---
title: "Análise Preditiva do 19º BPM"
author: "3º Sgt Novais"
subtitle: "Layout Focado da Atividade 1"
output:
  flexdashboard::flex_dashboard:
    orientation: columns
    vertical_layout: fill
    source_code: embed
    css: style.css
    # O logo precisa ser um caminho válido no servidor.
    logo: 'C:/Projetos_R/flaskdashboard/imgens/logo_pmmg_25mm.png'
    navbar:
      - { icon: "fa-whatsapp", href: "https://wa.me/5533999481310", title: "Whatsapp" }
      - { icon: "fa-instagram", href: "https://www.instagram.com/valfridonovais/", title: "Instagram" }
      - { icon: "fa-github", href: "https://github.com/ValfridoNovais", title: "GitHub" }
---

<script>
$(document).ready(function() {
  // Seleciona todos os links da barra de navegação que começam com "http"
  // e adiciona o atributo para abrir em nova aba
  $('.navbar-nav a[href^="http"]').attr('target', '_blank');
});
</script>

```{r setup, include=FALSE}
# Configuração de ambiente e carregamento de bibliotecas
library(flexdashboard)
library(tidyverse) # Fundamental para manipulação de dados e ggplot2
library(knitr) # Para formatação de tabelas e do relatório
library(scales) # Para formatar rótulos (usado no Ex 1.2)
library(leaflet)
library(crosstalk)
library(plotly)

# Configuração global para evitar quebra de linha longa em chunks de código
knitr::opts_chunk$set(tidy = FALSE, warning = FALSE, message = FALSE)

# Dados do mtcars para o Ex 1.1
data(mtcars)
```


Introdução {#introducao}
=====================================

<!-- CONTEÚDO DA INTRODUÇÃO -->
Bem-vindo ao painel. Utilize o menu lateral para navegar.


Gráfico de Dispersão (Ex 1.1) {#dispersao} {data-navmenu="QUESTÕES GERAIS" data-navmenu-icon="fa-list" data-icon="fa-check"}
=====================================

Column {data-width=350}
-----------------------------------------------------------------------

### **Interpretação da Relação Peso vs. Consumo**

O [Gráfico de Dispersão](#grafico_dispersao) gerado revela uma **forte correlação negativa** entre o peso do veículo (`wt`) e a Milhas por Galão (`mpg`). Isso significa que, invariavelmente, veículos mais pesados tendem a ter uma eficiência de combustível significativamente menor.

**Observações Segmentadas por Cilindros (`cyl`):**

1.  **Diferenciação Clara:** Os dados estão perfeitamente agrupados de acordo com o número de cilindros (4, 6 e 8), reforçando que esta é a principal variável de influência na eficiência.
2.  **4 Cilindros (Verde):** Correspondem aos veículos mais leves e mais econômicos, com a maior média de MPG.
3.  **8 Cilindros (Vermelho):** Correspondem aos veículos mais pesados e menos econômicos, com a menor média de MPG.

**Conclusão:** O número de cilindros atua como um forte fator de estratificação. Para otimizar a eficiência de combustível, a redução no peso, especialmente na transição para um menor número de cilindros, é a alavanca mais eficaz.

Column {data-width=650 .tabset}
-------------------------------------

### Carregamento dos dados (boa prática para código reproduzível) {data-height=700}{#grafico_dispersao}

```{r ex_1_1}
# OBJETIVO: Criar um gráfico de dispersão (mpg x wt), cor por cyl, com theme_minimal().

# Criando o gráfico de dispersão conforme as instruções
grafico_1 <- ggplot(data = mtcars) +
    # Mapeamento estético: X = peso, Y = milhas/galão, Cor = cilindros
    aes(x = wt, y = mpg, color = as.factor(cyl)) +
    # Geometria de dispersão (pontos)
    geom_point(size = 3) +
    # Customização de Títulos e Rótulos
    labs(
        title = "2.1 Relação entre Peso e Consumo de Combustível",
        subtitle = "Aumento de peso (wt) resulta em menor eficiência (mpg).",
        x = "Peso (1000 lbs)",
        y = "Milhas por Galão (mpg)",
        color = "Cilindros"
    ) +
    # Aplicação do tema minimalista
    theme_minimal() +
    theme(legend.position = "bottom") 

# PLOTANDO O GRÁFICO 
grafico_1
```

### Chart C - Código R Fonte {data-height=300}

```{r eval=FALSE, echo=TRUE}
# O código a seguir é a versão fonte original (Chart A) para referência.
# Este chunk tem eval=FALSE, ou seja, ele APENAS exibe o código, não o executa.

# OBJETIVO: Criar um gráfico de dispersão (mpg x wt), cor por cyl, com theme_minimal().

# Criando o gráfico de dispersão conforme as instruções
grafico_1 <- ggplot(data = mtcars) +
    # Mapeamento estético: X = peso, Y = milhas/galão, Cor = cilindros
    aes(x = wt, y = mpg, color = as.factor(cyl)) +
    # Geometria de dispersão (pontos)
    geom_point(size = 3) +
    # Customização de Títulos e Rótulos
    labs(
      title = "2.1 Relação entre Peso e Consumo de Combustível",
        subtitle = "Aumento de peso (wt) resulta em menor eficiência (mpg).",
        x = "Peso (1000 lbs)",
        y = "Milhas por Galão (mpg)",
        color = "Cilindros"
    ) +
    # Aplicação do tema minimalista
    theme_minimal() +
    theme(legend.position = "bottom") 
```
    
<!--INICIO DA SEGUNDA PÁGINA DO QUESTÕES GERAIS-->

Gráficos de Barras {#barras} {data-navmenu="QUESTÕES GERAIS" data-navmenu-icon="fa-list" data-icon="fa-check"}
=====================================

Column {data-width=500 }{.tabset}
----------------------------------------------------------------------- 

### Atividade A - Visualização do Gráfico

```{r ex_1_2_plot, echo=FALSE, message=FALSE, warning=FALSE}
# **Nota:** Certifique-se de que os pacotes 'ggplot2', 'dplyr', 'scales' e 'forcats' estão instalados e carregados.

if (!requireNamespace("ggplot2", quietly = TRUE)) install.packages("ggplot2")
if (!requireNamespace("dplyr", quietly = TRUE)) install.packages("dplyr")
if (!requireNamespace("scales", quietly = TRUE)) install.packages("scales")
if (!requireNamespace("forcats", quietly = TRUE)) install.packages("forcats")

library(ggplot2)
library(dplyr) 
library(scales) 
library(forcats) 

# 1. Preparação dos dados: contar e (a) ordenar o fator 'cut'
diamonds_ordered <- diamonds %>%
  count(cut) %>%
  mutate(cut = fct_reorder(cut, n, .desc = TRUE))

# 2. Criando o gráfico de barras
grafico_barras_1_2 <- ggplot(data = diamonds_ordered, aes(x = cut, y = n, fill = cut)) +
  # Geometria de barras (stat="identity" pois a contagem foi pré-calculada)
  geom_bar(stat = "identity") +
  # (b) Adicionar rótulos de valor em cada barra
  geom_text(aes(label = comma(n)), 
            vjust = -0.5, size = 4, fontface = "bold", color = "black") +
  # (c) Utilizar uma paleta de cores divergente (Brewer 'RdBu')
  scale_fill_brewer(palette = "RdBu", guide = "none") +
  # Customização de Títulos e Rótulos
  labs(
    title = "Contagem de Diamantes por Qualidade do Corte",
    subtitle = "Barras ordenadas com rótulos e paleta divergente.",
    x = "Qualidade do Corte",
    y = "Contagem de Diamantes (n)"
  ) +
  # Aplicação do tema minimalista e ajustes estéticos
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold")
  )
  
# Exibindo o gráfico
grafico_barras_1_2
```

Column {data-width=500 }{.tabset}
----------------------------------------------------------------------- 

### Atividade B - Análise e Interpretação

O gráfico de barras mostra claramente a distribuição da quantidade de diamantes em relação à qualidade de seu corte (`cut`).

1.  **Dominância do Corte Ideal:** O corte de qualidade `Ideal` domina o dataset com a maior frequência (mais de 20.000 unidades), indicando que a maioria dos diamantes neste conjunto de dados possui o mais alto padrão de corte.
2.  **Ordem de Frequência:** A ordenação decrescente das barras (`Ideal > Premium > Very Good > Good > Fair`) facilita a visualização imediata do ranking de frequência, seguindo de perto a percepção de qualidade do corte.
3.  **Cortes de Baixa Qualidade:** Os cortes `Good` e, principalmente, `Fair`, representam uma fração muito pequena da distribuição total, sugerindo que diamantes de cortes inferiores são menos comuns no dataset, ou são removidos da análise de mercado.

### Atividade C - Código Fonte (Referência){attr.source='style="max-height: 350px; overflow-y: auto;"'}

```{r ex_1_2_source, eval=FALSE, echo=TRUE}
# Este chunk tem eval=FALSE, ou seja, ele APENAS exibe o código, não o executa.

# Pacotes necessários:
library(ggplot2)
library(dplyr) 
library(scales) # Para formatação de números
library(forcats) # Para reordenar fatores

# a) Ordenar as barras em ordem decrescente (pré-processamento)
diamonds_ordered <- diamonds %>%
  count(cut) %>%
  mutate(cut = fct_reorder(cut, n, .desc = TRUE))

# Criando o gráfico de barras
grafico_barras_1_2 <- ggplot(data = diamonds_ordered, aes(x = cut, y = n, fill = cut)) +
  # Geometria de barras (stat="identity" pois a contagem foi pré-calculada)
  geom_bar(stat = "identity") +
  # b) Adicionar rótulos de valor em cada barra
  geom_text(aes(label = scales::comma(n)), 
            vjust = -0.5, size = 4, fontface = "bold", color = "black") +
  # c) Utilizar uma paleta de cores divergente (Brewer 'RdBu')
  scale_fill_brewer(palette = "RdBu", guide = "none") +
  # Customização de Títulos e Rótulos
  labs(
    title = "Contagem de Diamantes por Qualidade do Corte",
    subtitle = "Barras ordenadas com rótulos e paleta divergente.",
    x = "Qualidade do Corte",
    y = "Contagem de Diamantes (n)"
  ) +
  # Aplicação do tema
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold")
  )
  
# Exibindo o gráfico
grafico_barras_1_2
```

<!--INICIO DA PÁGINA DE AVANÇO (INTERATIVIDADE)-->

Gráfico Interativo (Crosstalk) {#interativo} {data-navmenu="QUESTÕES GERAIS" data-navmenu-icon="fa-list" data-icon="fa-check"}
=====================================

Column {data-width=500}
-------------------------------------
### Carregamento dos dados (boa prática para código reproduzível)

data(mtcars)

```{r}
# 1. Transformar o mtcars em um objeto de "Dados Compartilhados"
# Isso permite que os filtros controlem os dados
dados_shared <- SharedData$new(mtcars)

# 2. Criar o gráfico com ggplot usando os 'dados_shared' em vez de 'mtcars'
grafico_base <- ggplot(data = dados_shared) +
  aes(x = wt, y = mpg, color = as.factor(cyl)) +
  geom_point(size = 3) +
  labs(
    title = "Análise Interativa: Peso vs Consumo",
    x = "Peso (1000 lbs)",
    y = "Milhas por Galão (mpg)",
    color = "Cilindros"
  ) +
  theme_minimal()

# 3. Criar os Filtros
# Filtro deslizante (Slider) para o Peso
filtro_peso <- filter_slider("peso", "Filtrar por Peso (wt)", dados_shared, ~wt)

# Filtro de caixa de seleção (Checkbox) para Cilindros
filtro_cyl <- filter_checkbox("cyl", "Selecionar Cilindros", dados_shared, ~cyl, inline = TRUE)

# 4. Juntar tudo em um layout (Filtros + Gráfico)
# A função bscols organiza em colunas
bscols(
  widths = c(3, 9), # 30% da tela para filtros, 70% para o gráfico
  list(filtro_cyl, filtro_peso), # Coluna da esquerda (Filtros)
  ggplotly(grafico_base)         # Coluna da direita (Gráfico Interativo)
)
```

Column {data-width=500}
-----------------------------------------------------------------------

### Chart B

```{r}

```

### Chart C

```{r}

```

Page 3 {#page-3} {data-navmenu="Menu B" data-navmenu="fa-cog"}
=====================================


Page 4 {#page-4} {data-navmenu="Menu B"}
=====================================  

Column {data-width=650}
-----------------------------------------------------------------------

### Chart A

```{r}

```

Column {data-width=350}
-----------------------------------------------------------------------

### Chart B

```{r}

```

### Chart C

```{r}

```