Hadley Wickham, junto com alguns colaboradoes, criaram o pacote ggplot2 com o intuíto de fornercer ao usuário do R uma ferramenta capaz de executar um “modelo poderoso para a produção de gráficos complexos de múltiplas camadas”.
Quais as principais vantagens do ggplot2?
Gramática de gráficos consistente;
Especificação de plotagem em um alto nível de abstração;
Muito flexível;
Sistema de temas para polir a aparência do gráfico;
Sistema gráfico completo e maduro.
Dito isto, existem algumas coisas que você não pode (ou não deve) fazer com o ggplot2, pois existem outros pacotes apropriados no R:
Gráficos tridimensionais (veja o pacote RGL);
Gráficos de tipos de teoria de grafos (veja o pacote igraph);
Gráficos interativos (veja o pacote ggvis).
Qual é gramática dos gráficos?
Idéia básica: especificar separadamente blocos de construção de plotagem e combiná-los para criar qualquer tipo de exibição gráfica que você deseja.
Os blocos de construção de um gráfico incluem:
Dados;
Mapeamento estético;
Objeto geométrico;
Transformações estatísticas;
Escalas;
Ajustes de posição;
Facetas, entre outros.
A estrutura básica de código para criar um ggplot é a seguinte:
Primeiro criamos um plot com a função ggplot. O primeiro argumento é o data, onde você especifica o tibble (base de dados) com suas variáveis. Depois vem o mapping. Nele você cria o “mapeamento” das variáveis, normalmente usando aes (de aesthetics), ou seja, você especifica dentre várias coisas, por exemplo, quais são as variáveis que serão representadas nos eixos x e y, cores e símbolos usados para plotar os dados.
Depois da função ggplot, nós especificamos um geom. Por exemplo, geom_point para plotar pontos, geom_boxplot para um boxplot, etc. Para a lista completa de geoms e todas as outras opções do pacote, visite a página do projeto ggplot2.
Note que adicionamos um geom com um “+”. No ggplot2, nós criamos gráficos em camadas (layers), e adicionamos camada a camada com um “+”.
Com o intuito de explorarmos o pacote ggplot2, criem um projeto chamado ggplot2. Em seguida abram o Script Cap5 e façam a importação do arquivo seguro saude.txt, que contém variáveis referentes a clientes de um seguro de saúde, tais como sexo, imc, número de dependentes, fumante, região, valor das cobranças e se possuía plano de saúde anteriormente. Vale ressaltar que o arquivo possui as seguintes características:
99999 foi usado como código para dado faltante,
, é o indicador de decimal.
#Visualizando o objetobase_seguro
# A tibble: 1,338 × 8
idade sexo imc num_dep fumante regiao cobrancas plano_anterior
<dbl> <dbl> <dbl> <dbl> <chr> <dbl> <dbl> <dbl>
1 31 2 20.4 0 Não 4 3260. NA
2 25 2 26.2 0 <NA> 1 2721. NA
3 21 2 36.9 0 Não 2 1917. NA
4 59 1 27.7 3 Não 3 14001. NA
5 58 2 23.3 0 Não 4 11346. NA
6 32 1 23.6 1 Não 3 17626. NA
7 50 1 26.2 2 Não 2 10494. NA
8 62 1 39.2 0 Não 4 13471. NA
9 62 1 33.0 3 Não 2 15612. NA
10 39 2 24.5 2 Não 2 6710. 1
# ℹ 1,328 more rows
Após a importação do arquivo, iremos transformar em fatores as variáveis qualitativas, seguindo o dicionário da base.
#Transformando a variável sexo em factor base_seguro$sexo =factor(x = base_seguro$sexo, #vetor com os valores a serem rotuladoslevels =c(1,2), #os valores distintos que aparecemlabels =c("Mulher", "Homem")) #os rótulos dos valores#Transformando a variável fumante em factorbase_seguro$fumante =factor(x = base_seguro$fumante)#Transformando a variável regiao em factor base_seguro$regiao =factor(x = base_seguro$regiao,levels =c(1,2,3,4),labels =c("Nordeste", "Noroeste", "Sudeste", "Sudoeste"))#Transformando a variável plano_anterior em factor base_seguro$plano_anterior =factor(x = base_seguro$plano_anterior, #vetor com os valores a serem rotuladoslevels =c(0,1), #os valores distintos que aparecemlabels =c("Não", "Sim")) #os rótulos dos valores#Visualizando o objetobase_seguro
# A tibble: 1,338 × 8
idade sexo imc num_dep fumante regiao cobrancas plano_anterior
<dbl> <fct> <dbl> <dbl> <fct> <fct> <dbl> <fct>
1 31 Homem 20.4 0 Não Sudoeste 3260. <NA>
2 25 Homem 26.2 0 <NA> Nordeste 2721. <NA>
3 21 Homem 36.9 0 Não Noroeste 1917. <NA>
4 59 Mulher 27.7 3 Não Sudeste 14001. <NA>
5 58 Homem 23.3 0 Não Sudoeste 11346. <NA>
6 32 Mulher 23.6 1 Não Sudeste 17626. <NA>
7 50 Mulher 26.2 2 Não Noroeste 10494. <NA>
8 62 Mulher 39.2 0 Não Sudoeste 13471. <NA>
9 62 Mulher 33.0 3 Não Noroeste 15612. <NA>
10 39 Homem 24.5 2 Não Noroeste 6710. Sim
# ℹ 1,328 more rows
5.1 Gráfico de dispersão (pontos)
Vamos começar produzindo um gráfico de dispersão (também chamado de gráfico de pontos) das variáveis imc e valor da cobrança. Para elaborar este gráfico, iremos usar a função ggplot e geom_point (esta segunda é a responsável por fazer o gráfico de pontos, isto é, o gráfico é definido em função do geom_ que escolhemos).
#Ativando o pacotelibrary(ggplot2)#Criando um gráfico de dispersãobase_seguro |>#indicando o objeto que contém as variáveisggplot(mapping =aes(x = imc, #especificando a variável do eixo xy = cobrancas)) +#especificando a variável do eixo y geom_point() #especificando o formato do gráfico
Warning: Removed 3 rows containing missing values or values outside the scale range
(`geom_point()`).
O gráfico resultante possui a variável imc no eixo x e cobranças no eixo y. O default do gráfico é possuir o fundo cinza e pontos da cor preta. Os rótulos dos eixos são preenchidos automaticamente com os nomes das variáveis. Entretanto, é possível alterarmos toda essa configuração básica, usando o argumento color na função ggplot, e as funções labs e theme.
#Criando um gráfico de dispersãobase_seguro |>#indicando o objeto que contém as variáveisggplot(mapping =aes(x = imc, #especificando a variável do eixo xy = cobrancas)) +#especificando a variável do eixo ygeom_point(color ="red") +#especificando o formato do gráfico e a cor dos pontoslabs(x ="índice de Massa Corpórea", #rótulo do eixo xy ="Valor cobrança (em reais)") +#rótulo do eixo ytheme_classic() #modificando o tema do gráfico
Warning: Removed 3 rows containing missing values or values outside the scale range
(`geom_point()`).
Percebam que o color não se encontra dentro da função aes, isso porque a coloração dos pontos não está sendo definido por meio de uma variável e sim de uma cor específica. Qualquer definição do gráfico que dependa de uma variável, deverá ser realizada obrigatoriamente dentro da função aes.
É possível identificar os pontos de acordo com as categorias de outras variáveis, por exemplo, abaixo indicamos os pontos de acordo com o hábito de fumar.
#Criando um gráfico de dispersãobase_seguro |>#indicando o objeto que contém as variáveisggplot(mapping =aes(x = imc, #especificando a variável do eixo xy = cobrancas,#especificando a variável do eixo y color = fumante)) +#especificando a cor dos pontosgeom_point() +#especificando o formato do gráficolabs(x ="índice de Massa Corpórea", #rótulo do eixo xy ="Valor cobrança (em reais)", #rótulo do eixo ycolor ="Fuma?") +#rótulo da legenda criada pelo colortheme_classic() #modificando o tema do gráfico
Warning: Removed 3 rows containing missing values or values outside the scale range
(`geom_point()`).
Retirando os dados faltantes referente a variável fumante.
#Ativando o pacotelibrary(dplyr)
Attaching package: 'dplyr'
The following objects are masked from 'package:stats':
filter, lag
The following objects are masked from 'package:base':
intersect, setdiff, setequal, union
#Criando um gráfico de dispersãobase_seguro |>#indicando o objeto que contém as variáveisfilter(!is.na(fumante)) |>#filtrando somente os indivíduos com informações sobre o hábito de fumarggplot(mapping =aes(x = imc, #especificando a variável do eixo xy = cobrancas,#especificando a variável do eixo y color = fumante)) +#especificando a cor dos pontosgeom_point() +#especificando o formato do gráficolabs(x ="índice de Massa Corpórea", #rótulo do eixo xy ="Valor cobrança (em reais)", #rótulo do eixo ycolor ="Fuma?") +#rótulo da legenda criada pelo colortheme_classic() #modificando o tema do gráfico
Warning: Removed 3 rows containing missing values or values outside the scale range
(`geom_point()`).
É possível identificar os pontos para categorias de variáveis qualitativas ou mesmo valores de variáveis quantitativas. Vejam os dois exemplos abaixo.
#Criando um gráfico de dispersãobase_seguro |>#indicando o objeto que contém as variáveisggplot(mapping =aes(x = imc, #especificando a variável do eixo xy = cobrancas,#especificando a variável do eixo y color = idade)) +#especificando a cor dos pontosgeom_point() +#especificando o formato do gráficolabs(x ="índice de Massa Corpórea", #rótulo do eixo xy ="Valor cobrança (em reais)", #rótulo do eixo ycolor ="Idade") +#rótulo da legenda criada pelo colortheme_classic() #modificando o tema do gráfico
Warning: Removed 3 rows containing missing values or values outside the scale range
(`geom_point()`).
#Criando um gráfico de dispersãobase_seguro |>#indicando o objeto que contém as variáveisggplot(mapping =aes(x = imc, #especificando a variável do eixo xy = cobrancas,#especificando a variável do eixo y size = idade)) +#especificando o tamanho dos pontosgeom_point() +#especificando o formato do gráficolabs(x ="índice de Massa Corpórea", #rótulo do eixo xy ="Valor cobrança (em reais)", #rótulo do eixo ysize ="Idade") +#rótulo da legenda criada pelo colortheme_classic() #modificando o tema do gráfico
Warning: Removed 4 rows containing missing values or values outside the scale range
(`geom_point()`).
Com o pacote ggplot2 os gráficos viram objetos, isto é, podemos salvar os gráficos em objetos e posteriormente manipulá-los.
#Criando um gráfico de dispersãograf1 = base_seguro |>#indicando o objeto que contém as variáveisfilter(fumante =="Sim") |>#filtrando somente os fumantesggplot(mapping =aes(x = imc, #especificando a variável do eixo xy = cobrancas)) +#especificando a variável do eixo y geom_point(color ="blue") +#especificando o formato do gráfico e a cor dos pontoslabs(x ="índice de Massa Corpórea", #rótulo do eixo xy ="Valor cobrança (em reais)") +#rótulo do eixo ytheme_classic() #modificando o tema do gráfico#Visualizando o objetograf1
Warning: Removed 3 rows containing missing values or values outside the scale range
(`geom_point()`).
Se durante a apresentação do gráfico, alguém perguntasse se essa relação entre IMC e valor cobrado pelo plano se mnatém, é possível manipularmos o objeto já criado.
#Fatiando o gráfico usando uma variávelgraf1 +facet_wrap(~regiao, #variável que vai ser usada para fatiar o gráficonrow =3) #número de linhas do gráfico
Warning: Removed 3 rows containing missing values or values outside the scale range
(`geom_point()`).
A presença dos NA no gráfico se dá, pois não foi feito nenhuma filtragem na construção do objeto graf1. É possível retirarmos, mas precisaremos refazer o gráfico.
#Fatiando o gráfico usando uma variávelbase_seguro |>#indicando o objeto que contém as variáveisfilter(fumante =="Sim", !is.na(regiao)) |>#filtrando somente indíduos que são fumantes e desconsiderando os indíviduos que não possuem informação sobre a regiãoggplot(mapping =aes(x = imc, #especificando a variável do eixo xy = cobrancas)) +#especificando a variável do eixo y geom_point(color ="blue") +#especificando o formato do gráfico e a cor dos pontoslabs(x ="índice de Massa Corpórea", #rótulo do eixo xy ="Valor cobrança (em reais)") +#rótulo do eixo ytheme_light() +#modificando o tema do gráficofacet_wrap(~regiao) #variável que vai ser usada para fatiar o gráfico
Warning: Removed 3 rows containing missing values or values outside the scale range
(`geom_point()`).
Também é possível fatiar o gráfico em função de duas variáveis.
#Fatiando o gráfico usando uma variávelbase_seguro |>#indicando o objeto que contém as variáveisfilter(fumante =="Sim", !is.na(regiao), !is.na(sexo)) |>#filtrando somente os fumantesggplot(mapping =aes(x = imc, #especificando a variável do eixo xy = cobrancas)) +#especificando a variável do eixo y geom_point(color ="blue") +#especificando o formato do gráfico e a cor dos pontoslabs(x ="índice de Massa Corpórea", #rótulo do eixo xy ="Valor cobrança (em reais)") +#rótulo do eixo ytheme_minimal() +#modificando o tema do gráficofacet_grid(sexo ~ regiao)
Warning: Removed 3 rows containing missing values or values outside the scale range
(`geom_point()`).
5.2 Boxplot
Uma visualização útil para a detecção de dados discrepantes (outliers) em variáveis quantitativas é o boxplot.
A seguir vamos criar o boxplot da variável cobranças.
#Criando um boxplotgraf2 = base_seguro |>#indicando o objeto que contém as variáveisggplot(mapping =aes(y = cobrancas)) +#especificando a variável do eixo ygeom_boxplot() +#especificando o formato do gráficolabs(y ="Valor cobrança (em reais)") #rótulo do eixo y#Visualizando o objetograf2
Warning: Removed 1 row containing non-finite outside the scale range
(`stat_boxplot()`).
É possível alterar a estética do gráfico como exemplificado abaixo.
#Criando um boxplotgraf2 = base_seguro |>#indicando o objeto que contém as variáveisggplot(mapping =aes(y = cobrancas)) +#especificando a variável do eixo ygeom_boxplot(fill ="green") +#especificando o formato do gráficolabs(y ="Valor cobrança (em reais)") +#rótulo do eixo ytheme_classic() #modificando o tema do gráfico#Visualizando o objetograf2
Warning: Removed 1 row containing non-finite outside the scale range
(`stat_boxplot()`).
Ou mesmo usar as facetas de fatiamento discutidas anteriormente.
#Visualizando o objetograf2 +facet_wrap(~regiao)
Warning: Removed 1 row containing non-finite outside the scale range
(`stat_boxplot()`).
5.3 Histogramas
Já os histogramas são gráficos úteis para avaliar o formato da distribuição de variáveuis quantitativas.
A seguir vamos criar o boxplot da variável cobranças.
#Criando um histogramagraf3 = base_seguro |>#indicando o objeto que contém as variáveisggplot(mapping =aes(x = cobrancas)) +#especificando a variável do eixo xgeom_histogram() +#especificando o formato do gráficolabs(x ="Valor cobrança (em reais)") #rótulo do eixo x#Visualizando o objetograf3
`stat_bin()` using `bins = 30`. Pick better value with `binwidth`.
Warning: Removed 1 row containing non-finite outside the scale range
(`stat_bin()`).
É possível alterar a estética do gráfico como exemplificado abaixo.
#Criando um gráfico de barrasgraf3 = base_seguro |>#indicando o objeto que contém as variáveisggplot(mapping =aes(x = cobrancas)) +#especificando a variável do eixo xgeom_histogram(fill ="pink", #especificando a cor do gráficobins =10) +#especificando o número de intervaloslabs(x ="Valor cobrança (em reais)", #rótulo do eixo xy ="Frequência") +#rótulo do eixo ytheme_classic() #modificando o tema do gráfico#Visualizando o objetograf3
Warning: Removed 1 row containing non-finite outside the scale range
(`stat_bin()`).
5.4 Gráfico de barras
Para construirmos um gráfico de barra, utilizaremos a função geom_bar.
#Criando um gráfico de barrasgraf4 = base_seguro |>#indicando o objeto que contém as variáveisfilter(!is.na(regiao)) |>#filtrando somente as linhas com dados de regiãoggplot(mapping =aes(x = regiao)) +#especificando a variável do eixo xgeom_bar(fill ="purple") +#especificando o formato e a cor do gráficolabs(x ="Região", #rótulo do eixo xy ="Contagem") +#rótulo do eixo ytheme_classic() #modificando o tema do gráfico#Visualizando o objetograf4
No gráfico acima indicamos no aesthetics (aes) qual variável seria apresentada no eixo x somente. Se especificarmos o fill com uma cor no geom_bar, modificamos a cor do gráfico de barra.
Se o nosso desejo for criar gráficos para tabelas de contingência, podemos fazer isso usando o geom_bar e fazendo uma pequena modificação no aes.
#Criando um gráfico de barras empilhadas (contagem)graf5 = base_seguro |>#indicando o objeto que contém as variáveisfilter(!is.na(regiao),!is.na(sexo)) |>#filtrando somente as linhas com dados de região e sexoggplot(mapping =aes(x = regiao, #especificando a variável do eixo xfill = sexo)) +#especificando a variável que irá preencher as barrasgeom_bar() +#especificando o formato do gráficolabs(x ="Região", #rótulo do eixo xy ="Contagem", #rótulo do eixo yfill ="Sexo") +#rótulo da legendatheme_classic() #modificando o tema do gráfico#Visualizando o objetograf5
Para as barras serem empilhadas, basta modificarmos position no geom_bar.
#Criando um gráfico de barras (lado a lado)graf6 = base_seguro |>#indicando o objeto que contém as variáveisfilter(!is.na(regiao),!is.na(sexo)) |>#filtrando somente as linhas com dados de região e sexoggplot(mapping =aes(x = regiao, #especificando a variável do eixo xfill = sexo)) +#especificando a variável que irá preencher as barrasgeom_bar(position ="dodge") +#especificando o formato do gráficolabs(x ="Região", #rótulo do eixo xy ="Contagem", #rótulo do eixo yfill ="Sexo") +#rótulo da legendatheme_classic() #modificando o tema do gráfico#Visualizando o objetograf6
Para criarmos um gráfico de barras empilhadas com os percentuais ao invés das contagens, é preciso usar position = "fill".
#Criando um gráfico de barras empilhadas (porcentagem)graf7 = base_seguro |>#indicando o objeto que contém as variáveisfilter(!is.na(regiao),!is.na(sexo)) |>#filtrando somente as linhas com dados de região e sexoggplot(mapping =aes(x = regiao, #especificando a variável do eixo xfill = sexo)) +#especificando a variável que irá preencher as barrasgeom_bar(position ="fill") +#especificando o formato do gráficolabs(x ="Região", #rótulo do eixo xy ="Porcentagem", #rótulo do eixo yfill ="Sexo") +#rótulo da legendatheme_classic() #modificando o tema do gráfico#Visualizando o objetograf7
É possível apresentarmos vários gráficos em uma mesma figura usando o pacote patchwork. Vejamos os exemplos abaixo.
#Ativando o pacotelibrary(patchwork)#Juntando os objetosgraf5 + graf6
#Juntando os objetos(graf5 | graf6) / graf7
5.5 Escalas
O pacote ggplot2 possui uma família de funções scale_. Estas funções servem para modificarmos escalas dos eixos dos gráficos ou mesmo escala de cores. A seguir apresentamos as principais.
Por exemplo, o graf7 possui o eixo y variando de 0 a 1, para que o mesmo seja apresentado em %, utilizaremos a função scale_y_continuous do ggplot2. Entretanto, também usaremos a função percent_format do pacote scales.
#Ativando o pacotelibrary(scales)
Attaching package: 'scales'
The following object is masked from 'package:readr':
col_factor
#Modificando a escala do eixo ygraf7 +scale_y_continuous(labels =percent_format()) #colocando o eixo y em formato %
Ainda na função scale_y_continuous e scale_x_continuous, por meio do argumento breaks, é possível indicar quais os valores serão apresentados em cada eixo. Já a função coord_cartesian, usando o argumento, ylim nos permite especificar onde começa e onde termina o eixo y. Para modificarmos as cores, podemos recorrer a função scale_fill_manual.
#Criando um gráfico de barras (lado a lado)graf6 = base_seguro |>#indicando o objeto que contém as variáveisfilter(!is.na(regiao),!is.na(sexo)) |>#filtrando somente as linhas com dados de região e sexoggplot(mapping =aes(x = regiao, #especificando a variável do eixo xfill = sexo)) +#especificando a variável que irá preencher as barrasgeom_bar(position ="dodge") +#especificando o formato do gráficolabs(x ="Região", #rótulo do eixo xy ="Contagem", #rótulo do eixo yfill ="Sexo") +#rótulo da legendatheme_classic() +#modificando o tema do gráficoscale_fill_manual(values =c("#ff4500", "#268b07"))#Visualizando o objetograf6
5.6 Desafio 1
Usando o objeto base_seguro reproduza a figura abaixo. O boxplot foi feito usando a cor lightblue.
Adicione no objeto base_seguro uma variável que classifica o IMC nas seguintes faixas: [15;25], (25;40], (40;55]. Plote um gráfico de barras para a variável criada. As barras devem ser vermelhas e não devem ser apresentados dados faltantes.
