Visualização de dados - Parte I

Indrodução

A construção de gráficos no R foi revolucionada com a criação do pacote ggplot2, fruto da tese de doutorado de Hadley Wickham. Essa revolução teve base na filosofia adotada por Hadley ao definir o que deveria ser um gráfico estatístico.

Em 2005, Leland publicou o livro The Grammar of graphics, uma fonte de princípios fundamentais para a construção de gráficos estatísticos. No livro, ele defende que um gráfico é o mapeamento dos dados a partir de atributos estéticos (posição, cor, forma, tamanho) de objetos geométricos (pontos, linhas, barras, caixas).

Livro “The Grammar of graphics”

• “O gráfico simples trouxe mais informações à mente dos analistas de dados do que qualquer outro dispositivo.” - John Tukey.

No R há vários dispositivos para fazer gráficos, porém o ggplot2 é um dos mais elegantes e versáteis. Este implementa a gramática, um sistema coerente para descrever e construir gráficos.

Livro “ggplot2”

O ggplot2 traz outras vantagens em relação aos gráficos do R base:

• gráficos naturalmente mais bonitos;
• muito mais fácil deixar o gráfico do jeito que você quer;
• a estrutura padronizada das funções deixa o aprendizado muito mais intuitivo;
• possibilidade de criar uma imensa gama de gráficos com poucas linhas de código.

Camadas de um gráfico

No ggplot2, os gráficos são construídos camada por camada (ou, layers, em inglês), sendo a primeira delas dada pela função ggplot() . Essa função recebe um data frame e cria a camada base do gráfico. Se rodarmos apenas a função ggplot(), obteremos um painel em branco.

library(ggplot2)
head(mtcars)

ggplot(data = mtcars)

ggplot(data = mtcars) + 
  geom_point(mapping = aes(x = disp, y = mpg))

• Perceba que a segunda camada é dada pela função geom_point(), especificando a forma geométrica utilizada no mapeamento das observações;

• As camadas são somadas com um +;

• O mapeamento na função geom_point() recebe a função aes(), responsável por descrever como as variáveis serão mapeadas nos aspectos visuais da forma geométrica escolhida, no caso, pontos.

ggplot(data = mtcars) + 
  geom_point(mapping = aes(x = disp, y = mpg)) +
  labs(x = "Cilindradas", y = "Milhas/galão")

Cores

am1<-factor(mtcars$am,labels = c("automatic","manual"))

ggplot(data = mtcars) + 
  geom_point(mapping = aes(x = disp, y = mpg, color = am1))

####

ggplot(mtcars, aes(disp,mpg)) + geom_point(aes(colour = "red"))

ggplot(mtcars, aes(disp,mpg)) + geom_point(colour = "blue")

ggplot(mtcars) + 
  geom_point(mapping = aes(x = disp, y = mpg, colour = carb))

Tamanho

ggplot(mtcars) + 
  geom_point(mapping = aes(x = disp, y = mpg, colour = carb,size = wt))

• color = : altera a cor de formas que não têm área (pontos e retas).
• fill = : altera a cor de formas com área (barras, caixas, densidades, áreas).
• size = : altera o tamanho de formas.
• type = : altera o tipo da forma, geralmente usada para pontos.
• linetype =: altera o tipo da linha.

ggplot(mtcars) + 
  geom_point(mapping = aes(x = disp, y = mpg, colour = carb,size = wt),alpha = 1,shape = 6)

Smoother

ggplot(mtcars, aes(disp, mpg)) +
geom_point(size = 4,color = "lightblue") +
geom_smooth()

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

ggplot(mtcars, aes(disp, mpg)) +
geom_point(size = 4,color = "lightblue") +
geom_smooth(method = "lm")

Geoms

Os geoms definem qual forma geométrica será utilizada para a visualização das observações. Por exemplo, a função geom_point() gera gráficos de dispersão transformando pares (x,y) em pontos. Veja a seguir outros geoms bastante utilizados:

• geom_line - para linhas definidas por pares (x,y).
• geom_abline - para retas definidas por um intercepto e uma inclinação.
• geom_hline - para retas horizontais.
• geom_bar - para barras.
• geom_histogram - para histogramas.
• geom_boxplot - para boxplots.
• geom_density - para densidades.
• geom_area - para áreas.

ggplot(mtcars, aes(x=as.factor(am),y = mpg)) +
  geom_boxplot()

ggplot(mtcars) + 
  geom_histogram(aes(x = mpg))

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

ggplot(mtcars, aes(carb)) +
geom_bar()

### outros tipos

ggplot(mtcars, aes(x=as.factor(am),y = mpg)) +
  geom_violin()

# O gráfico de violino é a combinação do boxplot e a linha de densidade no mesmo diagrama, permitindo visualizar detalhes que as duas técnicas sozinhas não seriam capaz de detectar [Hintze and Nelson 1998]. 

ggplot(mtcars) + 
  geom_freqpoly(aes(x = mpg))

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

Facets

O facet permite a visualização de diferentes subconjuntos de dados em gráficos separados, permitindo a mostrar comportamentos diferentes entre os grupos analisados.

ggplot(mtcars, aes(y = mpg, x = disp)) + 
  geom_point() +
  geom_smooth(method = "lm") + 
facet_grid(~am)

Personanlizando os gráficos

‘O maior valor de uma imagem é quando ela nos força a notar o que nunca esperávamos ver - John Tukey’

• Exemplo: Vamos utilizar os resultados de um experimento para comparar os rendimentos (medidos pelo peso seco das plantas) obtidos sob um controle e duas condições de tratamento diferentes.

head(PlantGrowth)

bp <- ggplot(data = PlantGrowth, aes(x = group, y = weight)) + geom_boxplot()
bp

bp1 <- ggplot(data = PlantGrowth, aes(x = group, y = weight, fill=group)) + geom_boxplot()
bp1

# retirando a legenda

bp2 <- ggplot(data = PlantGrowth, aes(x = group, y = weight, fill=group)) + geom_boxplot()
bp2 + guides(fill = FALSE) 

# ou da forma bp2 + theme(legend.position="none") 

bp3 <- ggplot(data = PlantGrowth, aes(x = group, y = weight, fill=group)) + geom_boxplot()
bp3 + theme(legend.position="none")

# removendo o nome da legenda

bp4 <- ggplot(data = PlantGrowth, aes(x = group, y = weight, fill=group)) + geom_boxplot()
bp4 + guides(fill=guide_legend(title=NULL))

# Remove o título de todas as legendas "+ theme(legend.title = element_blank())"

Modificando texto, cores e rótulos

• Neste caso utilizamos as funções scale_fill_discrete() e scale_fill_manual().

bp5 <- ggplot(data = PlantGrowth, aes(x = group, y = weight, fill=group)) + geom_boxplot()
bp5 + scale_fill_discrete(name = "Tratamentos",
                         breaks = c("ctrl", "trt1", "trt2"),
                         labels = c("Controle", "Tratamento 1", "Tratamento 2"))

Uma das formas de encontrar uma paleta de cores no R e fazer de forma automática é via o pacote RColorBrewer. Ao executar a função display.brewer.all() você irá observar diferentes paletas de cores que você pode utilizar. Outra opção, é utilizar o site deles colorbrewer2(http://colorbrewer2.org/#type=diverging&scheme=RdYlGn&n=11).

library(RColorBrewer)


bp5 + scale_fill_discrete(name = "Tratamentos",
                         breaks = c("ctrl", "trt1", "trt2"),
                         labels = c("Controle", "Tratamento 1", "Tratamento 2"))                         

# mudando as cores 

bp5 + scale_fill_brewer(palette = "RdYlGn", direction = 1)

# ou da forma

bp5 + scale_fill_manual(values=c("#b83535", "#4c618a", "#512a6e"), 
                       name="Tratamentos",
                       breaks=c("ctrl", "trt1", "trt2"),
                       labels=c("Controle", "Tratamento 1", "Tratamento 2"))

• Mudando as legendas

Existem inúmeras modificações que podem ser realizadas na aparência da legenda. Todas elas estão relacionadas à modificação do element_text().

bp5 + scale_fill_manual(values=c("#b83535", "#4c618a", "#512a6e"), 
                       name="Tratamentos",breaks=c("ctrl", "trt1", "trt2"),
                       labels=c("Controle", "Tratamento 1", "Tratamento 2")) +
   theme(legend.title = element_text(color = "blue", size = 16, face = "bold"))

###

bp5 + scale_fill_manual(values=c("#b83535", "#4c618a", "#512a6e"), 
                       name="Tratamentos",breaks=c("ctrl", "trt1", "trt2"),
                       labels=c("Controle", "Tratamento 1", "Tratamento 2")) +
   theme(legend.title = element_text(color = "blue", size = 16, face = "bold"),legend.position="top")

• Alterando nomes

bp5 + labs(x="Tratamentos",y="Peso") + labs(title="Crescimento do cultivar")

• Salvando um gráfico

g<-bp5 + labs(x="Tratamentos",y="Peso") + labs(title="Crescimento do cultivar")
ggsave(filename = "meugrafico.png", plot = g)

## Saving 7 x 5 in image

• Juntando gráficos

library(devtools)

## Loading required package: usethis

install_github("thomasp85/patchwork")

## Skipping install of 'patchwork' from a github remote, the SHA1 (36b49187) has not changed since last install.
##   Use `force = TRUE` to force installation

library(patchwork)

p<-ggplot(PlantGrowth, aes(weight,fill=group)) + geom_histogram()
s<-ggplot(PlantGrowth, aes(weight, colour = group)) + geom_freqpoly()

(g | p) / s

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

Mais informações em : https://gotellilab.github.io/GotelliLabMeetingHacks/NickGotelli/ggplotPatchwork.html.

• Jitter

Uma forma de incrementar um boxplot é plotar também todos os pontos, e não apenas os cinco que o boxplot representa. Isso pode ser feito com a função geom_jitter().

g + geom_jitter(color = "red")

Temas

Um característica do ggplot2 é o seu conjunto de temas pré-definidos.

g + theme_dark()

g + theme_replace()

library(cowplot)

## 
## ********************************************************

## Note: As of version 1.0.0, cowplot does not change the

##   default ggplot2 theme anymore. To recover the previous

##   behavior, execute:
##   theme_set(theme_cowplot())

## ********************************************************

g + theme_set(theme_cowplot(12))

g + theme_nothing()

Gráficos de barras

library(MASS)
head(Cars93)

ggplot(Cars93,aes(x=Type)) + 
  geom_bar() + 
  labs(y="Frequência", title = "Tipo do carro")

##  gráfico de barras agrupadas

type1<-subset(Cars93,select=c("Type","Origin"))
head(type1)

ggplot(type1,aes(x=Type,fill = Origin)) +
geom_bar(position = "dodge",color = "lightblue")

Gráfico com alguma “condição”

Vamos utilizar o dataset “airquality” para construirmos um gráfico com uma condição. Por exemplo, se um nível de ozônio para um dia específico for menor ou igual ao nível médio, consideraremos “Baixo”, do contrário “Alto”.

library(tidyr)

aq.no.NA<-drop_na(airquality)
med<-mean(aq.no.NA$Ozone)
ozone_level<-NULL

for (i in 1:nrow(aq.no.NA)){
if (aq.no.NA$Ozone[i]<=med){
ozone_level[i]<-'Baixo'}
else {ozone_level[i]<-'Alto'}
}

aq.ozone_level<-cbind(aq.no.NA,ozone_level)
head(aq.ozone_level)

ggplot(aq.ozone_level,aes(x=Wind,y=Temp,color = ozone_level)) + geom_point(size = 4) + theme_bw()

Gráfico erro padrão média

library(car)

## Loading required package: carData

library(Rmisc)

## Loading required package: lattice

## Loading required package: plyr

head(Salaries)

df<-summarySE(Salaries,measurevar=c('salary'),groupvars=c('rank','sex')) # que outra maneira poderíamos fazer isso?
head(df)

# Gráfico

ep<-ggplot(df,aes(x=rank,y=salary,fill=sex))

ep1<-ep + geom_bar(stat="identity",position ="dodge") + geom_errorbar(aes(ymin = salary-se, ymax = salary + se), position = "dodge", width = 0.3)

ep1

Gráfico tridimensional

library(scatterplot3d)

with(aq.ozone_level,scatterplot3d(Wind ~Temp + Ozone, pch = 18))

• Agora usando o pacote

library(plotly)

## 
## Attaching package: 'plotly'

## The following objects are masked from 'package:plyr':
## 
##     arrange, mutate, rename, summarise

## The following object is masked from 'package:MASS':
## 
##     select

## The following object is masked from 'package:ggplot2':
## 
##     last_plot

## The following object is masked from 'package:stats':
## 
##     filter

## The following object is masked from 'package:graphics':
## 
##     layout

plot_ly(aq.ozone_level, x = ~Temp, y = ~Ozone, z = ~Wind) %>%
  add_markers(color = ~Temp)

Matriz do gráfico de dispersão

Uma matriz de gráficos de dispersão mostra as relações de pares entre mais de duas variáveis.

library(GGally)

## Registered S3 method overwritten by 'GGally':
##   method from   
##   +.gg   ggplot2

aq_subset<-subset(aq.no.NA, select = c(Ozone, Wind, Temp, Solar.R))
ggpairs(aq_subset)

Correlação

É muito comum que tenhamos um conjunto de dados com muitas variáveis e queiramos saber a relação entres estas variáveis, por exemplo, quais são mais ou menos correlacionadas entre si (positiva ou negativamente) ou se as correlações são parecidas entre si (matriz de correlação estruturada) ou todas bem diferentes (matriz não estruturada).

• Pacote GGally

library(GGally)
ggpairs(iris, lower = list(continuous = "smooth"))

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

# ou da forma:

ggpairs(iris, columns = 1:4, ggplot2::aes(colour=Species))

• Outro exemplo

p <- ggpairs(iris, aes(color = Species))+ theme_bw()
for(i in 1:p$nrow) {
  for(j in 1:p$ncol){
    p[i,j] <- p[i,j] + 
        scale_fill_manual(values=c("#00AFBB", "#E7B800", "#FC4E07")) +
        scale_color_manual(values=c("#00AFBB", "#E7B800", "#FC4E07"))  
  }
}
p

## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

Outra maneira de apresentar as relações (nesse caso, as correlações) entre as variáveis quantitativas é usando gráficos que se assemelham aos gráficos de “calor” (heatmaps), no qual as cores de cada correlação vão indicar a força e o sinal da correlação.

head(swiss)

ggcorr(swiss, label=T)

knitr::kable(cor(swiss))

	Fertility	Agriculture	Examination	Education	Catholic	Infant.Mortality
Fertility	1.0000000	0.3530792	-0.6458827	-0.6637889	0.4636847	0.4165560
Agriculture	0.3530792	1.0000000	-0.6865422	-0.6395225	0.4010951	-0.0608586
Examination	-0.6458827	-0.6865422	1.0000000	0.6984153	-0.5727418	-0.1140216
Education	-0.6637889	-0.6395225	0.6984153	1.0000000	-0.1538589	-0.0993218
Catholic	0.4636847	0.4010951	-0.5727418	-0.1538589	1.0000000	0.1754959
Infant.Mortality	0.4165560	-0.0608586	-0.1140216	-0.0993218	0.1754959	1.0000000

# outra forma

library(corrplot)

## corrplot 0.84 loaded

M <- cor(swiss)
corrplot(M)

# Podemos utilizar o método de agrupamento hierárquico por meio da função 'hclust'

corrplot(M, order = "hclust", addrect = 3, tl.pos="d")

# por último

library(corrgram)

## Registered S3 method overwritten by 'seriation':
##   method         from 
##   reorder.hclust gclus

## 
## Attaching package: 'corrgram'

## The following object is masked from 'package:plyr':
## 
##     baseball

## The following object is masked from 'package:lattice':
## 
##     panel.fill

corrgram(swiss, lower.panel = panel.pts, upper.panel= panel.conf, diag.panel = panel.density)

Gráfico de densidade

Ao trabalhar com uma variável contínua pedemos dividir os dados em intervalos e fazer um histograma e calcular a densidade de kernel estimada para a distribuição da variável.

ggplot(aq.no.NA,aes(x = Wind)) +
  geom_density()

ggplot(aq.no.NA,aes(x = Temp)) +
  geom_density(color = "lightblue")

Gráfico de séries temporais

dados <- ts(matrix(rnorm(300), 100, 3), start=c(1961, 1), 
              frequency=12)

dados[1:4,]

##        Series 1   Series 2    Series 3
## [1,] -1.5228361  0.4991462  0.07349756
## [2,] -0.3458876 -1.0889726 -0.97966218
## [3,]  0.2574385  0.9616205  0.18518546
## [4,]  0.8776312 -1.2920549  0.01267323

plot(ts(dados))

# no pacote lattice

library(lattice)
xyplot(dados)

xyplot(dados, superpose = TRUE)

# ggplot2

datas <- seq(as.Date(paste(c(start(dados),1), collapse="/")), 
             by = "month", length.out = length(dados))
dados.df <- data.frame(date = datas, value = dados)
ggplot(data=dados.df) + geom_line(aes(date, value.Series.1))

## colocar as séries em um único gráfico

tmp <- stack(dados.df, select = -1)
tmp$date <- dados.df[,1]

ggplot(data=dados.df) + geom_line(aes(date, value.Series.1))

library(fpp)

## Loading required package: forecast

## Registered S3 method overwritten by 'xts':
##   method     from
##   as.zoo.xts zoo

## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo

## Registered S3 methods overwritten by 'forecast':
##   method             from    
##   fitted.fracdiff    fracdiff
##   residuals.fracdiff fracdiff

## Loading required package: fma

## 
## Attaching package: 'fma'

## The following object is masked from 'package:corrgram':
## 
##     auto

## The following object is masked from 'package:GGally':
## 
##     pigs

## The following object is masked from 'package:plyr':
## 
##     ozone

## The following objects are masked from 'package:MASS':
## 
##     cement, housing, petrol

## Loading required package: expsmooth

## Loading required package: lmtest

## Loading required package: zoo

## 
## Attaching package: 'zoo'

## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric

## Loading required package: tseries

autoplot(a10) +
ggtitle("Gráfico para Vendas de antibióticos na Austrália") +
ylab("$ milhões") + xlab("Ano")

# gráfico de sazonalidade

ggseasonplot(a10, year.labels=TRUE, year.labels.left=TRUE) +
 ylab("$ milhões") + xlab("Mês")+ ggtitle("Gráfico GGSeasonplot para Vendas de antibióticos na Austrália")

Gráfico polar

Um gráfico polar exibe uma série como um conjunto de pontos agrupados por categoria em um círculo de 360 graus. Os valores são representados pelo comprimento do ponto, conforme medido do centro do círculo. Quanto mais distante o ponto está do centro, maior é o seu valor.

Um gráfico de radar exibe uma série como uma linha ou área circular. Ao contrário do gráfico polar, o gráfico de radar não exibe dados em termos de coordenadas polares.

• O gráfico de radar é útil para comparações entre várias séries de dados de categoria.

• Os gráficos polares são usados com mais freqüência para fazer gráficos de dados polares, nos quais cada ponto de dados é determinado por um ângulo ou uma distância.

• Os gráficos polares não podem ser combinados com qualquer outro tipo de gráfico na mesma área de gráfico.

ggseasonplot(a10, polar=TRUE) +
 ylab("$ milhoes") + xlab("Mes") + ggtitle("Graf. Polar")

Por fim, podemos comparar as diferentes estações por mês. No gráfico abaixo, temos as séries divididas pelos meses com o traço azul indicando a média de cada um.

ggsubseriesplot(a10) + ylab("$ milhões") + xlab("Mês")+
 ggtitle("Graf. GGSubseriesplot")

Gráfico de setores

library(tidyverse)

## -- Attaching packages ------------------------------------------- tidyverse 1.2.1 --

## v tibble  2.1.3     v dplyr   0.8.3
## v readr   1.3.1     v stringr 1.4.0
## v purrr   0.3.2     v forcats 0.4.0

## -- Conflicts ---------------------------------------------- tidyverse_conflicts() --
## x dplyr::arrange()   masks plotly::arrange(), plyr::arrange()
## x purrr::compact()   masks plyr::compact()
## x dplyr::count()     masks plyr::count()
## x dplyr::failwith()  masks plyr::failwith()
## x dplyr::filter()    masks plotly::filter(), stats::filter()
## x dplyr::id()        masks plyr::id()
## x dplyr::lag()       masks stats::lag()
## x dplyr::mutate()    masks plotly::mutate(), plyr::mutate()
## x dplyr::recode()    masks car::recode()
## x dplyr::rename()    masks plotly::rename(), plyr::rename()
## x dplyr::select()    masks plotly::select(), MASS::select()
## x purrr::some()      masks car::some()
## x dplyr::summarise() masks plotly::summarise(), plyr::summarise()
## x dplyr::summarize() masks plyr::summarize()

url <- "http://www.leg.ufpr.br/~walmes/data/duster_venda_260314.txt"
dus <- read.table(file = url,
                  header = TRUE,sep = "\t",
                  encoding = "utf-8")
glimpse(dus)

## Observations: 699
## Variables: 10
## $ modelo <fct> RENAULT DUSTER 1.6 EXPRESSION 4X2 16V FLEX 4P MANUAL, R...
## $ cor    <fct> Prata, Azul, Prata, Prata, Prata, Vermelho, Preto, Pret...
## $ km     <int> 31442, 40800, 56000, NA, 45000, 50000, 44000, 30000, 41...
## $ ano    <fct> 2011/2012, 2011/2012, 2011/2012, 2011/2012, 2011/2012, ...
## $ valor  <dbl> 41990, 42500, 42900, 42990, 43800, 43999, 44900, 45000,...
## $ cambio <fct> MANUAL, MANUAL, MANUAL, MANUAL, MANUAL, MANUAL, MANUAL,...
## $ poten  <dbl> 1.6, 1.6, 1.6, 1.6, 1.6, 1.6, 1.6, 1.6, 2.0, 1.6, 1.6, ...
## $ trac   <fct> 4X2, 4X2, 4X2, 4X2, 4X2, 4X2, 4X2, 4X2, 4X2, 4X2, 4X2, ...
## $ cat    <fct>  EXPRESSION ,  ,  DYNAMIQUE ,  DYNAMIQUE ,  ,  ,  DYNAM...
## $ novo   <fct> usado, usado, usado, usado, usado, usado, usado, usado,...

x <- table(dus$cambio)
class(x)

## [1] "table"

x <- xtabs(~cambio, data = dus)
class(x)

## [1] "xtabs" "table"

barplot(x,xlab = "Tipo de câmbio",
        ylab = "Frequência absoluta",
        col = c("seagreen", "yellow"))

pie(x,col = c("#5398ed",rgb(12, 58, 114, max = 255)),
            main = "Tipo de câmbio")

##

df <- data.frame(group = c("M", "F", "C"),
  value = c(2, 3, 5))
head(df)

bp<- ggplot(df, aes(x="", y=value, fill=group))+
geom_bar(width = 1, stat = "identity")
bp

pie <- bp + coord_polar("y")
pie

pie + scale_fill_manual(values=c("#999999", "#E69F00", "#56B4E9"))

##

library(scales)

## 
## Attaching package: 'scales'

## The following object is masked from 'package:purrr':
## 
##     discard

## The following object is masked from 'package:readr':
## 
##     col_factor

pie + scale_fill_brewer("Blues") + 
  theme(axis.text.x=element_blank()) +
  geom_text(aes(y = value/3 + c(0, cumsum(value)[-length(value)]), 
            label = percent(value/100)), size=5)

# como fazer um pie para o exemplo anterior?

Gráfico mosaico

head(HairEyeColor)

## [1] 32 53 10  3 11 50

mosaicplot(HairEyeColor,
           off = 2,
           col = c("blue", "yellowgreen"))

###

dimnames(HairEyeColor)

## $Hair
## [1] "Black" "Brown" "Red"   "Blond"
## 
## $Eye
## [1] "Brown" "Blue"  "Hazel" "Green"
## 
## $Sex
## [1] "Male"   "Female"

Tabela <- apply(HairEyeColor,
           MARGIN = c(1, 2),
           FUN = sum)
print(Tabela)

##        Eye
## Hair    Brown Blue Hazel Green
##   Black    68   20    15     5
##   Brown   119   84    54    29
##   Red      26   17    14    14
##   Blond     7   94    10    16

# Vetor que associa cores conforme os níveis dos fatores às cores usadas para preenchimento

cols <- c(Brown = "#6b2205",
          Blue = "#4fb2ff",
          Green = "#1a9b1e",
          Blond = "#d8d652",
          Red = "#bc1405",
          Black = "#210a08",
          Hazel = "#a86526")

mosaicplot(Tabela, col = cols[colnames(Tabela)])

Gráficos dinâmicos - pacote plotly

• O pacote plotly é uma ferramenta fornecida por uma empresa de mesmo nome que tem o objetivo de unificar a visualização de dados de várias linguagens de programação.

• A biblioteca plotly possibilita a produção de gráficos na web. Sua função principal são os gráficos do tipo ggplotly que são gráficos baseados no ggplot2, mas com possibilidade de renderização em HTML.

library(plotly)
library(ggplot2)

p <- mtcars %>% 
  ggplot(aes(x = disp, y = mpg, colour = as.factor(am))) + 
  geom_point()

ggplotly(p)

• Exemplos

library(dplyr)
library(tidyverse)
library(plotly)

head(ToothGrowth)

###  Gráfico de barras erro (pode ser erro padrão da média também)


med<-ToothGrowth %>% group_by(supp,dose) %>% summarize(med=mean(len))
desvio<-ToothGrowth %>% group_by(supp,dose) %>% summarize(desvio=sd(len))

data<-data.frame(med,desvio$desvio)
data<-as_tibble(data)

data1 <- data %>% rename(desvio = desvio.desvio)
data1$dose <- as.factor(data1$dose)

p0 <- plot_ly(data = data1[which(data1$supp == 'OJ'),], x = ~ dose, y = ~ med, type = 'bar', name = 'OJ',
             error_y = ~list(array = desvio,color = '#000000')) %>%
  add_trace(data = data1[which(data1$supp == 'VC'),], name = 'VC')
p0

### Scatterplot

p1 <- plot_ly(data = data1[which(data1$supp == 'OJ'),], x = ~ dose, y = ~ med, type = 'scatter', name = 'OJ', error_y = ~list(array = desvio,color = '#000000')) %>% add_trace(data = data1[which(data1$supp == 'VC'),], name = 'VC')
p1

## No scatter mode specifed:
##   Setting the mode to markers
##   Read more about this attribute -> https://plot.ly/r/reference/#scatter-mode
## No scatter mode specifed:
##   Setting the mode to markers
##   Read more about this attribute -> https://plot.ly/r/reference/#scatter-mode

### Scatterplot com linha

p2 <- plot_ly(data = data1[which(data1$supp == 'OJ'),], x = ~ dose, y = ~ med, type = 'scatter', name = 'OJ',
    mode = 'lines+markers',error_y = ~list(array = desvio,color = '#000000')) %>%
  add_trace(data = data1[which(data1$supp == 'VC'),], name = 'VC')
p2

## Gráfico de violino

p3 <- ToothGrowth %>%
  plot_ly(y = ~len,type = 'violin',box = list(visible = T),
      meanline = list(visible = T),x0 = 'Tooth length') %>% 
  layout(yaxis = list(title = "",zeroline = F))
p3

#######

p4 <- ToothGrowth %>%
  plot_ly(x = ~supp,y = ~len,split = ~supp,type = 'violin',
  box = list(visible = T),meanline = list(visible = T)) %>% 
  layout(xaxis = list(title = ""),yaxis = list(title = "",zeroline = F))
p4