Tipos de gráficos

Author

Nívia

Tipos de gráficos e funções

Existe uma grande diversidade de gráficos que podem ser utilizados para representar dados. Os de uso mais comum em nossas aulas são: boxplots, scatterplots, histogramas, gráficos de linha e gráficos de barra e colunas.

BoxPlot

Boxplots são úteis para estudarmos a distribuição de uma variável, principalmente quando queremos comparar várias distribuições. São frequentemente usados para representar dados numéricos, como medidas de tendência central, variabilidade e distribuição. Eles mostram a distribuição de um conjunto de dados por meio de um diagrama que inclui a mediana, quartis, outliers e limites do conjunto de dados. Os boxplots ajudam a visualizar a distribuição de um conjunto de dados e identificar possíveis outliers ou pontos de dados incomuns. Para construir um boxplot no ggplot, utilizamos a função geom_boxplot. Ele precisa dos atributos x e y, sendo que ao atributo x devemos mapear uma variável categórica.

A função geom_boxplot compreende as seguintes estéticas: • outlier.color = NA: Retira a cor de fungo do boxplot; • fill = define a cor. O nome da cor, por ser texto, deve ser escrita entre aspas; • size = (número): define o tamanho do box, retorna um vetor numérico de comprimento length(x ).

Importação de dados: sempre carregar primeiro o tidyverse e depois o pacote que irá usar para importar os dados, no caso de planilhas excel, o pacote readxl. Após isso, deve escolher a atribuição dos dados.

library(tidyverse)
library(readxl)
mg <- read_excel("dados-diversos.xlsx")

Visualização dos dados: como abordado na aula aunterior, o ggplot é o pacote usado para visualização dos dados. Para visualizar os dados, basta usar a função ggplot.É importante que se defina antes quem será o eixo x e y (no caso, y é o comprimento da lesão, enquanto x são os tratamentos - controle e mg2). Depois, usa a função aes (aesthetic) do que deseja que apareça no gráfico e adiciona a camada geom_point para que os dados sejam vistos em forma de pontos.

mg |> 
  ggplot(aes(trat, comp))+
  geom_point()

Muitas vezes, ocorre a sobreposição de pontos no gráfico. Para desagregar esses pontos, usa-se a função geo_jitter(). Esta função adiciona variação aleatória aos pontos de localização do gráfico. Em outras palavras, ele “agita” ligeiramente as localizações dos pontos. Este método reduz o overplotting, pois é improvável que dois pontos com a mesma localização tenham a mesma variação aleatória. Para evitar que os dados fiquem muito dispersos, pode-se definir a largura (Width - controla a quantidade de deslocamento vertical).

mg |> 
  ggplot(aes(trat, comp))+
  geom_jitter(width = 0.1)

Para adicionar o boxplot e mudar a visão do gráfico, basta adicionar mais uma camada, ou seja, acionar a função geom_boxplot.

mg |> 
  ggplot(aes(trat, comp))+
  geom_boxplot()+
  geom_jitter(width = 0.1)

Para tirar a cor do outlier, aumentar o tamanho dos pontos e colorir o boxplot:

p_box <- mg |> 
  ggplot(aes(trat, comp))+
  geom_boxplot(outlier.color = NA,
               fill = "orange",
               size = 0.5)+
  geom_jitter(width = 0.1,
              height = 0,
              color = "black")+
  scale_y_continuous(limits = c(5,20), 
                     n.breaks = 10)+
  labs(y = "Lesion size (mm)",
       x = " ")+
  theme_bw()
p_box

ggsave("figs/plot2.png", bg = "white")

Para sumarizar os dados, usa-se a summarise e função media da variável comprimento. Depois disso, transforma no ggplot e muda a estética. Para adicionar a barra de erro, usa-se a função errorbar. Para omitir os comandos das colunas, basta adicionar uma # na frente da linha de comando.

p_means <- mg |>
  group_by(trat) |>
  summarise(comp_mean = mean(comp),
            comp_sd = sd(comp)) |>
  ggplot(aes(trat, comp_mean))+
  #geom_col(fill = "orange",
           #width = 0.5)+
  geom_point()+
  scale_y_continuous(limits = c(7,18), 
                     n.breaks = 6)+
  geom_errorbar(aes(ymin = comp_mean - comp_sd, 
                    ymax = comp_mean + comp_sd,
                    width = 0.05))+
  theme_bw()+
  labs(y = "Lesion size (mm)",
       x = " ")
p_means

#salvando gráfico
ggsave("figs/mean_sd.png", 
       width = 4,
       bg = "white")

Instalando o ggthemes e carregando pacote:

library(ggthemes)

Composição de plots - Pacote PATCHWORK

O patchwork torna possível combinar ggplots diferentes e separados em um mesmo gráfico. Depois de instalar, carrega o pacote. Primeiramente, deve-se definir um nome para cada gráfico. Os nomes devem ser dados dentro do chunk de cada gráfico. O nome deve ser escolhido e o banco de dados estudado deve ser atribuído a ele, tendo logo em seguida a necessidade de inserção de um pipe. Então, para unir diferentes ggplots, é necessário utilizar o título desses ggplots separados pelo sinal de + ou pela barra reta (|).

library(patchwork)
p_box + p_means

#ou então usar a função abaixo
p_box | p_means

# para adicionar letras A, B para identificar o grafico e adicionar titulo:
(p_box | p_means)+
  plot_annotation(tag_levels = "A",
                  title = 'Gráficos que impressionam')

ggsave("figs/combined.png")

Gráfico de Colunas

Os gráficos de colunas são usados para representar dados categóricos ou discretos (que podem ser divididos em grupos ou categorias). Um gráfico de colunas pode ajudar a identificar as tendências e padrões nos dados e destacar diferenças significativas entre as categorias. Para transformar gráficos em gráficos de colunas, usa-se a função geom_col (). Para esse tipo de gráficos, vamos utilizar o conjunto de dados survey. Para inverter as barras usa-se a função coord_flip().

survey <- read_excel("dados-diversos.xlsx",
                     sheet = "survey")
survey |> 
  filter(state == "RS") |>
  #Para contar o numero de ocorrencias em cada classe:
  count(species) |>
  ggplot(aes(species, n))+
  geom_col(width = 0.4,
           fill = "steelblue")+
  coord_flip()+
  labs(x = " ", y = "Number of isolates",
       tiltle = "Horizontal bar plot",
       subtitle = "Using ggplot")+
  theme_bw()

  ggsave("Figs/barplot.png", bg = "white")

Adição de faceta: Função facet_wrap

survey |> 
  filter(state == "RS") |>
  count(species, residue) |>
  ggplot(aes(species, n))+
  geom_col(width = 0.4,
           fill = "steelblue")+
  coord_flip()+
  facet_wrap(~residue, ncol = 1)+
  labs(x = " ", y = "Number of isolates",
       tiltle = "Horizontal bar plot",
       subtitle = "Using ggplot")+
  theme_bw()

  ggsave("Figs/barplotfacet.png", bg = "white")