04-cap4.Rmd 18.4 KB
Newer Older
Jayme's avatar
Jayme committed
1 2
Visualizar e caracterizar uma certa distribuição em tabelas pode ser cansativo e 
induzir a erros. 
Guilherme Hathy's avatar
Guilherme Hathy committed
3

Jayme's avatar
Jayme committed
4 5 6
Para lidar com isso existem os métodos de **Análise Exploratória de Dados**(AED), 
possibilitando encontrar detalhes não percebidos a primeira vista e tornar mais 
claro outros. Estes métodos podem ser gráficos ou não-gráficos.
Guilherme Hathy's avatar
Guilherme Hathy committed
7

Jayme's avatar
Jayme committed
8 9
O software R oferece uma grande variedade de pacotes e recursos gráficos para a 
*AED*, sejam uni variados ou multivariados. 
Guilherme Hathy's avatar
Guilherme Hathy committed
10

Jayme's avatar
Jayme committed
11 12
O objetivo da *AED* é sobretudo visual, em conformidade a nossa facilidade em 
visualizar padrões.
Guilherme Hathy's avatar
Guilherme Hathy committed
13

Jayme's avatar
Jayme committed
14 15
Essa abordagem é, no geral, descritiva focando nos detalhes particulares e na forma 
geral dos dados, tendo opções adequadas para cada caso no R.
Guilherme Hathy's avatar
Guilherme Hathy committed
16

Jayme's avatar
Jayme committed
17
-----------------------------------------------------------------------------------
Guilherme Hathy's avatar
Guilherme Hathy committed
18

Jayme's avatar
Jayme committed
19
##4.1 Pacotes
Guilherme Hathy's avatar
Guilherme Hathy committed
20

Jayme's avatar
Jayme committed
21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 267 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 291 292 293 294 295 296 297 298 299 300 301 302 303 304 305 306 307 308 309 310 311 312 313 314 315 316 317 318 319 320 321 322 323 324 325 326 327 328 329 330 331 332 333 334 335 336 337 338 339 340 341 342 343 344 345 346 347 348 349 350 351 352 353 354 355 356 357 358 359 360 361 362 363 364 365 366 367 368 369 370 371 372 373 374 375 376 377 378 379 380 381 382 383 384 385 386 387 388 389 390 391 392 393 394 395 396 397 398 399 400 401 402 403 404 405 406 407 408 409 410 411 412 413 414 415 416 417 418 419 420 421 422 423 424 425 426 427 428 429 430 431 432 433 434 435 436 437 438 439 440 441 442 443 444 445 446 447 448 449 450 451 452 453 454 455 456 457 458 459 460 461 462 463 464 465 466 467 468 469 470 471 472 473 474 475 476 477 478 479 480
-----------------------------------------------------------------------------------

Inicialmente, se faz necessária a instalação de alguns pacotes do R para AED:

```{r eval=FALSE}
install.packages("ggplot2", dependencies = TRUE)
# Pacote voltado para a criação de gráficos estatísticos. Ele é baseado no livro
# `Grammar of Graphics` de Leland Wilkinson, que diz que um gráfico estatístico é 
# um mapeamento dos dados a partir de atributos estéticos (cores, formas, tamanho) 
# e de formas geométricas (pontos, linhas, barras)
# O argumento `dependencies = TRUE` serve para que o R instale automaticamente
# todos os outros pacotes dos quais o pacote (`ggplot2`, no caso) depende
install.packages("lattice", dependices = TRUE)
# Pacote que amplia a capacidade de análise gráfica exploratória permitindo a
# criação de 'painéis' que são uma série de gráficos do mesmo tipo lado a lado
install.packages("plyr")
# Pacote para separar, combinar e aplicar dados
install.packages("ggthemes")
# Pacote com varios temas para gráficos pré-programados que replicam formatações 
# de revistas como: `The Economist`, `The Wall Street Journal` e `FiveThirtyEight`;
# ou de outros aplicativos como: `Sata` e `Excel`
install.packages("reshape2")
# Pacote para reestruturar e agregar dados com flexibilidade
install.packages("gridExtra")
# Pacote que organiza vários gráficos em uma página com uma aparencia de grade 
install.packages("plotrix")
# Pacote com várias funções para gráficos, legendas e cores
install.packages("UsingR")
# Usando R para introdução em estatística
#-----------------------------------------------------------------------------------
# Não se pode esquecer de carregar as bibliotecas com a função `library()`
library("ggplot2")
library("plyr")
library("ggthemes")
library("reshape2")
library("gridExtra")
library("plotrix")
library("UsingR")
library("lattice")
#getAnywhere(xyplot)
```

**OBS:**Certifique-se de instalar os pacotes e carregar as bibliotecas acima.

-----------------------------------------------------------------------------------

##4.2 Funções para Resumo de Dados

-----------------------------------------------------------------------------------

###Tipos de dados

**OBS**: Importante saber com qual tipo de dados está lidando para decidir a forma
de manipulá-lo.

###Quantitativos

- Discreto: Assume um valor inteiro (número de filhos, quantidade de alunos);
- Contínuo: Assume qualquer valor real (peso, medidas de distância).

###Qualitativos

- Ordinal: Existe uma ordenação (grau de escolaridade);
- Nominal: Não existe uma ordenação (lista de produtos, tipo sanguíneo).

-----------------------------------------------------------------------------------

```{r}
# Criando um objeto para os exemplos seguintes
ex <- c(2,3,3,3,3,4,4,5,5,5,5,6,6,6,7,7)
```

-----------------------------------------------------------------------------------

###Média 

Resumi o conjunto de dados em um único número que representa a média aritimética
da soma de todos os valores. No R usa-se a função `mean()`.

```{r}
# Exemplo de resumo de dados através da média
mean(ex)
```

-----------------------------------------------------------------------------------

###Mediana

Resumi o conjunto de dados em um único número que separa os dados em dois conjuntos
com o mesmo tamanho. No R usa-se a função `median()`.

```{r}
# Exemplo de resumo de dados usando a mediana
median(ex)
```

-----------------------------------------------------------------------------------

###Moda

Resumi o conjunto de dados em número(s) representando o(s) valor(es) que mais se
repete(m), podendo ser unimodal(um número), bimodal(dois números), trimodal
(três números) ou multimodal(mais de três números). Não existe uma função do R para 
extrair a moda, portanto será criada uma função para o exemplo.

```{r}
# Criando a função do cáculo da moda
moda <- function(x){
  t <- table(x)
  return(as.numeric(names(t)[t == max(t)]))
}
# A função `tabe()` faz uma tabela de frequência, na qual a primeira linha é composta 
# pelos valores do conjunto de dados, representando os nomes das colunas e a segunda
# linha contem a frequência de cada valor do conjunto.
# A parte `names(t)[t == max(t)]` busca os nomes da tabela `names(t)`(valores do conjunto) 
# com o maior valor correspondente `[t == max(t)]`, a função `max()` retorna o maior
# valor de um objeto
# E o `as.numeric()` é para garantir que o resultado seja um número
#-----------------------------------------------------------------------------------
# Exemplo de resumo de dados usando a moda
moda(ex)
```

-----------------------------------------------------------------------------------

###Variância

Medida de dispersão que mostra o quão distantes os valores de um conjunto de daods
estão da média aritimética. No R usa-se a função `var()`.

```{r}
# Exemplo de cálculo da variância
var(ex)
```

-----------------------------------------------------------------------------------

###Desvio Padrão

Medida de dispersão dada pela raiz quadrada da variância e representa o erro gerado
caso algum valor do conjunto de dados seja trocado pela média aritimética. No R
usa-se a função `sd()`.

```{r}
# Exemplo de cálculo do desvio padrão
sd(ex)
```

-----------------------------------------------------------------------------------

###Quartis

Divide um conjunto de dados em ordem crescente em quatro partes iguais, dando os 
valores do conjunto de dados que representam essas fronteiras. No R usa-se a função
`summary()`.

```{r}
# Exemplo de extração dos quartis de um conjunto de dados
summary(ex)
# `Min.` representa o valor mínimo do conjunto;
# `1st Qu.` representa o valor que delimita o primeiro quantil, ou seja, os 25% de 
# observações com valor mais baixo do conjunto;
# `median` mostra a mediana do conjunto e o segundo quantil que divide o conjunto
# em duas partes iguais;
# `mean` a média do conjunto de dados;
# `3rd Qu.` mostra o valor do conjunto que delimita o terceiro quantil, ou seja, 
# acima desse valor estão os 25% maiores valores do conjunto(quarto quartil);
# `Max.` mostra o valor mais alto do conjunto de dados;
```

**OBS:** Para os próximos exemplos, será usada uma base de dados maior, a `mtcars`, 
base que já está no R, basta utilizar.

```{r}
# Criando o objeto `ex2` com a base de dados `mtcars`
ex2 <- mtcars
#----------------------------------------------------------------------------------
# Para ter uma noção da estrutura do conjunto de dados
str(ex2)
# Note que é um data frame com 32 observações em 11 variáveis
#----------------------------------------------------------------------------------
# Exemplo de extração dos quartis de um conjunto de dados maior
summary(ex2)
# Note que `summary()` retorna os quartis para cada variável do conjunto de dados
```

Também é possível editar dados de um objeto manualmente dentro do R, basta
utilizar a função `edit()`.

```{r results='hide', eval=FALSE}
# Vai abrir uma janela com o objeto em forma de vetor ou tabela para ser editado 
# manualmente
edit(ex2)
```

-----------------------------------------------------------------------------------

##4.3 Gráficos Básicos

-----------------------------------------------------------------------------------

###Plot

A forma mais básica para se gerar um gráfico no R usando a função `plot()`. Seguem 
algumas das suas opções de argumentos:

- `main = " "`: título do gráfico;
- `sub = " "`: subtítulo do gráfico;
- `xlab = " "`: nome para o eixo x;
- `ylab = " "`: nome para o eixo y;
1. `type = "p"` para  gráfico de pontos;
2. `type = "l"` para gráfico de linhas;
3. `type = "b"` para gráfico de pontos unidos por linhas;
4. `type = "o"` para gráfico de pontos sobrepostos por linhas;
5. `type = "h"` para gráfico com linhas verticais traçadas dos ponto até o eixo.

```{r}
# Gerar um gráfico da relação entre a potência `hp` e a quantidade de cilindros`cyl`
# `plot(eixo x, eixo y, outros argumentos)`
 plot(ex2$cyl, ex2$hp, xlab = "Nr. de Cilindros",ylab = "Potência", 
      main = "Potência em relação ao número de cilindros", type = "h")
```

-----------------------------------------------------------------------------------

###Stem and Leaf(Ramos e Folhas)

Uma forma de visualização de dados *quantitativos* em um formato que lembra um 
histograma, ajudando a visualizar como uma distribuição. Utiliza-se a função `stem()`.
Seguem os argumentos:

- `scale = `: um número que controla a escala do gráfico;
- `width = `: um número que controla a largura do gráfico;

```{r}
# Gerando um gráfico de ramos e folhas das potências `hp`
# stem(x = um vetor numérico, outros argumentos)
stem(ex2$hp, scale = 1, width = 30)
```

-----------------------------------------------------------------------------------

###Kernel Density Plot

Gráfico de densidade de probabilidade. Uma maneira mais eficaz de visualizar a 
densidade de uma variável. Usando a funcçao `plot()` da função `density()`.

```{r}
# Exemplo da densidade da variável que representa o consumo `mpg` do objeto ex2
# plot(density(x = vetor numérico))
plot(density(ex2$mpg))
```

-----------------------------------------------------------------------------------

###Histograma

Exibe uma distribuição de uma variável dividindo o vetor em intervalos no eixo x e 
suas respectivas frequências no eixo y. Usando a função `hist()`

```{r}
# Exemplo de histograma da quantidade de cilindors `cyl` com dois intervalos 
# distintos
# `par()` é uma função que permite agrupar gráficos e deve ser usada antes
# das funções dos gráficos. No caso, foi usado o argumento `mfrow = c(1,2)`
# para dizer que seriam dois gráficos alinhados na mesma linha;
# `hist(vetor numérico, outros argumentos)`;
# `breaks = `:número de intervalos que o vetor será dividido;
# `main = " "`: título do histograma;
# `xlab = " "`: nome do eixo x;
# `ylab = " "`: nome do eixo y;
par(mfrow=c(1,2))
hist(ex2$cyl, breaks=4, main="Intervalo igual a 4", xlab = "Nr. de Cilindros",
     ylab = "Frequência")
hist(ex2$cyl, breaks=10, main="Intervalo igual a 10", xlab = "Nr. de Cilindros"
     , ylab = "Frequência")
```


-----------------------------------------------------------------------------------

###BoxPlot

Um tipo de gráfico muito útil, pois mostra muito do comportamento dos dados, 
densidade de variáveis, identifica os quantis e seus valores limitadores, valor 
mínimo e máximo, média, mediana e valores *outliers*. Podendo tudo ser visualizado
em várias distribuições simultâneamente e em um só gráfico utilizando a função
`boxplot()`. Seguem alguns argumentos:

- `formula = y ~ x`: y é um vetor numérico a ser distribuido em grupos de acordo 
                    com o vetor x, ou seja, y em relação a x;
- `data = df`: data frame ou lista da qual as variáveis x e y serão retiradas;
- `main = " "`: título do boxplot;
- `varwidth = TRUE/FALSE`: se for `TRUE`, as caixas terão largura proporcional a
                          raíz quadrada do número de observações nos grupos;
- `notch = TRUE/FALSE`: se for `TRUE`, um entalhe é desenhado do lado de cada caixa.
                       Caso os entalhes de duas caixas não se sobrepuserem, é uma
                       forte evidência de que as duas médias diferem;
- `xlab = " "`: nome para o eixo x;
- `ylab = " "`: nome para o eixo y;

```{r}
# Exemplo de um boxplot mostrando a relação entre o consumo `mpg` e a potência `hp`
# boxplot(y em relação a x, data, outros argumentos)
boxplot(mpg ~ hp, data = ex2, main = "Consumo em Relação a Potência", 
        varwidth = TRUE, xlab = "Potência", ylab = "Consumo")
```

-----------------------------------------------------------------------------------

###Pie Chart(Gráfico em Setores)

Comumente conhecido como gráfico de pizza, ele mostra cada setor do círculo de forma
equivalente a frequencia das observações. Não é considerada uma boa forma de 
demonstrar informações, pois somos bons em reconhecer medidas e não areas relativas.
No R usa-se funções como `pie()` e `pie3D()`.

```{r}
# Exemplo de gráfico de setores com `table(ex)`
# `main = " "`: título do gráfico
# `col = `: paleta de cores para os setores
pie(table(ex), main = "Gráfico de setores de ex",
    col = rainbow(length(table(ex))))
# No argumento `col` foi utilizado a paleta `rainbow` do R e `length(table(ex))`
# diz que deve usar as cores até o tamanho da tabela criada com ex
```

-----------------------------------------------------------------------------------

###Gráfico de Dispersão

Relaciona valores de duas variáveis quantitativas em um conjunto de dados e exibe-os 
como  pontos geométricos dentro de um diagrama cartesiano. A função `dotchart()` faz 
este trabalho muito bem relacionando duas variáveis de um conjunto de dados. Seguem
alguns argumentos:

- `labels = `: os nomes que se relacionarão com cada ponto do gráfico;
- `main = " "`: título do gráfico;
- `sub = " "`: subtítulo do gráfico;
- `xlab = " "`: nome para o eixo x;
- `ylab = " "`: nome para o eixo y;
- `cex = `: valor numérico que controla o tamanho dos textos e símbolos do gráfico.
            Se for um número menor que 1 ajuda a impedir sobreposição de texto.
            
            
```{r}
# Exemplo de gráfico de dispersão da relação entre a potência `hp` e o modelo
# do carro do objeto `ex2`
# dotchart(vetor ou matriz numérica, label = vetor de nomes, outros argumentos)
dotchart(ex2$hp, labels=row.names(ex2), cex=.7, 
         main="Gasto de combustível por modelo de carro",
         xlab = "Potência")
```

-----------------------------------------------------------------------------------

##4.3 Pacote Lattice

-----------------------------------------------------------------------------------

Servindo para a criação de `paineis` com gráficos de mesmo tipo para facilitar a
visualização e comparação de gráficos.

**OBS:**Para os próximos exemplos será usado `lattice:::` antes das funções para
garantir renderização.

```{r}
# Aqui é feita uma comparação entre o consumo e a quantidade de cilindros `mpg ~ cyl` 
# para carros de 3, 4 e 5 marchas `| gear`.
# xyplot(variável1 em relação a variável2 separadas pela variável3, conjunto.de.dados)
# Portanto, este painel mostra a relação entre quantidade de cilindros e consumo de 
# combustível separada em grupos por quantidade de marchas.
lattice:::xyplot(mpg ~ cyl | gear, ex2)
```

Também é possível separar ainda mais os dados, como pelo número de carburadores 'carb'
usando os argumentos `group` e `auto.key`.

```{r}
# usando o argumento `group = variável` faz com que os dados sejam separados por mais 
# uma variável e o argumento `auto.key = TRUE` cria automaticamente uma legenda para 
# a nova variável acrescentada no painel.
lattice:::xyplot(mpg ~ cyl | gear, ex2, 
                 group = carb, auto.key = TRUE)
```

Agora serão usados três níveis de classificação, apresentando o consumo do carro `mpg`
em relação a quantidade de cilindros `cyl` de acordo com a quantidade de carburadores
`carb` de acordo com a quantidade de marchas `gear` e se o câmbio é automático ou 
manual `am`.

```{r}
# Com `| gear + am` é criada mais uma separação com cada grupo depende da quantidade de
# marchas e se o câmbio é automático opu manual.
# Como `am` pode assumir dois valores(0 = automático e 1 = manual) e `gear` quatro
# valores(3, 4 e 5), são criados 6 grupos.
lattice:::xyplot(mpg ~ cyl | gear + am, ex2, 
                 group = carb, auto.key = TRUE)
```

-----------------------------------------------------------------------------------

Várias customizações podem ser feitas no gráfico para melhorar a visualização e troná-lo
mais claro acrescentando argumentos na função do painel.

###Legendas:

- `auto.key = list()`: para mudar a posição da legenda no gráfico;

>###Algumas opções:
1. `list(space ="bottom")`: legenda embaixo do gráfico;
2. `list(space ="top")`: legenda em cima do g´rafico;
3. `list(space ="left")`: legenda à direita do gráfico;
4. `list(space ="right")`: legenda à direita do gráfico;
5. `list(corner = c(a, b))`: legenda dentro do gráfico com `a` e `b` valores numéricos
   que determinam a posição da legenda dentro do gráfico;
6. `list(points = FALSE, lines = TRUE)`: legenda em linhas e sem pontos.                             

###Eixos:

>###Escala:
1. `scale = list(alternating = FALSE)`: para evitar que as escalas troquem de lado
   como no exemplo anterior.

>###Nomes dos eixos:
1. `main = " "`: colocar título no gráfico;
2. `xlab = " "`: nome do eixo `x`;
3. `ylab = " "`: nome do eixo `y`.

###Customização:

>###Tipo do gráfico:
1. `type = "p"`: gráfico de pontos;
2. `type = "l"`: gráfico de linhas.

>###Separação entre gráficos:
1. `between = list(x = 1)`: separar ao longo do eixo `x`;
2. `between = list(y = 1)`: separar ao longo do eixo `y`;
3. `between = list(x = 1, y = 1)`: separar ao longo dos eixos `x` e `y`;
4. O nimero após o eixo detemina a distância entre os gráficos separados.

**OBS:**Para mais informações, clique [aqui](https://cienciapratica.wordpress.com/2015/07/01/r-graficos-usando-o-lattice-com-exemplos/)
ou verifique a documentação do pacote `lattice`.

-----------------------------------------------------------------------------------

Refazendo o exemplo anterior com customizações para meljorá-lo:

```{r}
lattice:::xyplot(mpg ~ cyl | gear + am, ex2, 
                 group = carb, auto.key = list(space = "right"),
                 scale = list(alternating = FALSE),
                 main = "Análise Exploratória de 'mtcars'",
                 xlab = "Quantidade de cilindros",
                 ylab = "Consumo(milhas/galão)",
                 between = list(y = 1))
```


-----------------------------------------------------------------------------------
Guilherme Hathy's avatar
13/02  
Guilherme Hathy committed
481