Visualizando dados numéricos e categóricos

# Visualizando dados numéricos e categóricos
### <br></br>Renata Oliveira

---

layout: true
  
<div class="my-footer">
<span>
<a href="https://places.education" target="_blank">https://places.education</a>
</span>
</div>

---

## Retrospecto

---

## Modelo conceitual da análise de dados

![Modelo de Data Science](https://retaoliveira.github.io/relements/figures/dataR.png)

---

## Tipos de dados

- Os tipos de dados mais comuns são `character`, `numeric`, `factor`e `logical`.

## Tipos de classes de objetos no R

- As classes de organização dos dados mais comuns são `vector`, `list`, `matrix` e `dataframe`.

---

## RMarkdown

<img src="img/render.png" width="100%" style="display: block; margin: auto;" />
.footnote[
Alison Hill [Teaching in Production](https://rstudio-education.github.io/teaching-in-production/slides/index.html#1)
]

---

## ggplot2

- ggplot() é a função principal no ggplot2
- As parcelas são construídas em camadas
- A estrutura do código para as parcelas pode ser resumida como

---

## Número de variáveis envolvidas

- Análise univariada de dados - distribuição de uma única variável
- Análise de dados bivariados - relação entre duas variáveis
- Análise multivariada de dados - relação entre muitas variáveis ao mesmo tempo, geralmente focalizando a relação entre duas, enquanto condiciona para outras

---

## Tipos de variáveis

- As variáveis **numéricas** podem ser classificadas como **contínuas** ou **discretas** considerenado se a variável pode ou não assumir um número infinito de valores ou apenas números inteiros não negativos, respectivamente.
- Se a variável for **categórica**, podemos determinar se ela é **ordinal** tendo em conta se os níveis têm ou não uma ordenação natural.

---

# Dados

---

## Dados: Empréstimos

- Milhares de empréstimos são feitos anualmente, que várias empresas, operando apenas por meio de plataformas digitais, permitem empréstimos de valores monetários para diferentes pessoas.

- Nem todos os empréstimos são autorizados e gerados de maneira igual - a facilidade de obter um empréstimo depende da capacidade (aparente) que o indivíduo tem de pagar o empréstimo

- Os dados desta atividade são fictícios.

---

## Dê uma olhada nos dados

```r
library(openintro)
```

```
## Warning: package 'openintro' was built under R version 4.1.3
```

```r
glimpse(loans_full_schema)
```

```
## Rows: 10,000
## Columns: 55
## $ emp_title                        <chr> "global config enginee~
## $ emp_length                       <dbl> 3, 10, 3, 1, 10, NA, 1~
## $ state                            <fct> NJ, HI, WI, PA, CA, KY~
## $ homeownership                    <fct> MORTGAGE, RENT, RENT, ~
## $ annual_income                    <dbl> 90000, 40000, 40000, 3~
## $ verified_income                  <fct> Verified, Not Verified~
## $ debt_to_income                   <dbl> 18.01, 5.04, 21.15, 10~
## $ annual_income_joint              <dbl> NA, NA, NA, NA, 57000,~
## $ verification_income_joint        <fct> , , , , Verified, , No~
## $ debt_to_income_joint             <dbl> NA, NA, NA, NA, 37.66,~
## $ delinq_2y                        <int> 0, 0, 0, 0, 0, 1, 0, 1~
## $ months_since_last_delinq         <int> 38, NA, 28, NA, NA, 3,~
## $ earliest_credit_line             <dbl> 2001, 1996, 2006, 2007~
## $ inquiries_last_12m               <int> 6, 1, 4, 0, 7, 6, 1, 1~
## $ total_credit_lines               <int> 28, 30, 31, 4, 22, 32,~
## $ open_credit_lines                <int> 10, 14, 10, 4, 16, 12,~
...
```
]
---

## Variáveis selecionadas

```r
loans <- loans_full_schema %>%
  select(loan_amount, interest_rate, term, grade, 
         state, annual_income, homeownership, debt_to_income)
glimpse(loans)
```

```
## Rows: 10,000
## Columns: 8
## $ loan_amount    <int> 28000, 5000, 2000, 21600, 23000, 5000, 2~
## $ interest_rate  <dbl> 14.07, 12.61, 17.09, 6.72, 14.07, 6.72, ~
## $ term           <dbl> 60, 36, 36, 36, 36, 36, 60, 60, 36, 36, ~
## $ grade          <fct> C, C, D, A, C, A, C, B, C, A, C, B, C, B~
## $ state          <fct> NJ, HI, WI, PA, CA, KY, MI, AZ, NV, IL, ~
## $ annual_income  <dbl> 90000, 40000, 40000, 30000, 35000, 34000~
## $ homeownership  <fct> MORTGAGE, RENT, RENT, RENT, RENT, OWN, M~
## $ debt_to_income <dbl> 18.01, 5.04, 21.15, 10.16, 57.96, 6.46, ~
```

---

## Variáveis selecionadas

.midi[
variável        | descrição
----------------|-------------
`loan_amount`   |	Montante do empréstimo recebido, em dólares americanos
`interest_rate` |	Taxa de juros sobre o empréstimo, em uma porcentagem anual
`term`	        | A duração do empréstimo, que é sempre definida como um número inteiro de meses
`grade`	        | Grau de empréstimo, que leva um valor de A a G e representa a qualidade do empréstimo e sua probabilidade de ser reembolsado
`state`         |	Estado americano onde o mutuário reside
`annual_income` |	A renda anual do mutuário, incluindo qualquer segunda renda, em dólares americanos
`homeownership`	| Indica se a pessoa possui imóvel, possui mas tem uma hipoteca, ou aluga
`debt_to_income` | Índice da dívida em relação à renda
]

---

## Tipos de variáveis

variável        | tipo
----------------|-------------
`loan_amount`   |	numérica, contínua
`interest_rate` |	numérica, contínua
`term`	        | numérica, discreta
`grade`	        | categórica, ordinal
`state`         |	categórica, não ordinal
`annual_income` |	numérica, contínua
`homeownership`	| categórica, não ordinal
`debt_to_income` | numérica, contínua

---

# Visualização de dados numéricos

---

## Descrevendo formas de distribuições numéricas

- forma:
    - skewness: right-skewed, left-skewed, simétrico (skew é o lado da cauda mais longa)
    - modalidade: unimodal, bimodal, multimodal, uniforme
- centro: média (`mean`), mediana (`median`)
- dispersão: amplitude (`range`), desvio padrão (`sd`), intervalo interquartil (`IQR`)
- observações inespecíficas

---

# Histograma

---

## Histograma

```r
ggplot(loans, aes(x = loan_amount)) +
  geom_histogram()
```

```
## `stat_bin()` using `bins = 30`. Pick better value with
## `binwidth`.
```

---

## Histograma and largura das classes (binwidth)

```r
ggplot(loans, aes(x = loan_amount)) +
  geom_histogram(binwidth = 1000)
```

<img src="index_files/figure-html/unnamed-chunk-7-1.png" width="40%" style="display: block; margin: auto;" />
]
.panel[.panel-name[binwidth = 5000]

```r
ggplot(loans, aes(x = loan_amount)) +
  geom_histogram(binwidth = 5000)
```

<img src="index_files/figure-html/unnamed-chunk-8-1.png" width="40%" style="display: block; margin: auto;" />
]
.panel[.panel-name[binwidth = 20000]

```r
ggplot(loans, aes(x = loan_amount)) +
  geom_histogram(binwidth = 20000)
```

<img src="index_files/figure-html/unnamed-chunk-9-1.png" width="40%" style="display: block; margin: auto;" />
]
]

---

## Customizando histogramas

.panelset[
.panel[.panel-name[Plot]
<img src="index_files/figure-html/unnamed-chunk-10-1.png" width="60%" style="display: block; margin: auto;" />
]
.panel[.panel-name[Code]

```r
ggplot(loans, aes(x = loan_amount)) +
  geom_histogram(binwidth = 5000) +
* labs(
*   x = "Valor do empréstimo ($)",
*   y = "Frequência",
*   title = "Quantidade de empréstimos"
* )
```
]
]

---

## Preencher com uma variável categórica

.panelset[
.panel[.panel-name[Plot]
<img src="index_files/figure-html/unnamed-chunk-11-1.png" width="60%" style="display: block; margin: auto;" />
]
.panel[.panel-name[Código]

```r
ggplot(loans, aes(x = loan_amount, 
*                 fill = homeownership)) +
  geom_histogram(binwidth = 5000,
*                alpha = 0.5) +
  labs(
    x = "Valor do empréstimo ($)", 
    y = "Frequência", 
    title = "Quantidade de empréstimos"
  )
```
]
]

---

## Facet com uma variável categórica

.panelset[
.panel[.panel-name[Plot]
<img src="index_files/figure-html/unnamed-chunk-12-1.png" width="60%" style="display: block; margin: auto;" />
]
.panel[.panel-name[Code]

```r
ggplot(loans, aes(x = loan_amount, fill = homeownership)) + 
  geom_histogram(binwidth = 5000) +
  labs(
    x = "Valor do empréstimo ($)", 
    y = "Frequência", 
    title = "Quantidade de empréstimos"
  ) +
* facet_wrap(~ homeownership, nrow = 3)
```
]
]

---

# Gráfico de densidade

---

## Gráfico de densidade

```r
ggplot(loans, aes(x = loan_amount)) +
  geom_density()
```

---

## Gráfico de densidade e ajuste de bandwidth

```r
ggplot(loans, aes(x = loan_amount)) +
  geom_density(adjust = 0.5)
```

<img src="index_files/figure-html/unnamed-chunk-14-1.png" width="40%" style="display: block; margin: auto;" />
]
.panel[.panel-name[adjust = 1]

```r
ggplot(loans, aes(x = loan_amount)) +
  geom_density(adjust = 1) # default bandwidth
```

<img src="index_files/figure-html/unnamed-chunk-15-1.png" width="40%" style="display: block; margin: auto;" />
]
.panel[.panel-name[adjust = 2]

```r
ggplot(loans, aes(x = loan_amount)) +
  geom_density(adjust = 2)
```

<img src="index_files/figure-html/unnamed-chunk-16-1.png" width="40%" style="display: block; margin: auto;" />
]
]

---

## Customizando gráficos de densidade

.panelset[
.panel[.panel-name[Plot]
<img src="index_files/figure-html/unnamed-chunk-17-1.png" width="60%" style="display: block; margin: auto;" />
]
.panel[.panel-name[Código]

```r
ggplot(loans, aes(x = loan_amount)) +
  geom_density(adjust = 2) +
* labs(
    x = "Valor do empréstimo ($)", 
    y = "Densidade", 
    title = "Quantidade de empréstimos"
* )
```
]
]

---

## Adicionando uma variável categórica

.panelset[
.panel[.panel-name[Plot]
<img src="index_files/figure-html/unnamed-chunk-18-1.png" width="60%" style="display: block; margin: auto;" />
]
.panel[.panel-name[Código]

```r
ggplot(loans, aes(x = loan_amount, 
*                 fill = homeownership)) +
  geom_density(adjust = 2, 
*              alpha = 0.5) +
  labs(
    x = "Valor do empréstimo ($)", 
    y = "Densidade",
    title = "Quantidade de empréstimos", 
*   fill = "Posse de imóveis"
  )
```
]
]

---

# Box plot

---

## Box plot

```r
ggplot(loans, aes(x = interest_rate)) +
  geom_boxplot()
```

---

## Box plot e outliers

```r
ggplot(loans, aes(x = annual_income)) +
  geom_boxplot()
```

---

## Customizando box plots

.panelset[
.panel[.panel-name[Plot]
<img src="index_files/figure-html/unnamed-chunk-21-1.png" width="60%" style="display: block; margin: auto;" />
]
.panel[.panel-name[Códigos]

```r
ggplot(loans, aes(x = interest_rate)) +
  geom_boxplot() +
  labs(
    x = "Taxa de juros (%)",
    y = NULL,
    title = "Taxas de juros dos empréstimos"
  ) +
* theme(
*   axis.ticks.y = element_blank(),
*   axis.text.y = element_blank()
* )
```
]
]

---

## Adicionando uma variável categórica

.panelset[
.panel[.panel-name[Plot]
<img src="index_files/figure-html/unnamed-chunk-22-1.png" width="60%" style="display: block; margin: auto;" />
]
.panel[.panel-name[Código]

```r
ggplot(loans, aes(x = interest_rate,
*                 y = grade)) +
  geom_boxplot() +
  labs(
    x = "Taxa de juros (%)",
    y = "Graus de empréstimo",
    title = "Taxas de juros dos empréstimos",
*   subtitle = "por graus de empréstimos"
  )
```
]
]

---

# Relacionamentos variáveis numéricas

---

## Scatterplot

```r
ggplot(loans, aes(x = debt_to_income, y = interest_rate)) +
  geom_point()
```

---

## Hex plot

```r
ggplot(loans, aes(x = debt_to_income, y = interest_rate)) +
  geom_hex()
```

---

## Hex plot

```r
ggplot(loans %>% filter(debt_to_income < 100), 
       aes(x = debt_to_income, y = interest_rate)) +
  geom_hex()
```

---

### Dados

```r
library(openintro)
loans <- loans_full_schema %>%
  select(loan_amount, interest_rate, term, grade, 
         state, annual_income, homeownership, debt_to_income)
glimpse(loans)
```

---

# Gráfico de barras

---

## Gráfico de barras

```r
ggplot(loans, aes(x = homeownership)) +
  geom_bar()
```

---

## Gráfico de barras segmentado

```r
ggplot(loans, aes(x = homeownership, 
*                 fill = grade)) +
  geom_bar()
```

---

## Gráfico de barras segmentado

```r
ggplot(loans, aes(x = homeownership, fill = grade)) +
* geom_bar(position = "fill")
```

---

.question[
Qual dos gráficos de barra é uma representação mais útil para visualizar a relação entre a propriedade de imóveis e o grau de empréstimo?
]

.pull-left[
<img src="index_files/figure-html/unnamed-chunk-30-1.png" width="100%" style="display: block; margin: auto;" />
]
.pull-right[
<img src="index_files/figure-html/unnamed-chunk-31-1.png" width="100%" style="display: block; margin: auto;" />
]

---

## Customizando gráficos de barras

.panelset[
.panel[.panel-name[Plot]
<img src="index_files/figure-html/unnamed-chunk-32-1.png" width="60%" style="display: block; margin: auto;" />
]
.panel[.panel-name[Código]

```r
*ggplot(loans, aes(y = homeownership,
                  fill = grade)) +
  geom_bar(position = "fill") +
* labs(
*   x = "Proporção",
*   y = "Propriedade de imóveis",
*   fill = "Grau de empréstimo",
*   title = "Graus de empréstimos",
*   subtitle = "e propriedade de imóveis do mutuário"
* )
```
]
]

---

# Relação entre variáveis numéricas e categóricas

---

## Já apresentado...

- Histogramas e gráficos de densidade em cores e facets   
- Box plots lado a lado

---

## Gráficos violino

```r
ggplot(loans, aes(x = homeownership, y = loan_amount)) +
  geom_violin()
```

---

## Ridge plots

```r
library(ggridges)
ggplot(loans, aes(x = loan_amount, y = grade, fill = grade, color = grade)) + 
  geom_density_ridges(alpha = 0.5)
```