Resumo de Análise Exploratória de Dados (EDA)
Análise Exploratória de Dados (EDA): Guia Completo para Estudantes
Introdução
O objetivo deste material é ensinar a usar ferramentas de visualização em R com ênfase no pacote ggplot2 dentro do ecossistema Tidyverse, e revisar como visualizar distribuições de variáveis (univariadas) de acordo com seu tipo: categórica ou numérica. Veremos a gramática dos gráficos, exemplos práticos com dados de veículos e recomendações para escolher gráficos adequados.
Definição: A gramática dos gráficos é um conjunto de componentes (dados, mapeamentos estéticos, geométricos, estatísticas, posição, coordenadas e facetas) que permitem construir gráficos de forma modular e coerente.
1. ggplot2: conceitos básicos e template
O ggplot2 funciona por camadas e cada gráfico é construído combinando componentes. O template geral é:
ggplot(data = <DADOS>) +
<FUNÇÃO_GEOM>(mapping = aes(<MAPEAMENTOS>), stat = <ESTATÍSTICAS>, position = <POSIÇÃO>) +
<FUNÇÃO_COORDENADAS> +
<FUNÇÃO_FACETAS>
- data: data frame que contém as variáveis.
- função geom: o tipo de gráfico (por exemplo, geom_bar, geom_histogram, geom_point).
- mapping = aes(...): mapeamentos estéticos, ex: eixo x, eixo y, cor, preenchimento, tamanho.
- stat: transformação estatística que o ggplot aplica (por exemplo, "count" para barras, "identity" para alturas fornecidas).
- position: ajuste de posição (ex: "stack", "dodge", "fill").
- coordenadas: ajuste do sistema de coordenadas, ex: coord_flip(), coord_polar().
- facetas: criar subgráficos por níveis de uma variável com facet_wrap() ou facet_grid().
Definição: Um mapeamento estético (aes) é a associação entre uma variável do conjunto de dados e uma propriedade visual do gráfico, como a posição no eixo x ou a cor.
Exemplo curto em R (esquema)
- Carregar o tidyverse: library(tidyverse)
- Criar gráfico de barras da variável Procedência:
ggplot(data = cars, mapping = aes(x = Procedencia)) +
geom_bar() +
labs(title = "Procedência do veículo", y = "Frequência", x = "Região")
## 2. Variação: conceito chave antes de construir gráficos
- A **variação** indica como as medições de uma variável mudam entre observações. Mesmo constantes físicas apresentam variação devido a erro de medição.
- As variáveis categóricas variam entre sujeitos ou momentos (ex: cor dos olhos; opinião sobre um tema).
> **Definição:** A variação é a tendência dos valores de uma variável a mudar de uma medição para outra devido a diferenças reais ou erro de medição.
## 3. Visualizando Distribuições — Análise Univariada
O objetivo é descrever a **distribuição** de uma variável: os valores possíveis e sua frequência. Primeiro, estuda-se uma variável por vez (univariada); depois exploram-se relações entre variáveis.
- Métodos: medidas-resumo (p. ex., moda, proporções, médias) e gráficos.
- A escolha depende do tipo de variável: categórica ou numérica.
### Variáveis Categóricas
- Guardadas como fatores ou caracteres em R.
- Valores: rótulos que nomeiam categorias.
- Distribuição: lista de categorias com contagens ou porcentagens.
> **Definição:** Moda (para variáveis categóricas) é a categoria com maior frequência absoluta ou relativa.
Opções de visualização para categóricas:
- Gráfico de barras (vertical ou horizontal).
- Eixo x: categorias; eixo y: frequência absoluta ou relativa.
- Se as categorias têm ordem intrínseca (ex. Baixo, Médio, Alto), respeite-a.
- Se não, ordene por frequência para facilitar a leitura.
- Diagrama de setores (gráfico de pizza).
- A área do círculo é dividida em setores proporcionais às frequências.
- Recomendação: use com cautela; em muitos casos, as barras comunicam melhor as diferenças.
Curiosidade: Você sabia que gráficos de barras horizontais são mais legíveis que os verticais quando os rótulos das categorias são longos ou o número de categorias é grande?
#### Exemplo prático: Procedência do veículo (dados resumidos)
| Região | Frequência | Porcentagem |
| --- | ---: | ---: |
| Ásia | 158 | 36.92 |
| Europa | 1
Regista-te para o resumo completoJá tem uma conta? Entrar
Visualização com ggplot2
Klíčové pojmy: A gramática do ggplot2 combina dados, mapeamentos estéticos, geoms, estatísticos, posição, coordenadas e facetas., Usar library(tidyverse) carrega o ggplot2 e outros pacotes úteis., Para variáveis categóricas, a visualização principal é o gráfico de barras; o gráfico de pizza deve ser usado com cautela., O modelo básico: ggplot(data=dados) + geom_*(mapping=aes(...)) + coord_* + facet_*., Frequência absoluta $n_i$, frequência relativa $p_i = \frac{n_i}{N}$ e porcentagem $100\times p_i$., A moda é a categoria com maior frequência absoluta., Ao ordenar categorias, usar a ordenação por frequência melhora a perceptibilidade., Para porcentagens no ggplot2, usar after_stat(prop) ou calcular proporções antes de plotar., geom_col() é usado quando já temos a altura (valor) de cada barra; geom_bar() conta observações., coord_polar(theta = "y") converte barras em gráfico de setores (gráfico de pizza)., Verificar valores ausentes e níveis raros antes de plotar., Quando os rótulos são longos, usar barras horizontais com coord_flip().