• Instalando dependências no Ubuntu (terminal)

sudo apt install libgdal-dev libudunits2-dev libproj-dev

• Instalando e baixando pacotes (apenas na 1ª vez)

install.packages('ggplot2')
install.packages('dplyr')
install.packages('sf')
install.packages('ggpubr')

• Carregando pacotes (sempre que for usar)

library(ggplot2)
library(dplyr)
library(sf)
library(ggpubr)

• https://r-graph-gallery.com/

rm(list = ls()) # Limpando o environment
load("input_data/cv_all.Rda")

• Filtrando dados de Municípios e CV apenas para a sua UF

cv<-cv%>%filter(state=='SP')
muni<-muni%>%filter(state=='SP')
plot(muni)

## Filtrando uma tabela - Criar uma tabela (cv_today) apenas com o registro mais atual de casos e mortes de COVID

cv_today=cv%>%filter(date==max(date)) 
#Prefiro usar o <- ao invés do =
cv_today<-cv%>%filter(date==max(date))
#Verificando o nº de linhas de cada tabela
nrow(cv)

## [1] 64790

nrow(cv_today)

## [1] 645

• A junção de tabelas é uma tarefa usual em BD e análise de dados
• Usa uma coluna comum (chave-primária) para “puxar” dados de outra tabela
• https://www.guru99.com/r-dplyr-tutorial.html

cv_test<-left_join(x=cv_today,y=muni,by=c("cod_mun","state"))
colnames(cv_test)

##  [1] "cod_mun"      "nome_mun"     "state"        "date"         "week"        
##  [6] "cases"        "deaths"       "new_cases"    "new_deaths"   "nome"        
## [11] "pop"          "renda"        "area"         "leitos"       "moradoresdom"
## [16] "geometry"

• https://r-spatial.github.io/sf/
• Forma mais simples de lidar com dados espaciais (vetores)
• Considera a geometria como mais uma variável
• Possibilita análise e operações com as geometrias

library(sf)
library(units)
plot(rgi)

#Consertando geometrias
rgi<-st_make_valid(rgi)

#cálculo de áreas
rgi$area<-st_area(rgi)

ggplot(rgi,aes(fill=as.numeric(area)))+geom_sf()+
  coord_sf()

• Junção espacial, quando não temos atributos em comum

colnames(muni)

## [1] "cod_mun"      "nome"         "pop"          "renda"        "area"        
## [6] "leitos"       "moradoresdom" "state"        "geometry"

colnames(rgi)

## [1] "rgi"      "nome_rgi" "geometry" "area"

#Junção espacial
muni<-st_join(muni, rgi, join=st_intersects)

cv_today<-left_join(x=cv_today,y=muni,by=c("cod_mun","state"))
cv<-left_join(x=cv,y=muni,by=c("cod_mun","state"))

##  [1] "cod_mun"      "nome_mun"     "state"        "date"         "week"        
##  [6] "cases"        "deaths"       "new_cases"    "new_deaths"   "nome"        
## [11] "pop"          "renda"        "area.x"       "leitos"       "moradoresdom"
## [16] "rgi"          "nome_rgi"     "area.y"       "geometry"

cv_today%>%summarise(rendamedia=mean(renda),
                 pop=sum(pop),
                 n=n())

cv_today_rgi<-cv_today%>%
  group_by(nome_rgi)%>%
  summarise(rendamedia=mean(renda), 
            pop=sum(pop), 
            n=n(),
            cases=sum(cases),
            deaths=sum(deaths))

• Faça um mapa com a taxa de mortalidade (óbitos por 100 mil habitantes) RGI no seu estado

• Com o básico do R

hist(muni$renda)

• Com o ggplot

ggplot(muni,aes(x=renda))+geom_histogram()

• Alterando o número de classes

ggplot(muni,aes(x=renda))+geom_histogram(bins=100)

• Título do Gráfico
• Títulos dos eixos
• Fundo branco
• Cor das barras

ggplot(muni,aes(x=renda))+
  ggtitle('Renda Domiciliar Média por Município')+ #título do gráfico
  geom_histogram(bins=50,fill='pink')+#barras em cor de rosa
  theme_bw()+ #fundo branco
  xlab('Renda Média (R$)')+ #título do eixo x
  ylab('Nº de Municípios') #título do eixo y

• Aesthetic Mapping: Significa “alguma coisa que você pode ver”
  • Color (cor de borda)
  • Fill (cor de preenchimento)
  • Linetype (linhas)
  • Shape (points)
  • Size
• Neste caso, queremos mostrar as Regiões Intermediárias com cores diferentes

ggplot(muni,aes(x=renda,fill=nome_rgi))+
  ggtitle('Renda Domiciliar Média por Município')+ #título do gráfico
  geom_histogram(bins=50)+
  theme_bw()+ #fundo branco
  xlim(c(500,2100))+
  xlab('Renda Média (R$)')+ #título do eixo x
  ylab('Nº de Municípios') #título do eixo y

ggplot(muni,aes(x=renda))+
  ggtitle('Renda Domiciliar Média por Município')+ #título do gráfico
  geom_histogram(bins=50)+
  facet_wrap(~nome_rgi) # o til (~) sempre significa "por" alguma coisa

• Um gráfico de densidades pode ser uma alternativa

ggplot(muni,aes(x=renda))+geom_density()

• Modificando a suavização (Band Width - bw)

ggplot(muni,aes(x=renda))+
  geom_density(bw=25)

• Mostrando a distribuição por uma variável categórica

ggplot(muni,aes(x=renda,color=nome_rgi,fill=nome_rgi))+
  geom_density(bw=200,alpha=.2)+
  theme_bw()

ggplot(muni,aes(x=renda))+geom_density()+
  facet_wrap(~nome_rgi,scales='free_y')

ggplot(muni,aes(x=nome_rgi,y=renda))+geom_boxplot()+
  coord_flip()

• Vamos reordenar as RGI pela renda média

library(forcats)
muni$nome_rgi<-as.factor(muni$nome_rgi)
muni<-muni%>%mutate(nome_rgi=fct_reorder(nome_rgi,renda))

ggplot(cv_today,aes(x=pop,y=cases))+
  geom_point()

ggplot(cv_today,aes(x=pop,y=cases))+
  geom_point()+
  geom_smooth()

library(ggpubr)
ggplot(cv_today,aes(x=pop,y=cases))+
  geom_point()+
  geom_smooth(method='lm')+
  stat_regline_equation(label.y = 150000, aes(label = ..eq.label..)) +
  stat_regline_equation(label.y = 140000, aes(label = ..rr.label..))

• Agregando óbitos por dia

cv_day<-cv%>%group_by(date)%>%summarise(deaths=sum(new_deaths, na.rm=T))
head(cv_day)

ggplot(cv_day,aes(x=date,y=deaths))+geom_path()

cv_day$year=format(cv_day$date,'%Y')
cv_day$month=format(cv_day$date,'%m')

#Agrupando por mês
cv_month<-cv_day%>%group_by(year, month)%>%summarise(deaths=sum(deaths))

ggplot(cv_month,aes(x=month,y=deaths))+
  geom_bar(stat='identity')+
  facet_wrap(~year,ncol=1)+
  theme_bw()