Organiza os dados
data_matrix <- rbind(MRT_1F, MRT_sem_F, MRT_3F, MRT_sem_F, MRT_5F, MRT_sem_F, MRT_10F, MRT_sem_F, MRT_15F, MRT_sem_F)
# Gráfico de Barras e Legendas
barplot(data_matrix[c(1,2),], beside=TRUE, col=c("#666666", "#E6E6E6"), log="y", names.arg=clock, xlab="Clock (GHz)", ylab="MRT_1F", main="MRT_1F")
legend("topright", legend=c("MRT_1F", "MRT_sem_F"), fill=c("#666666", "#E6E6E6"))
barplot(data_matrix[c(3,4),], beside=TRUE, col=c("#666666", "#E6E6E6"), log="y", names.arg=clock, xlab="Clock (GHz)", ylab="MRT_3F", main="MRT_3F")
legend("topright", legend=c("MRT_3F", "MRT_sem_F"), fill=c("#666666", "#E6E6E6"))
barplot(data_matrix[c(5,6),], beside=TRUE, col=c("#666666", "#E6E6E6"), log="y", names.arg=clock, xlab="Clock (GHz)", ylab="MRT_5F", main="MRT_5F")
legend("topright", legend=c("MRT_5F", "MRT_sem_F"), fill=c("#666666", "#E6E6E6"))
barplot(data_matrix[c(7,8),], beside=TRUE, col=c("#666666", "#E6E6E6"), log="y", names.arg=clock, xlab="Clock (GHz)", ylab="MRT_10F", main="MRT_10F")
legend("topright", legend=c("MRT_10F", "MRT_sem_F"), fill=c("#666666", "#E6E6E6"))
barplot(data_matrix[c(9,10),], beside=TRUE, col=c("#666666", "#E6E6E6"), log="y", names.arg=clock, xlab="Clock (GHz)", ylab="MRT_15F", main="MRT_15F")
legend("topright", legend=c("MRT_15F", "MRT_sem_F"), fill=c("#666666", "#E6E6E6"))
Questão 2
# Dados
Quality_Rating <- c("Good", "Very Good", "Excellent")
Meal_Price <- matrix(c(53.8, 43.6, 2.6,
33.9, 54.2, 11.9,
2.6, 60.5, 36.8,
0.0, 21.4, 78.6),
nrow=3, ncol=4)
colnames(Meal_Price) <- c("$10-19", "$20-29", "$30-39", "$40-49")
rownames(Meal_Price) <- Quality_Rating
# Gráfico de Barras Empilhadas e legenda
barplot(Meal_Price, beside=FALSE, col=c("coral", "palegreen", "dodgerblue"),
legend.text=c("Good", "Very Good", "Excellent"), args.legend=list(x="topright", bty="n", inset=c(-0.0, -0.3)),
main="Meal Price by Quality Rating", xlab="Meal Price", ylab="Percentage")
Questão 3
# Carregar o dataset airquality
data("airquality")
# Filtrar apenas os dados de maio
may_data <- subset(airquality, Month == 5)
# Converter as temperaturas de Fahrenheit para Celsius
may_data$Temp_Celsius <- (may_data$Temp - 32) / 1.8
# Gerar o histograma das temperaturas em Celsius
hist(may_data$Temp_Celsius,
main = "Histograma das Temperaturas em Maio (°C)",
xlab = "Temperatura (°C)",
ylab = "Frequência",
col = "lightblue",
border = "black",
probability = TRUE)
# Adicionar a curva de densidade
lines(density(may_data$Temp_Celsius), col = "magenta", lwd = 2)
Questão 4
# Dataset
sales <- read.table("https://training-course-material.com/images/8/8f/Sales.txt", header = TRUE)
# Verificar as colunas
str(sales)
## 'data.frame': 6 obs. of 2 variables:
## $ COUNTRY: chr "US" "UK" "France" "Poland" ...
## $ SALES : int 340 290 510 820 120 780
if ("SALES" %in% colnames(sales)) {
sales_sum <- aggregate(sales$SALES, by = list(sales$COUNTRY), FUN = sum)
} else {
stop("Nenhuma coluna encontrada.")
}
# Renomear as colunas
names(sales_sum) <- c("Country", "TotalSales")
sales_sum$Percentage <- round(100 * sales_sum$TotalSales / sum(sales_sum$TotalSales), 1)
# Gráfico de pizza
pie(sales_sum$TotalSales,
labels = paste(sales_sum$Country, sales_sum$Percentage, "%"),
col = rainbow(length(sales_sum$Country)),
main = "Porcentagem de Vendas por País")
# Legenda
legend("topright",
legend = sales_sum$Country,
fill = rainbow(length(sales_sum$Country)))
Questão 5
# Dataset
data("InsectSprays")
# Criar o boxplot amarelo
boxplot(count ~ spray, data = InsectSprays,
main = "Boxplot das Contagens de Insetos por Tipo de Inseticida",
xlab = "Tipo de Inseticida",
ylab = "Contagem de Insetos",
col = "yellow",
outline = FALSE)
Questão 6
setwd('C:/Users/Beatriz Figueiredo/Downloads/monitoringCloudData/')
# Arquivos
x1<-read.csv('monitoringCloudData_0.1.csv')
x2<-read.csv('monitoringCloudData_0.5.csv')
x3<-read.csv('monitoringCloudData_1.csv')
x4<-read.csv('monitoringCloudData_NONE.csv')
# Função para tornar o tempo contínuo
Tempo<-function(Datas){
TT<-length(Datas)
v<-vector(length=TT)
v[1]<-0
for (i in 1:(TT-1)){
v[i+1]<-difftime(Datas[i+1],Datas[i])+v[i]
}
return(v)
}
# Função de Tempo Contínuo
x1$Tempo<-Tempo(x1$currentTime)
x2$Tempo<-Tempo(x2$currentTime)
x3$Tempo<-Tempo(x3$currentTime)
x4$Tempo<-Tempo(x4$currentTime)
# Separar a unidade de medida dos dados
Separar<-function(Datas){
TT<-tidyr::separate(Datas,col="usedMemory",into=c("usedMemory_P1","usedMemory_P2"),sep=-2)
TT$usedMemory_P1<-as.numeric(TT$usedMemory_P1)
return(TT)
}
# Função que separa unidade de medida
x1<-Separar(x1)
x2<-Separar(x2)
x3<-Separar(x3)
x4<-Separar(x4)
# Função atribuição do valor à ordem de grandeza da unidade de medida
Contabilizar<-function(Datas){
TT<-length(Datas)
v<-vector(length=TT)
for (i in 1:TT){
if (stringr::str_trim(Datas[i])=="MB"){
v[i]=1}
else if (stringr::str_trim(Datas[i])=="GB"){
v[i]=1024}
else if (stringr::str_trim(Datas[i])=="TB"){
v[i]=1000000}
}
return(v)
}
# Função atribuição à ordem de grandeza
x1$Fator<-Contabilizar(x1$usedMemory_P2)
x2$Fator<-Contabilizar(x2$usedMemory_P2)
x3$Fator<-Contabilizar(x3$usedMemory_P2)
x4$Fator<-Contabilizar(x4$usedMemory_P2)
# Calcula a quantidade dos dados totais
x1$Fator<-x1$Fator*x1$usedMemory_P1
x2$Fator<-x2$Fator*x2$usedMemory_P1
x3$Fator<-x3$Fator*x3$usedMemory_P1
x4$Fator<-x4$Fator*x4$usedMemory_P1
# Gráficos
Graf<-function(Tempo,Fator,numero){
if (numero==0){
m<-"Memory Analisys (None Workload)"}
else{
m<-paste("Memory Analisys (Workload of",numero,")")}
plot(Tempo,Fator,type="l",ylab="Used Memory (MB)", xlab="Time (hour)",main=m)
}
layout(matrix(c(1,1,2,2,3,3,4,4),nrow=2,byrow=T))
Graf(x4$Tempo,x4$Fator,0)
Graf(x1$Tempo,x1$Fator,0.1)
Graf(x2$Tempo,x2$Fator,0.5)
Graf(x3$Tempo,x3$Fator,1)
Questão 7
# Pacotes
if (!require(plotly)) {
install.packages("plotly")
library(plotly)
} else {
library(plotly)
}
## Carregando pacotes exigidos: plotly
## Carregando pacotes exigidos: ggplot2
##
## Anexando pacote: 'plotly'
## O seguinte objeto é mascarado por 'package:ggplot2':
##
## last_plot
## O seguinte objeto é mascarado por 'package:stats':
##
## filter
## O seguinte objeto é mascarado por 'package:graphics':
##
## layout
if (!require(dplyr)) {
install.packages("dplyr")
library(dplyr)
} else {
library(dplyr)
}
## Carregando pacotes exigidos: dplyr
##
## Anexando pacote: 'dplyr'
## Os seguintes objetos são mascarados por 'package:stats':
##
## filter, lag
## Os seguintes objetos são mascarados por 'package:base':
##
## intersect, setdiff, setequal, union
# Dataset
netflix_data <- read.csv("C:/Users/Beatriz Figueiredo/Downloads/netflix_titles.csv")
# Filtra os para apenas um país de origem e remover valores que não sejam alfabéticos
single_country_data <- netflix_data %>%
filter(!is.na(country)) %>%
filter(!grepl(",", country)) %>%
filter(grepl("^[A-Za-z ]+$", country))
# Conta os países com mais conteúdos
country_counts <- single_country_data %>%
count(country, sort = TRUE)
# Seleciona os 10 países com mais conteúdo, incluindo o México em caso de empate
top_countries <- country_counts %>%
arrange(desc(n)) %>%
mutate(rank = row_number()) %>%
filter(rank <= 10 | country == "Mexico") %>%
arrange(desc(n))
if (nrow(top_countries) < 10) {
top_countries <- bind_rows(top_countries,
country_counts %>% filter(country == "Mexico"))
}
# Gráfico de pizza com a legenda
fig <- plot_ly(top_countries, labels = ~country, values = ~n, type = 'pie') %>%
layout(title = 'Top 10 Países com mais Conteúdo na Netflix',
legend = list(x = 1, y = 0.5))
fig
Questão 8
# Pacotes
if (!require(plotly)) {
install.packages("plotly")
library(plotly)
} else {
library(plotly)
}
if (!require(dplyr)) {
install.packages("dplyr")
library(dplyr)
} else {
library(dplyr)
}
# Dataset
netflix_data <- read.csv("C:/Users/Beatriz Figueiredo/Downloads/netflix_titles.csv")
# Filtrar os conteúdos com apenas um país de origem
single_country_data <- netflix_data %>%
filter(!is.na(country)) %>%
filter(!grepl(",", country)) %>%
filter(grepl("^[A-Za-z ]+$", country))
# Contar os 10 países com mais conteúdos na plataforma
top_countries <- single_country_data %>%
count(country, sort=TRUE) %>%
top_n(10)
## Selecting by n
# Por causa do empate, removi a Turquia
if (nrow(top_countries) > 10) {
top_countries <- top_countries %>%
filter(country != "Turkey")
}
# Cria a tabela
fig_table <- plot_ly(
type = 'table',
header = list(
values = c('País', 'Total de conteúdos'),
align = c('center', 'center'),
font = list(size = 12, color = 'white'),
fill = list(color = 'gray')
),
cells = list(
values = list(top_countries$country, top_countries$n),
align = c('center', 'center'),
font = list(size = 11),
fill = list(color = c('white', 'lightgray'))
)
)
fig_table
Questão 9
# Pacotes
if (!require(plotly)) {
install.packages("plotly")
library(plotly)
} else {
library(plotly)
}
if (!require(dplyr)) {
install.packages("dplyr")
library(dplyr)
} else {
library(dplyr)
}
# Dataset
netflix_data <- read.csv("C:/Users/Beatriz Figueiredo/Downloads/netflix_titles.csv")
# Nova coluna para a década
netflix_data <- netflix_data %>%
mutate(decade = floor(release_year / 10) * 10)
# Filtrar por filmes e séries
series_data <- netflix_data %>%
filter(type == "TV Show") %>%
count(decade)
movies_data <- netflix_data %>%
filter(type == "Movie") %>%
count(decade)
# Gráfico de linha
fig <- plot_ly() %>%
add_lines(x = ~series_data$decade, y = ~series_data$n,
name = 'TV Shows', line = list(color = 'blue')) %>%
add_markers(x = ~series_data$decade, y = ~series_data$n,
name = 'TV Shows', marker = list(color = 'blue')) %>%
add_lines(x = ~movies_data$decade, y = ~movies_data$n,
name = 'Movies', line = list(color = 'yellow')) %>%
add_markers(x = ~movies_data$decade, y = ~movies_data$n,
name = 'Movies', marker = list(color = 'yellow')) %>%
layout(title = "Quantidade de Conteúdo por Década no Netflix",
xaxis = list(title = "Década"),
yaxis = list(title = "Quantidade de Conteúdo"))
fig
Questão 10
# Pacotes
if (!require(plotly)) {
install.packages("plotly")
library(plotly)
} else {
library(plotly)
}
if (!require(dplyr)) {
install.packages("dplyr")
library(dplyr)
} else {
library(dplyr)
}
# Dataset
netflix_data <- read.csv("C:/Users/Beatriz Figueiredo/Downloads/netflix_titles.csv")
# Filtro filmes lançados entre 2000 e 2010
filtered_data <- netflix_data %>%
filter(type == "Movie", release_year >= 2000, release_year <= 2010)
# Primeiro gênero listado na coluna 'listed_in'
filtered_data <- filtered_data %>%
mutate(genre = sapply(strsplit(as.character(listed_in), ", "), function(x) x[1]))
# Filtrar pelos gêneros "Dramas", "Action & Adventure" e "Comedies"
filtered_data <- filtered_data %>%
filter(genre %in% c("Dramas", "Action & Adventure", "Comedies"))
# Contar o número de filmes por ano para cada gênero
genre_counts <- filtered_data %>%
group_by(release_year, genre) %>%
summarize(count = n()) %>%
ungroup()
## `summarise()` has grouped output by 'release_year'. You can override using the
## `.groups` argument.
# Gráfico de barras lado-a-lado
fig <- plot_ly(genre_counts, x = ~release_year, y = ~count, color = ~genre, type = 'bar') %>%
layout(title = "Quantidade de Filmes por Gênero (2000-2010)",
xaxis = list(title = "Ano"),
yaxis = list(title = "Quantidade de Filmes"),
barmode = 'group')
fig