1 Visualização de Dados

Parte primordial de qualquer análise estatística é chamada análise descritiva ou exploratória. Tal etapa consiste basicamente de resumos numéricos e análises gráficas baseadas em conjuntos de dados.

Trata-se de uma etapa de extrema importância e deve preceder qualquer análise mais sofisticada como ajuste de modelos de regressão, por exemplo. Além disso, a análise exploratória não requer elevada proficiência em tópicos avançados de estatística para aplicação e interpretação dos resultados, fazendo com que visualização de dados caracterize uma técnica simples, com grande apelo visual e extremamente informativa quanto ao conjunto de dados.

No R há a possibilidade de gerar gráficos sem a utilização de pacotes e há também pacotes específicos e especializados em visualização, dentre os quais destacam-se os famosos lattice e ggplot2.

Este post tem como foco explorar as principais e mais simples formas de visualização de dados utilizando o ggplot2 bem como algumas customizações simples como alteração de cores, temas, etc.

2 ggplot2

O ggplot2 é um pacote para geração de gráficos baseado no livro ‘The Grammar of Graphics’. Nele, o usuário fornece os dados, especifica como mapear as variáveis e que tipo de visualização usar. Após isso basta customizar cores, formas e tamanho dos atributos.

Para instalação do pacote basta utilizar a função install.packages(), da seguinte forma:

install.packages('ggplot2')

2.1 Função ggplot()

A principal função do pacote é a ggplot(). Esta função cria um objeto ggplot no qual devem ser declarados os dados e especificar o conjunto de características que vão compor o gráfico.

Leia a documentação da função com o comando:

?ggplot()

O primeiro passo para abrir uma janela gráfica no ggplot2 é especificar o data frame no argumento data e, dentro do aes() informar qual variável ficará no eixo x e qual ficará no eixo y. Além disso pode-se acrescentar outras variáveis ao aes() que serão representadas por cores, formas ou tamanhos diferentes.

ggplot(data = NULL, mapping = aes())

Apenas o comando acima, declarando corretamente os dados e as variáveis, uma janela gráfica em branco é aberta e , para acrescentar pontos, linhas e formas ao gráfico são utilizados os ‘geoms’ do ggplot. Os geoms disponíveis do pacote são:

##  [1] "geom_abline"            "geom_area"             
##  [3] "geom_bar"               "geom_bin_2d"           
##  [5] "geom_bin2d"             "geom_blank"            
##  [7] "geom_boxplot"           "geom_col"              
##  [9] "geom_contour"           "geom_contour_filled"   
## [11] "geom_count"             "geom_crossbar"         
## [13] "geom_curve"             "geom_density"          
## [15] "geom_density_2d"        "geom_density_2d_filled"
## [17] "geom_density2d"         "geom_density2d_filled" 
## [19] "geom_dotplot"           "geom_errorbar"         
## [21] "geom_errorbarh"         "geom_freqpoly"         
## [23] "geom_function"          "geom_hex"              
## [25] "geom_histogram"         "geom_hline"            
## [27] "geom_jitter"            "geom_label"            
## [29] "geom_line"              "geom_linerange"        
## [31] "geom_map"               "geom_path"             
## [33] "geom_point"             "geom_pointrange"       
## [35] "geom_polygon"           "geom_qq"               
## [37] "geom_qq_line"           "geom_quantile"         
## [39] "geom_raster"            "geom_rect"             
## [41] "geom_ribbon"            "geom_rug"              
## [43] "geom_segment"           "geom_sf"               
## [45] "geom_sf_label"          "geom_sf_text"          
## [47] "geom_spoke"             "geom_step"             
## [49] "geom_text"              "geom_tile"             
## [51] "geom_violin"            "geom_vline"            
## [53] "update_geom_defaults"

A sintaxe para geração de um gráfico de dispersão simples é:

ggplot(data = dados,           # conjunto de dados
       mapping = aes(x = x,    # variável x
                     y = y)) + # variável y
  geom_point()                 # especifica que x e y serão representados como pares ordenados

Pode-se acrescentar mais de um geom ao mesmo gráfico apenas com o acréscimo do sinal de mais (+).

Para verificar os tipos de gráficos mais comuns em análise exploratória e como customizar gráficos com o ggplot2, vamos analisar um conjunto de dados simulados.

3 Gerando um conjunto de dados

Vamos gerar e analisar um conjunto de dados comum, composto por duas variáveis numéricas e uma variável categórica:

v1 = rnorm(1500, 20, 5)
v2 = rnorm(1500, 20, 5 )

x = v1*2
y = v1+v2

z = as.factor(rep(c('a','b'), 750))

df <- data.frame(x=x,y=y,z=z)

head(df)
##          x        y z
## 1 25.76890 33.02357 a
## 2 36.71621 41.59246 b
## 3 28.12317 36.44744 a
## 4 47.29725 44.24308 b
## 5 53.67246 43.86979 a
## 6 44.99103 46.22369 b

3.1 Análise com o R base

Uma análise básica do conjunto de dados gerado utilizando as funções base do R:

par(mfrow = c(1,3))
hist(df$y,probability = T, main = 'Histograma',col=3)
box()
lines(density(df$y), lwd=3, col=4)
plot(y~z, df, col = c(3,4), main='Boxplot')
plot(y~x,df, col=c(3,4), main='Gráfico de Dispersão')
abline(lm(y~x, df), lwd=3)

4 Análise com ggplot2

Como o ggplot2 é um pacote, é necessário carregá-lo:

library(ggplot2)

4.1 Densidade

Um gráfico de densidade simples pode ser feito com os seguintes comandos:

ggplot(data=df, mapping = aes(x=y))+
  geom_density()

Dentro de um geom é possível acrescentar elementos extra para customização dos gráficos, por exemplo: o argumento col altera a cor do contorno, o argumento fill altera a cor de preenchimento e o alpha controla o aspecto de transparência do gráfico. Pode-se também acrescentar um geom_rug():

ggplot(data=df, mapping = aes(x=y)) +
  geom_density(col=4,
               fill='#088A85',
               alpha=0.3) + 
  geom_rug()

4.2 Histograma

Para gerar um histograma, basta acrescentar à função ggplot um geom_histogram():

ggplot(data=df, mapping = aes(x=x)) + 
  geom_histogram()

E pode-se incluir as mesmas customizações utilizadas no gráfico de densidade, inclusive ao geom_rug:

ggplot(data=df, mapping = aes(x=y)) + 
  geom_histogram(col=6, fill='#00FFFF', alpha=0.3) + 
  geom_rug(col=2, alpha=0.5)

4.3 Boxplot

Ainda com foco nas análises univariadas, uma alternativa ao gráfico de densidade e ao histograma é o boxplot:

ggplot(data=df, mapping = aes(y=y)) + 
  geom_boxplot(col=3, fill=3, alpha=0.4)

4.4 Gráficos de dispersão

Para duas variáveis numéricas o gráfico de maior importância é o de dispersão, que pode ser gerado utilizando o geom_point():

ggplot(data=df, mapping = aes(x=x,y=y)) + 
  geom_point()

Pode-se ainda gerar um gráfico utilizando todas as variáveis do nosso data frame, com uma variável numérica no eixo x, outra no eixo y e com diferentes cores representando a variável categórica, tais atributos são definidos dentro do aes(). Há a possibilidade de adicionar linhas de tendência ao gráfico com o uso do geom_smooth():

ggplot(data=df, mapping = aes(x=x,y=y,col=z)) +
  geom_point(alpha=0.8) + 
  geom_smooth(method = 'lm', col=1) + 
  geom_rug(alpha=0.1)
## `geom_smooth()` using formula 'y ~ x'

4.5 Boxplot para níveis de um fator

Para verificar o comportamento de uma variável categórica nos valores observados de uma variável numérica o boxplot se mostra uma boa alternativa, a diferença do caso já mencionado é que aqui temos uma variável x (fator) e uma variável y (numérica):

ggplot(data=df, mapping = aes(x=z,y=y,col=z)) + 
  geom_boxplot()

E algumas customizações:

ggplot(data=df, mapping = aes(x=z,y=y,col=z)) +
  geom_boxplot(col=c(3,4), fill=c(3,4), alpha=0.3)

4.6 Eixos e título

A atribuição de eixos e títulos faz-se com uso do ggtitle(), xlab() e ylab():

ggplot(data=df, mapping = aes(x=x,y=y))+
  geom_point(alpha=0.5)+
  ggtitle('Título')+
  xlab('Eixo x')+
  ylab('Eixo y')

4.7 Facet

O facet_wrap() permite gerar gráficos em que faz-se a distinção entre os níveis de um fator:

ggplot(data=df, mapping = aes(x=x,y=y,col=z)) + 
  geom_point(alpha=0.5)+
  geom_smooth(se=F, lwd=1.5, col=1) + 
  facet_wrap(~z)

5 Outros tipos de gráfico

Além dos gráficos já mencionados, alguns outros são comumente utilizados em análises exploratórias:

5.1 Gráfico de barras

O gráfico de barras é utilizado quado há interesse em observar frequências. Vamos considerar o seguinte conjunto de dados:

dados <- data.frame(fator = factor(c("a","b","c","d","e"), 
                                        levels=c("a","b","c","d","e")), 
                          contagem = c(125, 170, 124, 128, 163))

dados
##   fator contagem
## 1     a      125
## 2     b      170
## 3     c      124
## 4     d      128
## 5     e      163

No ggplot2, um gráfico de barras pode ser gerado da seguinte forma:

ggplot(data=dados, aes(x=fator, y=contagem)) + 
  geom_bar(stat="identity", 
         fill=5, 
         col=4, 
         alpha=0.2,
            lwd=1)+
  geom_text(aes(label=contagem), 
            vjust=1.6, 
            color=1, 
            size=3.5)+
  ylab("") +
  xlab("")

5.2 Gráfico de setores

Outra alternativa para visualização de frequências é o gráfico de setores, para representação deste gráfico vamos considerar um novo data frame:

dados <- data.frame(fator = factor(c("a","b","c","d","e","f"), 
                                        levels=c("a","b","c","d","e", "f")), 
                          contagem = c(125, 170, 124, 128, 163, 500))

E o gráfico de setores pode ser gerado com os comandos:

ggplot(dados, aes(x="", y=contagem, fill=fator))+
  geom_bar(width = 1, stat = "identity", col='white', alpha=0.5)+ 
  coord_polar("y", start=0)

5.3 Violino

Para confecção deste gráfico utiliza-se o geom_violin(), o gráfico consiste no espelhamento do gráfico de densidade da variável; pode ser utilizado para explorar uma variável numérica ou para verificar o efeito de níveis de um fator sobre uma variável numérica:

dados <- data.frame(x = rep(c('a','b','c','d'),50),
                    y = rgamma(200, 12,3))

ggplot(data=dados, mapping = aes(x=x,
                                 y=y,
                                 fill=x,
                                 col=x))+
  geom_violin(alpha=0.5, lwd=2)+
  theme(legend.position = 'none')

5.4 Gráficos em painel

O clássico par(mfrow = c()) não é aplicável a gráficos ggplot2. Porém é possível gerar gráficos em painel através da função grid.arrange do pacote gridExtra:

library(gridExtra)
g1 <- ggplot(data=df, mapping = aes(x=y))+
  geom_density(col=2, fill=2, alpha=0.3)

g2 <- ggplot(data=df, mapping = aes(x=y))+
  geom_histogram(col=6, fill=6, alpha=0.3)

g3 <- ggplot(data=df, mapping = aes(x=x,y=y,col=z))+
  geom_point(alpha=0.5)+
  geom_smooth(col=1)

g4 <- ggplot(data=df, mapping = aes(x=z,y=y,col=z)) +
  geom_boxplot(col=c(3,4),
               fill=c(3,4),
               alpha=0.3)
grid.arrange(g1,g2,g3,g4,nrow=2,ncol=2)

6 Temas

O pacote tem uma variedade de temas:

library(ggplot2)
temas <- ls("package:ggplot2")
ind <- grep('theme_', temas)
temas[ind[]]
##  [1] "register_theme_elements" "reset_theme_settings"   
##  [3] "theme_bw"                "theme_classic"          
##  [5] "theme_dark"              "theme_get"              
##  [7] "theme_gray"              "theme_grey"             
##  [9] "theme_light"             "theme_linedraw"         
## [11] "theme_minimal"           "theme_replace"          
## [13] "theme_set"               "theme_test"             
## [15] "theme_update"            "theme_void"

Para utlizá-los, basta acrescentar + theme_(nome do tema). Alguns são extremamente parecidos. Confira os principais:

7 Gráficos interativos

Com o pacote plotly é possível converter gráficos gerados com ggplot2 em gráficos interativos com o uso da função ggplotly:

7.1 Exemplo 1

ind <- sample(nrow(diamonds),4500,replace = F)

graf <- 
  ggplot(data=diamonds[ind,], aes(x=price,y=carat,col=clarity)) +
  geom_point(alpha=0.5) + 
  geom_rug(alpha=0.1, col='#F781F3')+
  geom_smooth(method='lm',se=F, col=1)+
  geom_smooth(method='loess',se=F, 
              col='#FF0040',
              linetype = 'longdash')

library(plotly)

ggplotly(graf)

7.2 Exemplo 2

graf2 <- 
  ggplot(data=diamonds[ind,], aes(x=table,y=depth,col=cut))+
  geom_point(alpha=0.3)+
  geom_smooth(method='lm',se=F, col=1)+
  facet_wrap(~clarity)+
  theme_light()+
  theme(legend.position = 'none')

ggplotly(graf2)

8 Considerações finais

O intuito deste material foi explorar a confecção e customização de gráficos fazendo uso do ggplot2. O aprendizado e a própria customização dos gráficos pode ser de certa forma trabalhosa devido às diferenças de sintaxe dos gráficos produzidos no R e às inúmeras possíveis combinações de geoms e parâmetros que controlam a estética dos gráficos. Contudo, o pacote permite a geração de gráficos que, no geral, são mais atrativos visualmente que aqueles gerados utilizando o R base e que, com uso do plotly, são facilmente convertidos para gráficos interativos.