library(tidyverse)

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.4     ✔ readr     2.1.5
## ✔ forcats   1.0.0     ✔ stringr   1.5.1
## ✔ ggplot2   3.5.2     ✔ tibble    3.2.1
## ✔ lubridate 1.9.4     ✔ tidyr     1.3.1
## ✔ purrr     1.0.4     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

library(here)

## here() starts at C:/LabDadosR/lab 02

library(lubridate)
library(ggbeeswarm)
library(ggplot2)
library(dplyr)

### Q1: Qual a cidade é mais quente? Isso muda se considerarmos apenas o período de janeiro e fevereiro (pico do verão)? 

# Ler o arquivo CSV
dados <- read.csv("C:/LabDadosR/lab 02/clima_cg_jp-semanal.csv")

# Calcular a temperatura média por cidade
media_temperaturas <- dados %>%
 group_by(cidade) %>%
 summarise(media_temp = mean(tmedia, na.rm = TRUE))

# Encontrar a cidade mais quente
cidade_mais_quente <- media_temperaturas %>%
 filter(media_temp == max(media_temp))
 


#Filtrar os dados para os meses de janeiro (1) e fevereiro (2)
dados_filtrados <- dados %>%
filter(mes %in% c(1, 2))


# Plotar o gráfico de barras
ggplot(media_temperaturas, aes(x = cidade, y = media_temp, fill = cidade)) +
geom_text(aes(label = round(media_temp, 2)), 
            position = position_dodge(width = 0.9), 
            vjust = -0.5) +
 geom_bar(stat = "identity") +
 labs(title = "Temperatura Média por Cidade",
 x = "Cidade",
 y = "Temperatura Média (°C)") +
 theme_minimal()

Q2: Quais os meses mais quentes e mais frios? Como você descreveria a temperatura das festas juninas das cidades nos últimos anos?

# Ler o arquivo CSV
dados <- read.csv("C:/LabDadosR/lab 02/clima_cg_jp-semanal.csv")

# Calcular a temperatura média por mês
media_temperaturas_mes <- dados %>%
 group_by(mes) %>%
 summarise(media_temp = mean(tmedia, na.rm = TRUE))

# Encontrar o mês mais quente e o mês mais frio
mes_mais_quente <- media_temperaturas_mes %>%
 filter(media_temp == max(media_temp))

mes_mais_frio <- media_temperaturas_mes %>%
filter(media_temp == min(media_temp))

# Combinar os dados dos meses mais quentes e mais frios
meses_extremos <- rbind(mes_mais_quente, mes_mais_frio)

# Plotar o gráfico de barras
ggplot(meses_extremos, aes(x = factor(mes), y = media_temp, fill = factor(mes))) +
geom_text(aes(label = round(media_temp, 2)), 
            position = position_dodge(width = 0.9), 
            vjust = -0.5) +
 geom_bar(stat = "identity") +
 labs(title = "Meses Mais Quentes e Mais Frios",
 x = "Mês",
 y = "Temperatura Média (°C)") +
theme_minimal() +
scale_fill_manual(values = c("red", "blue"), labels = c("Mais Quente", "Mais Frio")) + theme(legend.title = element_blank())

# Filtrar os dados para o mês de junho (6) nos últimos anos (2010-2023)
dados_junho <- dados %>%
 filter(mes == 6 & ano >= 2010)

# Calcular a temperatura média por cidade e ano para o mês de junho
media_temperaturas_junho <- dados_junho %>%
 group_by(cidade, ano) %>%
 summarise(media_temp = mean(tmedia, na.rm = TRUE))

## `summarise()` has grouped output by 'cidade'. You can override using the
## `.groups` argument.

# Descrever a temperatura durante as festas juninas nos últimos anos
descricao_junho <- media_temperaturas_junho %>%
 group_by(cidade) %>%
 summarise(
 media = mean(media_temp, na.rm = TRUE),
 desvio_padrao = sd(media_temp, na.rm = TRUE),
 minimo = min(media_temp, na.rm = TRUE),
 maximo = max(media_temp, na.rm = TRUE)
 )

print(descricao_junho)

## # A tibble: 2 × 5
##   cidade         media desvio_padrao minimo maximo
##   <chr>          <dbl>         <dbl>  <dbl>  <dbl>
## 1 Campina Grande  23.0         0.366   22.6   23.8
## 2 João Pessoa     26.7         0.305   26.2   27.1

# Plotar o gráfico de barras para as temperaturas médias em junho por cidade
ggplot(media_temperaturas_junho, aes(x = ano, y = media_temp, color = cidade, group = cidade)) +
 geom_line() +
 geom_point() +
 labs(title = "Temperatura Média em Junho por Cidade (2010-2023)",
x = "Ano",
y = "Temperatura Média em Junho (°C)") +
theme_minimal() +
 scale_color_manual(values = c("Campina Grande" = "blue", "João Pessoa" = "red"))

Q3: Quanto chove por semana em JP e CG? Descreva a distribuição do volume de chuvas para as cidades?

# Ler o arquivo CSV
data <- read_csv("C:/LabDadosR/lab 02/clima_cg_jp-semanal.csv")

## Rows: 2748 Columns: 8
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr  (1): cidade
## dbl  (6): tmedia, tmax, tmin, chuva, mes, ano
## dttm (1): semana
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

# Calcular a quantidade de chuva por semana em JP e CG
rainfall_summary <- data %>%
group_by(semana, cidade) %>%
summarise(Total_Chuva = sum(chuva, na.rm = TRUE))

## `summarise()` has grouped output by 'semana'. You can override using the
## `.groups` argument.

# Plotar o gráfico de barras
ggplot(rainfall_summary, aes(x = semana, y = Total_Chuva, fill = cidade)) +
geom_bar(stat = "identity", position = "dodge") +
labs(title = "Quantidade de Chuva por Semana em JP e CG",
x = "Semana",
y = "Total de Chuva (mm)") +
theme_minimal()

Q4: Qual a relação entre a temperatura de uma semana e a temperatura da semana anterior (descreva para as duas cidades)?

# Ler o arquivo CSV
data <- read_csv("C:/LabDadosR/lab 02/clima_cg_jp-semanal.csv")

## Rows: 2748 Columns: 8
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr  (1): cidade
## dbl  (6): tmedia, tmax, tmin, chuva, mes, ano
## dttm (1): semana
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

# Calcular a diferença de temperatura entre semanas consecutivas
data <- data %>%
 group_by(cidade) %>%
 arrange(cidade, ano, semana) %>%
 mutate(
 tmedia_diff = tmedia - lag(tmedia),
 tmax_diff = tmax - lag(tmax),
 tmin_diff = tmin - lag(tmin)
 )

# Remover as primeiras linhas de cada cidade que não têm semana anterior
data <- data %>%
 filter(!is.na(tmedia_diff))

# Plotar a relação entre a temperatura de uma semana e a semana anterior
ggplot(data, aes(x = lag(tmedia), y = tmedia, color = cidade)) +
 geom_point() +
 geom_smooth(method = "lm", se = FALSE) +
 labs(title = "Relação entre a Temperatura Média de uma Semana e a Semana Anterior",
 x = "Temperatura Média da Semana Anterior (°C)",
 y = "Temperatura Média da Semana Atual (°C)") +
 theme_minimal()

## `geom_smooth()` using formula = 'y ~ x'

## Warning: Removed 1 row containing non-finite outside the scale range
## (`stat_smooth()`).

## Warning: Removed 1 row containing missing values or values outside the scale range
## (`geom_point()`).

# Plotar a diferença de temperatura entre semanas consecutivas
ggplot(data, aes(x = semana, y = tmedia_diff, color = cidade)) +
 geom_line() +
 labs(title = "Diferença de Temperatura Média entre Semanas Consecutivas",
 x = "Semana",
 y = "Diferença de Temperatura Média (°C)") +
 theme_minimal()

Q5: Qual a relação entre temperatura e chuvas nas semanas em que choveu (descreva para as duas cidades)?

# Ler os arquivos CSV
data_2 <- read_csv("C:/LabDadosR/lab 02/clima_cg_jp-semanal 2.csv")

## Rows: 2748 Columns: 8
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr  (1): cidade
## dbl  (6): tmedia, tmax, tmin, chuva, mes, ano
## dttm (1): semana
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

data_4 <- read_csv("C:/LabDadosR/lab 02/clima_cg_jp-semanal 4.csv")

## Rows: 2748 Columns: 8
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr  (1): cidade
## dbl  (6): tmedia, tmax, tmin, chuva, mes, ano
## dttm (1): semana
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

# Combinar os dados dos dois arquivos
data <- bind_rows(data_2, data_4)

# Filtrar as semanas em que choveu
data_chuva <- data %>%
 filter(chuva > 0)

# Calcular a média de temperatura para as semanas com chuva
data_chuva_summary <- data_chuva %>%
 group_by(cidade) %>%
 summarise(
 tmedia_media = mean(tmedia, na.rm = TRUE),
 tmax_media = mean(tmax, na.rm = TRUE),
 tmin_media = mean(tmin, na.rm = TRUE),
 chuva_media = mean(chuva, na.rm = TRUE)
 )

# Plotar o gráfico de barras
ggplot(data_chuva_summary, aes(x = cidade, y = chuva_media, fill = cidade)) +
 geom_bar(stat = "identity", position = "dodge") +
 geom_text(aes(label = round(chuva_media, 2)), vjust = -0.5) +
 labs(title = "Relação entre Temperatura e Chuvas nas Semanas em que Choveu",
 x = "Cidade",
 y = "Média de Chuva (mm)") +
 theme_minimal()

# Plotar a relação entre temperatura média e chuva média
ggplot(data_chuva, aes(x = chuva, y = tmedia, color = cidade)) +
 geom_point() +
 geom_smooth(method = "lm", se = FALSE) +
 labs(title = "Relação entre Temperatura Média e Chuva nas Semanas em que Choveu",
 x = "Chuva (mm)",
 y = "Temperatura Média (°C)") +
 theme_minimal()

## `geom_smooth()` using formula = 'y ~ x'