4. Visualização de Dados com ggplot2

Criando gráficos elegantes com o dataset CO2

☕ Assine o Café com R

Fique por dentro das aulas, conteúdos, newsletter!

Que cada gole desperte uma nova ideia.

Que cada script abra uma nova conversa.

Que o Café com R, se torne um ponto de encontro nosso!

Introdução à visualização de dados no R

Visualização é a arte de contar histórias com dados.
O pacote ggplot2 é a ferramenta mais poderosa para isso no R.

Allison Horst.

Introdução à visualização de dados no R

Você aprenderá:

• Gramática de gráficos (Grammar of Graphics)
• Componentes essenciais do ggplot2
• Tipos de gráficos e suas aplicações
• Customização avançada
• Melhores práticas de visualização

Por que ggplot2?

Vantagens:

• Sistema coerente e intuitivo
• Gráficos de alta qualidade
• Customização ilimitada
• Integração perfeita com tidyverse
• Comunidade ativa e recursos abundantes

Filosofia: construir gráficos em camadas

Carregando pacotes e dados

library(ggplot2)
library(dplyr)
library(tibble)

# Carregando dados
data(CO2)
CO2 <- CO2 |> as_tibble()

# Definindo paleta de cores
cores <- c("#224573", "#6B4F4F", "#4A6FA5", "#E5D3B3")

O dataset CO2: revisão rápida

glimpse(CO2)

Rows: 84
Columns: 5
$ Plant     <ord> Qn1, Qn1, Qn1, Qn1, Qn1, Qn1, Qn1, Qn2, Qn2, Qn2, Qn2, Qn2, …
$ Type      <fct> Quebec, Quebec, Quebec, Quebec, Quebec, Quebec, Quebec, Queb…
$ Treatment <fct> nonchilled, nonchilled, nonchilled, nonchilled, nonchilled, …
$ conc      <dbl> 95, 175, 250, 350, 500, 675, 1000, 95, 175, 250, 350, 500, 6…
$ uptake    <dbl> 16.0, 30.4, 34.8, 37.2, 35.3, 39.2, 39.7, 13.6, 27.3, 37.1, …

84 observações de absorção de CO₂ em plantas de Quebec e Mississippi, sob diferentes tratamentos.

Gramática de Gráficos

Todo gráfico no ggplot2 tem três componentes essenciais:

1. Data: os dados a serem visualizados
2. Aesthetics (aes): mapeamento de variáveis para propriedades visuais
3. Geometries (geom): tipo de representação visual

Estrutura básica:

ggplot(data = dados, aes(x = var_x, y = var_y)) +
  geom_point()

Primeiro gráfico: scatter plot

ggplot(CO2, aes(x = conc, y = uptake)) +
  geom_point()

Adicionando cor por grupo

ggplot(CO2, aes(x = conc, y = uptake, color = Type)) +
  geom_point(size = 3) +
  scale_color_manual(values = c("#224573", "#6B4F4F"))

Adicionando títulos e labels

ggplot(CO2, aes(x = conc, y = uptake, color = Type)) +
  geom_point(size = 3) +
  scale_color_manual(values = c("#224573", "#6B4F4F")) +
  labs(
    title = "Absorção de CO₂ por Concentração",
    x = "Concentração de CO₂ (mL/L)",
    y = "Absorção de CO₂ (μmol/m²·s)",
    color = "Tipo de Planta"
  )

Aesthetics: mapeamentos visuais

Principais aesthetics:

• x, y: posição nos eixos
• color: cor de pontos/linhas
• fill: preenchimento de áreas
• size: tamanho
• shape: forma dos pontos
• alpha: transparência
• linetype: tipo de linha

Exemplo: múltiplos aesthetics

ggplot(CO2, aes(x = conc, y = uptake, 
                color = Type, shape = Treatment)) +
  geom_point(size = 3, alpha = 0.7) +
  scale_color_manual(values = c("#224573", "#6B4F4F"))

Geometrias: geom_point()

Scatter plots mostram relação entre duas variáveis contínuas.

Quando usar:

• Correlações
• Distribuições bivariadas
• Identificar outliers
• Padrões e tendências

Customização: size, shape, alpha, color

Geometrias: geom_line()

ggplot(CO2, aes(x = conc, y = uptake, 
                color = Plant, group = Plant)) +
  geom_line(linewidth = 1, alpha = 0.7) +
  scale_color_manual(values = rep(cores, length.out = 12))

Combinando geometrias

ggplot(CO2, aes(x = conc, y = uptake, color = Type)) +
  geom_point(size = 2, alpha = 0.6) +
  geom_smooth(method = "loess", se = TRUE, linewidth = 1.5) +
  scale_color_manual(values = c("#224573", "#6B4F4F"))

geom_smooth(): tendências

Métodos disponíveis:

• "loess": suavização local (padrão para n < 1000)
• "lm": regressão linear
• "glm": modelos lineares generalizados
• "gam": modelos aditivos generalizados

Parâmetros:

• se: mostrar intervalo de confiança
• method: método de ajuste
• formula: fórmula customizada

Gráfico de barras: geom_col()

CO2 |>
  group_by(Type, Treatment) |>
  summarise(media = mean(uptake), .groups = "drop") |>
  ggplot(aes(x = Type, y = media, fill = Treatment)) +
  geom_col(position = "dodge", width = 0.7) +
  scale_fill_manual(values = c("#224573", "#6B4F4F"))

Adicionando barras de erro

CO2 |>
  group_by(Type, Treatment) |>
  summarise(media = mean(uptake), se = sd(uptake)/sqrt(n()), 
            .groups = "drop") |>
  ggplot(aes(x = Type, y = media, fill = Treatment)) +
  geom_col(position = position_dodge(0.7), width = 0.6) +
  geom_errorbar(aes(ymin = media - se, ymax = media + se),
                position = position_dodge(0.7), width = 0.2) +
  scale_fill_manual(values = c("#224573", "#6B4F4F"))

Boxplots: distribuições

ggplot(CO2, aes(x = Type, y = uptake, fill = Type)) +
  geom_boxplot(alpha = 0.7, outlier.color = "#6B4F4F", 
               outlier.size = 3) +
  scale_fill_manual(values = c("#224573", "#4A6FA5")) +
  labs(title = "Distribuição da Absorção de CO₂",
       x = "Tipo de Planta", y = "Absorção")

Violin plots: densidade

ggplot(CO2, aes(x = Type, y = uptake, fill = Type)) +
  geom_violin(alpha = 0.7, trim = FALSE) +
  geom_boxplot(width = 0.2, fill = "white", alpha = 0.8) +
  scale_fill_manual(values = c("#224573", "#4A6FA5")) +
  labs(title = "Distribuição Detalhada da Absorção")

Comparando boxplot e violin

Boxplot:

• Quartis e mediana
• Outliers claramente marcados
• Compacto e claro

Violin plot:

• Densidade completa da distribuição
• Mostra bimodalidade
• Mais informativo, mas requer mais espaço

Facetas: facet_wrap()

ggplot(CO2, aes(x = conc, y = uptake, color = Type)) +
  geom_point(size = 2) +
  geom_smooth(method = "loess", se = FALSE) +
  facet_wrap(~Treatment, ncol = 2) +
  scale_color_manual(values = c("#224573", "#6B4F4F")) +
  labs(title = "Efeito do Tratamento na Absorção")

Facetas: facet_grid()

ggplot(CO2, aes(x = conc, y = uptake)) +
  geom_point(color = "#224573", size = 2) +
  geom_smooth(method = "lm", color = "#6B4F4F") +
  facet_grid(Type ~ Treatment) +
  labs(title = "Absorção: Tipo x Tratamento")

Diferença: wrap x grid

facet_wrap():

• Uma variável de agrupamento
• Layout flexível (controle de colunas)
• Melhor para muitos níveis

facet_grid():

• Duas variáveis (linhas e colunas)
• Grid estruturado
• Facilita comparações cruzadas

Histogramas: distribuição univariada

ggplot(CO2, aes(x = uptake, fill = Type)) +
  geom_histogram(bins = 15, alpha = 0.7, 
                 position = "identity") +
  scale_fill_manual(values = c("#224573", "#4A6FA5")) +
  labs(title = "Distribuição da Absorção de CO₂",
       x = "Absorção", y = "Frequência")

Densidade: curvas suaves

ggplot(CO2, aes(x = uptake, fill = Type, color = Type)) +
  geom_density(alpha = 0.5, linewidth = 1.2) +
  scale_fill_manual(values = c("#224573", "#4A6FA5")) +
  scale_color_manual(values = c("#224573", "#4A6FA5")) +
  labs(title = "Curvas de Densidade da Absorção")

Temas: personalizando aparência

Temas prontos:

• theme_bw(): fundo branco com grid
• theme_minimal(): minimalista
• theme_classic(): clássico (sem grid)
• theme_dark(): fundo escuro
• theme_void(): sem elementos

Aplicando temas

ggplot(CO2, aes(x = conc, y = uptake, color = Type)) +
  geom_point(size = 3) +
  scale_color_manual(values = c("#224573", "#6B4F4F")) +
  theme_classic() +
  labs(title = "Absorção com theme_classic()")

Customização avançada de tema

ggplot(CO2, aes(x = conc, y = uptake, color = Type)) +
  geom_point(size = 3) +
  scale_color_manual(values = c("#224573", "#6B4F4F")) +
  theme_classic() +
  theme(
    plot.title = element_text(size = 16, face = "bold", 
                              color = "#224573"),
    axis.title = element_text(size = 12, color = "#224573"),
    legend.position = "top",
    panel.grid.minor = element_blank())

Escalas de cores: manuais

ggplot(CO2, aes(x = Type, y = uptake, fill = Treatment)) +
  geom_boxplot(alpha = 0.8) +
  scale_fill_manual(
    values = c("nonchilled" = "#4A6FA5", "chilled" = "#6B4F4F"),
    labels = c("Não Resfriado", "Resfriado")) +
  theme_classic()

Escalas de cores: gradientes

CO2 |>
  group_by(Plant) |>
  summarise(media = mean(uptake)) |>
  ggplot(aes(x = Plant, y = media, fill = media)) +
  geom_col() +
  scale_fill_gradient(low = "#E5D3B3", high = "#224573") +
  theme_classic()

Jitter: evitando sobreposição

ggplot(CO2, aes(x = Type, y = uptake, color = Type)) +
  geom_jitter(width = 0.2, alpha = 0.6, size = 2.5) +
  scale_color_manual(values = c("#224573", "#6B4F4F")) +
  theme_classic() +
  labs(title = "Pontos com Jitter")

Combinando boxplot e jitter

ggplot(CO2, aes(x = Treatment, y = uptake, fill = Type)) +
  geom_boxplot(alpha = 0.6, outlier.shape = NA) +
  geom_jitter(aes(color = Type), width = 0.15, 
              alpha = 0.5, size = 2) +
  scale_fill_manual(values = c("#224573", "#4A6FA5")) +
  scale_color_manual(values = c("#224573", "#4A6FA5")) +
  theme_classic()

Anotações: adicionar texto

ggplot(CO2, aes(x = conc, y = uptake, color = Type)) +
  geom_point(size = 2) +
  geom_smooth(method = "lm", se = FALSE) +
  annotate("text", x = 600, y = 45, 
           label = "Tendência linear", 
           color = "#224573", size = 5) +
  scale_color_manual(values = c("#224573", "#6B4F4F")) +
  theme_classic()

Coordenadas: transformações

ggplot(CO2, aes(x = Type, y = uptake, fill = Type)) +
  geom_boxplot(alpha = 0.7) +
  coord_flip() +
  scale_fill_manual(values = c("#224573", "#4A6FA5")) +
  theme_classic() +
  labs(title = "Boxplot Horizontal")

Limites dos eixos

ggplot(CO2, aes(x = conc, y = uptake, color = Type)) +
  geom_point(size = 3) +
  scale_color_manual(values = c("#224573", "#6B4F4F")) +
  coord_cartesian(xlim = c(200, 800), ylim = c(15, 45)) +
  theme_classic() +
  labs(title = "Zoom: 200-800 mL/L")

Gráfico de linhas por planta

ggplot(CO2, aes(x = conc, y = uptake, 
                color = Plant, group = Plant)) +
  geom_line(linewidth = 0.8, alpha = 0.6) +
  facet_wrap(~Type) +
  scale_color_manual(values = rep(cores, length.out = 12)) +
  theme_classic() +
  theme(legend.position = "none")

Heatmap: tabela de médias

CO2 |>
  mutate(conc_cat = cut(conc, breaks = 5)) |>
  group_by(Type, Treatment, conc_cat) |>
  summarise(media = mean(uptake), .groups = "drop") |>
  ggplot(aes(x = conc_cat, y = interaction(Type, Treatment), 
             fill = media)) +
  geom_tile(color = "white") +
  scale_fill_gradient(low = "#E5D3B3", high = "#224573") +
  theme_classic()

Gráfico de pontos com médias

ggplot(CO2, aes(x = Treatment, y = uptake, color = Type)) +
  geom_jitter(width = 0.2, alpha = 0.4, size = 2) +
  stat_summary(fun = mean, geom = "point", 
               size = 5, shape = 18) +
  stat_summary(fun = mean, geom = "line", 
               aes(group = Type), linewidth = 1) +
  scale_color_manual(values = c("#224573", "#6B4F4F")) +
  theme_classic()

Gráfico complexo: multiple layers

ggplot(CO2, aes(x = conc, y = uptake)) +
  geom_point(aes(color = Type), size = 2, alpha = 0.5) +
  geom_smooth(method = "loess", color = "#224573", 
              fill = "#E5D3B3", alpha = 0.3) +
  facet_wrap(~Treatment) +
  scale_color_manual(values = c("#224573", "#6B4F4F")) +
  theme_classic() +
  labs(title = "Análise Completa: Absorção por Concentração",
       x = "Concentração de CO₂ (mL/L)",
       y = "Absorção de CO₂ (μmol/m²·s)")

Salvando gráficos

# Criar gráfico
p <- ggplot(CO2, aes(x = conc, y = uptake, color = Type)) +
  geom_point(size = 3) +
  scale_color_manual(values = c("#224573", "#6B4F4F")) +
  theme_classic()

# Salvar
ggsave("meu_grafico.png", p, 
       width = 10, height = 6, dpi = 300)

Formatos: PNG, PDF, SVG, JPEG

Melhores práticas

Do’s:

• Use títulos descritivos e informativos
• Sempre rotule eixos com unidades
• Escolha cores acessíveis
• Mantenha simplicidade quando possível
• Use legenda quando necessário

Melhores práticas

Don’ts:

• Não sobrecarregue com informação
• Evite 3D desnecessário
• Não use muitas cores diferentes
• Evite eixos cortados sem motivo

Gráfico para publicação

CO2 |>
  group_by(Type, Treatment) |>
  summarise(media = mean(uptake), se = sd(uptake)/sqrt(n()), 
            .groups = "drop") |>
  ggplot(aes(x = Type, y = media, fill = Treatment)) +
  geom_col(position = position_dodge(0.8), width = 0.7) +
  geom_errorbar(aes(ymin = media - se, ymax = media + se),
                position = position_dodge(0.8), width = 0.25) +
  scale_fill_manual(values = c("#224573", "#6B4F4F"),
                    labels = c("Resfriado", "Não Resfriado")) +
  theme_minimal(base_size = 14) +
  labs(y = "Absorção média ± EP (μmol/m²·s)", x = NULL)

Recursos avançados: patchwork

library(patchwork)

p1 <- ggplot(CO2, aes(x = uptake)) + 
  geom_histogram(fill = "#224573")

p2 <- ggplot(CO2, aes(x = Type, y = uptake)) + 
  geom_boxplot(fill = "#4A6FA5")

p1 + p2  # combina lado a lado

Patchwork permite combinar múltiplos gráficos facilmente.

Extensões do ggplot2

Pacotes úteis:

• ggrepel: labels sem sobreposição
• gganimate: gráficos animados
• ggridges: ridge plots
• ggforce: geometrias extras
• cowplot: composição de gráficos
• patchwork: combinar plots

Exemplo com ggrepel

library(ggrepel)

CO2 |>
  group_by(Plant) |>
  summarise(media = mean(uptake), conc = mean(conc)) |>
  ggplot(aes(x = conc, y = media, label = Plant)) +
  geom_point(color = "#224573", size = 3) +
  geom_text_repel(color = "#6B4F4F") +
  theme_minimal()

Gráfico interativo com plotly

Interatividade: hover, zoom, pan automáticos!

Dicas finais: debugging

Construa incrementalmente:

# Passo 1
ggplot(CO2, aes(x = conc, y = uptake))

# Passo 2
ggplot(CO2, aes(x = conc, y = uptake)) +
  geom_point()

# Passo 3
ggplot(CO2, aes(x = conc, y = uptake)) +
  geom_point() +
  theme_minimal()

Recursos para aprender mais

Documentação e tutoriais:

• Site oficial: https://ggplot2.tidyverse.org
• R Graphics Cookbook
• ggplot2: Elegant Graphics for Data Analysis
• Cheat sheet do RStudio

Recursos para aprender mais

Comunidade:

• R-Ladies Goiânia
• Comunidade de Estatística - Thiago Marques
• Stack Overflow
• R4DS Online Learning Community
• Twitter: #rstats, #TidyTuesday

Considerações finais

Você aprendeu:

• Gramática de gráficos e filosofia do ggplot2
• Componentes essenciais: data, aes, geom
• Principais tipos de gráficos
• Customização e temas
• Facetas e composição
• Melhores práticas de visualização

Próximos passos

Continue praticando:

• Experimente com seus próprios dados
• Explore diferentes geometrias
• Teste temas e personalizações
• Participe do #TidyTuesday
• Combine com dplyr para pipelines completos
• Aprenda extensões como patchwork e gganimate

Lembre-se: a melhor forma de aprender é fazendo!

Referências

• Wickham, H. ggplot2: Elegant Graphics for Data Analysis
• Chang, W. R Graphics Cookbook
• Healy, K. Data Visualization: A Practical Introduction
• Documentação oficial: https://ggplot2.tidyverse.org
• Galeria de gráficos: https://r-graph-gallery.com

Muito Obrigada!

É OPEN, USE, COMPARTILHE!

Allison Horst.

Pratique, explore e crie visualizações incríveis!

☕ Assine o Café com R

Fique por dentro das aulas, conteúdos, newsletter!

Que cada gole desperte uma nova ideia.

Que cada script abra uma nova conversa.

Que o Café com R, se torne um ponto de encontro nosso!