Algo (muito rápido) sobre o ggplot2

---

Visão rápida

• O ggplot2 foi criado por Hadley Wickham, baseado no livro Grammar of Graphics, de Leland Wilkinson.
• A ideia é pensar em um “gráfico” como uma estrutura racional, composta por camadas.

• Não precisa ter todas as camadas, mas três são obrigatórias:
  • data: o conjunto de dados deve ser uma tibble (ou, pelo menos, um dataframe);
  • aesthetics: mapeamentos estéticos, como selecionamento das variáveis em questão;
  • geometries: são as formas do gráfico (pontos, boxplot, histograma, etc)
• Não veremos todos os gráficos, apenas alguns poucos;
• Apenas tangenciaremos o pacote !!

Queira comunicar, não “lacrar”!

Antes de começar

• Vamos carregar a biblioteca do tidyverse, não apenas a do ggplot.
• Isso se deve ao fato de sempre precisarmos manipular os dados antes de plotar algum gráfico.

O código abaixo carrega o pacote:

library(tidyverse)

Registered S3 methods overwritten by 'dbplyr':
  method         from
  print.tbl_lazy     
  print.tbl_sql      
-- Attaching packages ---------------------------------- tidyverse 1.3.1 --
v ggplot2 3.3.5     v purrr   0.3.4
v tibble  3.1.3     v dplyr   1.0.7
v tidyr   1.1.3     v stringr 1.4.0
v readr   2.0.0     v forcats 0.5.1
-- Conflicts ------------------------------------- tidyverse_conflicts() --
x dplyr::filter() masks stats::filter()
x dplyr::lag()    masks stats::lag()

• Depois disso, usaremos a função read_csv() para acessar o conjunto de dados.
• Usaremos o conjunto de dados milhas_por_galao.csv, bem como o conjunto de dados notas_disciplinas.csv, ambos disponíveis em nosso repositório: Dados.csv.
  • O primeiro conjunto de dados, nomearemos por dados_mpg e o segundo por dados_notas

# Lendo o conjunto `milhas_por_galao.csv`
dados_mpg <- read_csv("dados/milhas_por_galao.csv")

Rows: 234 Columns: 11
-- Column specification ---------------------------------------------------
Delimiter: ","
chr (6): fabricante, modelo, transmissao, tracao, combustivel, classe
dbl (5): cilindrada, ano, cilindros, cidade, rodovia

i Use `spec()` to retrieve the full column specification for this data.
i Specify the column types or set `show_col_types = FALSE` to quiet this message.

# Lendo o conjunto de dados `notas_disciplina.csv`
dados_notas <- read_csv("dados/notas_disciplina.csv")

Rows: 20 Columns: 12
-- Column specification ---------------------------------------------------
Delimiter: ","
chr  (1): Curso
dbl (11): 2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020

i Use `spec()` to retrieve the full column specification for this data.
i Specify the column types or set `show_col_types = FALSE` to quiet this message.

• O dataset dados_mpg ficaria assim:

dados_mpg

• Já o dataset dados_notas, assim:
  • veja que esse conjunto de dados não está na forma tidy.

dados_notas

Sintax do ggplot

ggplot(dados, mapping = aes(x = ..., y = ..., outras = ...)) +
  geom_funcao(opções)

Ou, usando o pipe:

dados %>% 
  ggplot(mapping = aes(x = ..., y = ..., outras = ...)) +
  geom_funcao(opções)

• Note que usamos o sinal “+” para adicionar as camadas do ggplot.
• Para ficar mais explícito, às vezes usaremos assim:

dados %>% 
  ggplot() +
  aes(x = ..., y = ..., outras = ...) +
  geom_funcao(opções)

1. Gráficos de Pontos

• Também são chamados de “gráfico de dispersão” (scatter plot)
• Relaciona variáveis numéricas.
• Vamos relacionar a quantidade de cilindradas com a quantidade de milhas por galão em rodovia.
  • ou seja, vamos relacionar as seguintes variáveis numéricas em nosso dataset: rodovia e cilindrada.
  • estamos usando o dataset dados_mpg.
• Nesse exemplo, vamos usar as camadas, passo a passo (mesmo não precisando)

1º Camada: Data (dados)

ggplot(data = dados_mpg)

• Observe que se colocarmos apenas a camada dos “dados”, não aparece (quase) nada
  • carrega-se apenas o conjunto de dados

2º Camada: Aesthetics (estética)

• Acrescentando a camada estética geral (aes()), já aparecem os valores do eixo \(x\) e os valores do eixo \(y\).
  • também é costume colocar essa camada dentro da camada ggplot(), assim: ggplot(data = ..., aes(x = ..., y = ...)).

ggplot(data = dados_mpg) +
  aes(x = rodovia, y = cilindrada)

3º Camada: Geometries (geometria)

• Vamos agora acrescentar a camada da geometria dos dados

ggplot(data = dados_mpg) +
  aes(x = cilindrada, y = rodovia) +
  geom_point()

• Veja com com essas três camadas, já temos um conjunto de informações básicas sobre o que desejamos comunicar.
  • as outras camadas, deixam o gráfico mais “bonito”.
• Também podemos acrescentar argumentos convenientes na camada Geometries, como size (que altera o tamanho dos pontos)
• Apenas por simplicidade, vamos omitir o nome “date”

ggplot(dados_mpg) +
  aes(x = cilindrada, y = rodovia) +
  geom_point(size = 2)

4º Camada: Facets (facetas)

• Ao acrescentar a camada “facets”, particularizamos alguma característica desejável
  • no exemplo, estamos facetando pelo ano, ou seja, separando os dados por ano.
  • usaremos a função facet_grid()

ggplot(data = dados_mpg) +
  aes(x = cilindrada, y = rodovia) +
  geom_point(size = 2) +
  facet_grid(ano~.)

• Veja que usamos o argumento ano~.
  • isso faz com que a variável ano fique na “horizontal”
  • Se mudarmos a posição desse argumento, ou seja, .~ano, fica assim:

ggplot(data = dados_mpg) +
  aes(x = cilindrada, y = rodovia) +
  geom_point(size = 2) +
  facet_grid(.~ano)

• Ainda podemos mudar a cor dos pontos, de acordo com a classe dos carros.
  • para isso usaremos o argumento color = classe
  • devemos acrescentar o argumento color dentro de um aes() (local), pois relaciona à mudanças na variável do dataset (ou seja, ele mapeará as características estéticas em cada parte da variável);
  • se a mudança é apenas numérica, não precisa do aes()

ggplot(data = dados_mpg) +
  aes(x = cilindrada, y = rodovia) +
  geom_point(size = 2, aes(color = classe)) +
  facet_grid(.~ano)

• Se não tivéssemos acrescentado o aes() ficaria assim (com erro):

ggplot(data = dados_mpg) +
  aes(x = cilindrada, y = rodovia) +
  geom_point(size = 2, color = classe) +
  facet_grid(.~ano)

5º Camada: Statistics (estatísticas)

• Pode ser a média, mediana, uma regra de regressão, etc.
• para esse exemplo, usaremos uma curva que melhor se ajusta nos conjuntos de pontos.
  • para isso, usaremos a função geom_smooth()

ggplot(data = dados_mpg) +
  aes(x = cilindrada, y = rodovia) +
  geom_point(size = 2, aes(color = classe)) +
  facet_grid(.~ano) +
  geom_smooth()

`geom_smooth()` using method = 'loess' and formula 'y ~ x'

• Se quisermos uma reta que melhor se adeque aos pontos, devemos acrescentar o argumento `method = lm:

ggplot(data = dados_mpg) +
  aes(x = cilindrada, y = rodovia) +
  geom_point(size = 2, aes(color = classe)) +
  facet_grid(.~ano) +
  geom_smooth(method = lm)

`geom_smooth()` using formula 'y ~ x'

• Caso seja conveniente retirarmos o “sombreamento” (intervalo de confiança) da curva (inclusive a reta), usamos o argumento se = FALSE.

ggplot(data = dados_mpg) +
  aes(x = cilindrada, y = rodovia) +
  geom_point(size = 2, aes(color = classe)) +
  facet_grid(.~ano) +
  geom_smooth(method = lm, se = FALSE)

`geom_smooth()` using formula 'y ~ x'

• E, se quisermos mudar a cor dessa reta de regressão, podemos fazer dentro dessa camada:

ggplot(data = dados_mpg) +
  aes(x = cilindrada, y = rodovia) +
  geom_point(size = 2, aes(color = classe)) +
  facet_grid(.~ano) +
  geom_smooth(method = lm, se = FALSE, color = "red")

`geom_smooth()` using formula 'y ~ x'

6º Camada: Coordinates (coordenadas)

• Podemos usar coordenadas cartesianas ou polares;
  • no nosso exemplo, estamos usando coordenadas polares.
• Também é possível delimitar os eixos coordenados.
  • em nosso caso, usaremos as funções xlim e ylim dentro da função coord_cartesian()

ggplot(data = dados_mpg) +
  aes(x = cilindrada, y = rodovia) +
  geom_point(size = 2, aes(color = classe)) +
  facet_grid(.~ano) +
  geom_smooth(method = lm, se = FALSE, color = "red") +
  coord_cartesian(xlim = c(0, 8), ylim = c(10, 45))

`geom_smooth()` using formula 'y ~ x'

7º Camada: Theme

• Podemos colocar um tema que melhor se adeque ao aspecto de nosso texto
  • no nosso caso, vamos usar o tema theme_bw

ggplot(data = dados_mpg) +
  aes(x = cilindrada, y = rodovia) +
  geom_point(size = 2, aes(color = classe)) +
  facet_grid(.~ano) +
  geom_smooth(method = lm, se = FALSE, color = "red") +
  theme_bw()

`geom_smooth()` using formula 'y ~ x'

• Também podemos modificar o título e os nomes dos eixos com a função labs()

ggplot(data = dados_mpg) +
  aes(x = cilindrada, y = rodovia) +
  geom_point(size = 2, aes(color = classe)) +
  facet_grid(.~ano) +
  geom_smooth(method = lm, se = FALSE, color = "red") +
  theme_bw() +
  labs(
    title = "Correlação entre variáveis numéricas",
    subtitle = "Cilindrada vs Milhas por Galão",
    x = "Cilindrada",
    y = "Milhas por Galão de Combustível"
  )

`geom_smooth()` using formula 'y ~ x'

2. Gráficos de linha

• Usaremos para esse gráfico o dataset notas_disciplina.csv.
• Precisamos deixá-lo na forma `tidy``, pivotando as colunas (já vimos como faz isso)
  • também renomearemos uma das variáveis
  • chamaremos esses dados modificados por notas_tidy

notas_tidy <- dados_notas %>% 
  pivot_longer(
    !Curso,
    names_to = "ano",
    values_to = "notas"
  ) %>% 
  rename(curso = Curso)

notas_tidy

• Para criarmos o gráfico de linhas, vamos usar as médias do conjunto de dados ao longo dos anos.
• Agora, vamos sumarizar as médias das turmas por ano:
  • chamaremos de p

p <- notas_tidy %>% 
  group_by(ano) %>% 
  summarise(
    media_notas = round(mean(notas), 1)
)

p

 p %>% 
  ggplot(aes(x = ano, y = media_notas, group = 1)) +
  geom_line(color = "#BF616A", size = 1)

• Note que:
  • usamos o comando group = 1 no aes() geral.
  • escolhemos uma cor vermelha específica (com suporte em html)
• O código completo, já com o tema, fica

 notas_tidy %>% 
  group_by(ano) %>% 
  summarise(
    media_notas = round(mean(notas), 1)
  ) %>% 
  ggplot(aes(x = ano, y = media_notas, group = 1)) +
  geom_line(color = "#BF616A", size = 1) +
  labs(
    title = "Gráfico de Linhas das Notas",
    x = "",
    y = "Média das Notas"
  ) +
  theme_minimal()

• Veja que o “+” só é colocado nas camadas do ggolot.
  • um erro comum é trocar o + pelo %>% (pipe)

3. Gráfico de Colunas

• Para o gráfico de colunas, vamos usar o dados_mpg e relacionarmos quantos carros usam os diferentes combustíveis (p = premium; r = regular; e = ethanol; d = diesel; g = gás).

dados_mpg %>% 
  count(combustivel)

• Assim, usaremos a função geom_col() para criarmos o gráfico de colunas, relacionando o combustível com sua frequência absoluta n

dados_mpg %>% 
  count(combustivel) %>%
  ggplot(aes(x = combustivel, y = n)) +
  geom_col()

• Se quisermos preencher cada coluna com uma cor de acordo com o tipo de combustível, devemos acrescentar no aes() um argumento para tal fato.
  • o argumento color vai cobrir a fronteira dos gráficos;
  • o argumento fill vai preencher o interior dos gráficos.

dados_mpg %>% 
  count(combustivel) %>%
  ggplot(aes(x = combustivel, y = n , color = combustivel)) +
  geom_col()

dados_mpg %>% 
  count(combustivel) %>%
  ggplot(aes(x = combustivel, y = n , fill = combustivel)) +
  geom_col()

• Há um conjunto de cores (viridis) que ajuda na visualização de pessoas com dificuldade de visão ou daltonismo
  • particularmente, uso a variação d (default)

dados_mpg %>% 
  count(combustivel) %>%
  ggplot(aes(x = combustivel, y = n , fill = combustivel)) +
  geom_col() +
  scale_fill_viridis_d()

• Uma maneira rápida de reordenarmos as colunas de forma crescente é usarmos a função fct_reorder(), do pacote forcats (incluso no tidyverse).

dados_mpg %>% 
  count(combustivel) %>% 
  ggplot(aes(x = fct_reorder(combustivel, n), y = n, fill = combustivel)) +
  geom_col() +
  scale_fill_viridis_d()

• Para a ordenação de forma decrescente, podemos usar a função desc(), ou simplesmente colocar o sinal “-” antes da variável numérica que estamos ordenando.

dados_mpg %>% 
  count(combustivel) %>% 
  ggplot(aes(x = fct_reorder(combustivel, -n), y = n, fill = combustivel)) +
  geom_col() +
  scale_fill_viridis_d()

• Melhorando o gráfico, temos:

dados_mpg %>% 
  count(combustivel) %>% 
  ggplot(aes(x = fct_reorder(combustivel, -n), y = n, fill = combustivel)) +
  geom_col() +
  scale_fill_viridis_d() +
  labs(
    title = "Comparando os tipos de combustíveis",
    subtitle = "(`p` = premium; `r` = regular; `e` = ethanol; `d` = diesel; `g` = gás)",
    x = "",
    y = ""
)

3.1 Gráfico de Barras

• Mesma ideia do anterior
• Geralmente usado quando o nome da variável é grande
• o pacote scales será usado para exibir um dos eixos com notação de porcentagem.
  • esse pacote faz muitas outras coisas, mas só usaremos essa nesse exemplo.
  • se você não tiver instalado, faça-o com o comando install.packages("scales").

library(scales)

Attaching package: ‘scales’

The following object is masked from ‘package:purrr’:

    discard

The following object is masked from ‘package:readr’:

    col_factor

• Usamos a função label_percent(), dentro da função scale_x_continuous(), no argumnento label.
  • também podemos delimitar o eixo \(x\) por aqui!
  • o termo accuracy diz quantas casas decimais desejamos, caso seja necessário.

dados_mpg %>% 
  count(classe) %>% 
  mutate(prop = n / sum(n)) %>% 
  ggplot() +
  aes(x = prop, y = fct_reorder(classe, prop), fill = classe) +
  geom_col() +
  scale_fill_viridis_d() +
  scale_x_continuous(
    labels = label_percent(accuracy = 1), 
    limits = c(0, .3)
  ) +
  labs(
    title = "Porcentagem das Classes dos Carros",
    x = "",
    y = ""
  ) +
  theme_minimal()

4. Histograma

• Um histograma é uma representação gráfica da distribuição de uma variável numérica.
  • note que aceita apenas variáveis numéricas de entrada.
• A variável é dividida em várias classes (intervalor)
  • o número de observações por classes é representado pela altura da barra.
• Usaremos o dataset notas_tidy para exemplificação:

notas_tidy %>% 
  ggplot() +
  aes(x = notas) +
  geom_histogram(fill = "blue", color = "black") +
  labs(
    title = "Histograma das Notas",
    x = "Notas",
    y = ""
  ) +
  theme_minimal()

`stat_bin()` using `bins = 30`. Pick better value with `binwidth`.

• Podemos alterar o tamanho das classes usando o argumento binwidth

notas_tidy %>% 
  ggplot() +
  aes(x = notas) +
  geom_histogram(fill = "blue", color = "black", binwidth = 1) +
  labs(
    title = "Histograma das Notas",
    x = "Notas",
    y = ""
  ) +
  theme_minimal()

5. Gráfico de Densidade

• Podemos interpretar como uma suavização do Histograma.

notas_tidy %>% 
  ggplot() +
  aes(x = notas) +
  geom_density(fill = "#404080")

• Podemos comparar por curso

notas_tidy %>% 
  ggplot() +
  aes(x = notas) +
  geom_density(aes(fill = curso), alpha = 0.3) +
  scale_fill_viridis_d()

• Ainda separando por “facetas” pelos cursos

notas_tidy %>% 
  ggplot() +
  aes(x = notas) +
  geom_density(aes(fill = curso), alpha = 0.3) +
  facet_grid(curso~.) +
  scale_fill_viridis_d()

• Ou “facetando” ao longo dos anos

notas_tidy %>% 
  ggplot() +
  aes(x = notas) +
  geom_density(aes(fill = curso), alpha = 0.3) +
  facet_grid(ano~.) +
  scale_fill_viridis_d()

• Este último, por conter muita informação, não ficou tão clara nossa comunicação.
  • Para contornar isso, podemos usar o pacote ggridges

5.1 Ridgeline (Joyplot)

• Carregue (se preciso, instale-o antes) o pacote ggridges

# install.packages("ggridges")
library(ggridges)

• Usaremos a função geom_density_ridges()

notas_tidy %>% 
  ggplot() +
  aes(x = notas, y = ano, fill = curso) +
  geom_density_ridges(alpha = 0.5) +
  scale_fill_viridis_d()

Picking joint bandwidth of 0.568

• Podemos filtrar por um curso específico, por exemplo, Química.

notas_tidy %>% 
  filter(curso == "Qui") %>% 
  ggplot() +
  aes(x = notas, y = ano, fill = curso) +
  geom_density_ridges(alpha = 0.5) +
  scale_fill_viridis_d()

Picking joint bandwidth of 0.61

6. Boxplot

• Já vimos muito sobre boxplot em nossa disciplina (inclusive artigos que explicam os pormenores)
• Para exemplificar, continuaremos com o dataset notas_tidy.
  • inicialmente, vamos comparar, ao logo dos anos, os boxplots dos cursos

notas_tidy %>% 
  ggplot() +
  aes(x = ano, y= notas, fill = curso) +
  geom_boxplot() +
  scale_fill_viridis_d()

• Agora, vamos comparar apenas as notas ao longo dos anos.
  • se quisermos omitir as legendas, usamos show.legend = FALSE

notas_tidy %>% 
  ggplot() +
  aes(x = ano, y= notas) +
  geom_boxplot(aes(fill = ano), show.legend = FALSE) +
  scale_fill_viridis_d()

Extra: reta vertical e anotações

• Considere a densidade das notas do curso:

notas_tidy %>% 
  ggplot() +
  aes(x = notas) +
  geom_density(fill = "lightblue") +
  labs(
    title = "Distribuição das Notas",
    subtitle = "(Tanto de Matemática, quanto de Química)",
    x = "Notas",
    y = "Distribuição"
  ) +
  theme_minimal()

• Como representar, por exemplo, a média dessas notas com uma reta vertical?

notas_tidy %>% 
  ggplot() +
  aes(x = notas) +
  geom_density(fill = "lightblue", alpha = 0.6) +
  labs(
    title = "Distribuição das Notas",
    subtitle = "(Tanto de Matemática, quanto de Química)",
    x = "Notas",
    y = "Distribuição"
  ) +
  theme_minimal() +
  geom_vline(aes(xintercept = mean(notas)), color = "red") 

• E se quisermos colocar o nome “Média” nessa reta?

notas_tidy %>% 
  ggplot() +
  aes(x = notas) +
  geom_density(fill = "lightblue", alpha = 0.6) +
  geom_vline(aes(xintercept = mean(notas)), color = "red") +
  labs(
    title = "Distribuição das Notas",
    subtitle = "(Tanto de Matemática, quanto de Química)",
    x = "Notas",
    y = "Distribuição"
  ) +
  theme_minimal() +
  annotate("text", x = 6, y = 0.05, label = "Média", color = "red")