Escolher o tipo de gráfico adequado para os dados é fundamental para garantir uma comunicação clara e eficaz das informações. Cada conjunto de dados possui características específicas, como variáveis contínuas e/ou categóricas, e selecionar o gráfico correto ajuda a destacar padrões, tendências e relações que poderiam passar despercebidos. Um gráfico mal escolhido pode confundir o leitor ou até mesmo transmitir uma interpretação errada dos dados, comprometendo a tomada de decisão baseada neles.
species island bill_length_mm bill_depth_mm
Adelie :146 Biscoe :163 Min. :32.10 Min. :13.10
Chinstrap: 68 Dream :123 1st Qu.:39.50 1st Qu.:15.60
Gentoo :119 Torgersen: 47 Median :44.50 Median :17.30
Mean :43.99 Mean :17.16
3rd Qu.:48.60 3rd Qu.:18.70
Max. :59.60 Max. :21.50
flipper_length_mm body_mass_g sex year
Min. :172 Min. :2700 female:165 Min. :2007
1st Qu.:190 1st Qu.:3550 male :168 1st Qu.:2007
Median :197 Median :4050 Median :2008
Mean :201 Mean :4207 Mean :2008
3rd Qu.:213 3rd Qu.:4775 3rd Qu.:2009
Max. :231 Max. :6300 Max. :2009
dados2 <-as.data.frame(Titanic)summary(dados2)
Class Sex Age Survived Freq
1st :8 Male :16 Child:16 No :16 Min. : 0.00
2nd :8 Female:16 Adult:16 Yes:16 1st Qu.: 0.75
3rd :8 Median : 13.50
Crew:8 Mean : 68.78
3rd Qu.: 77.00
Max. :670.00
dados3 <- gapminder::gapmindersummary(dados3)
country continent year lifeExp
Afghanistan: 12 Africa :624 Min. :1952 Min. :23.60
Albania : 12 Americas:300 1st Qu.:1966 1st Qu.:48.20
Algeria : 12 Asia :396 Median :1980 Median :60.71
Angola : 12 Europe :360 Mean :1980 Mean :59.47
Argentina : 12 Oceania : 24 3rd Qu.:1993 3rd Qu.:70.85
Australia : 12 Max. :2007 Max. :82.60
(Other) :1632
pop gdpPercap
Min. :6.001e+04 Min. : 241.2
1st Qu.:2.794e+06 1st Qu.: 1202.1
Median :7.024e+06 Median : 3531.8
Mean :2.960e+07 Mean : 7215.3
3rd Qu.:1.959e+07 3rd Qu.: 9325.5
Max. :1.319e+09 Max. :113523.1
4.1 1 variável numérica
# Violin(g1 <-ggplot(dados1, aes(x = species, y = body_mass_g, fill = species)) +geom_violin(trim =FALSE) +labs(title ="Violin", x ="Espécie", y ="Massa corporal (g)") +theme_minimal() +theme(legend.position ="none", plot.title =element_text(hjust =0.5)))
# Density(g2 <-ggplot(dados1, aes(x = body_mass_g, fill = species)) +geom_density(alpha =0.5) +labs(title ="Density",x ="Massa corporal (g)", y ="Densidade", fill ="Espécie") +theme_minimal() +theme(plot.title =element_text(hjust =0.5)))
# Histogram(g3 <-ggplot(dados1, aes(x = body_mass_g, fill = species)) +geom_histogram(bins =30, alpha =0.6, position ="identity") +labs(title ="Histogram",x ="Massa corporal (g)", y ="Frequência", fill ="Espécie") +theme_minimal() +theme(plot.title =element_text(hjust =0.5)))
# Boxplot(g4 <-ggplot(dados1, aes(x = species, y = body_mass_g, fill = species)) +geom_boxplot() +labs(title ="Boxplot",x ="Espécie", y ="Massa corporal (g)") +theme_minimal() +theme(legend.position ="none", plot.title =element_text(hjust =0.5)))
# Ridgelinelibrary(ggridges) (g5 <-ggplot(dados1, aes(x = body_mass_g, y = species, fill = species)) +geom_density_ridges(alpha =0.6) +labs(title ="Ridgeline",x ="Massa corporal (g)", y ="Espécie") +theme_minimal() +theme(legend.position ="none", plot.title =element_text(hjust =0.5)))
# Beeswarmlibrary(ggbeeswarm) (g6 <-ggplot(dados1, aes(x = species, y = body_mass_g, color = species)) +geom_beeswarm(cex =0.5) +labs(title ="Beeswarm",x ="Espécie", y ="Massa corporal (g)") +theme_minimal() +theme(legend.position ="none", plot.title =element_text(hjust =0.5)))
4.2 2 variáveis numéricas
# Scatter(g1 <-ggplot(dados1, aes(x = bill_length_mm, y = bill_depth_mm)) +geom_point(aes(color = species)) +labs(title ="Scatter",x ="Comprimento do bico (mm)", y ="Profundidade do bico (mm)", color ="Espécie") +theme_minimal() +theme(plot.title =element_text(hjust =0.5)))
Linhas de referência
(gh <-ggplot(dados1, aes(x = flipper_length_mm, y = body_mass_g)) +geom_point(size =3, color ="blue") +geom_hline(yintercept =median(dados1$body_mass_g),linetype ="dashed", color ="red") +labs(title ="Scatter com linha de referência da mediana da massa corporal",x ="Flipper length (mm)", y ="Body mass (g)") +theme_minimal() +theme(plot.title =element_text(hjust =0.5)))
(gv <-ggplot(dados1, aes(x = flipper_length_mm, y = body_mass_g)) +geom_point(size =3, color ="blue") +geom_vline(xintercept =mean(dados1$flipper_length_mm),linetype ="dotted", linewidth =1.5, color ="red") +labs(title ="Scatter com linha de referência da média do comprimento da nadadeira",x ="Flipper length (mm)", y ="Body mass (g)") +theme_minimal() +theme(plot.title =element_text(hjust =0.5)))
4.3 1 variável numérica e 1 variável categórica
# Line gap1 <- dados3 %>%filter(country =="Brazil")(g1 <-ggplot(gap1, aes(x = year, y = gdpPercap)) +geom_line(color ="blue") +labs(title ="PIB per capita ao longo dos anos no Brasil", x ="Ano", y ="PIB per capita") +theme_minimal() +theme(plot.title =element_text(hjust =0.5)))
g1 +geom_point()
g1 +geom_point(color ="red", shape =5)
# Area(g2 <-ggplot(gap1, aes(x = year, y = gdpPercap)) +geom_area(fill ="blue", color ="blue", alpha =0.5) +labs(title ="PIB per capita ao longo dos anos no Brasil", x ="Ano", y ="PIB per capita") +theme_minimal() +theme(plot.title =element_text(hjust =0.5)))
4.4 2 variáveis categóricas e 1 numérica
# Heatmapggplot(dados1, aes(x = species, y = sex, fill = flipper_length_mm)) +geom_tile(color ="white") +scale_fill_gradient(low ="red", high ="blue", limits =c(150, 220)) +labs(title ="Heatmap",x ="Espécie",y ="Sexo",fill ="Comprimento da nadadeira" ) +theme_minimal() +theme(plot.title =element_text(hjust =0.5))
# Col - usa os valores que você fornece em yresumo <- dados1 %>%group_by(species) %>%summarise(contagem =n(), .groups ="drop")(g1 <-ggplot(resumo, aes(x = species, y = contagem)) +geom_col(fill ="darkgreen") +labs(title ="Col", x ="Espécie", y ="Contagem") +theme_minimal() +theme(plot.title =element_text(hjust =0.5)))
# Bar - calcula contagem automaticamente(g1 <-ggplot(dados1, aes(x = species)) +geom_bar(fill ="darkgreen") +theme_minimal() +labs(title ="Bar", y ="Contagem", x ="Espécie") +theme(plot.title =element_text(hjust =0.5)))
# stat = "identity": não calcular contagem, usar o y fornecido(g1 <-ggplot(resumo, aes(x = species, y = contagem)) +geom_bar(stat ="identity", fill ="darkgreen") +theme_minimal() +labs(title ="Bar", y ="Contagem", x ="Espécie") +theme(plot.title =element_text(hjust =0.5)))
# Lollipopdf_count <- dados1 %>%count(species)(g2 <-ggplot(df_count, aes(x = species, y = n)) +geom_segment(aes(x = species, xend = species, y =0, yend = n), color ="darkgreen") +geom_point(size =4, color ="green") +labs(title ="Lollipop", x ="Espécie", y ="Contagem") +theme_minimal() +theme(plot.title =element_text(hjust =0.5)))
4.7 Contagem de classes de uma variável categórica
# Stacked bar(g1 <-ggplot(dados1, aes(x = island, fill = species)) +geom_bar(position ="stack") +theme_minimal() +labs(title ="Stacked Bar", x ="Ilha", y ="Contagem") +theme(plot.title =element_text(hjust =0.5)))
# Grouped bar(g2 <-ggplot(dados1, aes(x = island, fill = species)) +geom_bar(position ="dodge") +theme_minimal() +labs(title ="Grouped Bar", x ="Ilha", y ="Contagem") +theme(plot.title =element_text(hjust =0.5)))
# Pie pie_data <- dados1 %>%count(species) %>%mutate(frac = n/sum(n), label =paste(round(100* frac, 1), "%"))(g3 <-ggplot(pie_data, aes(x="", y = frac, fill = species)) +geom_bar(stat ="identity") +coord_polar("y") +geom_text(aes(label = label),position =position_stack(vjust =0.5), color ="white", size =4) +theme_void() +labs(title ="Pie", fill ="Espécie") +theme(plot.title =element_text(hjust =0.5)))
4.8 Adição de estatísticas
# Boxplot com média e medianaggplot(dados1, aes(x = species, y = body_mass_g)) +geom_boxplot(fill ="lightgreen") +stat_summary(fun = mean, geom ="point", shape =20, size =3, color ="red") +stat_summary(fun = median, geom ="point", shape =18, size =3, color ="blue") +labs(x ="Espécie", y ="Massa corporal (g)") +theme_minimal()
# Média ± erro padrão ggplot(dados1, aes(x = species, y = body_mass_g)) +stat_summary(fun = mean, geom ="point", size =3, color ="blue") +stat_summary(fun.data = mean_se, geom ="errorbar", width =0.2, color ="black") +labs(x ="Espécie", y ="Massa corporal (g)") +theme_minimal()
# Regressão linear: flipper_length_mm ~ body_mass_gggplot(dados1, aes(x = body_mass_g, y = flipper_length_mm, color = species)) +geom_point(alpha =0.7) +geom_smooth(method ="lm", se =TRUE) +labs(x ="Massa corporal (g)", y ="Flipper length (mm)", color ="Espécie") +theme_minimal()
library(ggpmisc)ggplot(dados1, aes(x = body_mass_g, y = flipper_length_mm, color = species)) +geom_point(alpha =0.7) +geom_smooth(method ="lm", se =TRUE) +stat_poly_eq(aes(label =paste(..eq.label.., ..rr.label.., sep ="~~~")),formula = y ~ x, parse =TRUE, label.x.npc ="left", label.y.npc =0.95) +labs(x ="Massa corporal (g)", y ="Flipper length (mm)", color ="Espécie") +theme_minimal()
Pacotes específicos para gráficos com estatísticas:
