A) Considerando gráficos básicos do R.

attach(pumpkin)
plot(Circumference,Weight, col = "red",xlim = c(25,80) , ylim = c(500,3300), title = "p",title("Gráfico de Disperção entre Circuferência e Peso de Aboboras"), xlab = "Circuferência", ylab = "Peso" )

## Warning in plot.window(...): "title" não é um parâmetro gráfico

## Warning in plot.xy(xy, type, ...): "title" não é um parâmetro gráfico

## Warning in axis(side = side, at = at, labels = labels, ...): "title" não é um
## parâmetro gráfico
## Warning in axis(side = side, at = at, labels = labels, ...): "title" não é um
## parâmetro gráfico

## Warning in box(...): "title" não é um parâmetro gráfico

## Warning in title(...): "title" não é um parâmetro gráfico

ggplot(data = pumpkin) +
  geom_point(aes(Circumference,Weight), color = "red") +
  labs(title = "Gráfico de Disperção entre Circuferência e Peso de Aboboras", x = "Circuferência", y = "Peso") +
  theme_bw()

A) Exercício 8 do item 1.2.5 Exercises.

penguins = palmerpenguins::penguins
#table(is.na(penguins))
penguins2 = na.omit(penguins)
attach(penguins2)
#table(is.na(penguins))

#attach(penguins2)
#names(penguins2)
ggplot(data = penguins2 ,
       mapping = aes(flipper_length_mm,body_mass_g)) + 
  geom_point(aes(color = bill_depth_mm), size = 2, alpha = 4) + 
  geom_smooth(aes(color = bill_depth_mm), se = T, method = loess) +
  labs(x = "Tamanho da Nadadeira (mm)", y = "Massa Corporal (g)", title = "Gráfico de Disperção do Tamanho da Nadadeira por Massa corporal(g) dos Pinguins")+
  theme_gray()

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

## Warning: The following aesthetics were dropped during statistical transformation:
## colour.
## ℹ This can happen when ggplot fails to infer the correct grouping structure in
##   the data.
## ℹ Did you forget to specify a `group` aesthetic or to convert a numerical
##   variable into a factor?

#+
  # geom_abline(smooth(flipper_length_mm))

B) Faça um gráfico de barras de especie de pinguins, no qual você atribui especie ao atributo estético y. Como esse gráfico é diferente?

ggplot(data = penguins2) +
  geom_bar(aes(y = species, fill = species))

Temos que ao fazermos o gráfico de barras horizontais (com o atributo de interesse a ser avaliado no eixo Y, temos a inversão dos eixos com a contagem partindo para o Eixo X), diferentemente do Gráfico de barras verticais.

C) Faça um histograma da variável quilate no conjunto de dados diamante que está disponível quando você carrega o pacote dados. Faça experiências com diferentes larguras de intervalo (binwidth). Qual largura de intervalo revela os padrões mais interessantes?

df = diamonds
attach(df)

## bin = 0.1
p1 = ggplot(df) +
  geom_histogram(aes(x = carat), binwidth = 0.1,color="white", fill = "green")+
  theme_grey()
## bin = 0.5
p2= ggplot(df) +
  geom_histogram(aes(x = carat), binwidth = 0.5, fill = "green", color = "white")+
  theme_grey()
## bin = 1
p3 = ggplot(df) +
  geom_histogram(aes(x = carat), binwidth = 1 ,color = "white", fill = "green")+
  theme_grey()
## bin = 2
p4 = ggplot(df) +
  geom_histogram(aes(x = carat), binwidth = 2,color = "white", fill = "green")+
  theme_grey()
grid.arrange(p1,p2,p3,p4, ncol = 2, nrow = 2, top  = "Histogramas para diferentes níveis de binwidth")

Diante dos diferentes níveis de binwidth, temos que o aparente melhor para nossa visualização se dá pelo binwidth = 0.1, pois o mesmo permite que visualizemos a distribuição dos dados de maneira mais suavizada.

D) Faça um gráfico de dispersão de rodovia (Milhas rodoviárias por galão) em função de cilindrada usando o data frame milhas. Em seguida, mapeie uma terceira variável numérica para color (cor), depois size (tamanho), depois igualmente para color e size e, por fim, shape (forma). Como esses atributos estéticos se comportam de forma diferente para variáveis categóricas e numéricas?

# Carregando os dados
mpg = mpg
attach (mpg)

## O seguinte objeto é mascarado por penguins2:
## 
##     year

p1 = ggplot(data = mpg, aes(x= hwy, y = displ)) +
  geom_point(aes(color = cyl))
 
p2 = ggplot(data = mpg, aes(x= hwy, y = displ)) +
  geom_point(aes(size = cyl))

p3 = ggplot(data = mpg, aes(x= hwy, y = displ)) +
  geom_point(aes(color = cyl, size = cyl))

p4 = ggplot(data = mpg, aes(x= hwy, y = displ)) +
  geom_point(aes(shape = as.factor(cyl)))

grid.arrange(p1,p2,p3,p4, nrow =2, ncol =2)

Temos que ao adicionarmos as os mapeamentos por mais variáveis númericas as caracteristicas estéticas dos gráficos, obtemos mais condessação de informação no mesmo.

Entretanto, lidar com variáveis númericas nesses mapeamentos pode não ser o ideal devido ao tamanho das amplitudes dessas. Podendo poluir o gráfico e trazer o efeito contrário.

Para o atributo shape, não é possível mapear variáveis contíuas no mesmo, foi necessário transformarmos em fator para após isso rodar o gráfico.

E) Faça um gráfico de dispersão de profundidade_bico vs. comprimento_bico e pinte os pontos por especie. O que a adição da coloração por especie revela sobre a relação entre essas duas variáveis? E quanto à separação em facetas por especie?

ggplot(data = penguins2, aes(x = bill_depth_mm, y = bill_length_mm, color = species)) + 
  geom_point() +
  labs( title = "Profundidade do bico (mm) x Tamanho do bico (mm) dos pinguins", x = "Profundidade do bico", y = "Tamanho do bico", colour = "species", caption = "Segregação de cores em função das especies") +
  theme_light()

A especie Gentoo é uma especie que tem profundidade de bico menor, porém com maior tamanho.

Para a especie Chinstrap que possui grande profundidade e comprimento de bico.

Para a especie Adelie, a mesma possui um baixo tamanho de bico, porém com grande profundiade.

ggplot(data = penguins2, aes(x = bill_depth_mm, y = bill_length_mm, color = species)) + 
  geom_point() +
  labs( title = "Profundidade do bico (mm) x Tamanho do bico (mm) dos pinguins", x = "Profundidade do bico", y = "Tamanho do bico") +
  facet_grid(~species) +
  theme_light()

A) Crie um gráfico de dispersão de rodovia vs. cilindrada no qual os pontos sejam triângulos preenchidos em cor-de-rosa (pink).

ggplot(data = mpg) +
  geom_point(aes(x = hwy, y = displ, color = "pink"), 
             shape = 17, size =3) +
  labs(
        title = "Gráfico de dispersão: Consumo na Rodovia X Tamanho do motor (l)",
        x = "Consumo na Rodovia (Mpg)",
        y = "Tamanho do motor (l)")

B) Recrie o código em R necessário para gerar os gráficos abaixo. Observe que sempre que uma variável categórica é utilizada no gráfico, trata-se da variável tracao.

p1 = ggplot(data = mpg, aes(x = displ, y = hwy)) +
  geom_point() +
  geom_smooth(se = F)

p2 = ggplot(data = mpg, aes(x = displ, y = hwy, fill = drv)) +
  geom_point() +
  geom_smooth(se = F)

p3 = ggplot(data = mpg, aes(x = displ, y = hwy, fill = drv, color = drv)) +
  geom_point() +
  geom_smooth(se = F)

p4 = ggplot(data = mpg, aes(x = displ, y = hwy)) +
  geom_point(aes(color = drv)) +
  geom_smooth(se = F)

p5 = ggplot(data = mpg, aes(x = displ, y = hwy)) +
  geom_point(aes(color = drv)) +
  geom_smooth(aes(linetype = drv) ,se = F)

p6 = ggplot(data = mpg, aes(x = displ, y = hwy)) +
    geom_point(color = "white", size = 4, alpha =1) +
    geom_point(aes(color = drv , fill = drv), shape = 21, color = "white", size = 2 ) 

grid.arrange(p1,p2,p3,p4,p5,p6, nrow =3, ncol = 2)

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

C) Observe o primeiro gráfico criado por faceta abaixo e conclua: Quais são as vantagens de usar facetas ao invés do atributo estético color? Quais são as desvantagens? Como essas vantagens e desvantagens mudariam se você tivesse uma base de dados maior?

ggplot(mpg) + 
  geom_point(aes(x = cyl, y = hwy), color = "blue") + 
  facet_wrap(~ class, nrow = 2) +
  theme_light()

A principal vantagem de “facertarmos” o nosso gráfico é a rápida visualização do mesmo. Caso tenhamos feito o processo de StoryTelling corretamente, declarando no titulo o objetivo do gráfico a ser apresentado, o leitor rapidamente consegue identificar as informações que desejamos passar.

Além do quê, é possível ter uma visão especifica para cada classe ou até mesmo combinações de facetas que desejamos colocar. Entrentando, a medida que vamos adicionando mais facetas, pode ser que a compreensão do gráfico fique prejudicada.

ggplot(mpg) + 
  geom_point(aes(x = cyl, y = hwy, color = class))