Respostas do Exercício 12
Questão 1
### Questão 1
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)
par(mar = c(4, 4, 2.5, 1.5)) # (bottom, left, top, right)
layout(matrix(c(1, 1, 1, 2, 3, 4, 5, 6, 0), 3, 3, byrow = TRUE), heights = c(2, 1, 1))
# --- Gráfico 1 (Linha) ---
ylim_line <- c(0, max(MRT_1F))
xlim_line <- c(0, max(clock))
plot(clock, MRT_1F, type = "o", pch = 1, lty = 1, col = "black",
ylim = ylim_line, xlim = xlim_line,
xlab = "Time between Things requests (seconds)",
ylab = "Response Time (sec.)")
lines(clock, MRT_3F, type = "o", pch = 2, lty = 2, col = "red")
lines(clock, MRT_5F, type = "o", pch = 3, lty = 3, col = "blue")
lines(clock, MRT_10F, type = "o", pch = 4, lty = 4, col = "purple")
lines(clock, MRT_15F, type = "o", pch = 5, lty = 5, col = "green")
lines(clock, MRT_sem_F, type = "o", pch = 6, lty = 6, col = "orange")
legend("topright",
legend = c("1 Fog", "3 Fogs", "5 Fogs", "10 Fogs", "15 Fogs", "w/o Fog"),
pch = 1:6, lty = 1:6,
col = c("black", "red", "blue", "purple", "green", "orange"))
# --- Gráficos 2-6 (Barras) ---
cores_barra <- c("#E6E6E6", "#666666") # Cores pedidas
nomes_eixo_x <- clock
criar_barplot <- function(data, legenda) {
barplot(t(data), beside = TRUE, names.arg = nomes_eixo_x,
log = "y", col = cores_barra, # Escala logarítmica
xlab = "Time between Things requests",
ylab = "Response time (s)",
legend.text = legenda,
args.legend = list(x = "topright", bty = "n"))
}
# Criar os 5 gráficos de barra
criar_barplot(cbind(MRT_sem_F, MRT_1F), c("w/o Fog", "1 Fog"))
criar_barplot(cbind(MRT_sem_F, MRT_3F), c("w/o Fog", "3 Fogs"))
criar_barplot(cbind(MRT_sem_F, MRT_5F), c("w/o Fog", "5 Fogs"))
criar_barplot(cbind(MRT_sem_F, MRT_10F), c("w/o Fog", "10 Fogs"))
criar_barplot(cbind(MRT_sem_F, MRT_15F), c("w/o Fog", "1FSogs"))
# Resetar o layout para o padrão (importante!)
par(mfrow = c(1, 1), mar = c(5.1, 4.1, 4.1, 2.1))
Questão 2
dados_refeicao <- matrix(c(
53.8, 33.9, 2.6, 0.0, # Good
43.6, 54.2, 60.5, 21.4, # Very Good (Corrigido)
2.6, 11.9, 36.8, 78.6 # Excellent (Corrigido)
), nrow = 3, ncol = 4, byrow = TRUE)
# 2. Definir nomes
colnames(dados_refeicao) <- c("$10-19", "$20-29", "$30-39", "$40-49")
rownames(dados_refeicao) <- c("Good", "Very Good", "Excellent")
# 3. Criar o gráfico de barras empilhadas
barplot(dados_refeicao,
main = "Qualidade da Refeição por Preço", # Título
xlab = "Preço da Refeição (Meal Price)", # Nome eixo X
ylab = "Porcentagem (%)", # Nome eixo Y
col = c("lightblue", "lightyellow", "lightgreen"),
legend.text = rownames(dados_refeicao), # Legenda
args.legend = list(x = "topright"))
Questão 3
data(airquality)
dados_maio <- airquality[airquality$Month == 5, ]
temp_celsius <- (dados_maio$Temp - 32) / 1.8
# 4. Criar o histograma
hist(temp_celsius,
prob = TRUE,
col = "lightblue",
main = "Histograma da Temperatura em Maio (Celsius)",
xlab = "Temperatura (°C)",
ylab = "Densidade")
# 5. Adicionar curva de densidade [cite: 95]
lines(density(temp_celsius, na.rm = TRUE), col = "red", lwd = 2)
Questão 4
sales <- read.table("https://training-course-material.com/images/8/8f/Sales.txt", header = TRUE)
sales_by_country <- aggregate(SALES ~ COUNTRY, data = sales, FUN = sum)
pct <- round(sales_by_country$SALES / sum(sales_by_country$SALES) * 100)
labels_pct <- paste(pct, "%", sep = "")
cores <- rainbow(length(sales_by_country$COUNTRY))
par(mar = c(5, 4, 4, 7) + 0.1)
pie(sales_by_country$SALES,
labels = labels_pct,
col = cores,
main = "Total de Vendas por País"
)
par(xpd = TRUE)
legend(x = 1.3, y = 1.0,
legend = sales_by_country$COUNTRY,
fill = cores,
cex = 0.8
)
Questão 5
data(InsectSprays)
# 2. Criar o boxplot
boxplot(count ~ spray,
data = InsectSprays,
main = "Contagem de Insetos por Tipo de Inseticida", # Título
xlab = "Tipo de Inseticida", # Nome do eixo X
ylab = "Contagem de Insetos", # Nome do eixo Y
col = "yellow", # Cor de preenchimento
outline = FALSE # Remove outliers
)
Questão 6
# 1. Função para processar os dados de cada arquivo
processar_dados <- function(filepath) {
df <- read.csv(filepath, stringsAsFactors = FALSE)
df$currentTime <- as.POSIXct(df$currentTime, format = "%Y-%m-%d %H:%M:%OS")
min_time <- min(df$currentTime, na.rm = TRUE)
df$Time_hour <- as.numeric(difftime(df$currentTime, min_time, units = "hours"))
df$usedMemory <- gsub(",", ".", df$usedMemory, fixed = TRUE)
# 2. Extrair valores e unidades
valores <- as.numeric(gsub("([0-9\\.]+).*", "\\1", df$usedMemory))
unidades <- gsub("[0-9\\.\\s]+", "", df$usedMemory)
# 3. Calcular multiplicador para converter para MB
multiplicador <- ifelse(unidades == "TB", 1000000,
ifelse(unidades == "GB", 1024,
ifelse(unidades == "KB", 1/1024, 1))) # '1' para MB
df$usedMemory_MB <- valores * multiplicador
return(df)
}
# 2. Função para plotar
plotar_memoria <- function(df, titulo) {
plot(df$Time_hour, df$usedMemory_MB,
type = 'l', main = titulo, xlab = "Time (hour)", ylab = "Used Memory (MB)",
xlim = range(df$Time_hour, na.rm = TRUE),
ylim = range(df$usedMemory_MB, na.rm = TRUE))
}
# 3. Definir nomes dos arquivos e títulos (nomes sem espaço)
arquivos <- c("monitoringCloudData_NONE.csv", "monitoringCloudData_0.1.csv",
"monitoringCloudData_0.5.csv", "monitoringCloudData_1.csv")
titulos <- c("Memory Analysis (None Workload)", "Memory Analysis (Workload of 0.1)",
"Memory Analysis (Workload of 0.5)", "Memory Analysis (Workload of 1.0)")
# 4. Definir layout 2x2
graphics::layout(matrix(c(1, 2, 3, 4), 2, 2, byrow = TRUE))
# 5. Loop para ler, processar e plotar cada arquivo
tryCatch({
for (i in 1:4) {
dados <- processar_dados(arquivos[i])
plotar_memoria(dados, titulos[i])
}
}, error = function(e) {
print("Erro ao ler ou processar os arquivos CSV da Questão 6.")
print(e)
})
# 6. Resetar o layout para o padrão
graphics::layout(1)
Questão 7
# Filtra e pega o Top 10
top_10_paises <- netflix_df %>%
filter(country != "" & !is.na(country) & !grepl(",", country)) %>%
count(country, sort = TRUE) %>%
top_n(10, n)
# Cria o gráfico
fig7 <- plot_ly(top_10_paises,
labels = ~country,
values = ~n,
type = 'pie',
textinfo = 'label+percent',
insidetextorientation = 'radial') %>%
layout(title = "Top 10 Países com Mais Conteúdo (País Único)")
print(fig7)
Questão 8
dados_tabela <- top_10_paises %>%
rename(País = country, "Total de conteúdos" = n)
fig8 <- plot_ly(
type = 'table',
header = list(
values = names(dados_tabela),
fill = list(color = "grey"), # Fundo cinza
font = list(color = "white"), # Letra branca
align = "center" # Centralizado
),
cells = list(
values = unname(as.list(dados_tabela)),
align = "center" # Células centralizadas
)
)
print(fig8)
Questão 9
conteudo_por_decada <- netflix_df %>%
filter(!is.na(release_year) & type %in% c("Movie", "TV Show")) %>%
mutate(Decada = floor(release_year / 10) * 10) %>%
group_by(Decada, type) %>%
summarise(Quantidade = n(), .groups = 'drop') %>%
mutate(Tipo = ifelse(type == "Movie", "Movies", "TV Series"))
fig9 <- plot_ly(conteudo_por_decada,
x = ~Decada,
y = ~Quantidade,
color = ~Tipo,
type = 'scatter',
mode = 'lines+markers',
# Cores: azul para séries, amarela (laranja) para filmes
colors = c("Movies" = "orange", "TV Series" = "blue")) %>%
layout(title = "Quantidade de Conteúdo por Década",
xaxis = list(title = "Década"),
yaxis = list(title = "Qnd. Conteúdo"))
print(fig9)
Questão 10
generos_alvo <- c("Dramas", "Action & Adventure", "Comedies")
dados_genero <- netflix_df %>%
filter(type == "Movie" &
release_year >= 2000 & release_year <= 2010) %>%
mutate(Primeiro_Genero = sapply(strsplit(listed_in, ","), function(x) trimws(x[1]))) %>%
filter(Primeiro_Genero %in% generos_alvo) %>%
group_by(release_year, Primeiro_Genero) %>%
summarise(Quantidade = n(), .groups = 'drop') %>%
mutate(Genero = case_when(
Primeiro_Genero == "Dramas" ~ "Drama",
Primeiro_Genero == "Action & Adventure" ~ "Ação e Aventura",
Primeiro_Genero == "Comedies" ~ "Comédia"
))
fig10 <- plot_ly(dados_genero,
x = ~release_year,
y = ~Quantidade,
color = ~Genero,
type = 'bar') %>%
layout(
barmode = 'group',
xaxis = list(title = "Ano de Lançamento"),
yaxis = list(title = "Qnt. de Lançamentos")
)
print(fig10)