Switch to English | Cambiar a español

Este laboratório continua o trabalho anteriormente feito para a Seção I, certifique-se de ter os objetos gerados na seção anterior.

1 Temas

O ggplot inclui a função theme() para definir a maioria dos aspectos da figura, como a cor de fundo, a grade, os eixos, a legenda, entre outros. Também existem vários temas predefinidos (todos começam com theme_ seguido pelo nome do tema) que você pode usar, se não quiser mexer em todos os argumentos da função theme(). Por exemplo:

# todos os temas predefinidos começam com theme_
figures$heatmap <- figures$heatmap +
  theme_classic2() + # Vamos usar o tema minimalista
  coord_equal() # vamos definir as coordenadas como iguais para melhorar a proporção

figures$heatmap

2 Outras estéticas (aesthetics)

2.1 Forma

Existem outras estéticas que podemos definir, como cor, tipo de ponto, tamanho, entre outras. Vamos tentar mudar a forma do ponto para um dos gráficos que fizemos anteriormente:

figures$scatter <- captures %>% # os dados que estamos usando
  ggplot() + # definimos o canvas
  geom_point(aes(
    x = captures, # eixo X
    y = treated, # eixo Y
    shape = factor(trap_type) # forma do ponto
  )) +
  theme_classic() # agora vamos usar o tema 'classic'

figures$scatter

2.2 Cor

tCaptures <- captures %>% 
  mutate(date = as.Date(date, "%d/%m/%y"), # Primeiro formatamos a data
         year = lubridate::floor_date(date, 'year')) %>%  # Em seguida, criamos uma variável formatando a data como mês do ano
  count(year, trap_type) # Contamos o número de observações por mês


figures$timeseries <- tCaptures %>% 
  ggplot() +
  geom_line(aes(x = year, y = n, col = factor(trap_type))) +
  theme_minimal()

figures$timeseries

3 Personalização sem a função aesthetics

Até agora, adicionamos variáveis dentro de nossa função aes(), mas podemos adicionar alguns argumentos fora da função aes() que queremos que sejam aplicados para TODAS as observações. Por exemplo, podemos alterar o tamanho e a transparência dos pontos em nosso gráfico de dispersão, o que pode ser útil para ver onde há mais sobreposição de observações:

figures$scatter <- captures %>% # os dados que estamos usando
  ggplot() + # definimos o canvas
  geom_point(
    aes(x = captures, y = treated, shape = factor(trap_type)), # aesthetics
    size = 2.5,
    alpha = 0.2 # alpha definirá a transparência dos pontos
  )

figures$scatter

Você pode alterar outros componentes da figura, como cor, forma, tamanho, etc. Lembre-se de que tudo o que vai dentro da função aes() dependerá das variáveis dos dados e o que fica fora da função será aplicado para todas as observações.

4 Escalas

Como você percebeu, por padrão o R escolhe cores e formas específicas para as variáveis que usamos para mapear nossa figura. As escalas no ggplot2 são uma maneira de especificar as formas, cores ou tamanhos usados nas figuras. Existem uma série de funções (scales_*) onde * representa a estética que queremos definir. Dependendo do tipo de variável para o qual você deseja definir a escala, você selecionará a função correspondente.

4.1 Valores contínuos

Por exemplo, se quisermos alterar as cores para o preenchimento a partir de uma variável contínua, podemos definir as cores para um gradiente usando a função scale_fill_gradient().

figures$heatmap <- figures$heatmap + # Vamos usar nosso mapa de calor previamente definido
  scale_fill_gradient(low = 'black', high = 'red') # usamos a função para definir as cores

figures$heatmap

4.2 Valores categóricos

Ao usar variáveis categóricas, definimos uma paleta de cores específica. Para isso, precisamos saber quantas categorias nossa variável tem. Por exemplo:

# Definimos uma paleta de cores
colpal <- c('gold2', 'seagreen3', 'red2', 'orchid')

# Criamos a figura
figures$bars <- figures$bars +
  scale_fill_manual(values = colpal) # Sabemos que nossa variável tem 4 categorias, então definimos 4 cores

figures$bars

4.3 Como encontrar cores?

O R gerencia cores de três maneiras diferentes: por nome (ou seja, ‘red’), por valor RGB usando a função rgb() (ou seja, rgb(1, 0, 0)), ou usando código hexadecimal (ou seja, “#F00000”). Você pode obter uma lista completa das cores nomeadas no R usando a função colors(), mas você só poderá ver os nomes. Felizmente, alguém criou uma ferramenta que pode nos ajudar a encontrar exatamente as cores que queremos: o addin Colour Picker (Seletor de Cores). Addins são ferramentas disponíveis no RStudio para facilitar tarefas, vamos experimentar o colour picker (deve estar na sua barra de addins).

Outros recursos para encontrar cores incluem:

  • Gerador de paletas Coolors: Este site gera paletas de cores aleatórias e inclui outras paletas geradas pelos usuários.
  • Verificador de contraste de cores: Este site possui uma ferramenta para verificar o contraste entre duas cores, o que pode ser útil ao definir rótulos e outras anotações em nossas figuras.

5 Rótulos

Normalmente, tentamos evitar espaços ao usar nomes para os nomes das colunas, mas para os rótulos das nossas figuras, essa pode não ser a maneira mais direta de comunicar nossa análise. Podemos definir rótulos específicos para tornar nossos gráficos mais legíveis e autoexplicativos. Vamos melhorar um pouco mais a figura do gráfico de barras para torná-la mais clara, podemos usar a figura que criamos anteriormente contida em nossa lista de figuras figures$bars.

figures$bars <- figures$bars + # chamamos a figura criada anteriormente
  labs(# usamos a função labs para gerar nossos rótulos
    title = 'Número de observações por Município', # O título que daremos à nossa figura
    x = 'Número de observações', # O rótulo para o eixo x
    y = 'Município', # lrótulo para o eixo y
    fill = 'Tipo de armadilha'
  )

figures$bars

5.1 Rótulos dentro das figuras

library(ggrepel)

lab <- tCaptures %>% 
  group_by(trap_type) %>% 
  filter(year == min(year))

figures$timeseries <- figures$timeseries +
  geom_label_repel(data = lab, aes(x = year, y = n, label = paste('Tipo de armadilha: ', trap_type), fill = factor(trap_type)), alpha = 0.6, size = 3) +
  scale_color_manual(values = colpal) +
  theme(legend.position = 'none')

figures$timeseries

6 Além dos temas básicos

Vamos supor que queremos inverter o eixo do nosso gráfico de barras porque achamos que se encaixará melhor em nosso relatório. Podemos fazer isso a partir da função aes() redefinindo os eixos, mas neste caso usarei apenas a função coord_flip() para fazer o mesmo.

figures$bars <- figures$bars + # chamamos a figura criada anteriormente
  coord_flip() # Usamos essa função para inverter o eixo x e y.

figures$bars

Como você perceberá, há sobreposição entre o texto dos municípios e mal conseguimos lê-los. Podemos modificar a posição dos rótulos do eixo X para corrigir isso. Para fazer isso, precisamos modificar o tema.

6.1 Rótulos

A função theme() tem vários argumentos que você pode ver em detalhes na documentação (ou usando a funcionalidade de preenchimento automático no RStudio/posit.cloud). O argumento que precisaremos definir é axis.text.x, o argumento aceita um tipo específico de objeto usado para formatar o texto. Para criar esse objeto, usamos a função element_text(). Isso fará mais sentido quando tentarmos.

figures$bars <- figures$bars + # chamamos a figura criada anteriormente
  coord_flip() + # Usamos essa função para inverter o eixo x e y.
  theme(axis.text.x = element_text(angle = 40, size = 7))

figures$bars

6.2 Grade

Outras coisas que podemos alterar na função theme() incluem o fundo da figura. Vamos fazer algumas alterações na grade e na cor de fundo.

figures$bars <- figures$bars +
  theme(
    panel.grid = element_line(color = 'grey80'), # Alteramos a cor da grade
    panel.grid.major.x = element_blank(),# Removemos a grade do eixo x
    panel.background = element_rect(fill = 'mintcream') # Alteramos o fundo da figura
  )

figures$bars

Se você percebeu, ao definir os argumentos, utilizei diferentes funções para os elementos usados (ou seja, element_blank(), element_rect(), element_line()). Dependendo do elemento do tema, você precisará definir o elemento apropriado para usar, em resumo:

  • element_blank() é para elementos vazios (ou seja, quando você deseja removê-los)
  • element_rect() é para geometrias preenchidas (ou seja, o fundo do painel ou da legenda)
  • element_line() para linhas, como a grade
  • element_text() para elementos de texto, como os rótulos

7 Exercício:

Agora, reserve um tempo para usar os recursos que discutimos para modificar a figura e seja criativo com as cores e o tema, talvez use a escala de cores do seu time de esportes favorito, personagem de um filme ou algo que você goste. Sinta-se à vontade para modificar qualquer uma das figuras que criamos anteriormente!

Este laboratório foi desenvolvido com contribuições de: Jose Pablo Gomez-Vazquez and José Grisi-Filho.
Sinta-se à vontade para usar estes materiais de treinamento em sua própria pesquisa e ensino. Ao utilizar os materiais, agradecemos que sejam atribuídos os devidos créditos. Se você estiver interessado em uma sessão de treinamento, entre em contato: jpgo@ucdavis.edu.