Introdução

A visualização de dados é uma etapa fundamental no processo de análise estatística, pois permite explorar padrões, identificar relações, detectar outliers e comunicar resultados de forma clara e objetiva. Um gráfico bem construído facilita a interpretação das informações e contribui para uma tomada de decisão mais embasada.

No ambiente R, o pacote ggplot2 se destaca como uma das principais ferramentas para construção de gráficos, por ser baseado na Grammar of Graphics, uma abordagem estruturada que organiza a visualização em componentes como dados, mapeamentos estéticos, geometrias e escalas. Essa estrutura em camadas oferece grande flexibilidade e possibilita a criação de visualizações personalizadas e visualmente consistentes.

Neste tutorial, serão apresentados os conceitos fundamentais do ggplot2, desde a estrutura básica de um gráfico até recursos de facetas e customização.

Objetivo do Tutorial

Este tutorial tem como objetivo apresentar os fundamentos da visualização de dados utilizando o pacote ggplot2, explorando os principais conceitos da Grammar of Graphics e aplicando-os na construção de gráficos comuns (dispersão, linhas, barras e boxplots), além do uso de facetas, temas e boas práticas de visualização.

Pacotes e Dados

install.packages("ggplot2")
library(ggplot2)

Datasets utilizados:

• mtcars: dados sobre características de automóveis.
• diamonds: informações sobre preços e atributos de diamantes.

O que é a Grammar of Graphics

A Grammar of Graphics organiza um gráfico como uma composição. Em geral, construímos assim:

1. Dados (data): o conjunto de observações (linhas) e variáveis (colunas).
2. Mapeamento estético (aes): quais variáveis serão representadas em x, y, color, fill, etc.
3. Geometria (geom_*): como os dados serão desenhados (pontos, barras, linhas…).
4. Escalas (scale_*): como valores viram elementos visuais (ex.: cores, limites de eixos).
5. Facetas (facet_*): como dividir em painéis para comparar grupos.
6. Tema (theme_*): aparência do gráfico (grades, fontes, etc.).
7. Rótulos (labs): título, eixos, legenda e fonte.

No ggplot2, os gráficos são construídos adicionando camadas com o operador +.

Estrutura básica do ggplot2

A forma mais comum:

ggplot(data = ..., aes(...)) + geom_*()

• ggplot() cria o “objeto gráfico” e define dados e mapeamentos.
• geom_*() define como os dados serão desenhados.
• Funções como labs(), theme_*() e facet_*() refinam apresentação e comparação.

ggplot(mtcars, aes(x = wt, y = mpg)) +
  geom_point()

Estéticas (aes): o que são e por que importam

As estéticas (aes) definem o “mapeamento” entre variáveis e elementos visuais:

• x e y: posição
• color: cor do contorno (pontos/linhas)
• fill: preenchimento (barras, boxplot, áreas)
• size: tamanho
• alpha: transparência
• shape: forma do ponto

ggplot(mtcars, aes(x = wt, y = mpg, color = factor(cyl))) +
  geom_point(size = 3) +
  labs(color = "Cilindros")

Principais geoms (com interpretação)

ggplot(mtcars, aes(wt, mpg)) +
  geom_point() +
  labs(x = "Peso (wt)", y = "Consumo (mpg)")

ggplot(mtcars, aes(wt, mpg)) +
  geom_point() +
  geom_smooth(method = "lm", se = TRUE) +
  labs(title = "Dispersão com tendência linear")

df <- data.frame(
  tempo = 1:10,
  valor = c(2, 3, 5, 4, 6, 7, 8, 8, 9, 10)
)

ggplot(df, aes(tempo, valor)) +
  geom_line(linewidth = 1) +
  geom_point(size = 2) +
  labs(x = "Tempo", y = "Valor", title = "Exemplo de gráfico de linha")

ggplot(mtcars, aes(x = factor(cyl))) +
  geom_bar() +
  labs(x = "Cilindros", y = "Frequência", title = "Contagem por categoria")

media_mpg <- aggregate(mpg ~ cyl, data = mtcars, FUN = mean)

ggplot(media_mpg, aes(x = factor(cyl), y = mpg)) +
  geom_col() +
  labs(x = "Cilindros", y = "Média de mpg", title = "Média de mpg por cilindros")

ggplot(mtcars, aes(x = factor(cyl), y = mpg)) +
  geom_boxplot() +
  labs(x = "Cilindros", y = "mpg", title = "Distribuição de mpg por cilindros")

Facetas: comparando grupos em painéis

Facetas dividem o gráfico em múltiplos painéis com a mesma estrutura visual.
Isso facilita comparar padrões entre grupos sem misturar tudo no mesmo painel.

ggplot(mtcars, aes(wt, mpg)) +
  geom_point() +
  facet_wrap(~ factor(cyl)) +
  labs(title = "Dispersão por número de cilindros")

ggplot(diamonds, aes(carat, price)) +
  geom_point(alpha = 0.2) +
  facet_grid(cut ~ color) +
  labs(title = "Preço vs quilates por cut (linhas) e color (colunas)")

Temas e customização: deixando o gráfico mais “publicável”

ggplot(mtcars, aes(wt, mpg, color = factor(cyl))) +
  geom_point(size = 3) +
  labs(
    title = "Consumo vs Peso",
    subtitle = "Comparação considerando o número de cilindros",
    x = "Peso (wt)",
    y = "Consumo (mpg)",
    color = "Cilindros",
    caption = "Fonte: dataset mtcars (R base)"
  )

ggplot(mtcars, aes(wt, mpg)) +
  geom_point() +
  theme_minimal() +
  labs(title = "Tema minimal")

ggplot(mtcars, aes(wt, mpg)) +
  geom_point(size = 2) +
  theme_minimal() +
  theme(
    plot.title = element_text(face = "bold"),
    axis.title = element_text(size = 12)
  ) +
  labs(title = "Exemplo de customização")

Boas práticas de visualização

• Escolha o gráfico de acordo com o tipo de variável e objetivo (comparar, relação, distribuição).
• Evite excesso de informação visual (muitas cores, muitas grades, textos longos).
• Use títulos e rótulos claros, eixos com unidades sempre que possível.
• Em datasets densos, controle sobreposição com alpha, jitter ou agregação.
• Mantenha consistência de estilo em relatórios (mesmo tema, padrões de legenda).

Exercícios

1. Crie um gráfico de dispersão de hp (x) vs mpg (y), colorindo por cyl.
2. Faça um boxplot de wt por gear.
3. Construa um gráfico de barras com a contagem de gear.
4. Faça um scatter de carat vs price no diamonds, usando alpha e facetas por cut.

Gabarito sugerido

# 1
ggplot(mtcars, aes(hp, mpg, color = factor(cyl))) +
  geom_point(size = 2)

# 2
ggplot(mtcars, aes(factor(gear), wt)) +
  geom_boxplot()

# 3
ggplot(mtcars, aes(factor(gear))) +
  geom_bar()

# 4
ggplot(diamonds, aes(carat, price)) +
  geom_point(alpha = 0.2) +
  facet_wrap(~ cut)

Conclusão

Neste tutorial, foram apresentados os fundamentos da visualização de dados com o pacote ggplot2, destacando os principais conceitos da Grammar of Graphics, a estrutura em camadas, o uso de estéticas, geometrias, facetas e customização por temas.

A interpretação correta dos gráficos é tão importante quanto sua construção: compreender o que cada elemento representa (pontos, linhas, caixas, barras) é essencial para tirar conclusões adequadas e comunicar resultados com clareza.

Com prática, o ggplot2 se torna uma ferramenta poderosa para produzir visualizações consistentes e profissionais em relatórios, artigos e apresentações.