As perguntas respondidas na seguinte análise são as de número 3 e 4.
library(tidyverse)
library(here)
theme_set(theme_bw())
# SEMPRE read_csv NUNCA read.csv
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)
clima %>%
slice(1:8)
## # A tibble: 8 x 11
## cidade semana temp_max temp_media temp_min vento_medio vento_max umidade
## <chr> <date> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 Campina… 2019-01-06 32.1 25.6 19.6 3.57 4.6 74.9
## 2 Campina… 2019-01-13 33.5 27.1 20 3.29 4.5 69
## 3 Campina… 2019-01-20 33.3 26.7 19.6 4.01 6.5 72.5
## 4 Campina… 2019-01-27 32.4 26.4 19.6 3.53 5 75.0
## 5 Campina… 2019-02-03 32.2 25.3 19.5 2.95 4.8 83
## 6 Campina… 2019-02-10 31.1 25.6 20.1 3.17 5 84.1
## 7 Campina… 2019-02-17 31.6 25.9 20.5 2.89 4.1 79.2
## 8 Campina… 2019-02-24 31.1 25.9 20.5 3.63 4.8 76.8
## # … with 3 more variables: chuva <dbl>, ano <int>, mes <int>
A partir dos dados climáticos dessas três cidades (Campina Grande, João Pessoa e Patos) e já compreendendo de análises prévias que o clima em 2019 foi mais quente em Patos, seguido de João Pessoa e só então Campina, o que queremos entender agora é: quão úmidas são essas cidades?
Para responder à esse questionamento, serão considerados dados de cidade, semana e umidade, para analisarmos o comportamento ao longo de todo o ano de 2019.
clima %>%
ggplot(aes(x = semana, y = umidade, color = cidade)) +
geom_point(alpha = 0.7) +
labs(
x = "Período",
y = "Umidade média semanal (%)",
color = "Cidade",
title = "Distribuição da umidade ao longo do ano de 2019"
)
Diante do gráfico apresentado acima, é interessante perceber que, enquanto o clima é mais quente respectivamente em Patos, João Pessoa e Campina Grande, em relação à umidade temos o ranqueamento oposto: Campina Grande é a cidade mais úmida, seguida de João Pessoa e Patos. A cidade mais quente é, então, a menos úmida, enquanto a cidade mais fria é a mais úmida.
Os valores de umidade de Patos e Campina são bem discrepantes uns dos outros e o mais próximo que chegam são por volta do mês de abril, que seria o outono no nosso país (curiosamente mais próximos no outono que no inverno). Mesmo no inverno, o sertão paraibano se mostra quase tão seco quanto a Serra da Borborema no verão.
Agora sabendo dessas informações de clima e umidade, é válido se questionar qual seria a cidade de clima mais agradável de se estar na época do São João (por agradável se diga sair com roupas quentinhas e confortáveis para aproveitar as festividades, um ambiente mais friozinho). Para responder à esse questionamento, os dados a serem considerados serão os de temperatura média do mês de junho (mês 6) dos últimos anos. É válido ressaltar que, para essa análise, houveram semanas com dados faltantes.
clima_tudo %>%
filter(mes == 6) %>%
ggplot(aes(x = temp_media)) +
facet_wrap(~ cidade, ncol = 1) +
geom_density(fill = "salmon", color = "black") +
# geom_rug() +
labs(
x = "Temperatura média",
y = "Densidade",
title = "Distribuição da média de temperatura ao longo do mês de junho"
)
## Warning: Removed 8 rows containing non-finite values (stat_density).
Através desse novo gráfico apresentado, é possível perceber que há uma maior chance de Campina Grande ter temperaturas de 24°C abaixo, enquanto nas cidades de João Pessoa e Patos as temperaturas vão dos 25°C em diante, valores acima esses que Campina mal se aproxima. Mesmo na passagem do outono para o inverno, Patos e João Pessoa ainda podem ser consideradas cidades bem quentes em comparação à Campina, apesar de abaixo dos 30°C. Diante disso, vemos que a Serra da Borborema é a região mais agradável e aconchegante de se estar, então pode se aprochegar de uma fogueira e usar aquela roupa bem quentinha para aproveitar as festividades sem ter um passamento de tanto calor.