Capacitação de R para análise de dados - Meios Jr.
Rômulo Damasceno
28/11/2020
Onde estamos?
O R
O R é uma linguagem de programação desenvolvida por estatísticos, finalidades estatísticas. Trata-se de uma linguagem extremamente eficiente em procedimentos de análise de dados, sejam eles simples ou complexos, especialmente quando utilizado em conjunto ao RStudio.
O RStudio
O RStudio é uma IDE (integrated development environment), ou simplesmente uma interface, que faz com que trabalhar com o R seja uma tarefa bem menos dolorosa.
A iniciativa Tidyverse
O Tidyverse é um conjunto de pacotes do R que possui ferramentas para basicamente todos os problemas de análise de dados que enfrentamos na Meios, e que você provavelmente vai enfrentar ao longo da vida nos seus trabalhos quantitativos em Ciências Sociais.
Todos os pacotes do tidyverse funcionam de maneira extremamente integrada. Utilizá-los faz com que o trabalho fique realmente muito mais fácil.
Instalando e carregando o tidyverse:
## Instalar os pacotes
#install.packages('tidyverse')
#install.packages('knitr')
#install.packages('kableExtra')
#install.packages('scales')
## Carregar os pacotes
library(tidyverse)## -- Attaching packages ------------------------------------------------------ tidyverse 1.3.0 --## v ggplot2 3.3.2 v purrr 0.3.4
## v tibble 3.0.1 v dplyr 1.0.0
## v tidyr 1.1.0 v stringr 1.4.0
## v readr 1.3.1 v forcats 0.5.0## -- Conflicts --------------------------------------------------------- tidyverse_conflicts() --
## x dplyr::filter() masks stats::filter()
## x dplyr::lag() masks stats::lag()#KableExtra para fazer tabelas bonitas
library(kableExtra)##
## Attaching package: 'kableExtra'## The following object is masked from 'package:dplyr':
##
## group_rowslibrary(knitr)
#Scales para percentuais em gráficos
library(scales)##
## Attaching package: 'scales'## The following object is masked from 'package:purrr':
##
## discard## The following object is masked from 'package:readr':
##
## col_factorO processo de análise de dados
Importação dos dados para o R (Import)
Na Meios, grande parte das vezes (felizmente) trabalhamos com dados estruturados e limpos em formato de planilha (spreadsheets). Tudo que temos que fazer é estabelecer um diretório padrão, importar o dataset para o R e começar a trabalhar.
Estabelecendo um diretório padrão
O diretório padrão é o local onde todos os nossos arquivos de input (as bases propriamente ditas) devem estar para que o R seja capaz de lê-las de maneira direta, é também o local onde os outputs (resultados das análises) serão salvos.
## Descobrindo o diretório padrão atual - GETWD (Get working directory)
getwd()## [1] "C:/Users/romul/Desktop/Projetos em R/capacitacao_meios/capacitacaoteste/projetoteste"## Estabelecendo um novo diretório padrão (cuidado com a direção das barras!)
# setwd("C:/Users/romul/Desktop/acertos de matricula")
# Checando se o novo diretório foi corretamente carregado
getwd()## [1] "C:/Users/romul/Desktop/Projetos em R/capacitacao_meios/capacitacaoteste/projetoteste"Leitura do dado com o readr e readxl
Vamos abrir a base de dados que enviei para vocês no e-mail utilizando comando ‘read_csv()’ e ‘read_excel()’.
# READ_CSV do readr - Leitura de arquivos com separador 'virgulas'
percepcao_alunos_cacs <- readr ::read_csv('percepcao_alunos_cacs.csv')## Parsed with column specification:
## cols(
## .default = col_character(),
## IDADE = col_double(),
## IMPACTO_PRECO = col_double(),
## IMPACTO_MET_ENSINO = col_double(),
## IMPACTO_INTERNET = col_double(),
## IMPACTO_ACESSO = col_double(),
## IMPACTO_AMBIENTE = col_double(),
## IMPACTO_TEMPO = col_double(),
## IMPACTO_NAO_EAD = col_double()
## )## See spec(...) for full column specifications.# READ_EXCEL - readxl - Leitura de arquivos em formato .xlsx (padrão excel)
percepcao_alunos_cacsxl <- readxl ::read_excel('percepcao_alunoscacsxl.xlsx')
## Remoção de um objeto do environment
#rm(percepcao_alunos_cacs)
## Remoção de vários objetos do environment
#rm(list = c('mulheres_20_mais', 'obj'))
## Remoção de todos os objetos do environment
#rm(list = ls())Explorando a estrutura do dado e checando consistência (Tidying)
Tipos de dado no R:
Existe uma infinidade de tipos de dados no R. Os mais importantes pra nós são:
- Characters/Strings - Variáveis de texto reconhecidas como “sem padrão”.
- Numerics/Integers - Numéricas em geral ou números inteiros
- Logicals - Variáveis lógicas, TRUE/FALSE
- Factors - Variáveis textuais bastante específicas e com níveis, reconhecidas como tendo um padrão.
Checagem da estrutura do dado
As funções mais relevantes são:
str(): Mostra várias informações sobre a estrutura do dado
summary(): Estatísticas descritivas simples sobre cada coluna do dado
colnames(): Mostra o nome das variáveis do dado
head(): Mostra o conteúdo das seis (ou mais, você escolhe) primeiras linhas do dado
tail(): Mostra o conteúdo das seis últimas linhas do dado
View(): Mostra o dado em formato de planilha (não recomendável para bases muito grandes e para PC’s com menor capacidade de processamento)
# Nome das variáveis (colunas)
colnames(percepcao_alunos_cacs)## [1] "DATA_HORA" "EMAIL" "IDADE"
## [4] "GENERO" "RACA_COR" "ESCOLARIDADE"
## [7] "MATRICULADO_UFMG" "BOLSA_CACSLING" "ACESSO_INTERNET"
## [10] "POSSUI_COMPUTADOR" "TEMPO_ATIVIDADES" "TENTOU_1SEM"
## [13] "TENTOU_2SEM" "MOTIVO_CACS" "EXPERIENCIA_CACS"
## [16] "APRENDIZADO_CACS" "PESSOAS_TURMA" "DURACAO_AULAS"
## [19] "PERIODO_AULAS" "MATERIAL_DID" "FORMATO_AULA"
## [22] "CONTINUA_MATRIC" "SAUDE_MENTAL" "SM_AFETA"
## [25] "IMPACTO_PRECO" "IMPACTO_MET_ENSINO" "IMPACTO_INTERNET"
## [28] "IMPACTO_ACESSO" "IMPACTO_AMBIENTE" "IMPACTO_TEMPO"
## [31] "IMPACTO_NAO_EAD" "MODIFICADOS" "SAUDE_MENTAL2"
## [34] "SM_AFETA2" "OUTROS_ASPECTOS"# Características gerais do banco de dados (STR = Structure)
# str(percepcao_alunos_cacs)
# (ALTERAÇÃO ESTRUTURAL) Conversão de todas variáveis categóricas em fatores
percepcao_alunos_cacs <- percepcao_alunos_cacs %>%
dplyr::mutate_if(is.character, as.factor)
# Estatísticas descritivas para variáveis numéricas e contagem de fatores
#summary(percepcao_alunos_cacs)
# 10 primeiros casos do dado
head(percepcao_alunos_cacs, 10) # 10 sendo um argumento opcional # 10 últimos casos do dado
tail(percepcao_alunos_cacs, 10) # 20 sendo um argumento opcional# Visualizar o dataframe em formato de planilha
View(percepcao_alunos_cacs)Análise exploratória
Tabelas de frequência de uma e duas variáveis
# Tabela de frequência para uma variável
table(percepcao_alunos_cacs$GENERO)##
## Homem Mulher Outro
## 156 267 1# Tabela de frequência cruzada (duas variáveis)
table(percepcao_alunos_cacs$GENERO, percepcao_alunos_cacs$RACA_COR)##
## Amarelo (Ascêndencia asiática) Branco Pardo Preto
## Homem 0 79 57 19
## Mulher 1 106 118 41
## Outro 0 1 0 0# Tabela de proporção para uma variável
prop.table(table(percepcao_alunos_cacs$GENERO))##
## Homem Mulher Outro
## 0.367924528 0.629716981 0.002358491# Tabela de proporção cruzada
racacor_genero <- prop.table(table(percepcao_alunos_cacs$GENERO,
percepcao_alunos_cacs$RACA_COR))
colSums(racacor_genero)## Amarelo (Ascêndencia asiática) Branco
## 0.002369668 0.440758294
## Pardo Preto
## 0.414691943 0.142180095rowSums(racacor_genero)## Homem Mulher Outro
## 0.367298578 0.630331754 0.002369668# Tabelas de frequência para variáveis selecionadas utilizando o purrr e o dplyr
percepcao_alunos_cacs %>%
dplyr:: select(RACA_COR,
ESCOLARIDADE,
GENERO,
MATRICULADO_UFMG,
ACESSO_INTERNET) %>%
purrr:: map(table) %>%
purrr:: map(as.data.frame)## $RACA_COR
## Var1 Freq
## 1 Amarelo (Ascêndencia asiática) 1
## 2 Branco 186
## 3 Pardo 177
## 4 Preto 60
##
## $ESCOLARIDADE
## Var1 Freq
## 1 Ensino fundamental completo 2
## 2 Ensino médio completo 22
## 3 Ensino médio incompleto 8
## 4 Ensino superior completo 260
## 5 Ensino superior em curso 110
## 6 Ensino superior incompleto 24
##
## $GENERO
## Var1 Freq
## 1 Homem 156
## 2 Mulher 267
## 3 Outro 1
##
## $MATRICULADO_UFMG
## Var1 Freq
## 1 Não 266
## 2 Sim 160
##
## $ACESSO_INTERNET
## Var1 Freq
## 1 Não possuo 6
## 2 Possuo, através de conexão wi-fi 318
## 3 Possuo, através de plano de internet contratado 102# Tabelas de proporção para variáveis selecionadas utilizando o purrr e o dplyr
percepcao_alunos_cacs %>%
dplyr ::select(RACA_COR,
ESCOLARIDADE,
GENERO,
MATRICULADO_UFMG,
ACESSO_INTERNET) %>%
purrr:: map(table) %>%
purrr:: map(prop.table) %>%
purrr:: map(as.data.frame)## $RACA_COR
## Var1 Freq
## 1 Amarelo (Ascêndencia asiática) 0.002358491
## 2 Branco 0.438679245
## 3 Pardo 0.417452830
## 4 Preto 0.141509434
##
## $ESCOLARIDADE
## Var1 Freq
## 1 Ensino fundamental completo 0.004694836
## 2 Ensino médio completo 0.051643192
## 3 Ensino médio incompleto 0.018779343
## 4 Ensino superior completo 0.610328638
## 5 Ensino superior em curso 0.258215962
## 6 Ensino superior incompleto 0.056338028
##
## $GENERO
## Var1 Freq
## 1 Homem 0.367924528
## 2 Mulher 0.629716981
## 3 Outro 0.002358491
##
## $MATRICULADO_UFMG
## Var1 Freq
## 1 Não 0.6244131
## 2 Sim 0.3755869
##
## $ACESSO_INTERNET
## Var1 Freq
## 1 Não possuo 0.01408451
## 2 Possuo, através de conexão wi-fi 0.74647887
## 3 Possuo, através de plano de internet contratado 0.23943662Dplyr e operadores lógicos para construção de tabelas
O dplyr é um dos pacotes mais utilizados do tidyverse pois condensa várias funções que precisam ser utilizadas constantemente no processo de análise de dados. Os operadores lógicos da figura abaixo são do R base e conversam muito bem com o dplyr.
filter(): Filtra as observações por uma ou várias condições .arrange(): Reordena as linhas com base numa coluna de referência.select(): Seleciona as colunas desejadas.mutate(): Cria novas variáveis que são funções de variáveis pré-existentes .summarise(): Collapse many values down to a single summary .
### Exemplo 1: Mulheres com 20 anos ou mais / select(), filter() + arrange()
# Crie um novo objeto chamado mulheres_20_mais
# Utilizando como referência o banco de dados percepcao_alunos_cacs, então
# Selecione apenas as colunas GENERO, IDADE e RACA_COR e MATRICULADO_UFMG, então
# Filtre os casos em que hajam apenas mulheres de 20 ou mais anos de idade então
# Reordene o novo objeto pela idade das mulheres em ordem decrescente
mulheres_20_mais <- percepcao_alunos_cacs %>%
dplyr:: select(GENERO, IDADE, RACA_COR, MATRICULADO_UFMG) %>%
dplyr:: filter(GENERO == 'Mulher'& IDADE >= 20) %>%
dplyr:: arrange(desc(IDADE))
View(mulheres_20_mais)
str(mulheres_20_mais)## tibble [249 x 4] (S3: tbl_df/tbl/data.frame)
## $ GENERO : Factor w/ 3 levels "Homem","Mulher",..: 2 2 2 2 2 2 2 2 2 2 ...
## $ IDADE : num [1:249] 73 72 65 64 62 59 57 56 56 56 ...
## $ RACA_COR : Factor w/ 4 levels "Amarelo (Ascêndencia asiática)",..: 2 3 2 3 2 2 2 3 2 3 ...
## $ MATRICULADO_UFMG: Factor w/ 2 levels "Não","Sim": 1 1 1 1 1 1 1 1 1 1 ...### Exemplo 2 - Mulheres 20+ por faixa etária / mutate() + case_when()
# Atualize o objeto mulheres_20_mais
# Utilizando como referência o banco de dados mulheres_20_mais, então
# Crie uma variável FAIXA_ET, com as faixas etárias: 18 a 40, 41 a 64 e 65 +
mulheres_20_mais <- mulheres_20_mais %>%
dplyr:: mutate(FAIXA_ET = case_when(IDADE >= 20 & IDADE <= 40 ~ '20 a 40 anos',
IDADE >= 41 & IDADE <= 64 ~ '41 a 64 anos',
IDADE >= 65 ~ '65 + anos'))
## Deu certo?
#View(mulheres_20_mais)
#table(mulheres_20_mais$FAIXA_ET)
#names(mulheres_20_mais)
#summary(mulheres_20_mais)
#mulheres_20_mais
### Exemplo 3 - Contagem agrupada de mulheres (20+) matriculadas ou não na UFMG, por faixa etária. summarise + group_by() + spread()
# Crie um novo objeto chamado mulheres20mais_cor_faixaet
# Utilizando como referência o objeto mulheres_20_mais, então
# Agrupe o resultado pelos valores das variáveis RACA_COR e MATRICULADO_UFMG, então
# Faça a contagem agrupada dessas categorias numa nova coluna chamada 'contagem'
mulheres20mais_cor_faixaet <- mulheres_20_mais %>%
dplyr:: filter(!is.na(RACA_COR)) %>%
dplyr:: group_by(RACA_COR, MATRICULADO_UFMG) %>%
dplyr:: summarise(contagem = n()) %>%
tidyr:: spread(MATRICULADO_UFMG, contagem)## `summarise()` regrouping output by 'RACA_COR' (override with `.groups` argument)mulheres20mais_cor_faixaetTabelas apresentáveis para o seu relatório!
As tabelas que vimos até aqui não foram exatamente bonitas, e podemos fazer algumas coisas em relação a isso:
Diversos dos pacotes do tidyverse são utilizados no processo de construção de tabelas. Em geral, a maior parte do trabalho de manipulação de dados é feito pelo dplyr, mas o tidyr e o forcats desempenham um grande papel no produto final. As alterações estéticas são feitas pelos pacotes knitr e kableExtra.
É impossível cobrir todas as funcionalidades do kableExtra, as possibilidades de customização são infinitas. No link abaixo tem tudo que importa, caso queira se aprofundar:
Create Awesome HTML Table with knitr::kable and kableExtra (r-project.org)
Avaliação do CACS Línguas por raça/cor dos estudantes - Frequência
## options(knitr.kable.NA = 0)
# Tabela de avaliação do CACS por raça/cor
## Funções auxiliares
# View(percepcao_alunos_cacs)
# names(percepcao_alunos_cacs)
# unique(percepcao_alunos_cacs$EXPERIENCIA_CACS)
# class(percepcao_alunos_cacs$EXPERIENCIA_CACS)
# Construção da tabela - dplyr, forcats, tidyr
raca_cor_aval_tbl <- percepcao_alunos_cacs %>%
dplyr:: filter(!is.na(EXPERIENCIA_CACS)) %>%
dplyr:: group_by(RACA_COR, EXPERIENCIA_CACS) %>%
dplyr:: summarise(Contagem = n()) %>%
dplyr:: mutate(EXPERIENCIA_CACS = forcats:: fct_relevel(EXPERIENCIA_CACS,
c('Excelente',
'Bom',
'Regular',
'Pessimo',
'Ruim'))) %>%
dplyr:: arrange(EXPERIENCIA_CACS) %>%
tidyr:: pivot_wider(names_from = EXPERIENCIA_CACS, values_from = Contagem)## `summarise()` regrouping output by 'RACA_COR' (override with `.groups` argument)raca_cor_aval_tblpercepcao_alunos_cacs# Estética da tabela - knitr, kable e kableExtra
raca_cor_aval_tbl %>%
knitr:: kable(caption = 'Avaliação do curso de línguas por raça/cor',
col.names = c('Raça/Cor',
'Excelente',
'Bom',
'Regular',
'Ruim',
'Péssimo')) %>%
kableExtra:: footnote('Pesquisa CACS Línguas - Meios Jr.',
general_title = 'Fonte: ',
footnote_as_chunk = T,
fixed_small_size = T) %>%
kableExtra:: kable_classic (full_width = F,
html_font = 'Cambria') %>%
kableExtra:: kable_styling(bootstrap_options = c("striped",
"hover",
'condensed'), font_size = 15)| Raça/Cor | Excelente | Bom | Regular | Ruim | Péssimo |
|---|---|---|---|---|---|
| Branco | 42 | 39 | 6 | 4 | NA |
| Pardo | 32 | 37 | 9 | 4 | NA |
| Preto | 7 | 7 | 8 | 1 | 2 |
| Fonte: Pesquisa CACS Línguas - Meios Jr. |
Avaliação do CACS Línguas por raça/cor dos respondentes - Proporção
# A única coisa que muda é que, ao invés de manter a contagem, criaremos uma coluna de proporção com o mutate().
raca_cor_aval_prop_tbl <- percepcao_alunos_cacs %>%
dplyr:: filter(!is.na(EXPERIENCIA_CACS)) %>%
dplyr:: group_by(RACA_COR, EXPERIENCIA_CACS) %>%
dplyr:: summarise(contagem = n()) %>%
dplyr:: mutate(percentual = contagem/sum(contagem))%>%
dplyr:: mutate_if(is.numeric, round, 2) %>%
dplyr:: select(-contagem) %>%
dplyr:: mutate(EXPERIENCIA_CACS = fct_relevel(EXPERIENCIA_CACS, c('Excelente',
'Bom',
'Regular',
'Ruim',
'Péssimo'))) %>%
dplyr:: arrange(EXPERIENCIA_CACS) %>%
tidyr:: spread(EXPERIENCIA_CACS, percentual)## `summarise()` regrouping output by 'RACA_COR' (override with `.groups` argument)## `mutate_if()` ignored the following grouping variables:
## Column `RACA_COR`raca_cor_aval_prop_tbl# Estética da tabela - knitr, kable e kableExtra
raca_cor_aval_prop_tbl %>%
knitr:: kable(caption = 'Avaliação do curso de línguas por raça/cor, percentual',
col.names = c('Raça/Cor',
'Excelente',
'Bom',
'Regular',
'Ruim',
'Péssimo')) %>%
kableExtra:: footnote('Pesquisa CACS Línguas - Meios Jr.',
general_title = 'Fonte: ',
footnote_as_chunk = T,
fixed_small_size = T) %>%
kableExtra:: kable_classic_2(full_width = F,
html_font = 'Cambria') %>%
kableExtra:: kable_styling(bootstrap_options = c("striped",
"hover",
"condensed"),
font_size = 15)| Raça/Cor | Excelente | Bom | Regular | Ruim | Péssimo |
|---|---|---|---|---|---|
| Branco | 0.46 | 0.43 | 0.07 | 0.04 | NA |
| Pardo | 0.39 | 0.45 | 0.11 | 0.05 | NA |
| Preto | 0.28 | 0.28 | 0.32 | 0.04 | 0.08 |
| Fonte: Pesquisa CACS Línguas - Meios Jr. |
Gráficos com o ggplot2
A Gramática dos Gráficos
The grammar of graphics: Wikinson (1999)
- Data (Dado)
Não existe gráfico se não há dado, a qualidade do dado e as manipulações feitas previamente são as únicas fontes de informação para os comandos executados no ggplot2.
- Mapping (Mapeamento de eixos)
Mapeamento do dado no plano cartesiano. O que estará no eixo X? O que estará no eixo Y? Eu gostaria que minhas observações fossem dividas por alguma outra variável?
- Statistics (Estatísticas padrão)
Dentro de cada “geom_” existe uma série de padrões (defaults) que facilitam consideravelmente nossa vida na hora de plotar um gráfico. O gráfico de barras, por exemplo, tem o eixo Y fixado como a soma das linhas para cada categoria de X, ou seja, contagem. Boxplots calculam a mediana, os quartis e definem os outliers automaticamente, etc.
- Scales (Escalas)
As escalas são outros tipos de mapeamento que não apenas o eixo X e Y. É possível dividir as observações de um gráfico de pontos por cores ou formatos diferentes dos pontos, por exemplo.
- Geometries (Forma geométrica)
Os geoms, ou geometries, são os responsáveis por representar aquilo que foi estabelecido como o mapeamento dos eixos (x, y e scales) numa forma geométrica escolhida.
geom_bar() e geom_col() para gráficos de barras
geom_histogram() para histogramas
geom_boxplot() para boxplots
geom_point() para diagramas de dispersão
geom_line() para linhas
- Facets (Lados/perspectivas/faces)
Os Facets nos possibilitam criar diversos gráficos de uma só vez num mesmo plano cartesiano. Posso querer, por exemplo, saber a variação da renda por idade por escolaridade em dois anos diferentes e quem faz isso por mim é o facet_wrap().
- Theme (Temas)
Propriedades estéticas gerais que não são indispensáveis para interpretação.
# Exemplo de facet_wrap
mpg %>%
ggplot(mapping = aes(x = cty, y = hwy, colour = manufacturer)) +
geom_point() +
facet_wrap(~ class) +
labs(title = 'Um gráfico com muitas informações que eu não sei o que significam',
subtitle = 'Pois não sei nada de carro =)',
caption = 'Fonte: Bases confusas do R',
y = 'hwy',
x = 'cty',
colour = '') +
theme_minimal()
Função padrão de gráficos no ggplot2
A estrutura básica de um argumento ggplot é composta de:
Um objeto que contenha os dados que serão plotados; no formato correto
A função ggplot(), seguido do mapeamento dos eixos X e Y do seu gráfico e algum argumento de escala opcional
Um argumento de definição do tipo de gráfico - Forma geométrica (geom_)
É importante lembrar que operador de continuidade do ggplot não é o pipe ‘%>%’ , mas sim um sinal ‘+’.
(No ggplot nada se transforma, tudo se adiciona, por isso o operador +)
#Gráfico de frequência - Raça/Cor
#percepcao_alunos_cacs %>%
# count(RACA_COR) %>%
# ggplot(mapping = aes(x = RACA_COR,
# y = n)) +
# geom_col()
# Problema 1 - Presença de NA's
#percepcao_alunos_cacs %>%
# filter(!is.na(RACA_COR)) %>%
# count(RACA_COR) %>%
# ggplot(mapping = aes(x = RACA_COR,
# y = n)) +
# geom_col()
# Problema 2 - Ordenamento das categorias
#percepcao_alunos_cacs %>%
# count(RACA_COR) %>%
# filter(!is.na(RACA_COR)) %>%
# ggplot(mapping = aes(x = fct_reorder(RACA_COR, - n),
# y = n)) +
# geom_col()
# Problema 3 - Posso querer o gráfico em percentual
#percepcao_alunos_cacs %>%
# count(RACA_COR) %>%
# mutate(percentual = n/sum(n)) %>%
# filter(!is.na(RACA_COR)) %>%
# ggplot(mapping = aes(x = fct_reorder(RACA_COR, - percentual),
# y = percentual)) +
# geom_col() +
# Pacote Scales para formato percentual
# scale_y_continuous(labels = percent_format())
# Problema 4 - Feio
percepcao_alunos_cacs %>%
count(RACA_COR) %>%
mutate(percentual = n/sum(n)) %>%
filter(!is.na(RACA_COR)) %>%
ggplot(mapping = aes(x = fct_reorder(RACA_COR, - percentual),
y = percentual)) +
geom_col(fill = 'turquoise',
colour = 'grey2') +
scale_y_continuous(labels = percent_format()) +
# Adicionando um título, subtítulo, modificando o nome dos eixos
labs(title = 'Respondentes por Raça/Cor',
caption = 'Pesquisa de percepção CACS - Meios Jr.',
x = '',
y = '',
subtitle = 'Cacs Línguas') +
# Aplicando um tema
theme_minimal()
# Gráfico de barras bivariado
percepcao_alunos_cacs %>%
group_by(RACA_COR, GENERO) %>%
summarise(contagem = n()) %>%
filter(GENERO %in% c('Mulher', 'Homem'),
!is.na(RACA_COR)) %>%
ggplot(mapping = aes(x = fct_reorder(RACA_COR, contagem),
y = contagem,
fill = GENERO)) +
geom_col(position = 'dodge',
colour = 'gray2') +
coord_flip() +
scale_x_discrete(labels = c('Amarelo', 'Preto', 'Pardo', 'Branco')) +
labs(x = '',
y = '',
fill = 'Gênero',
title = 'Homens e mulheres por raça/cor',
subtitle = 'Estudantes do Cacs Línguas',
caption = 'Fonte: Pesquisa de percepção do Cacs Línguas - Meios Jr') +
theme_minimal() +
#scale_fill_brewer(palette = 'Dark2') +
scale_fill_manual('Gênero', values = c('Homem' = 'yellow2',
'Mulher'= 'violet'))## `summarise()` regrouping output by 'RACA_COR' (override with `.groups` argument)
Tipos de gráfico e quando utilizá-los
Gráfico de barras
O gráfico de barras é a melhor alternativa quando trabalhamos com uma ou duas variáveis categóricas.
No ggplot, o código para fazer gráficos de barra consiste na função padrão de estabelecer as variáveis dos eixos + geom_bar() ou geom_col()
Histogramas
O histograma é um dos tipos de gráfico mais apropriados para mostrar a distribuição de frequências de uma variável numérica
percepcao_alunos_cacs %>%
filter(IDADE > 10,
!is.na(RACA_COR),
RACA_COR != 'Amarelo (Ascêndencia asiática)',
GENERO %in% c('Homem', 'Mulher')) %>%
ggplot(mapping = aes(x = IDADE,
fill = RACA_COR)) +
geom_histogram(alpha = 0.7,
colour = 'grey43') +
facet_wrap(~ GENERO) +
theme_minimal() +
labs(x = 'Frequência',
y = 'Idade',
fill = 'Raça/Cor',
title =
'Distribuição da idade de estudantes do CACS Línguas
por Raça/Cor e Gênero') +
scale_fill_brewer(palette = 'Dark2')## `stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
#Gráfico de densidade
percepcao_alunos_cacs %>%
filter(IDADE > 10,
!is.na(RACA_COR),
GENERO %in% c('Homem', 'Mulher')) %>%
ggplot(mapping = aes(x = IDADE,
fill = RACA_COR)) +
geom_density(alpha = 0.5) +
theme_minimal() +
facet_wrap(~ GENERO) +
theme_minimal() +
labs(x = 'Idade',
y = 'Densidade',
fill = 'Raça/Cor',
title =
'Distribuição da idade de estudantes do CACS Línguas
por Raça/Cor e Gênero') ## Warning: Groups with fewer than two data points have been dropped.## Warning in max(ids, na.rm = TRUE): nenhum argumento não faltante para max;
## retornando -Inf
Boxplot
O boxplot é um dos tipos de gráfico mais interessantes para mostrar o comportamento de uma variável numérica, dado os níveis de uma variável categórica.
A linha no centro do boxplot corresponde à mediana da distribuição. A caixa acima da linha (ou à direita, em caso de boxplots invertidos), representa o percentil 75, enquanto a caixa abaixo da linha representa o percentil 25. As barras das pontas representam os valores mínimos e máximos não considerados outliers. Os pontos externos são os outliers, ou valores extremos da distribuição.
#Boxplot de idade e raça - NA
#str(percepcao_alunos_cacs)
percepcao_alunos_cacs %>%
filter(!is.na(RACA_COR),
GENERO %in% c('Mulher', 'Homem'),
RACA_COR %in% c('Branco', 'Preto','Pardo')) %>%
ggplot(mapping = aes(x = RACA_COR,
y = IDADE,
fill = GENERO)) +
geom_boxplot() +
theme_minimal() +
scale_fill_brewer(palette = 'Dark2') +
labs(x = 'Idade',
y = '',
fill = '',
title = 'Idade por raça/cor e gênero',
subtitle = 'Estudantes Cacs Línguas',
caption = 'Pesquisa de percepção Cacs Línguas - Meios Jr.') +
ylim(20,70) ## Warning: Removed 32 rows containing non-finite values (stat_boxplot).
Diagrama de dispersão
O diagrama de dispersão (ou scatter plot) é o tipo de gráfico ideal para visualizar a distribuição de duas variáveis numéricas. Trata-se do formato gráfico mais importante para criação de modelos estatísticos preditivos, pois é possível verificar se há ou não linearidade nas relações entre as duas variáveis.
Infelizmente o banco de dados dessa pesquisa não nos oferece duas variáveis numéricas de boa qualidade (diversas em seu padrão de resposta), por isso utilizei a base mpg e USArrests.
data('USArrests')
# Transformar os nomes das linhas uma nova coluna
USArrests_state <- USArrests %>%
tibble::rownames_to_column() %>%
rename('state_US' = 'rowname')
USArrests_state# O número de assassinatos e ocorrências violentas estão associados?
USArrests_state %>%
ggplot(mapping = aes(x = Murder, y = Assault)) +
geom_point() #+
#geom_smooth(method = lm, se = F, colour = 'red') #+
#geom_text(aes(label = state_US), check_overlap = T)
# Modelo linear preditivo
murderassault_model <- lm(Murder ~ Assault, data = USArrests)
summary(murderassault_model)##
## Call:
## lm(formula = Murder ~ Assault, data = USArrests)
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.8528 -1.7456 -0.3979 1.3044 7.9256
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 0.631683 0.854776 0.739 0.464
## Assault 0.041909 0.004507 9.298 2.6e-12 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.629 on 48 degrees of freedom
## Multiple R-squared: 0.643, Adjusted R-squared: 0.6356
## F-statistic: 86.45 on 1 and 48 DF, p-value: 2.596e-12## Colorindo pontos de acordo com uma variável categórica
mpg %>%
ggplot(mapping = aes(x = displ,y = hwy, fill = class, colour = class)) +
geom_point() +
theme_minimal() #+
#geom_smooth(se = F)Nuvem de palavras com o pacote wordcloud
#install.packages("wordcloud")
library(wordcloud)## Loading required package: RColorBrewer#install.packages("RColorBrewer")
library(RColorBrewer)
#install.packages("wordcloud2)
library(wordcloud2)
#install.packages("tm")
library(tm)## Loading required package: NLP##
## Attaching package: 'NLP'## The following object is masked from 'package:ggplot2':
##
## annotate# Função de remoção de acentos
rm_accent <- function(str,pattern="all") {
if(!is.character(str))
str <- as.character(str)
pattern <- unique(pattern)
if(any(pattern=="Ç"))
pattern[pattern=="Ç"] <- "ç"
symbols <- c(
acute = "áéíóúÁÉÍÓÚýÝ",
grave = "àèìòùÀÈÌÒÙ",
circunflex = "âêîôûÂÊÎÔÛ",
tilde = "ãõÃÕñÑ",
umlaut = "äëïöüÄËÏÖÜÿ",
cedil = "çÇ"
)
nudeSymbols <- c(
acute = "aeiouAEIOUyY",
grave = "aeiouAEIOU",
circunflex = "aeiouAEIOU",
tilde = "aoAOnN",
umlaut = "aeiouAEIOUy",
cedil = "cC"
)
accentTypes <- c("´","`","^","~","¨","ç")
if(any(c("all","al","a","todos","t","to","tod","todo")%in%pattern)) # opcao retirar todos
return(chartr(paste(symbols, collapse=""), paste(nudeSymbols, collapse=""), str))
for(i in which(accentTypes%in%pattern))
str <- chartr(symbols[i],nudeSymbols[i], str)
return(str)
}
#Aplicando a função a coluna outros aspectos e salvando num objeto
percepcao_alunos_cacs_acentos <- rm_accent(percepcao_alunos_cacs$OUTROS_ASPECTOS)
#Substituindo a coluna 35 pela nova coluna, sem os acentos
percepcao_alunos_cacs[35] <- percepcao_alunos_cacs_acentos
# Ok, pausa pra respirar
#Criação de um vetor selecionando apenas a variável outros aspectos
txt <- percepcao_alunos_cacs$OUTROS_ASPECTOS
# Corpus
docs <- Corpus(VectorSource(txt))
# Limpeza
docs <- docs %>%
tm_map(removeNumbers) %>% # Remoção de números
tm_map(removePunctuation) %>% # Remoção de pontuação
tm_map(stripWhitespace) # Retirando espaços em branco
docs <- tm_map(docs, content_transformer(tolower)) # Removendo letras maiusculas
docs <- tm_map(docs, removeWords, stopwords("portuguese")) #Removendo conectivos
# Colocando no formato de dataframe com palavra x freq
dtm <- TermDocumentMatrix(docs)
matrix <- as.matrix(dtm)
words <- sort(rowSums(matrix),decreasing=TRUE)
df <- data.frame(word = names(words),freq=words)
#Resolvendo o problema do presenciais e excluindo o não
df$word[df$word == "presenciais" ] <- "presencial"
df <- df %>%
group_by(word) %>%
summarise(freq = sum(freq)) %>%
filter(word != 'nao') # %>% ## `summarise()` ungrouping output (override with `.groups` argument) #filter(word %in% c('nao', 'aulas') == FALSE)
#Gerando o wordcloud
wordcloud(words = df$word, freq = df$freq, min.freq = 1, max.words = 200, random.order=FALSE, rot.per=0.35, colors=brewer.pal(8, "Dark2"))