Visualização de dados

A visualização é uma tarefa fundamental em todo o processo de análise de dados, desde a análise exploratória, onde compreendemos o banco e retiramos os primeiros insights, até etapas mais avançadas de modelagem e validação de resultados.

Para auxiliar na tarefa de gerar visualizações no R, vamos primeiro gerar, aleatoriamente, um conjunto de dados de exemplo.

Vamos utilizar as funções rnorm(), para geração de números aleatórios, e sample(), para amostrar também aleatoriamente de um conjunto de valores possíveis. Usamos a função set.seed() apenas para garantir a reprodutibilidade dos resultados.

Gerando um conjunto de dados de exemplo

set.seed(123)
dados <- data.frame(
  id = 1:100,
  idade = round(rnorm(100, mean=42, sd=18)),
  sexo = sample(c("Masculino", "Feminino"), 100, replace = TRUE),
  pressao_sistolica = rnorm(100, 120, 15),
  pressao_diastolica = rnorm(100, 80, 10),
  colesterol = rnorm(100, 200, 30)
)
head(dados)

##   id idade      sexo pressao_sistolica pressao_diastolica colesterol
## 1  1    32  Feminino          131.8161           76.24397   230.4483
## 2  2    38  Feminino          131.5356           74.38124   140.2175
## 3  3    70  Feminino          124.9830           76.56083   187.1816
## 4  4    43 Masculino          104.8744           80.90497   203.4991
## 5  5    44  Feminino          118.2082           95.98509   173.2038
## 6  6    73  Feminino          115.7941           79.11435   210.0171

Gráficos com R base

O R por si já possui diversas funcionalidades para geração e customização de visualizações. Vamos explorar algumas delas.

Histogramas

Os histogramas são úteis para visualização da distribuição de uma variável contínua. Aqui, vamos olhar a distribuição da idade:

hist(dados$idade)

Podemos melhorar a nossa visualização ao especificar parâmetros de customização à função:

hist(dados$idade, main = "Distribuição de Idade", xlab = "Idade", ylab = "Frequência", col = "deepskyblue", border = "black")

Gráficos de barras

Utilizados majoritariamente para variáveis categóricas, os gráficos de barras são úteis para mostrar a frequência, absoluta ou relativa, ou alguma outra métrica em cada categoria:

tab <- table(dados$sexo)
barplot(tab, main = "Distribuição por Sexo", col = c("green4", "purple4"), xlab = "Sexo", ylab = "Contagem")

Gráficos de Dispersão

Gráficos de dispersão (scatterplots) são úteis para analisar possíveis relações entre duas variáveis contínuas. Vamos utilizar nossos dados aleatórios de pressão sistólica e diastólica.

plot(dados$pressao_sistolica, dados$pressao_diastolica, main = "Relação entre Pressão Sistólica e Diastólica", xlab = "Pressão Sistólica", ylab = "Pressão Diastólica", pch = 19, col = "blue")

Boxplots

Por fim, os boxplots são frequentemente usados para analisar a distribuição de uma variável contínua. Um boxplot, ou diagrama de caixa, é uma representação gráfica que resume a distribuição de um conjunto de dados. Ele mostra a mediana, quartis, e possíveis valores atípicos de uma variável contínua.

A caixa formada no gráfico representa o intervalo interquartil (IQR), que é a diferença entre o primeiro quartil (Q1, o 25º percentil) e o terceiro quartil (Q3, o 75º percentil) da variável. A linha dentro da caixa representa a mediana. Os “bigodes” estendem-se dos quartis até o valor mais extremo que não é considerado um outlier (distância calculada tipicamente como sendo 1,5 vezes o IQR). Os outliers, portanto, são pontos que estão além dos bigodes, representando observações mais extremas, ou aberrantes, e são plotados no gráfico como pontos individuais.

Vamos gerar os boxplots da pressão sistólica de acordo com sexo:

boxplot(pressao_sistolica ~ sexo, data = dados, main = "Pressão Sistólica por Sexo", xlab = "Sexo", ylab = "Pressão Sistólica", col = c("green4", "purple4"))

Introdução ao {ggplot2}

O ggplot2 é um dos pacotes mais utilizados no R e introduz uma nova gramática de composição de gráficos. Ele possui uma infinidade de possibilidades de customização e geração de todo tipo de gráfico. Muitos estão disponíveis através de extensões desenvolvidas do próprio pacote.

Todo gráfico ggplot inicia-se com um comando ggplot(), onde usualmente informa-se a base de dados com que se irá desenvolver o gráfico. A lógica passa pela especificação do componente de estéticas (aes()), que mapeará cada variável para um componente específica do gráfico, por exemplo: Idade no eixo x, pressão no eixo y, e sexo como cor dos pontos no gráfico. Vamos ver como ficaria esse exemplo:

library(ggplot2)

ggplot(dados,  #especificando a base de dados
       aes( # informando as estéticas
         x = idade, # idade no eixo x
         y = pressao_sistolica, # pressao sistolica no eixo y
         color = sexo # sexo nas cores do gráfico
       )) +
  geom_point() # indica que se deseja um gráfico de pontos

Viu só? Essa é a lógica básica de todos os gráficos ggplot. Pode-se especificar estéticas específicas para cada componente do gráfico, como geom_point(), geom_line(), geom_boxplot()… Para mais exemplos de gráficos em ggplot, recomenda-se o material de visualização do curso de Ciência de Dados do Curso-R.