class: center, middle, inverse, title-slide # Introdução ao R aplicado a pesquisas em empreendedorismo ## Conceitos básicos de R ### Daniel Pagotto ### LAPEI/UFG e CIGETS/UFG --- # Agradecimentos <br> <div class="figure" style="text-align: center"> <img src="imagem/realizacao.png" alt=" " width="100%" height="100%" /> <p class="caption"> </p> </div> --- # About me! - Bacharel em Administração (UnB), Mestre em Administração (UFG), doutorando em Administração (UnB) - Já desenvolveu projetos em áreas, como: empreendedorismo, gestão/políticas públicas, inovação na saúde - Há aproximadamente dois anos tem utilizado R rotineiramente em suas atividades de trabalho e ministrado cursos para a comunidade de R <img src="imagem/trabalho.png" width="80%" height="70%" style="display: block; margin: auto;" /> --- class: inverse, middle, left # Divisão do curso * **Módulo 1: conceitos básicos de R** + Cálculos básicos + Tipos de variáveis e objetos + O pacote dplyr para manipulação de dataframes + O pacote ggplot2 para visualização de dados * **Módulo 2: usando o R para explorar o Global Entrepreneurship Monitor (GEM)** + Compreendedo as bases + Tratando as bases + Análise Exploratória dos Dados do GEM * **Módulo 3: usando o R para explorar o Panel Study of Entrepreneurial Dynamics (PSED)** + Compreendendo a base + Tratando a base + Análise Exploratória dos Dados do PSED --- class: inverse, middle, left # Objetivos do módulo 1 - Demonstrar a relevância do uso do R - Aplicar operações básicas - Descrever tipos de objetos - Descrever tipos de variáveis - Aplicar funções para manipular dataframes - Aplicar funções para visualização de dados --- # Informes iniciais <br> - Você pode acessar o site do LAPEI para baixar os materiais de suporte e acompanhar ao longo da aula. Para cada módulo, teremos o arquivo de script .R e o caderno de scripts para você consultar quando precisar - Teremos um intervalo de 10 minutos na metade do encontro - O curso não vai adentrar discussões de estatística inferencial. Aprofundar em técnicas dessa abordagem demandaria mais tempo de curso - O certificado do curso será emitido mediante a entrega de atividade final para aquelas pessoas que se inscreveram - Ao final da aula, o instrutor permanecerá mais 30 minutos em sala do Google Meet a disposição de quem tiver dúvidas ou quiser tratar de algum ponto específico. Ademais, pode interagir em momentos fora dos encontros por meio do canal do [telegram](https://t.me/joinchat/zQ2cwP06xdA1OWQx) --- # O R me dá medo Nunca programei... vou conseguir? <div class="figure" style="text-align: center"> <img src="imagem/r_spss.png" alt=" " width="100%" height="100%" /> <p class="caption"> </p> </div> "Não consigo entender esse bando de código..." "É tão mais fácil usar o SPSS que basta alguns cliques e me gera resultados rapidamente..." "Toda vez que tento usar R é erro para cá, erro para lá..." --- # Por que usar o R? <img src="https://media.giphy.com/media/WMODmi5AX9ZEQ/giphy.gif" width="80%" height="80%" style="display: block; margin: auto;" /> --- # R e ciência de dados <div class="figure" style="text-align: center"> <img src="imagem/linguagens.png" alt=" " width="90%" height="70%" /> <p class="caption"> </p> </div> fonte: [Towards data science](https://towardsdatascience.com/training-your-staff-in-data-science-heres-how-to-pick-the-right-programming-language-dda349354b18) --- # Data Literacy <div class="figure" style="text-align: center"> <img src="imagem/data-literacy.png" alt=" " width="70%" height="70%" /> <p class="caption"> </p> </div> fonte: [Medium](https://medium.com/somos-tera/data-literacy-o-que-%C3%A9-a-alfabetiza%C3%A7%C3%A3o-de-dados-e-porque-ela-%C3%A9-t%C3%A3o-importante-para-sua-empresa-951fcc5bcc67) --- # Literatura científica <div class="figure" style="text-align: center"> <img src="imagem/analytics-capabilities.png" alt=" " width="100%" height="100%" /> <p class="caption"> </p> </div> --- # Na área de empreendedorismo <div class="figure" style="text-align: center"> <img src="imagem/sbe.png" alt=" " width="80%" height="80%" /> <p class="caption"> </p> </div> --- class: inverse, middle, center # Conceitos básicos de R --- # O R é um calculadora ```r # Operações básicas 5 + 5 ``` ``` ## [1] 10 ``` ```r 10 - 6 ``` ``` ## [1] 4 ``` ```r 10*2 ``` ``` ## [1] 20 ``` ```r 5/2 ``` ``` ## [1] 2.5 ``` ```r 5**2 ``` ``` ## [1] 25 ``` --- # Operações de atribuição ```r sqrt(16) ``` ``` ## [1] 4 ``` ```r 5*(50-45) ``` ``` ## [1] 25 ``` ```r #Atribuições x <- 5 + 5 y <- 10 - 16 a <- 9 soma <- a + x nome <- "daniel" certo <- TRUE ``` --- # Operações básicas ```r pesoDaniel <- 79 alturaDaniel <- 1.78 imcDaniel <- pesoDaniel/alturaDaniel**2 ``` Calcule o IMC de todas as pessoas <div class="figure" style="text-align: center"> <img src="imagem/imc.png" alt=" " width="90%" height="90%" /> <p class="caption"> </p> </div> --- # Vetores Você até pode fazer o IMC de cada um individualmente. Mas vou apresentar uma forma de resolver - existem várias formas, usando função, loops - usando um tipo de objeto chamado **vetor**. O vetor é um conjunto unidimensional de objetos de um mesmo tipo. Traduzindo... imagina uma tabela de excel formada por várias colunas. Uma das colunas é a idade e está expressa em número. Pronto, um vetor é como se fosse uma coluna com valores de um mesmo tipo. ```r # trabalhando com vetores pesos <- c(65, 95, 75, 77, 80, 68) alturas <- c(1.60, 1.78, 1.80, 1.68, 1.72, 1.65) imc <- pesos/alturas**2 imc ``` ``` ## [1] 25.39062 29.98359 23.14815 27.28175 27.04164 24.97704 ``` --- # Daniel, consigo arredondar? Consegue! ```r help(round) round(imc, 2) ``` ``` ## [1] 25.39 29.98 23.15 27.28 27.04 24.98 ``` ```r imc <- round(imc, 2) #estou sobrescrevendo um vetor # arredondado sobre ele mesmo imc ``` ``` ## [1] 25.39 29.98 23.15 27.28 27.04 24.98 ``` --- # Matrizes As **matrizes** possuem uma estrutura tabular, com linhas e colunas. Porém, semelhante ao vetor, todos os objetos devem ser de um mesmo tipo (ex.: tudo número, tudo caracter). ```r Matriz<-cbind(pesos,alturas,imc) Matriz ``` ``` ## pesos alturas imc ## [1,] 65 1.60 25.39 ## [2,] 95 1.78 29.98 ## [3,] 75 1.80 23.15 ## [4,] 77 1.68 27.28 ## [5,] 80 1.72 27.04 ## [6,] 68 1.65 24.98 ``` --- # Matrizes Veja que tem uma carinha de tabela. Mas daqui para frente vamos trabalhar com outra estrutura chamada **dataframe**. Essa estrutura tem formato tabular e ainda permite que os objetos tenham tipos diferentes, ou seja, posso ter uma coluna numérica, outra no formato data, outra no formato de caracteres e assim por diante. Existe um tipo de estrutura de dados chamada **lista** muito importante também. Mas entrar nele é assunto para um curso de R intermediário. ```r rownames(Matriz) <- c("Alice","Gilmar","Cecilia","Bianca","Valentina","Augusto") Matriz ``` ``` ## pesos alturas imc ## Alice 65 1.60 25.39 ## Gilmar 95 1.78 29.98 ## Cecilia 75 1.80 23.15 ## Bianca 77 1.68 27.28 ## Valentina 80 1.72 27.04 ## Augusto 68 1.65 24.98 ``` --- class: inverse, middle, center # Introduzindo funções para manipulação de dados --- # Inspecionando o dataframe ```r library(gapminder) ``` ``` ## Warning: package 'gapminder' was built under R version 4.0.5 ``` ```r basePaises <- gapminder # inspecionando a estrutura da base str(basePaises) ``` ``` ## tibble [1,704 x 6] (S3: tbl_df/tbl/data.frame) ## $ country : Factor w/ 142 levels "Afghanistan",..: 1 1 1 1 1 1 1 1 1 1 ... ## $ continent: Factor w/ 5 levels "Africa","Americas",..: 3 3 3 3 3 3 3 3 3 3 ... ## $ year : int [1:1704] 1952 1957 1962 1967 1972 1977 1982 1987 1992 1997 ... ## $ lifeExp : num [1:1704] 28.8 30.3 32 34 36.1 ... ## $ pop : int [1:1704] 8425333 9240934 10267083 11537966 13079460 14880372 12881816 13867957 16317921 22227415 ... ## $ gdpPercap: num [1:1704] 779 821 853 836 740 ... ``` --- # Inspecionando elementos ```r # inspecionando as 6 primeiras observações head(basePaises) ``` ``` ## # A tibble: 6 x 6 ## country continent year lifeExp pop gdpPercap ## <fct> <fct> <int> <dbl> <int> <dbl> ## 1 Afghanistan Asia 1952 28.8 8425333 779. ## 2 Afghanistan Asia 1957 30.3 9240934 821. ## 3 Afghanistan Asia 1962 32.0 10267083 853. ## 4 Afghanistan Asia 1967 34.0 11537966 836. ## 5 Afghanistan Asia 1972 36.1 13079460 740. ## 6 Afghanistan Asia 1977 38.4 14880372 786. ``` --- # Inspecionando elementos ```r # inspecionando as 10 últimas observações tail(basePaises, n = 10) ``` ``` ## # A tibble: 10 x 6 ## country continent year lifeExp pop gdpPercap ## <fct> <fct> <int> <dbl> <int> <dbl> ## 1 Zimbabwe Africa 1962 52.4 4277736 527. ## 2 Zimbabwe Africa 1967 54.0 4995432 570. ## 3 Zimbabwe Africa 1972 55.6 5861135 799. ## 4 Zimbabwe Africa 1977 57.7 6642107 686. ## 5 Zimbabwe Africa 1982 60.4 7636524 789. ## 6 Zimbabwe Africa 1987 62.4 9216418 706. ## 7 Zimbabwe Africa 1992 60.4 10704340 693. ## 8 Zimbabwe Africa 1997 46.8 11404948 792. ## 9 Zimbabwe Africa 2002 40.0 11926563 672. ## 10 Zimbabwe Africa 2007 43.5 12311143 470. ``` --- # Inspecionando elementos ```r # estatísticas descritivas da base summary(basePaises) ``` ``` ## country continent year lifeExp ## Afghanistan: 12 Africa :624 Min. :1952 Min. :23.60 ## Albania : 12 Americas:300 1st Qu.:1966 1st Qu.:48.20 ## Algeria : 12 Asia :396 Median :1980 Median :60.71 ## Angola : 12 Europe :360 Mean :1980 Mean :59.47 ## Argentina : 12 Oceania : 24 3rd Qu.:1993 3rd Qu.:70.85 ## Australia : 12 Max. :2007 Max. :82.60 ## (Other) :1632 ## pop gdpPercap ## Min. :6.001e+04 Min. : 241.2 ## 1st Qu.:2.794e+06 1st Qu.: 1202.1 ## Median :7.024e+06 Median : 3531.8 ## Mean :2.960e+07 Mean : 7215.3 ## 3rd Qu.:1.959e+07 3rd Qu.: 9325.5 ## Max. :1.319e+09 Max. :113523.1 ## ``` --- # Inspecionando elementos ```r # Acessando uma variável da base basePaises$continent ``` ``` ## [1] Asia Asia Asia Asia Asia Asia Asia Asia ## [9] Asia Asia Asia Asia Europe Europe Europe Europe ## [17] Europe Europe Europe Europe Europe Europe Europe Europe ## [25] Africa Africa Africa Africa Africa Africa Africa Africa ## [33] Africa Africa Africa Africa Africa Africa Africa Africa ## [41] Africa Africa Africa Africa Africa Africa Africa Africa ## [49] Americas Americas Americas Americas Americas Americas Americas Americas ## [57] Americas Americas Americas Americas Oceania Oceania Oceania Oceania ## [65] Oceania Oceania Oceania Oceania Oceania Oceania Oceania Oceania ## [73] Europe Europe Europe Europe Europe Europe Europe Europe ## [81] Europe Europe Europe Europe Asia Asia Asia Asia ## [89] Asia Asia Asia Asia Asia Asia Asia Asia ## [97] Asia Asia Asia Asia Asia Asia Asia Asia ## [105] Asia Asia Asia Asia Europe Europe Europe Europe ## [113] Europe Europe Europe Europe Europe Europe Europe Europe ## [121] Africa Africa Africa Africa Africa Africa Africa Africa ## [129] Africa Africa Africa Africa Americas Americas Americas Americas ## [137] Americas Americas Americas Americas Americas Americas Americas Americas ## [145] Europe Europe Europe Europe Europe Europe Europe Europe ## [153] Europe Europe Europe Europe Africa Africa Africa Africa ## [161] Africa Africa Africa Africa Africa Africa Africa Africa ## [169] Americas Americas Americas Americas Americas Americas Americas Americas ## [177] Americas Americas Americas Americas Europe Europe Europe Europe ## [185] Europe Europe Europe Europe Europe Europe Europe Europe ## [193] Africa Africa Africa Africa Africa Africa Africa Africa ## [201] Africa Africa Africa Africa Africa Africa Africa Africa ## [209] Africa Africa Africa Africa Africa Africa Africa Africa ## [217] Asia Asia Asia Asia Asia Asia Asia Asia ## [225] Asia Asia Asia Asia Africa Africa Africa Africa ## [233] Africa Africa Africa Africa Africa Africa Africa Africa ## [241] Americas Americas Americas Americas Americas Americas Americas Americas ## [249] Americas Americas Americas Americas Africa Africa Africa Africa ## [257] Africa Africa Africa Africa Africa Africa Africa Africa ## [265] Africa Africa Africa Africa Africa Africa Africa Africa ## [273] Africa Africa Africa Africa Americas Americas Americas Americas ## [281] Americas Americas Americas Americas Americas Americas Americas Americas ## [289] Asia Asia Asia Asia Asia Asia Asia Asia ## [297] Asia Asia Asia Asia Americas Americas Americas Americas ## [305] Americas Americas Americas Americas Americas Americas Americas Americas ## [313] Africa Africa Africa Africa Africa Africa Africa Africa ## [321] Africa Africa Africa Africa Africa Africa Africa Africa ## [329] Africa Africa Africa Africa Africa Africa Africa Africa ## [337] Africa Africa Africa Africa Africa Africa Africa Africa ## [345] Africa Africa Africa Africa Americas Americas Americas Americas ## [353] Americas Americas Americas Americas Americas Americas Americas Americas ## [361] Africa Africa Africa Africa Africa Africa Africa Africa ## [369] Africa Africa Africa Africa Europe Europe Europe Europe ## [377] Europe Europe Europe Europe Europe Europe Europe Europe ## [385] Americas Americas Americas Americas Americas Americas Americas Americas ## [393] Americas Americas Americas Americas Europe Europe Europe Europe ## [401] Europe Europe Europe Europe Europe Europe Europe Europe ## [409] Europe Europe Europe Europe Europe Europe Europe Europe ## [417] Europe Europe Europe Europe Africa Africa Africa Africa ## [425] Africa Africa Africa Africa Africa Africa Africa Africa ## [433] Americas Americas Americas Americas Americas Americas Americas Americas ## [441] Americas Americas Americas Americas Americas Americas Americas Americas ## [449] Americas Americas Americas Americas Americas Americas Americas Americas ## [457] Africa Africa Africa Africa Africa Africa Africa Africa ## [465] Africa Africa Africa Africa Americas Americas Americas Americas ## [473] Americas Americas Americas Americas Americas Americas Americas Americas ## [481] Africa Africa Africa Africa Africa Africa Africa Africa ## [489] Africa Africa Africa Africa Africa Africa Africa Africa ## [497] Africa Africa Africa Africa Africa Africa Africa Africa ## [505] Africa Africa Africa Africa Africa Africa Africa Africa ## [513] Africa Africa Africa Africa Europe Europe Europe Europe ## [521] Europe Europe Europe Europe Europe Europe Europe Europe ## [529] Europe Europe Europe Europe Europe Europe Europe Europe ## [537] Europe Europe Europe Europe Africa Africa Africa Africa ## [545] Africa Africa Africa Africa Africa Africa Africa Africa ## [553] Africa Africa Africa Africa Africa Africa Africa Africa ## [561] Africa Africa Africa Africa Europe Europe Europe Europe ## [569] Europe Europe Europe Europe Europe Europe Europe Europe ## [577] Africa Africa Africa Africa Africa Africa Africa Africa ## [585] Africa Africa Africa Africa Europe Europe Europe Europe ## [593] Europe Europe Europe Europe Europe Europe Europe Europe ## [601] Americas Americas Americas Americas Americas Americas Americas Americas ## [609] Americas Americas Americas Americas Africa Africa Africa Africa ## [617] Africa Africa Africa Africa Africa Africa Africa Africa ## [625] Africa Africa Africa Africa Africa Africa Africa Africa ## [633] Africa Africa Africa Africa Americas Americas Americas Americas ## [641] Americas Americas Americas Americas Americas Americas Americas Americas ## [649] Americas Americas Americas Americas Americas Americas Americas Americas ## [657] Americas Americas Americas Americas Asia Asia Asia Asia ## [665] Asia Asia Asia Asia Asia Asia Asia Asia ## [673] Europe Europe Europe Europe Europe Europe Europe Europe ## [681] Europe Europe Europe Europe Europe Europe Europe Europe ## [689] Europe Europe Europe Europe Europe Europe Europe Europe ## [697] Asia Asia Asia Asia Asia Asia Asia Asia ## [705] Asia Asia Asia Asia Asia Asia Asia Asia ## [713] Asia Asia Asia Asia Asia Asia Asia Asia ## [721] Asia Asia Asia Asia Asia Asia Asia Asia ## [729] Asia Asia Asia Asia Asia Asia Asia Asia ## [737] Asia Asia Asia Asia Asia Asia Asia Asia ## [745] Europe Europe Europe Europe Europe Europe Europe Europe ## [753] Europe Europe Europe Europe Asia Asia Asia Asia ## [761] Asia Asia Asia Asia Asia Asia Asia Asia ## [769] Europe Europe Europe Europe Europe Europe Europe Europe ## [777] Europe Europe Europe Europe Americas Americas Americas Americas ## [785] Americas Americas Americas Americas Americas Americas Americas Americas ## [793] Asia Asia Asia Asia Asia Asia Asia Asia ## [801] Asia Asia Asia Asia Asia Asia Asia Asia ## [809] Asia Asia Asia Asia Asia Asia Asia Asia ## [817] Africa Africa Africa Africa Africa Africa Africa Africa ## [825] Africa Africa Africa Africa Asia Asia Asia Asia ## [833] Asia Asia Asia Asia Asia Asia Asia Asia ## [841] Asia Asia Asia Asia Asia Asia Asia Asia ## [849] Asia Asia Asia Asia Asia Asia Asia Asia ## [857] Asia Asia Asia Asia Asia Asia Asia Asia ## [865] Asia Asia Asia Asia Asia Asia Asia Asia ## [873] Asia Asia Asia Asia Africa Africa Africa Africa ## [881] Africa Africa Africa Africa Africa Africa Africa Africa ## [889] Africa Africa Africa Africa Africa Africa Africa Africa ## [897] Africa Africa Africa Africa Africa Africa Africa Africa ## [905] Africa Africa Africa Africa Africa Africa Africa Africa ## [913] Africa Africa Africa Africa Africa Africa Africa Africa ## [921] Africa Africa Africa Africa Africa Africa Africa Africa ## [929] Africa Africa Africa Africa Africa Africa Africa Africa ## [937] Asia Asia Asia Asia Asia Asia Asia Asia ## [945] Asia Asia Asia Asia Africa Africa Africa Africa ## [953] Africa Africa Africa Africa Africa Africa Africa Africa ## [961] Africa Africa Africa Africa Africa Africa Africa Africa ## [969] Africa Africa Africa Africa Africa Africa Africa Africa ## [977] Africa Africa Africa Africa Africa Africa Africa Africa ## [985] Americas Americas Americas Americas Americas Americas Americas Americas ## [993] Americas Americas Americas Americas Asia Asia Asia Asia ## [1001] Asia Asia Asia Asia Asia Asia Asia Asia ## [1009] Europe Europe Europe Europe Europe Europe Europe Europe ## [1017] Europe Europe Europe Europe Africa Africa Africa Africa ## [1025] Africa Africa Africa Africa Africa Africa Africa Africa ## [1033] Africa Africa Africa Africa Africa Africa Africa Africa ## [1041] Africa Africa Africa Africa Asia Asia Asia Asia ## [1049] Asia Asia Asia Asia Asia Asia Asia Asia ## [1057] Africa Africa Africa Africa Africa Africa Africa Africa ## [1065] Africa Africa Africa Africa Asia Asia Asia Asia ## [1073] Asia Asia Asia Asia Asia Asia Asia Asia ## [1081] Europe Europe Europe Europe Europe Europe Europe Europe ## [1089] Europe Europe Europe Europe Oceania Oceania Oceania Oceania ## [1097] Oceania Oceania Oceania Oceania Oceania Oceania Oceania Oceania ## [1105] Americas Americas Americas Americas Americas Americas Americas Americas ## [1113] Americas Americas Americas Americas Africa Africa Africa Africa ## [1121] Africa Africa Africa Africa Africa Africa Africa Africa ## [1129] Africa Africa Africa Africa Africa Africa Africa Africa ## [1137] Africa Africa Africa Africa Europe Europe Europe Europe ## [1145] Europe Europe Europe Europe Europe Europe Europe Europe ## [1153] Asia Asia Asia Asia Asia Asia Asia Asia ## [1161] Asia Asia Asia Asia Asia Asia Asia Asia ## [1169] Asia Asia Asia Asia Asia Asia Asia Asia ## [1177] Americas Americas Americas Americas Americas Americas Americas Americas ## [1185] Americas Americas Americas Americas Americas Americas Americas Americas ## [1193] Americas Americas Americas Americas Americas Americas Americas Americas ## [1201] Americas Americas Americas Americas Americas Americas Americas Americas ## [1209] Americas Americas Americas Americas Asia Asia Asia Asia ## [1217] Asia Asia Asia Asia Asia Asia Asia Asia ## [1225] Europe Europe Europe Europe Europe Europe Europe Europe ## [1233] Europe Europe Europe Europe Europe Europe Europe Europe ## [1241] Europe Europe Europe Europe Europe Europe Europe Europe ## [1249] Americas Americas Americas Americas Americas Americas Americas Americas ## [1257] Americas Americas Americas Americas Africa Africa Africa Africa ## [1265] Africa Africa Africa Africa Africa Africa Africa Africa ## [1273] Europe Europe Europe Europe Europe Europe Europe Europe ## [1281] Europe Europe Europe Europe Africa Africa Africa Africa ## [1289] Africa Africa Africa Africa Africa Africa Africa Africa ## [1297] Africa Africa Africa Africa Africa Africa Africa Africa ## [1305] Africa Africa Africa Africa Asia Asia Asia Asia ## [1313] Asia Asia Asia Asia Asia Asia Asia Asia ## [1321] Africa Africa Africa Africa Africa Africa Africa Africa ## [1329] Africa Africa Africa Africa Europe Europe Europe Europe ## [1337] Europe Europe Europe Europe Europe Europe Europe Europe ## [1345] Africa Africa Africa Africa Africa Africa Africa Africa ## [1353] Africa Africa Africa Africa Asia Asia Asia Asia ## [1361] Asia Asia Asia Asia Asia Asia Asia Asia ## [1369] Europe Europe Europe Europe Europe Europe Europe Europe ## [1377] Europe Europe Europe Europe Europe Europe Europe Europe ## [1385] Europe Europe Europe Europe Europe Europe Europe Europe ## [1393] Africa Africa Africa Africa Africa Africa Africa Africa ## [1401] Africa Africa Africa Africa Africa Africa Africa Africa ## [1409] Africa Africa Africa Africa Africa Africa Africa Africa ## [1417] Europe Europe Europe Europe Europe Europe Europe Europe ## [1425] Europe Europe Europe Europe Asia Asia Asia Asia ## [1433] Asia Asia Asia Asia Asia Asia Asia Asia ## [1441] Africa Africa Africa Africa Africa Africa Africa Africa ## [1449] Africa Africa Africa Africa Africa Africa Africa Africa ## [1457] Africa Africa Africa Africa Africa Africa Africa Africa ## [1465] Europe Europe Europe Europe Europe Europe Europe Europe ## [1473] Europe Europe Europe Europe Europe Europe Europe Europe ## [1481] Europe Europe Europe Europe Europe Europe Europe Europe ## [1489] Asia Asia Asia Asia Asia Asia Asia Asia ## [1497] Asia Asia Asia Asia Asia Asia Asia Asia ## [1505] Asia Asia Asia Asia Asia Asia Asia Asia ## [1513] Africa Africa Africa Africa Africa Africa Africa Africa ## [1521] Africa Africa Africa Africa Asia Asia Asia Asia ## [1529] Asia Asia Asia Asia Asia Asia Asia Asia ## [1537] Africa Africa Africa Africa Africa Africa Africa Africa ## [1545] Africa Africa Africa Africa Americas Americas Americas Americas ## [1553] Americas Americas Americas Americas Americas Americas Americas Americas ## [1561] Africa Africa Africa Africa Africa Africa Africa Africa ## [1569] Africa Africa Africa Africa Europe Europe Europe Europe ## [1577] Europe Europe Europe Europe Europe Europe Europe Europe ## [1585] Africa Africa Africa Africa Africa Africa Africa Africa ## [1593] Africa Africa Africa Africa Europe Europe Europe Europe ## [1601] Europe Europe Europe Europe Europe Europe Europe Europe ## [1609] Americas Americas Americas Americas Americas Americas Americas Americas ## [1617] Americas Americas Americas Americas Americas Americas Americas Americas ## [1625] Americas Americas Americas Americas Americas Americas Americas Americas ## [1633] Americas Americas Americas Americas Americas Americas Americas Americas ## [1641] Americas Americas Americas Americas Asia Asia Asia Asia ## [1649] Asia Asia Asia Asia Asia Asia Asia Asia ## [1657] Asia Asia Asia Asia Asia Asia Asia Asia ## [1665] Asia Asia Asia Asia Asia Asia Asia Asia ## [1673] Asia Asia Asia Asia Asia Asia Asia Asia ## [1681] Africa Africa Africa Africa Africa Africa Africa Africa ## [1689] Africa Africa Africa Africa Africa Africa Africa Africa ## [1697] Africa Africa Africa Africa Africa Africa Africa Africa ## Levels: Africa Americas Asia Europe Oceania ``` --- # Inspecionando elementos ```r # Acessando elementos únicos unique(basePaises$year) ``` ``` ## [1] 1952 1957 1962 1967 1972 1977 1982 1987 1992 1997 2002 2007 ``` ```r mean(basePaises$lifeExp) ``` ``` ## [1] 59.47444 ``` ```r # Vamos instalar nosso primeiro pacote: dplyr library(dplyr) glimpse(basePaises) ``` ``` ## Rows: 1,704 ## Columns: 6 ## $ country <fct> "Afghanistan", "Afghanistan", "Afghanistan", "Afghanistan", ~ ## $ continent <fct> Asia, Asia, Asia, Asia, Asia, Asia, Asia, Asia, Asia, Asia, ~ ## $ year <int> 1952, 1957, 1962, 1967, 1972, 1977, 1982, 1987, 1992, 1997, ~ ## $ lifeExp <dbl> 28.801, 30.332, 31.997, 34.020, 36.088, 38.438, 39.854, 40.8~ ## $ pop <int> 8425333, 9240934, 10267083, 11537966, 13079460, 14880372, 12~ ## $ gdpPercap <dbl> 779.4453, 820.8530, 853.1007, 836.1971, 739.9811, 786.1134, ~ ``` --- # Abrindo um parêntese <br> <br> <div class="figure" style="text-align: center"> <img src="imagem/eleven.png" alt=" " width="100%" height="100%" /> <p class="caption"> </p> </div> --- # Função filter ```r basePaises %>% filter(continent == "Asia") ``` ``` ## # A tibble: 396 x 6 ## country continent year lifeExp pop gdpPercap ## <fct> <fct> <int> <dbl> <int> <dbl> ## 1 Afghanistan Asia 1952 28.8 8425333 779. ## 2 Afghanistan Asia 1957 30.3 9240934 821. ## 3 Afghanistan Asia 1962 32.0 10267083 853. ## 4 Afghanistan Asia 1967 34.0 11537966 836. ## 5 Afghanistan Asia 1972 36.1 13079460 740. ## 6 Afghanistan Asia 1977 38.4 14880372 786. ## 7 Afghanistan Asia 1982 39.9 12881816 978. ## 8 Afghanistan Asia 1987 40.8 13867957 852. ## 9 Afghanistan Asia 1992 41.7 16317921 649. ## 10 Afghanistan Asia 1997 41.8 22227415 635. ## # ... with 386 more rows ``` --- # Função filter ```r basePaises %>% filter(continent == "Americas" & year>1990) ``` ``` ## # A tibble: 100 x 6 ## country continent year lifeExp pop gdpPercap ## <fct> <fct> <int> <dbl> <int> <dbl> ## 1 Argentina Americas 1992 71.9 33958947 9308. ## 2 Argentina Americas 1997 73.3 36203463 10967. ## 3 Argentina Americas 2002 74.3 38331121 8798. ## 4 Argentina Americas 2007 75.3 40301927 12779. ## 5 Bolivia Americas 1992 60.0 6893451 2962. ## 6 Bolivia Americas 1997 62.0 7693188 3326. ## 7 Bolivia Americas 2002 63.9 8445134 3413. ## 8 Bolivia Americas 2007 65.6 9119152 3822. ## 9 Brazil Americas 1992 67.1 155975974 6950. ## 10 Brazil Americas 1997 69.4 168546719 7958. ## # ... with 90 more rows ``` --- # Função filter ```r # != diferente basePaises %>% filter(continent != "Oceania") ``` ``` ## # A tibble: 1,680 x 6 ## country continent year lifeExp pop gdpPercap ## <fct> <fct> <int> <dbl> <int> <dbl> ## 1 Afghanistan Asia 1952 28.8 8425333 779. ## 2 Afghanistan Asia 1957 30.3 9240934 821. ## 3 Afghanistan Asia 1962 32.0 10267083 853. ## 4 Afghanistan Asia 1967 34.0 11537966 836. ## 5 Afghanistan Asia 1972 36.1 13079460 740. ## 6 Afghanistan Asia 1977 38.4 14880372 786. ## 7 Afghanistan Asia 1982 39.9 12881816 978. ## 8 Afghanistan Asia 1987 40.8 13867957 852. ## 9 Afghanistan Asia 1992 41.7 16317921 649. ## 10 Afghanistan Asia 1997 41.8 22227415 635. ## # ... with 1,670 more rows ``` ```r # Você pode armazenar sua consulta em outro objeto baseAsia <- basePaises%>% filter(continent == "Asia") ``` --- # Função select ```r basePaises %>% select(year,country,gdpPercap) ``` ``` ## # A tibble: 1,704 x 3 ## year country gdpPercap ## <int> <fct> <dbl> ## 1 1952 Afghanistan 779. ## 2 1957 Afghanistan 821. ## 3 1962 Afghanistan 853. ## 4 1967 Afghanistan 836. ## 5 1972 Afghanistan 740. ## 6 1977 Afghanistan 786. ## 7 1982 Afghanistan 978. ## 8 1987 Afghanistan 852. ## 9 1992 Afghanistan 649. ## 10 1997 Afghanistan 635. ## # ... with 1,694 more rows ``` --- # Função select ```r basePaises%>% select(-lifeExp) ``` ``` ## # A tibble: 1,704 x 5 ## country continent year pop gdpPercap ## <fct> <fct> <int> <int> <dbl> ## 1 Afghanistan Asia 1952 8425333 779. ## 2 Afghanistan Asia 1957 9240934 821. ## 3 Afghanistan Asia 1962 10267083 853. ## 4 Afghanistan Asia 1967 11537966 836. ## 5 Afghanistan Asia 1972 13079460 740. ## 6 Afghanistan Asia 1977 14880372 786. ## 7 Afghanistan Asia 1982 12881816 978. ## 8 Afghanistan Asia 1987 13867957 852. ## 9 Afghanistan Asia 1992 16317921 649. ## 10 Afghanistan Asia 1997 22227415 635. ## # ... with 1,694 more rows ``` --- # Função select + filter ```r basePaises %>% filter(continent == "Americas" & year>1990) %>% select(year,country,gdpPercap) ``` ``` ## # A tibble: 100 x 3 ## year country gdpPercap ## <int> <fct> <dbl> ## 1 1992 Argentina 9308. ## 2 1997 Argentina 10967. ## 3 2002 Argentina 8798. ## 4 2007 Argentina 12779. ## 5 1992 Bolivia 2962. ## 6 1997 Bolivia 3326. ## 7 2002 Bolivia 3413. ## 8 2007 Bolivia 3822. ## 9 1992 Brazil 6950. ## 10 1997 Brazil 7958. ## # ... with 90 more rows ``` --- # Função mutate Serve para criar uma nova variável ```r basePaises <- basePaises %>% mutate(GDP = gdpPercap * pop) basePorte <- basePaises %>% filter(year == 1992) %>% mutate(porte = if_else(pop>median(pop),"G","P")) head(basePorte) ``` ``` ## # A tibble: 6 x 8 ## country continent year lifeExp pop gdpPercap GDP porte ## <fct> <fct> <int> <dbl> <int> <dbl> <dbl> <chr> ## 1 Afghanistan Asia 1992 41.7 16317921 649. 10595901589. G ## 2 Albania Europe 1992 71.6 3326498 2497. 8307722183. P ## 3 Algeria Africa 1992 67.7 26298373 5023. 132102425043. G ## 4 Angola Africa 1992 40.6 8735988 2628. 22956828370. G ## 5 Argentina Americas 1992 71.9 33958947 9308. 316104097627. G ## 6 Australia Oceania 1992 77.6 17481977 23425. 409511234952. G ``` --- # Funções group_by e summarize ```r basePaises %>% group_by(country) %>% summarize(meanLE=mean(lifeExp),meanPop=mean(pop),meanGpc=mean(gdpPercap)) ``` ``` ## # A tibble: 142 x 4 ## country meanLE meanPop meanGpc ## <fct> <dbl> <dbl> <dbl> ## 1 Afghanistan 37.5 15823715. 803. ## 2 Albania 68.4 2580249. 3255. ## 3 Algeria 59.0 19875406. 4426. ## 4 Angola 37.9 7309390. 3607. ## 5 Argentina 69.1 28602240. 8956. ## 6 Australia 74.7 14649312. 19981. ## 7 Austria 73.1 7583298. 20412. ## 8 Bahrain 65.6 373913. 18078. ## 9 Bangladesh 49.8 90755395. 818. ## 10 Belgium 73.6 9725119. 19901. ## # ... with 132 more rows ``` --- # Funções group_by e summarize <br> <div class="figure" style="text-align: center"> <img src="imagem/group_by.png" alt=" " width="100%" height="100%" /> <p class="caption"> </p> </div> --- # Funções group_by e summarize ```r basePaises %>% group_by(continent,year) %>% summarize(meanLE=mean(lifeExp),meanPop=mean(pop),meanGpc=mean(gdpPercap)) ``` ``` ## `summarise()` has grouped output by 'continent'. You can override using the `.groups` argument. ``` ``` ## # A tibble: 60 x 5 ## # Groups: continent [5] ## continent year meanLE meanPop meanGpc ## <fct> <int> <dbl> <dbl> <dbl> ## 1 Africa 1952 39.1 4570010. 1253. ## 2 Africa 1957 41.3 5093033. 1385. ## 3 Africa 1962 43.3 5702247. 1598. ## 4 Africa 1967 45.3 6447875. 2050. ## 5 Africa 1972 47.5 7305376. 2340. ## 6 Africa 1977 49.6 8328097. 2586. ## 7 Africa 1982 51.6 9602857. 2482. ## 8 Africa 1987 53.3 11054502. 2283. ## 9 Africa 1992 53.6 12674645. 2282. ## 10 Africa 1997 53.6 14304480. 2379. ## # ... with 50 more rows ``` --- # Funções top_n e arrange A função top_n serve para selecionar os n maiores valores que desejar ```r basePaises %>% filter(year == 2007) %>% top_n(5,pop) %>% arrange(desc(pop)) ``` ``` ## # A tibble: 5 x 7 ## country continent year lifeExp pop gdpPercap GDP ## <fct> <fct> <int> <dbl> <int> <dbl> <dbl> ## 1 China Asia 2007 73.0 1318683096 4959. 6.54e12 ## 2 India Asia 2007 64.7 1110396331 2452. 2.72e12 ## 3 United States Americas 2007 78.2 301139947 42952. 1.29e13 ## 4 Indonesia Asia 2007 70.6 223547000 3541. 7.92e11 ## 5 Brazil Americas 2007 72.4 190010647 9066. 1.72e12 ``` --- # Base ICE <div class="figure" style="text-align: center"> <img src="imagem/ice.png" alt=" " width="90%" height="80%" /> <p class="caption"> </p> </div> Fonte: [Índice de Cidades empreendedoras](https://ice.enap.gov.br/) ```r ice <- read.csv("https://raw.githubusercontent.com/danielppagotto/R_empreendedorismo1/main/arquivos%20de%20bases/base_ice.csv",sep = ";", encoding = "UTF-8") ``` --- # Base Munic <div class="figure" style="text-align: center"> <img src="imagem/munic.png" alt=" " width="90%" height="80%" /> <p class="caption"> </p> </div> Fonte: [Pesquisa de Informações Básicas Municipais](https://www.ibge.gov.br/estatisticas/sociais/saude/10586-pesquisa-de-informacoes-basicas-municipais.html) ```r munic <- read.csv("https://raw.githubusercontent.com/danielppagotto/R_empreendedorismo1/main/arquivos%20de%20bases/politicas_empreendedorismo.csv",sep = ";", encoding = "UTF-8") ``` --- # Inner Join <img src="imagem/inner_join.png" width="100%" height="100%" style="display: block; margin: auto;" /> --- # Left Join <img src="imagem/left_join.png" width="100%" height="100%" style="display: block; margin: auto;" /> --- # Aplicando os joins ```r inner <- munic %>% inner_join(ice, by = c("CodMun"="cod_ibge")) left <- munic %>% left_join(ice, by = c("CodMun"="cod_ibge")) ``` Faça o exercício de inspecionar cada um desses bases para verificar o resultado. --- class: inverse, middle, center # Introduzindo funções para visualização de dados --- # Dica de leitura <div class="figure" style="text-align: center"> <img src="imagem/storytelling.jpg" alt=" " width="40%" height="30%" /> <p class="caption"> </p> </div> --- # Preparando nosso ambiente Antes de começar, vamos chamar alguns pacotes e preparar uma base que usaremos! Caso não tenha algum dos pacotes abaixo ainda, terá que baixar usando o comando **install.packages("nome do pacote")**. ```r library(ggplot2) library(dplyr) library(gapminder) base <- gapminder %>% filter(year == 2007) glimpse(base) ``` ``` ## Rows: 142 ## Columns: 6 ## $ country <fct> "Afghanistan", "Albania", "Algeria", "Angola", "Argentina", ~ ## $ continent <fct> Asia, Europe, Africa, Africa, Americas, Oceania, Europe, Asi~ ## $ year <int> 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, 2007, ~ ## $ lifeExp <dbl> 43.828, 76.423, 72.301, 42.731, 75.320, 81.235, 79.829, 75.6~ ## $ pop <int> 31889923, 3600523, 33333216, 12420476, 40301927, 20434176, 8~ ## $ gdpPercap <dbl> 974.5803, 5937.0295, 6223.3675, 4797.2313, 12779.3796, 34435~ ``` --- # Extra - skimr ```r library(skimr) ``` ``` ## Warning: package 'skimr' was built under R version 4.0.5 ``` ```r skimr::skim(base) ``` Table: Data summary | | | |:------------------------|:----| |Name |base | |Number of rows |142 | |Number of columns |6 | |_______________________ | | |Column type frequency: | | |factor |2 | |numeric |4 | |________________________ | | |Group variables |None | **Variable type: factor** |skim_variable | n_missing| complete_rate|ordered | n_unique|top_counts | |:-------------|---------:|-------------:|:-------|--------:|:----------------------------------| |country | 0| 1|FALSE | 142|Afg: 1, Alb: 1, Alg: 1, Ang: 1 | |continent | 0| 1|FALSE | 5|Afr: 52, Asi: 33, Eur: 30, Ame: 25 | **Variable type: numeric** |skim_variable | n_missing| complete_rate| mean| sd| p0| p25| p50| p75| p100|hist | |:-------------|---------:|-------------:|-----------:|------------:|---------:|----------:|-----------:|-----------:|------------:|:----------------------------------------| |year | 0| 1| 2007.00| 0.00| 2007.00| 2007.00| 2007.00| 2007.00| 2.007000e+03|▁▁▇▁▁ | |lifeExp | 0| 1| 67.01| 12.07| 39.61| 57.16| 71.94| 76.41| 8.260000e+01|▂▃▃▆▇ | |pop | 0| 1| 44021219.57| 147621397.90| 199579.00| 4508033.50| 10517531.00| 31210041.75| 1.318683e+09|▇▁▁▁▁ | |gdpPercap | 0| 1| 11680.07| 12859.94| 277.55| 1624.84| 6124.37| 18008.84| 4.935719e+04|▇▂▁▂▁ | --- # Curiosidade! ;) **FYI:** Gapminder é uma organização sem fins lucrativos que promove o desenvolvimento e atingimento dos ODS ao difundir a compreensão de informações de ordem social, econômica, ambiental em âmbito local, nacional e global. <img src="imagem/ODS.png" width="1701" style="display: block; margin: auto;" /> --- # GGPlot2 - a base de tudo O R por si só possui funções para gerar gráficos, porém o ggplot2 é um pacote que fornece um conjunto bem extenso de possibilidades ```r hist(base$lifeExp) ``` <img src="index_files/figure-html/histograma1-1.png" style="display: block; margin: auto;" /> --- # GGPlot2 - a base de tudo Vamos criar um histograma sobre a variável expectativa de vida. ```r ggplot(base, aes(x = lifeExp)) + geom_histogram() ``` <img src="index_files/figure-html/histograma2-1.png" style="display: block; margin: auto;" /> --- # GGPlot2 - Densidade Vamos criar um gráfico de densidade sobre a variável expectativa de vida. Veja outra forma de usar a função ggplot. ```r base %>% ggplot(aes(x = lifeExp)) + geom_density() ``` <img src="index_files/figure-html/densidade-1.png" style="display: block; margin: auto;" /> --- # GGPlot2 - Boxplot Vamos criar um boxplot sobre a variável expectativa de vida. ```r base %>% ggplot(aes(y = lifeExp)) + geom_boxplot() ``` <img src="index_files/figure-html/boxplot1-1.png" style="display: block; margin: auto;" /> --- # GGPlot2 - Boxplot 2 Vamos criar um boxplot sobre a variável expectativa de vida. ```r base %>% ggplot(aes(x = continent, y = lifeExp)) + geom_boxplot() ``` <img src="index_files/figure-html/boxplot2-1.png" style="display: block; margin: auto;" /> --- # GGPlot2 - Gráfico de colunas Vamos criar um gráfico de barras da variável expectativa de vida. Nesse caso, vamos pegar os 10 países da Ásia com maior taxa de expectativa de vida. ```r base %>% filter(continent == "Asia") %>% top_n(n = 10, wt = lifeExp) %>% ggplot(aes(x = country, y = lifeExp)) + geom_col() ``` <img src="index_files/figure-html/barras-1.png" style="display: block; margin: auto;" /> --- # GGPlot2 - Coord_flip Veja como melhorar a visualização com um simples argumento ```r base %>% filter(continent == "Asia") %>% top_n(n = 10, wt = lifeExp) %>% ggplot(aes(x = country, y = lifeExp)) + geom_col() + coord_flip() ``` <img src="index_files/figure-html/barras2-1.png" style="display: block; margin: auto;" /> --- #Mas, Daniel, consigo deixar em ordem? Sim, para isso, vamos usar uma função do pacote forcats. ```r library(forcats) base %>% filter(continent == "Asia") %>% top_n(n = 10, wt = lifeExp) %>% ggplot(aes(x = fct_reorder(country,lifeExp), y = lifeExp)) + geom_col() + coord_flip() ``` <img src="index_files/figure-html/barras3-1.png" style="display: block; margin: auto;" /> --- # GGPlot2 - Labels Adicionando labels ```r base %>% filter(continent == "Asia") %>% top_n(n = 10, wt = lifeExp) %>% ggplot(aes(x = fct_reorder(country,lifeExp), y = lifeExp)) + geom_col() + geom_label(aes(label=round(lifeExp))) + coord_flip() ``` <img src="index_files/figure-html/barras4-1.png" style="display: block; margin: auto;" /> --- # GGPlot2 - Linhas Para fazer esse gráfico, vamos usar a base original, gapminder, e filtrar apenas o Brasil. ```r gapminder %>% filter(country == "Brazil") %>% ggplot(aes(x = year, y = lifeExp)) + geom_line() ``` <img src="index_files/figure-html/linhas-1.png" style="display: block; margin: auto;" /> --- # GGPlot2 - Argumento col Veja que legal é o argumento col dentro do aes. ```r paises <- c("Brazil","Argentina") gapminder %>% filter(country %in% paises) %>% ggplot(aes(x = year, y = lifeExp, col = country)) + geom_line() ``` <img src="index_files/figure-html/linhas2-1.png" style="display: block; margin: auto;" /> --- # Usando argumento fill Vamos ver como funciona o argumento `fill` ```r base %>% top_n(10) %>% ggplot(aes(x = fct_reorder(country,gdpPercap), y=gdpPercap, fill = continent)) + geom_col() + coord_flip() ``` <img src="index_files/figure-html/densidade_customizada2-1.png" style="display: block; margin: auto;" /> --- # Muito interessante! Mas você falou que podemos customizar muita coisa... Exato! Ao longo do curso veremos muitas possibilidades. Veja um exemplo a seguir. ```r ggplot(base,aes(x=lifeExp)) + geom_density(fill="darkblue") + labs(title = "Histograma da expectativa de vida", x = "Expectativa de vida", y = "Frequência") + theme_minimal() ``` <img src="index_files/figure-html/densidade customizada-1.png" style="display: block; margin: auto;" /> --- # Vamos trabalhar com duas variáveis... Vamos relacionar duas variáveis: PIB per capita e expectativa de vida ```r ggplot(base,aes(x=log(gdpPercap),y=lifeExp)) + geom_point() + labs(x = "PIB per capita (log)", y = "Expectativa de vida") + theme_bw() ``` <img src="index_files/figure-html/scatter-1.png" style="display: block; margin: auto;" /> --- # Mais uma camada... ```r ggplot(base,aes(y=lifeExp, x=log(gdpPercap))) + geom_point() + geom_smooth(method = "lm", se=FALSE) + labs(x = "PIB per capita (log)", y = "Expectativa de vida") + theme_bw() ``` <img src="index_files/figure-html/scatter2-1.png" style="display: block; margin: auto;" /> --- # Argumento col ```r ggplot(base,aes(y=lifeExp, x=log(gdpPercap), col=continent)) + geom_point() + geom_smooth(method = "lm", se=FALSE) + labs(x = "PIB per capita (log)", y = "Expectativa de vida") + theme_bw() ``` <img src="index_files/figure-html/scatter3-1.png" style="display: block; margin: auto;" /> --- # Argumento size ```r ggplot(base,aes(y=lifeExp, x=log(gdpPercap), col=continent,size = pop)) + geom_point() + geom_smooth(method = "lm", se=FALSE) + labs(x = "PIB per capta (log)", y = "Expectativa de vida") + theme_bw() ``` <img src="index_files/figure-html/scatter4-1.png" style="display: block; margin: auto;" /> --- # Facet ```r ggplot(base,aes(x=log(gdpPercap), y=lifeExp, col=continent, size = pop)) + geom_point() + geom_smooth(method = "lm", se=FALSE) + labs(x = "PIB per capita (log)", y = "Expectativa de vida") + theme_bw() + facet_grid(~continent) ``` <img src="index_files/figure-html/scatter5-1.png" style="display: block; margin: auto;" /> --- # Tabela interativa (Bônus!) Conhecimentos nerds extras. Clique [aqui](https://rstudio.github.io/DT/) para conhecer mais do pacote DT. ```r DT::datatable(base, options = list(pageLength = 5), class = 'cell-border stripe') ```
--- # Tarefa de casa 1) Crie um boxplot para a variável expectativa de vida 2) Crie um boxplot para a variável expectativa de vida e cada continente em um mesmo painel 3) Repita o procedimento solicitado na questão 2, mas dessa vez use facet 4) Insira título nos gráficos, mude o nome dos eixos e coloque outro tema 5) Faça um gráfico de linha com a evolução do PIB per capta do Brasil, Argentina, Portugal e China --- # Criando gráficos com Esquisse esquisser(viewer = "browser") <div class="figure" style="text-align: center"> <img src="imagem/esquisse.png" alt=" " width="90%" height="70%" /> <p class="caption"> </p> </div> --- # Gerando gráficos interativos Vamos resgatar um gráfico que fizemos lá atrás ```r library(plotly) grafico <- ggplot(base,aes(y=lifeExp, x=log(gdpPercap), col=continent)) + geom_point() + labs(x = "PIB per capita (log)", y = "Expectativa de vida") + theme_bw() ggplotly(grafico) ```
--- # Para aprender mais - [GGPlot2 cheat sheet](https://rstudio.com/wp-content/uploads/2015/03/ggplot2-cheatsheet.pdf) - [GGPlot2 - LAPEI](https://www.youtube.com/watch?v=IPyjHKe30eo) - [Plotly](https://plotly.com/) - [Blog Datanovia](https://www.datanovia.com/en/blog/gganimate-how-to-create-plots-with-beautiful-animation-in-r/) - [Datavis with R](https://rkabacoff.github.io/datavis/Interactive.html) Apresentação feita com Rmarkdown, usando pacote xaringã --- class: inverse, middle, center # Obrigado **Daniel Pagotto** | danielppagotto@gmail.com | [LinkedIn](https://www.linkedin.com/in/daniel-do-prado-pagotto-bab62a50/)