***
Parte do livro Introdução à análise de dados com R. Este trabalho está em andamento, o texto é bastante preliminar e sofrerá muitas alterações.
Quer fazer sugestões? Deixe um comentário abaixo ou, se você sabe utilizar o github, acesse aqui.
Não copie ou reproduza este material sem autorização.
Volte para ver atualizações!
***
Utilizando gráficos para explorar sua base de dados
Os gráficos base do R são bastante poderosos e com eles é possível fazer muita coisa. Entretanto, eles podem ser um pouco demorados para explorar dinamicamente sua base de dados. O pacote ggplot2 é uma alternativa atraente para resolver este problema. O ggplot2 é um pouco diferente de outros pacotes gráficos pois não segue a lógica de desenhar elementos na tela; ao invés disso, a sintaxe do ggplot2 segue uma “gramática de gráficos estatísticos” baseada no Grammar of Graphics de Wilkinson (2005).
No começo, pode parecer um pouco diferente essa forma de construir gráficos. Todavia, uma aprendidos os conceitos básicos da gramática, você vai pensar em gráficos da mesma forma que pensa numa análise de dados, construindo seu gráfico iterativamente, com visualizações que ajudem a revelar padrões e informações interessantes gastando poucas linhas de código. É um investimento que vale a pena.
Nesta seção, faremos uma breve introdução ao pacote ggplot2, destacando seus principais elementos. Para um tratamento mais aprofundado, recomenda-se o livro do Hadley Wickham.
Antes de continuar, você precisa instalar e carregar os pacotes que vamos utilizar nesta seção. Além do próprio ggplot2, vamos utilizar também os pacotes ggthemes e gridExtra.
# Instalando os pacotes (caso não os tenha instalados)
install.packages(c("ggplot2","ggthemes", "gridExtra"))
# Carregando os pacotes
library(ggplot2)
library(ggthemes)
library(gridExtra)
Também vamos utilizar uma base de dados de anúncio de imóveis de Brasília que você pode baixar aqui ou carregar com o comando abaixo. Vamos utilizar apenas os dados de venda.
# Carrega arquivo
arquivo <- url("https://dl.dropboxusercontent.com/u/44201187/imoveis.rds")
con <- gzcon(arquivo)
dados <- readRDS(con)
# Filtra apenas para venda
venda <- dados[dados$tipo == "venda", ]
A “gramática dos gráficos”
Mas o que seria essa gramática de gráficos estatísticos? Podemos dizer que um gráfico estatístico é um mapeamento dos dados para propriedades estéticas (cor, forma, tamanho) e geométricas (pontos, linhas, barras) da tela. O gráfico também pode conter transformações estatísticas e múltiplas facetas para diferentes subconjuntos dos dados. É a combinação de todas essas camadas que forma seu gráfico estatístico.
Deste modo, os gráficos no ggplot2 são construídos por meio da adição de camadas. Cada camada, grosso modo, é composta de:
- Uma base de dados (um data.frame, preferencialmente no formato long);
- Atributos estéticos (aesthetics);
- Objetos geométricos;
- Transformações estatísticas;
- Facetas; e,
- Demais ajustes.
Vejamos um exemplo simples de scatter plot com os dados de preço e metro quadrado dos imóveis da nossa base de dados.
ggplot(data=venda, aes(x=m2, y=preco)) + geom_point()
Traduzindo o comando acima do gpplot2, nós começamos chamando a função ggplot() que inicializa o gráfico com os seguintes parâmetros:
- data: aqui indicamos que estamos usando a base de dados
venda;
- aes: aqui indicamos as estéticas que estamos mapeando. Mais especificamente, estamos dizendo que vamos mapear o eixo x na variável
m2 e o eixo y na variável preco.
Em seguida, adicionamos um objeto geométrico:
- geom_point(): estamos falando ao
ggplot que queremos adicionar o ponto como objeto geométrico.
Com relação às transformações estatísticas, neste caso não estamos realizando nenhuma. Isto é, estamos plotando os dado sem quaisquer modificações. Em termos esquemáticos, nós estamos fazendo o seguinte mapeamento:
O que resulta no seguinte gráfico:
aes: mapeando cor, tamanho, forma etc
Um gráfico no plano tem apenas duas coordenadas, x e y, mas nossa base de dados tem, em geral, vários colunas… como podemos representá-las? Uma forma de fazer isso é mapear variáveis em outras propriedades estéticas do gráfico, tais como cor, tamanho e forma. Isto é, vamos expandir as variáveis que estamos meapeando nos aesthetics.
Para exemplificar, vamos mapear cada bairro em uma cor diferente e o número de quartos no tamanho dos pontos.
ggplot(data=venda, aes(x = m2, y = preco, color = bairro, size = quartos)) +
geom_point()
Nosso esquema anterior ficaria da seguinte forma.
E o gráfico resultante:
Note que este gráfico revela aspectos diferentes da base de dados, como alguns registros possivelmente errados (imóvel com 30 quartos) e concentração de imóveis grandes em determinados bairros.
Mapear é diferente de determinar
Uma dúvida bastante comum quando as pessoas começam a aprender o ggplot2 é a diferença entre mapear variáveis em certo atributo estético e determinar certo atributo estético.
Quando estamos mapeando variáveis, fazemos isso dentro do comando aes(). Quando estamos apenas mudando a estética do gráfico, sem vincular isso a alguma variávei, fazemos isso fora do comando aes().
Por exemplo, no comando abaixo mudamos a cor, o tamanho e a forma dos pontos do scatter plot. Entretanto, essas mudanças foram apenas cosméticas e não representam informações de variáveis da base de dados e, portanto, não possuem legenda.
# muda o tamanho, a cor e a forma dos pontos
# note que não há legenda, pois não estamos
# mapeando os dados a atributos estéticos
ggplot(data=venda, aes(x=m2, y=preco)) +
geom_point(color="darkblue", shape=21, size = 5)
geoms: pontos, retas, boxplots, regressões
Até agora vimos apenas o geom_poin(), mas o ggplot2 vem com vários geoms diferentes e abaixo listamos os mais utilizados:
| Tipo de Gráfico |
geom |
| scatterplot (gráfico de dispersão) |
geom_point() |
| barchart (gráfico de barras) |
geom_bar() |
| boxplot |
geom_boxplot() |
| line chart (gráfico de linhas) |
geom_line() |
| histogram (histograma) |
geom_histogram() |
| density (densidade) |
geom_density() |
| smooth (aplica modelo estatístico) |
geom_smooth() |
Aqui, em virtude do espaço, mostraremos apenas um exemplo de gráfico de densidade e boxplot. Experimente em seu computador diferentes geoms na base de dados de imóveis.
# Density
ggplot(data=venda, aes(x=preco)) + geom_density(fill = "darkred")
# Boxplot
ggplot(data=venda, aes(x=bairro, y=preco)) + geom_boxplot(aes(fill = bairro))
Combinando aes e geom
Os gráficos do ggplot2 são construídos em etapas e podemos combinar uma série de camadas compostas de aes e geoms diferentes, adicionando informações ao gráfico iterativamente.
Toda informação que você passa dentro do comando inicial ggplot() é repassada para os geoms() seguintes. Assim, as estéticas que você mapeia dentro do comando ggplot() valem para todas as comadas subsequentes; por outro lado, as estéticas que você mapeia dentro dos geoms valem apenas para aquele geom especificamente. Vejamos um exemplo.
O comando abaixo mapeia o bairro como cor dentro do comando ggplot(). Dessa forma, tanto nos pontos geom_point(), quanto nas regressões geom_smooth() temos cores mapeando bairros, resultando em várias regressões diferentes.
# aes(color) compartilhado
ggplot(venda, aes(m2, preco, color=bairro)) + geom_point() +
geom_smooth(method="lm")
Mas e se você quisesse manter os pontos com cores diferentes com apenas uma regressão para todas observações? Neste caso, temos que mapear os bairros nas cores apenas para os pontos. Note que no comando a seguir passamos a estética color = bairro apenas para geom_poin().
# aes(color) apenas nos pontos
ggplot(venda, aes(m2, preco)) + geom_point(aes(color=bairro)) +
geom_smooth(method="lm")
Revelando padrões
A combinação simples de estéticas e formas geométricas pode ser bastante poderosa para revelar padrões interessantes nas bases de dados. Vejamos um caso ilustrativo.
Cilindradas, cilindros e Milhas por Galão
A base de dados mpg contém informações sobre eficiência no uso de combustível para diversos modelos de carro de 1999 a 2008. Vejamos um scatter plot relacionando cilindradas e consumo medido por milhas por galão:
ggplot(mpg, aes(displ, hwy)) + geom_point()
A imagem parece revelar uma relação não linear entre cilindradas e milhas por galão. Vejamos, todavia, o mesmo gráfico mapeando o número de cilindros nas cores:
ggplot(mpg, aes(displ, hwy, col=factor(cyl))) + geom_point() +
geom_smooth(method = "lm")
Note que o gráfico parece revelar que, uma vez condicionada ao número de cilindros, a relação entre cilindradas e milhas por galão é razoavelmente linear!
Adicionando facetas
No ggplot2(), você pode dividir o gráfico em diversos subgráficos utilizando variáveis categóricas. Vejamos um exemplo utilizando facet_wrap().
ggplot(venda, aes(m2, preco)) +
geom_point(aes(col=factor(quartos))) +
geom_smooth(method="lm") +
facet_wrap(~bairro)
Personalizando seu o gráfico
Depois de chegar em um gráfico interessante, você provavelmente vai querer personalizar detalhes estéticos deste gráfico para apresentá-lo ao público. No ggplot2 é possível fazer o ajuste fino de diversos elementos do seu gráfico e o detalhamento disso fugiria ao escopo deste livro.
Entretanto, vejamos um exemplo de histograma com a personalização de alguns elementos, adicionando labels, títulos, e mudando o fundo para branco:
media <- mean(log(venda$preco))
dp <- sd(log(venda$preco))
ggplot(data=venda, aes(x=log(preco))) +
geom_histogram(aes(y = ..density..), binwidth=0.3, fill="lightblue", col="black") +
stat_function(fun=dnorm, args=list(mean=media, sd=dp), color="red") +
geom_rug() + # adiciona rug no eixo x
xlab("Log do Preço") + # adiciona descrição do eixo x
ylab("Densidade") + # adiciona descrição do eixo y
ggtitle("Histograma Preços de Imóveis") + # adiciona título
theme_bw() # adciona tema "Black and White"
Ficou bonito, não?
Temas pré prontos – ggthemes
O pacote ggthemes já vem com vários temas pré-programados, replicando formatações de sites como The Economist, The Wall Street Journal, FiveThirtyEight, ou de outros aplicativos como o Stata, Excel entre outros. Esta é uma forma rápida e fácil de adicionar um estilo diferente ao seu gráfico.
Experimente com os temas abaixo (gráficos omitidos aqui):
grafico <- ggplot(mpg, aes(displ, hwy, col=factor(cyl))) + geom_point() +
geom_smooth(method = "lm", se = F) + ggtitle("Cilindradas, cilindros e Milhas por Galão") +
ylab("Milhas por galão") + xlab("Cilindradas")
# Gráfico original
grafico
# Tema "The Economist" com respectiva escala de cores
grafico + theme_economist() + scale_color_economist()
# Tema "The Wall Street Journal" com respectiva escala de cores
grafico + theme_wsj() + scale_color_wsj()
# Tema "Excel" com respectiva escala de cores
grafico + theme_excel() + scale_color_excel()
# Tema "fivethirtyeight"
grafico + theme_fivethirtyeight()
# Tema "highcharts" com respectiva escala de cores
grafico + theme_hc() + scale_color_hc()
# Tema "Tufte"
grafico + theme_tufte()
# Tema "Stata" com respectiva escala de cores
grafico + theme_stata() + scale_color_stata()
Vários gráficos juntos
Por fim, uma última dica e como colocar vários gráficos juntos com a função grid.arrange().
g1 <- grafico + theme_fivethirtyeight()
g2 <- grafico + theme_hc() + scale_color_hc()
g3 <- grafico + theme_tufte()
g4 <- grafico + theme_stata() + scale_color_stata()
grid.arrange(g1, g2, g3, g4)
Análise Real 