Aula 9 - Visualizações de dados com ggplot2 - parte 2.Rmd

---
title: "Aula 9 - Visualizações de dados com ggplot2 - parte 2"
output: html_notebook
---

Conteúdo:

- pirâmide etária
  - scale_y_continuous
- facet_wrap
- gráficos de dispersão
  - geom_point
- geom_smooth

Vamos carregar os pacotes:

```{r}
library(ggplot2)
library(dplyr)
library(magrittr)
```

Importar a base de dados:
```{r}
df <- readRDS('dados_pens_viz.rds')

df %>% 
  str()
```

#### 1. Pirâmide etária

Vamos aprender a criar uma pirâmide etária a partir dos dados da base de participantes do plano de previdência. 

Utilizaremos duas camadas de `geom_bar()`. Uma para o sexo feminino e outra para o masculino multiplicada por -1. 

```{r}
# vamos verificar os limites do gráfico, isto é a quantidade de pessoas do sexo masculino e feminino por faixa etária
df %>% 
  group_by(faixa_etaria) %>% 
  count(sexo) %>% 
  arrange(desc(n))
# 198 fem 40-49 anos 
# 90 mas 40-49 anos

df %>% 
ggplot(aes(y=faixa_etaria,fill=sexo)) + 
  geom_bar(data=filter(df,sexo=="feminino")) + 
  geom_bar(data=filter(df,sexo=="masculino"), aes(x=..count..*(-1))) + # adicionar -1 para o sexo multiuplicado pela quantidade de masculino
  scale_x_continuous(breaks=seq(-100,200,20), # entre -100 e 200 de 20 em 20
                     labels=abs(seq(-100,200,20))) # label
```
#### 2. facet wrap 

Cria um gráfico separado para cada grupo. Vejamos a seguir com o histograma desenvolvido na aula 8. 

A função representa uma camada no gráfico ggplot. 
Função: `facet_wrap(~variavel)`.

Além disso, é possível detalhar a diagramação com `nrow` - quantas linhas de gráficos. 

Faremos para sexo e depois para estado civil.
```{r}
# padrão
df %>% 
  ggplot(aes(x = idade, fill = sexo)) +
  geom_histogram(bins = 15, alpha = 0.7) + 
  facet_wrap(~sexo)# variável sexo

df %>% 
  ggplot(aes(x = idade, fill = sexo)) +
  geom_histogram(bins = 15, alpha = 0.7) + 
  facet_wrap(~sexo, nrow = 2) # 2 linhas


```

Veja que nesse caso o facet_wrap padrão ficou melhor. 

Vamos criar o histograma cada estado civil:

```{r}
df %>% 
  ggplot(aes(x = idade, fill = estado_civil)) +
  geom_histogram(bins = 15, alpha = 0.7) +
  facet_wrap(~estado_civil)# variável
```

Agora é sua vez: Crie gráfico de densidade com a função `geom_density` criando grupos por sexo e faça o `facet_wrap` para os estados civis. Lembre-se de utilizar o `alpha`. 

```{r}
### Ex.1: 

```

#### 3. Gráfico de dispersão

O gráfico de dispersão é uma representação de dados de duas ou mais dimensões. 

A função que cria o gráfico é: `geom_point()`

É importante detalhar os eixos `x` e `y`. 

Elaboraremos um gráfico de dispersão entre da base de cálculo em função do tempo de serviço. 

```{r}
df %>% 
  ggplot(aes(x = tempo_servico, y = base_calculo_anual))+
  geom_point()
```

É possível adicionar cores aos pontos. Essas cores estarão relacionadas às variáveis categóricas. Use `color` com a variável categórica desejada. Vamos reproduzir o gráfico anterior com faixa etária. 

```{r}
df %>% 
  ggplot(aes(x = tempo_servico, y = base_calculo_anual, color = faixa_etaria))+
  geom_point()
```

Sua vez de praticar: Crie um gráfico de dispersão da idade (x) em relação à base de cálculo. 
Em seguida, adicione cores para os estados civis. 

```{r}
### Ex.2: 

```

#### 4. geom_smooth (Curvas e retas)

Agora vamos aprender a criar retas de regressões ou curvas de aproximação em um gráfico de dispersão. 

A função é `geom_smooth` que por padrão produz uma curva aproximada. 
Se desejares plotar uma reta de regressão, utilize `method=lm`. 

Criaremos o gráfico da base de calculo em função do tempo de serviço, em seguida adicionaremos a reta de regressão:

```{r}
df %>% 
  ggplot(aes(x = tempo_servico, y = base_calculo_anual))+
  geom_point()+ 
  geom_smooth(method = lm )
```
Essa reta apresenta a média na cor azul e as bandas do intervalo de confiança em cinza. 
Adicionaremos cores para os estados civis.

```{r}
df %>% 
  ggplot(aes(x = tempo_servico, y = base_calculo_anual, color = estado_civil))+
  geom_point()+ 
  geom_smooth(method = lm )
```

Veja que foram criadas as retas para cada grupo. Esse formato de gráfico ajuda a identificar se a variável categórica adicionada influencia na função projetada. 

Por fim, veja a curva aproximada quando utilizamos a função `geom_smooth` padrão. 

```{r}
df %>% 
  ggplot(aes(x = tempo_servico, y = base_calculo_anual, color = estado_civil))+
  geom_point()+ 
  geom_smooth()
```

Por fim, faça o exercício a seguir: Crie um gráfico de dispersão da idade (x) em relação à base de cálculo. Adicione cores para os estados civis e plote as retas de regressões com `geom_smooth`. 

```{r}
### Ex. 3: 
```


Fim da aula!