# bibliotecas necessárias
library(rlang)
library(here)
library(magrittr)
library(readr)
library(ggplot2)
library(dplyr)
theme_set(theme_bw())

Iremos analisar as umidade durante o São João em cada cidade. Esperamos com isso generalizar para o que acontece no Sertão (Patos), Zona da Mata (Campina Grande) e Litoral (João Pessoa).

clima_tudo = read_csv(
    here("data/tempo-jp-cg-pt.csv"),
    col_types = cols(
        .default = col_double(),
        cidade = col_character(),
        semana = col_date(format = ""),
        ano = col_integer(),
        mes = col_integer()
    )
)

clima = clima_tudo %>% 
    filter(ano == 2019)

No gráfico abaixo, tentamos verificar a umidade das cidades durante o ano de 2019. Percebemos em Patos a menor umidade, no entanto, a umidade não fica abaixo de 40%. Em João Pessoa e Campina Grande a umidade sempre está maior que 60%. Percebe-se que Campina Grande e João Pessoa apresentam comportamento similar da variação de umidade durante o ano. Podendo levar a conclusão que a Zona da Mata e o Litoral são mais semelhantes quanto a umidade quando comparado ao Sertão.

clima %>% 
    ggplot(aes(x = semana, y = umidade, color = cidade)) + 
    geom_point() +
    labs(
         y = "Umidade (%)", 
         x = "Semanas de 2019"
    )

O gráfico acima foi plotado para confimar o compartamento anterior. E entender melhor a faixa de valores alcançados. Uma fato curioso percebido nesse gráfico de úmidade e também no gráfico de temperatura, velocidade do vento foi que as faixas de valores assumidos em João Pessoa sempre são menores.

clima %>% 
    ggplot(mapping = aes(y = cidade, x  = umidade)) + 
    geom_jitter(height = .2, color = "blue", alpha = .5) +
    labs(
         y = "", 
         x = "Umidade (%)"
    )