title: “ATIVIDADE 2” author: “Maria Carolina Pereira Soares” date: “2024-11-23” output: html_document —code_folding: show number_sections: yes toc: yes toc_float: collapsed: yes smooth_scroll: yes

carregar pacotes adicionais

library(readxl)
library(flextable)
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

library(ggplot2)
library(reactable) 
library(corrplot)

## corrplot 0.95 loaded

Carregar base de dados pokemon

load("C:/Users/Maria Carolina/Base_de_dados-master/df_pokemon.RData")

Mostrando tabela da base de dados

head(df) %>% flextable()  %>% theme_alafoli()

id	pokemon	species_id	height	weight	base_experience	type_1	type_2	attack	defense	hp	special_attack	special_defense	speed	color_1	color_2	color_f	egg_group_1	egg_group_2	url_image	x	y
1	bulbasaur	1	7	69	64	grass	poison	49	49	45	65	65	45	#78C850	#A040A0	#81A763	monster	plant	1.png	32.82239	17.21614
2	ivysaur	2	10	130	142	grass	poison	62	63	60	80	80	60	#78C850	#A040A0	#81A763	monster	plant	2.png	33.32643	16.71226
3	venusaur	3	20	1,000	236	grass	poison	82	83	80	100	100	80	#78C850	#A040A0	#81A763	monster	plant	3.png	33.93778	16.17232
4	charmander	4	6	85	62	fire		52	43	39	60	50	65	#F08030		#F08030	monster	dragon	4.png	-24.36338	30.78973
5	charmeleon	5	11	190	142	fire		64	58	58	80	65	80	#F08030		#F08030	monster	dragon	5.png	-24.57820	30.60161
6	charizard	6	17	905	240	fire	flying	84	78	78	109	85	100	#F08030	#A890F0	#DE835E	monster	dragon	6.png	-25.50657	29.77037

Análise com duas variáveis (Quanti vs Quali)

library(reactable)
df %>% group_by(type_1) %>% summarise(média=mean(defense),
                                       desvio_padrao=sd(defense))

## # A tibble: 18 × 3
##    type_1   média desvio_padrao
##    <chr>    <dbl>         <dbl>
##  1 bug       67.7          32.2
##  2 dark      67.9          23.8
##  3 dragon    79.1          22.6
##  4 electric  59.1          20.4
##  5 fairy     65.7          19.0
##  6 fighting  64.3          18.3
##  7 fire      63.7          21.3
##  8 flying    61.7          23.6
##  9 ghost     76.8          34.8
## 10 grass     69.4          24.0
## 11 ground    82.2          31.9
## 12 ice       71.0          35.1
## 13 normal    57.8          22.3
## 14 poison    68.8          21.1
## 15 psychic   65.2          26.4
## 16 rock      98.5          36.4
## 17 steel    119.           33.3
## 18 water     70.5          25.6

df %>% group_by(type_1) %>% summarise(mínimo = min(defense),
                                       quartil1 = quantile(defense, probs=0.25),
                                       mediana=median(defense),
                                       quartil3 = quantile(defense, probs=0.75),
                                       máximo=max(defense)) %>% 
  reactable()

Média e desvio padrão

df %>% select(type_1,defense) %>% 
  group_by(type_1) %>% 
  summarise(média=mean(defense),
            desvio_padrao=sd(defense)) %>% 
  flextable()

type_1	média	desvio_padrao
bug	67.69841	32.22333
dark	67.92857	23.79687
dragon	79.12500	22.61841
electric	59.08333	20.35313
fairy	65.70588	18.97948
fighting	64.28000	18.32012
fire	63.69565	21.34673
flying	61.66667	23.62908
ghost	76.82609	34.80028
grass	69.36364	23.95549
ground	82.16667	31.89323
ice	71.04348	35.11084
normal	57.79570	22.34928
poison	68.82143	21.06613
psychic	65.15217	26.43732
rock	98.50000	36.42132
steel	119.40909	33.28185
water	70.48571	25.57986

Mediana

df %>% select(type_1,defense) %>% 
  group_by(type_1) %>% 
  summarise(mínimo=min(defense),
            quartil1 = quantile(defense,0.25),
            mediana= median(defense),
            quartil3= quantile(defense,0.75),
            maximo=max(defense)) %>% 
  flextable()

type_1	mínimo	quartil1	mediana	quartil3	maximo
bug	30	47.50	55.0	85.00	230
dark	30	50.00	67.5	88.50	115
dragon	35	63.75	85.0	91.25	121
electric	15	40.00	58.5	70.00	115
fairy	28	50.00	66.0	75.00	95
fighting	30	53.00	62.0	78.00	95
fire	37	45.75	59.0	71.75	140
flying	35	52.50	70.0	75.00	80
ghost	30	51.50	65.0	99.00	145
grass	30	50.00	65.0	83.00	131
ground	25	51.25	82.0	108.75	140
ice	15	47.50	70.0	85.00	184
normal	5	43.00	60.0	70.00	120
poison	35	52.75	67.0	82.25	120
psychic	15	45.75	62.5	75.75	130
rock	40	69.25	98.5	118.25	200
steel	70	96.25	115.5	140.00	200
water	20	52.00	68.0	85.00	180

#Para a análise dos dados e comparação entre os termos, utilizei os dados de minha escolha , ‘’tipo 1’’ (qualitativo) e ‘’defesa’’ (quantitativo), juntamente configurando com os códigos que foram passados em sala de aula. Observamos primeiramente, que o gráfico Defesa X Tipo de pókemon temos o ‘’Flying’’ com a maior mediana de 70 pontos; ‘’Rock’’ com o maior desvio padrão com 36.42132 pontos; e por fim, ‘’Steel’’ com a maior média de 119.40909 pontos. Assim, com a menor média, mediana e desvio padrão, respectivamente temos: ‘’Normal’’ com 57.79570, ‘’Bug’’ com 55 pontos e ‘’Fighting’’ com 18.32012.

Boxplot

boxplot(df$defense ~ df$type_1,
        col=c("#e6f029",'#f0b'),
        main="Boxplot: Defesa x Tipo de Pokémon",
        ylab = "Defesa",
        xlab="Categoria")

# Diagrama de dispersão

plot(df$attack, df$speed, 
     col ="#82f029", 
     pch = 19,
     main = "Gráfico 2 - Diagrama de dispersão",
     xlab = "Ataque",
     ylab = "Velocidade")

abline(lsfit(df$attack, df$speed), 
       col = "#295af0", 
       lwd = 4)

# Correlação

library(corrplot)
M <- cor(df[,c("species_id","height","weight","base_experience","special_attack", "special_defense", "speed")])
corrplot(M, method="circle")

corrplot(M, method="color")

col3 <- colorRampPalette(c("#8c29f0", "#8408a6", "#d225e6")) 
corrplot(M, order="hclust", addrect=2, col=col3(20))

Intepretação dos dados obtidos nos gráficos

#O primeiro passo para realizar a Atividade 2 foi baixar os pacotes adicionais e acessar a base de dados pedida pelo professor: “df-pokemon.Rdata”. E analisando separadamente podemos analisar que no diagrama de dispersão que aqueles pókemons com velocidade mediana são os de ataque mais forte e a maioria deles se concentram entre 50 e 100 de força de ataque, não há muitas variações drásticas, já que o centro do gráfico se preenche praticamente no mesmo espaçamento. Analisando o boxplot, temos Categoria X Defesa , e observa-se que cada caixa representa a distribuição da defesa para um tipo de Pokémon e quais tipos possuem defesas mais altas ou mais baixas em média. Por exemplo, tipos como “Aço” tendem a ter defesas mais altas, enquanto tipos como “Psíquico” podem apresentar defesas mais baixas, com maior variabilidade em alguns tipos.Por fim, o gráfico de correlação mostra as relações entre diferentes características dos Pokémons e pode ser útil para entender como interagem entre si.O visual gráfico ajuda a identificar variáveis correlacionadas, possíveis agrupamentos de características semelhantes e variáveis independentes, o que pode ser importante para futuras análises ou modelagens, como a previsão de desempenho de combate com base em atributos físicos ou especiais.