Exercícios
Vamos começar dando uma olhada na distribuição de resíduos plásticos per capita em 2010.
ggplot(data = plastic_waste, aes(x = plastic_waste_per_cap)) +
geom_histogram(binwidth = 0.2)## Warning: Removed 51 rows containing non-finite values (stat_bin).
Um país se destaca como uma observação incomum no topo da distribuição.
Uma maneira de identificar este país é filtrar os dados para países onde os resíduos plásticos per capita são maiores que 3,5 kg/pessoa.
plastic_waste %>%
filter(plastic_waste_per_cap > 3.5)## # A tibble: 1 x 10
## code entity continent year gdp_per_cap plastic_waste_p~ mismanaged_plas~
## <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl>
## 1 TTO Trinidad and Tobago North Am~ 2010 31261. 3.6 0.19
## # ... with 3 more variables: mismanaged_plastic_waste <dbl>, coastal_pop <dbl>,
## # total_pop <dbl>Você esperava este resultado? Não seria um país esperado pelo senso comum
Você poderia considerar fazer alguma pesquisa sobre Trinidad e Tobago para ver por que os resíduos plásticos per capita são tão altos lá, ou se isto é um erro de dados. Entre os 30 maiores poluídores por habitante do mundo, dez são países do Caribe:Trinidad e Tobago, Antígua e Barbuda, São Cristóvão e Nevis, Guiana, Barbados, Santa Lúcia, Bahamas, Granada, Anguila e Aruba. Todos os anos, esses países geram mais detritos plásticos do que o peso de 20 mil ônibus espaciais.(Revista Época - 23 SET 2019
- Faça um histograma para a distribuição de resíduos plásticos per capita desagregados (facet) por continente. O que você pode dizer sobre como os continentes se comparam uns aos outros em termos de seus resíduos plásticos per capita?
Os continentes mais responsáveis por resíduos plásticos são a Ásia, a África, e os menos responsáveis são a América do Sul e Oceania. (Que bom que estamos na América do Sul! Ponto pra gente")
ggplot(data = plastic_waste, aes(x = plastic_waste_per_cap)) +
geom_histogram() +
facet_wrap(~ continent)Outra forma de visualizar os dados numéricos é utilizando gráficos de densidade.
ggplot(data = plastic_waste, aes(x = plastic_waste_per_cap)) +
geom_density()E comparar as distribuições entre continentes por curvas de densidade de coloração por continente.
ggplot(data = plastic_waste,
mapping = aes(x = plastic_waste_per_cap,
color = continent)) +
geom_density()O gráfico resultante pode ser um pouco difícil de ler, então vamos também preencher as curvas com cores.
ggplot(data = plastic_waste,
mapping = aes(x = plastic_waste_per_cap,
color = continent,
fill = continent)) +
geom_density()A sobreposição de cores torna difícil dizer o que está acontecendo com as distribuições nos continentes plotados devido a continentes plotados sobre eles.
Podemos mudar o nível de transparência da cor de preenchimento para ajudar nisso.
O argumento alpha recebe valores entre 0 e 1: 0 é completamente transparente e 1 é completamente opaco. Não há como dizer qual valor funcionará melhor, então você só precisa tentar alguns valores.
ggplot(data = plastic_waste,
mapping = aes(x = plastic_waste_per_cap,
color = continent,
fill = continent)) +
geom_density(alpha = 0.5)Isto ainda não parece ótimo…
- Recriar as parcelas de densidade acima usando um nível
alphadiferente (inferior) que funcione melhor para exibir as curvas de densidade para todos os continentes.
ggplot(data = plastic_waste,
mapping = aes(x = plastic_waste_per_cap,
color = continent,
fill = continent)) +
geom_density(alpha = 0.08)- Descreva porque definimos a “cor” e “preenchimento” das curvas através do mapeamento estético do gráfico, mas definimos o nível “alpha” como uma característica da geometria de plotagem. Trata-se de uma opção estética para cada camada, onde o alpha definirá o nível de transparência na plotagem.
E ainda outra maneira de visualizar esta relação é utilizando gráficos boxplot.
ggplot(data = plastic_waste,
mapping = aes(x = continent,
y = plastic_waste_per_cap)) +
geom_boxplot()- Converta os boxplot da tarefa anterior para plot de violino. O que os gráficos de violino revelam que os boxplot não revelam? Quais características são aparentes nas parcelas de box mas não nas parcelas de violino?
O gráfico de violino é a combinação do boxplot e a linha de densidade no mesmo dia- grama, permitindo visualizar detalhes que as duas técnicas sozinhas não seriam capaz de detectar [Hintze and Nelson 1998].
ggplot(data = plastic_waste,
mapping = aes(x = continent,
y = plastic_waste_per_cap)) +
geom_violin()- Visualizar a relação entre os resíduos plásticos per capita e os resíduos plásticos mal administrados per capita usando um gráfico de dispersão. Descrever a relação.
Relação linear de distribuição entre resíduos plásticos per capita e os resíduos plásticos mal administrados per capita.
Colorir os pontos no gráfico de dispersão por continente. Parece haver alguma distinção clara entre continentes com relação a como os resíduos plásticos per capita e os resíduos plásticos mal administrados per capita estão associados?
América do norte e Europa parecem possuir relação mais dispersa e menos linear que outros continentes. Aplicando a regressão parece que apenas a Oceania possui uma tendência de queda.
Visualize a relação entre os resíduos plásticos per capita e a população total, assim como os resíduos plásticos per capita e a população costeira. Você precisará fazer duas parcelas separadas. Algum destes pares de variáveis parece estar associado de forma mais linear?
Pra mim não parecem ser muito diferentes.
plastic_waste %>%
ggplot(aes(x = mismanaged_plastic_waste_per_cap, y = plastic_waste_per_cap, color = continent)) +
geom_point() +
scale_color_viridis_d() +
labs(x = "Resíduos plásticos mal administrados per capita",
y = "Resíduos plásticos per capita",
color = "Continente",
title = "Resíduos plásticos per capita e os resíduos plásticos mal administrados per capita",
subtitle = "por continente") + geom_smooth(method="lm")
theme_minimal()plastic_waste %>%
ggplot(aes(x = coastal_pop, y = plastic_waste_per_cap, color = continent)) +
geom_point() +
scale_color_viridis_d() +
labs(x = "Resíduos plásticos mal administrados per capita",
y = "Resíduos plásticos per capita",
color = "Continente",
title = "Resíduos plásticos per capita e os resíduos plásticos mal administrados per capita",
subtitle = "por continente")
theme_minimal()plastic_waste %>%
ggplot(aes(x = total_pop, y = plastic_waste_per_cap, color = continent)) +
geom_point() +
scale_color_viridis_d() +
labs(x = "Resíduos plásticos mal administrados per capita",
y = "Resíduos plásticos per capita",
color = "Continente",
title = "Resíduos plásticos per capita e os resíduos plásticos mal administrados per capita",
subtitle = "por continente") +
theme_minimal()- Recrie o seguinte gráfico e interprete o que você vê no contexto dos dados.
O resíduo plástico per capita aumenta conforme inicialmente aumenta a população. Contudo, conforme indicado para alguns continentes, quando algum nível populacional é antingido, ocorrem oscilações na quantidade de resíduo plástico per capita.
