10  Visualização de dados com ggplot2

Pré-requisitos: Parte II · Pacotes: ggplot2 (carregado com o tidyverse), scales, GGally, here; R base (graphics)

Objetivos de aprendizagem

Ao final deste capítulo, espera-se que o estudante seja capaz de explicar os componentes da gramática dos gráficos (dados, mapeamentos estéticos, geometrias, escalas, facetas e temas); construir gráficos de barras, histogramas, boxplots, gráficos de dispersão e de linhas; escolher o gráfico adequado ao tipo das variáveis e à pergunta; ajustar títulos, rótulos, escalas e cores; representar séries temporais, curvas epidêmicas e pirâmides etárias; salvar gráficos em arquivo; e produzir os gráficos equivalentes no R base, incluindo o diagrama circular e a matriz de dispersão.

Um bom gráfico mostra em segundos o que uma tabela levaria minutos para revelar. Mas um gráfico mal escolhido pode esconder o que importa ou sugerir conclusões que os dados não sustentam. Este capítulo apresenta o ggplot2, o pacote de gráficos do tidyverse, e discute como escolher e ajustar gráficos para explorar dados e para comunicar resultados. Usaremos as três bases já conhecidas: os nascidos vivos, a população e os casos de COVID-19 da Região Norte.

library(tidyverse)
library(here)
source(here("scripts", "preparar-sinasc.R"))

populacao <- read_csv(here("dados", "populacao_ro_2019.csv"),
                      col_types = cols(cod_municipio = col_character()))
covid <- read_csv(here("dados", "covid_norte_2020_2022.csv"))

10.1 Por que visualizar dados

Gráficos servem a dois propósitos diferentes. Na exploração, quem analisa usa gráficos rápidos, sem muito acabamento, para conhecer os dados, encontrar erros e formular perguntas. Na comunicação, os gráficos são feitos para outras pessoas e precisam de títulos claros, rótulos legíveis e uma mensagem principal evidente. O ggplot2 serve aos dois propósitos: o mesmo código que gera um gráfico exploratório pode ser refinado, camada por camada, até virar uma figura de relatório.

Um exemplo clássico mostra por que não basta olhar os números resumo. O R traz, entre seus dados de exemplo, o quarteto de Anscombe: quatro pares de variáveis com praticamente a mesma média, a mesma variância e a mesma correlação.

anscombe_longo <- tibble(
  conjunto = rep(1:4, each = 11),
  x = c(anscombe$x1, anscombe$x2, anscombe$x3, anscombe$x4),
  y = c(anscombe$y1, anscombe$y2, anscombe$y3, anscombe$y4)
)

anscombe_longo |>
  group_by(conjunto) |>
  summarise(media_y = mean(y), dp_y = sd(y), correlacao = cor(x, y))
#> # A tibble: 4 × 4
#>   conjunto media_y  dp_y correlacao
#>      <int>   <dbl> <dbl>      <dbl>
#> 1        1    7.50  2.03      0.816
#> 2        2    7.50  2.03      0.816
#> 3        3    7.5   2.03      0.816
#> 4        4    7.50  2.03      0.817

Pelas medidas resumo, os quatro conjuntos seriam idênticos. O gráfico conta outra história.

ggplot(anscombe_longo, aes(x = x, y = y)) +
  geom_point() +
  facet_wrap(~ conjunto)
Quatro painéis de gráficos de dispersão. O primeiro mostra uma relação linear com dispersão; o segundo, uma curva; o terceiro, uma reta perfeita com um ponto discrepante; o quarto, pontos concentrados em um único valor de x com um ponto isolado à direita.
Figura 10.1: Quarteto de Anscombe: quatro conjuntos com médias, variâncias e correlação praticamente iguais.

Só o primeiro conjunto tem a relação linear que as medidas sugerem. No segundo, a relação é curva; no terceiro, um único ponto discrepante altera tudo; no quarto, a correlação depende de um só ponto. A lição é simples: olhe sempre os dados antes de resumi-los.

10.2 A gramática dos gráficos

O ggplot2 se baseia na ideia de uma gramática dos gráficos. Todo gráfico é composto pelos mesmos elementos: os dados; os mapeamentos estéticos, que dizem qual variável vai para cada atributo visual (posição no eixo x, posição no eixo y, cor, tamanho, forma); e as geometrias, que dizem que tipo de marca será desenhada (pontos, barras, linhas). A esses elementos se somam escalas, facetas, coordenadas e temas.

O código de um gráfico segue sempre o mesmo modelo. A função ggplot() recebe os dados e, dentro de aes(), os mapeamentos. Em seguida, acrescentamos camadas com o sinal +, a primeira delas sendo uma geometria, cujas funções começam com geom_.

ggplot(nascidos, aes(x = semagestac, y = peso)) +
  geom_point()
Gráfico de dispersão com a idade gestacional em semanas no eixo horizontal e o peso ao nascer em gramas no eixo vertical. Os pontos formam uma nuvem crescente, concentrada entre 37 e 41 semanas e entre 2.500 e 4.000 gramas.
Figura 10.2: Peso ao nascer segundo a idade gestacional, Rondônia, 2019.

O R avisou que algumas linhas foram removidas: são os registros sem idade gestacional, que não podem ser posicionados no gráfico. Repare que o + substitui o |> dentro do ggplot2, porque cada camada é acrescentada ao gráfico, e não aplicada aos dados.

Há uma diferença importante entre mapear um atributo a uma variável e fixar um atributo em um valor. Quando a cor aparece dentro de aes(), ela representa uma variável, e o ggplot2 cria uma legenda. Quando aparece fora, é apenas uma escolha estética para todos os elementos.

# cor mapeada a uma variável: cada tipo de parto com uma cor
ggplot(nascidos, aes(x = semagestac, y = peso, color = parto)) + geom_point()

# cor fixa: todos os pontos em azul, com transparência
ggplot(nascidos, aes(x = semagestac, y = peso)) + geom_point(color = "steelblue", alpha = 0.3)

10.3 Distribuição de uma variável

A escolha do gráfico depende do tipo da variável. Para variáveis categóricas, o gráfico de barras mostra quantas observações há em cada categoria. A função geom_bar() faz a contagem sozinha.

ggplot(nascidos, aes(x = escmae)) +
  geom_bar()
Gráfico de barras com seis categorias de escolaridade da mãe. A categoria de 8 a 11 anos de estudo é a maior, com mais de 15 mil nascimentos, seguida de 12 anos ou mais e de 4 a 7 anos. As categorias Nenhuma e 1 a 3 anos são muito pequenas, e há uma barra para valores ausentes.
Figura 10.3: Nascidos vivos segundo a escolaridade da mãe, Rondônia, 2019.

Quando as contagens já foram calculadas, como acontece com tabelas agregadas, usamos geom_col(), informando a altura das barras no eixo y.

nascidos |>
  count(escmae) |>
  ggplot(aes(x = escmae, y = n)) +
  geom_col()

Para variáveis numéricas, o histograma divide os valores em intervalos e mostra quantas observações caem em cada um. A largura dos intervalos (binwidth) muda bastante a aparência do gráfico e deve ser escolhida com cuidado.

ggplot(nascidos, aes(x = peso)) +
  geom_histogram(binwidth = 100) +
  geom_vline(xintercept = 2500, linetype = "dashed")
Histograma do peso ao nascer com intervalos de 100 gramas. A distribuição tem formato de sino, com pico entre 3.000 e 3.500 gramas, cauda mais longa à esquerda, em direção aos pesos baixos, e uma linha vertical tracejada em 2.500 gramas.
Figura 10.4: Distribuição do peso ao nascer, Rondônia, 2019.

A linha tracejada, acrescentada com geom_vline(), marca o ponto de corte do baixo peso. A distribuição é aproximadamente simétrica, com uma cauda mais longa à esquerda, formada pelos recém-nascidos prematuros e de baixo peso.

O boxplot resume uma variável numérica em cinco números: a mediana (linha central), o primeiro e o terceiro quartis (limites da caixa) e os limites das hastes, que vão até o valor mais extremo situado a no máximo 1,5 vez a distância interquartil da caixa. Os pontos além das hastes são marcados individualmente. O boxplot é mais útil para comparar grupos, como na próxima seção.

10.4 Relações entre variáveis

Uma variável numérica e uma categórica

Para comparar a distribuição de uma variável numérica entre grupos, o boxplot é a escolha mais comum.

nascidos |>
  filter(!is.na(gestacao)) |>
  mutate(gestacao = fct_relevel(gestacao, "22 a 27 semanas", "28 a 31 semanas",
                                "32 a 36 semanas", "37 a 41 semanas",
                                "42 semanas e mais")) |>
  ggplot(aes(x = gestacao, y = peso)) +
  geom_boxplot()
Boxplots do peso ao nascer para seis faixas de idade gestacional. A mediana do peso cresce de cerca de 700 gramas no grupo de 22 a 27 semanas até cerca de 3.300 gramas nos grupos de 37 a 41 e de 42 semanas ou mais.
Figura 10.5: Peso ao nascer segundo a idade gestacional em faixas, Rondônia, 2019.

Duas variáveis numéricas

Para duas variáveis numéricas, o gráfico de dispersão é a escolha natural. Com muitos pontos, como aqui, eles se sobrepõem. Duas soluções ajudam: deslocar os pontos aleatoriamente um pouco (geom_jitter()), útil quando uma das variáveis assume poucos valores, como as semanas de gestação, e usar transparência (alpha).

ggplot(nascidos, aes(x = semagestac, y = peso)) +
  geom_jitter(alpha = 0.1, width = 0.3) +
  geom_smooth()
Gráfico de dispersão do peso ao nascer contra a idade gestacional, com pontos semitransparentes e uma curva de tendência que sobe de forma acentuada até cerca de 38 semanas e depois se estabiliza.
Figura 10.6: Peso ao nascer segundo a idade gestacional, com pontos deslocados e linha de tendência.

A função geom_smooth() acrescenta uma curva de tendência, que mostra que o peso cresce rapidamente com a idade gestacional até cerca de 38 semanas e depois se estabiliza.

Duas variáveis categóricas

Para duas variáveis categóricas, usamos barras agrupadas ou empilhadas, definidas pelo argumento position. Barras empilhadas com position = "fill" mostram proporções dentro de cada categoria, o que facilita comparar grupos de tamanhos diferentes.

nascidos |>
  filter(!is.na(escmae), !is.na(parto)) |>
  ggplot(aes(x = escmae, fill = parto)) +
  geom_bar(position = "fill")
Gráfico de barras empilhadas de 0 a 100% para cinco níveis de escolaridade da mãe. A parte correspondente ao parto cesáreo cresce de cerca de metade, nas mães sem escolaridade, para mais de 80%, nas mães com 12 anos ou mais de estudo.
Figura 10.7: Tipo de parto segundo a escolaridade da mãe, Rondônia, 2019.

O gráfico mostra o que a tabela do Capítulo 7 já indicava: a proporção de partos cesáreos cresce com a escolaridade da mãe.

10.5 Séries temporais e curvas epidêmicas

Para dados que variam no tempo, o gráfico de linhas (geom_line()) é o mais adequado. Quando o eixo x é uma data, a função scale_x_date() controla os intervalos e o formato das marcas.

Na vigilância epidemiológica, a curva epidêmica mostra o número de casos por unidade de tempo, em geral por semana epidemiológica, e costuma ser desenhada com colunas. Vamos construir a curva da COVID-19 em Rondônia, a partir da agregação semanal feita no Capítulo 9.

covid_semanal <- covid |>
  mutate(semana = floor_date(data, unit = "week", week_start = 7)) |>
  group_by(uf, semana) |>
  summarise(casos = sum(casos_novos), obitos = sum(obitos_novos), .groups = "drop")
covid_semanal |>
  filter(uf == "RO") |>
  ggplot(aes(x = semana, y = casos)) +
  geom_col(fill = "#b5401f") +
  scale_x_date(date_breaks = "3 months", date_labels = "%m/%Y") +
  labs(x = "Semana epidemiológica (início)", y = "Casos notificados")
Curva epidêmica em colunas com os casos semanais de COVID-19 em Rondônia. Há uma primeira onda em meados de 2020, uma segunda no início de 2021, com cerca de 9 mil casos semanais, o maior pico no início de 2022, com mais de 17 mil casos em uma semana, e uma onda menor em meados de 2022.
Figura 10.8: Casos de COVID-19 por semana epidemiológica, Rondônia, 2020 a 2022.

A curva mostra várias ondas: a primeira em meados de 2020, a segunda no início de 2021, a maior delas, em número de casos, no início de 2022, e uma quarta, menor, em meados de 2022. A função labs() define os títulos dos eixos.

10.6 Facetas

Para comparar a mesma relação em vários grupos, podemos dividir o gráfico em painéis com facet_wrap(). Cada painel mostra um subconjunto dos dados, com os mesmos eixos, o que facilita a comparação.

covid_semanal |>
  ggplot(aes(x = semana, y = obitos)) +
  geom_line() +
  facet_wrap(~ uf, ncol = 2, scales = "free_y") +
  labs(x = NULL, y = "Óbitos por semana")
Sete painéis, um para cada estado da Região Norte, com a série semanal de óbitos por COVID-19 em linhas. A escala vertical varia entre os painéis. Amazonas mostra um pico muito alto no início de 2021; os demais estados mostram ondas em 2020 e no primeiro semestre de 2021.
Figura 10.9: Óbitos por COVID-19 por semana epidemiológica nos estados da Região Norte, 2020 a 2022.

O argumento scales = "free_y" permite que cada painel tenha sua própria escala vertical. Isso facilita ver o formato da curva em cada estado, mas exige cuidado na leitura, porque a mesma altura representa números diferentes em cada painel. O Amazonas destaca-se pelo pico de óbitos no início de 2021, período do colapso do sistema de saúde em Manaus. A função facet_grid() organiza os painéis em linhas e colunas definidas por duas variáveis.

10.7 Escalas, rótulos e temas

Um gráfico para comunicação precisa de títulos claros, eixos com unidades e números no formato do leitor. A função labs() define título, subtítulo, títulos dos eixos e da legenda e a fonte dos dados. As funções scale_*() controlam como cada mapeamento é desenhado, e o pacote scales oferece funções para formatar números nos eixos, inclusive com a vírgula decimal e o ponto de milhar usados no Brasil.

As cores merecem atenção especial. Uma parcela relevante da população masculina, em torno de 8% entre homens de ascendência europeia, tem alguma forma de daltonismo, e combinações como vermelho e verde podem ficar indistinguíveis para eles. As paletas da família viridis, disponíveis em scale_fill_viridis_d() e scale_color_viridis_d(), foram desenhadas para serem distinguíveis por pessoas com daltonismo e também quando impressas em tons de cinza.

Por fim, os temas controlam a aparência geral do gráfico (fundo, grades, fontes). O ggplot2 traz vários temas prontos, como theme_minimal() e theme_bw(), e a função theme() ajusta detalhes.

nascidos |>
  filter(!is.na(escmae), !is.na(parto)) |>
  group_by(escmae) |>
  summarise(prop_cesareo = mean(parto == "Cesáreo")) |>
  ggplot(aes(x = prop_cesareo, y = escmae)) +
  geom_col(fill = "#ff6347") +
  geom_text(aes(label = scales::label_percent(accuracy = 0.1, decimal.mark = ",")(prop_cesareo)),
            hjust = -0.1, size = 3.5) +
  scale_x_continuous(labels = scales::label_percent(decimal.mark = ","),
                     limits = c(0, 1), expand = expansion(mult = c(0, 0.05))) +
  labs(
    title = "Cesarianas aumentam com a escolaridade materna",
    x = "Proporção de partos cesáreos",
    y = "Escolaridade da mãe",
    caption = "Fonte: SINASC/Ministério da Saúde."
  ) +
  theme_minimal()
Gráfico de barras horizontais com a proporção de partos cesáreos para cinco níveis de escolaridade da mãe, crescendo de 47,5% (nenhuma escolaridade) a 81,7% (12 anos ou mais). Cada barra tem o percentual escrito ao lado.
Figura 10.10: Proporção de nascidos vivos por parto cesáreo segundo a escolaridade da mãe, Rondônia, 2019.

Vale observar algumas escolhas desse gráfico. O título apresenta a mensagem principal, e não apenas o assunto. As barras horizontais deixam os rótulos das categorias legíveis. O eixo começa no zero, o que é obrigatório em gráficos de barras, porque o leitor compara os comprimentos. Os percentuais escritos ao lado das barras dispensam a consulta ao eixo. E a fonte dos dados aparece no rodapé.

10.8 Pirâmide etária

A pirâmide etária mostra a distribuição da população por sexo e faixa etária. No ggplot2, ela é um gráfico de colunas horizontais em que a população de um dos sexos recebe sinal negativo, para ficar do lado esquerdo do eixo.

ordem_faixas <- unique(populacao$faixa_etaria)

populacao |>
  group_by(sexo, faixa_etaria) |>
  summarise(populacao = sum(populacao), .groups = "drop") |>
  mutate(
    faixa_etaria = factor(faixa_etaria, levels = ordem_faixas),
    populacao_grafico = if_else(sexo == "Masculino", -populacao, populacao)
  ) |>
  ggplot(aes(x = populacao_grafico, y = faixa_etaria, fill = sexo)) +
  geom_col() +
  scale_x_continuous(labels = \(x) scales::label_number(big.mark = ".")(abs(x))) +
  scale_fill_manual(values = c(Feminino = "#ff6347", Masculino = "#1f6f8b")) +
  labs(x = "População", y = NULL, fill = NULL) +
  theme_minimal() +
  theme(legend.position = "top")
Pirâmide etária com barras horizontais para 17 faixas de idade, homens à esquerda e mulheres à direita. A base é larga até a faixa de 30 a 34 anos e se estreita progressivamente nas idades mais avançadas, com a população feminina um pouco maior nas faixas mais idosas.
Figura 10.11: Pirâmide etária da população residente em Rondônia, 2019.

O truque está na escala do eixo x, que mostra os valores absolutos (abs()), para que a população masculina não apareça com sinal negativo. A pirâmide de Rondônia tem base larga e topo estreito, típica de uma população ainda jovem, mas com sinais de envelhecimento, já que as faixas de 0 a 14 anos não são mais as maiores.

10.9 Gráficos no R base

O R tem, desde sua origem, funções próprias para gráficos, reunidas no pacote graphics. Elas são mais simples de usar para gráficos rápidos de exploração, embora sejam menos flexíveis que o ggplot2. As principais são hist(), boxplot(), barplot(), plot(), pie() e pairs().

par(mfrow = c(2, 2))
hist(nascidos$peso, main = "Peso ao nascer", xlab = "Gramas")
boxplot(peso ~ parto, data = nascidos, main = "Peso por tipo de parto", xlab = "", ylab = "Gramas")
barplot(table(nascidos$sexo), main = "Nascimentos por sexo")
pie(table(nascidos$parto), main = "Tipo de parto")
par(mfrow = c(1, 1))
Quatro gráficos em grade dois por dois. Histograma do peso ao nascer; boxplots do peso por tipo de parto; gráfico de barras com nascimentos por sexo; diagrama circular com a proporção de partos vaginais e cesáreos.
Figura 10.12: Gráficos do R base: histograma, boxplot, barras e diagrama circular.

A função par(mfrow = c(2, 2)) divide a área do gráfico em uma grade de duas linhas e duas colunas, e a última linha volta à configuração original.

O diagrama circular (gráfico de pizza), feito com pie(), aparece com frequência em relatórios, e por isso vale uma discussão. Comparar ângulos e áreas é mais difícil para o olho humano do que comparar comprimentos. Com duas ou três categorias bem diferentes, como no exemplo, o gráfico funciona. Com muitas categorias, ou com proporções próximas, as fatias ficam difíceis de comparar, e um gráfico de barras costuma transmitir a mesma informação de forma mais precisa.

A matriz de dispersão mostra os gráficos de dispersão de todos os pares de um conjunto de variáveis numéricas, e é uma ferramenta útil de exploração. No R base, ela é feita com pairs(); o pacote GGally oferece uma versão no estilo do ggplot2, com ggpairs(), que acrescenta as distribuições e as correlações.

set.seed(2019)
nascidos |>
  drop_na(peso, semagestac, idademae) |>
  slice_sample(n = 1000) |>
  select(peso, semagestac, idademae) |>
  GGally::ggpairs()
Matriz de três por três gráficos. Na diagonal, as distribuições do peso, da idade gestacional e da idade da mãe. Abaixo da diagonal, os gráficos de dispersão de cada par. Acima, as correlações: cerca de 0,5 entre peso e idade gestacional e valores próximos de zero para a idade da mãe.
Figura 10.13: Matriz de dispersão do peso ao nascer, da idade gestacional e da idade da mãe (amostra de mil nascimentos).

Usamos uma amostra aleatória de mil nascimentos, obtida com slice_sample(), para que o gráfico fique legível. A função set.seed() fixa o ponto de partida do sorteio, para que a mesma amostra seja obtida sempre que o código for executado.

10.10 Salvando gráficos

A função ggsave() grava o último gráfico criado, ou um gráfico guardado em um objeto, em um arquivo. O formato é definido pela extensão do nome do arquivo, e as dimensões, em polegadas ou centímetros, pelos argumentos width, height e units. Para relatórios e artigos, recomenda-se resolução de pelo menos 300 pontos por polegada (dpi).

grafico <- ggplot(nascidos, aes(x = peso)) + geom_histogram(binwidth = 100)

ggsave(here("resultados", "figuras", "histograma_peso.png"), plot = grafico,
       width = 16, height = 10, units = "cm", dpi = 300)

Em documentos Quarto, não é preciso salvar os gráficos: eles são gerados e inseridos automaticamente, como vimos no Capítulo 4.

10.11 Estudo de caso: um painel sobre o baixo peso ao nascer

Vamos construir um gráfico para um relatório sobre baixo peso ao nascer em Rondônia, mostrando a proporção de baixo peso nos 15 municípios com mais nascimentos, ordenados do maior para o menor valor, com uma linha de referência para o estado.

proporcao_estado <- mean(nascidos$baixo_peso)

nascidos |>
  group_by(munresnome) |>
  summarise(nascidos_vivos = n(), prop_baixo_peso = mean(baixo_peso)) |>
  slice_max(nascidos_vivos, n = 15) |>
  mutate(munresnome = fct_reorder(munresnome, prop_baixo_peso)) |>
  ggplot(aes(x = prop_baixo_peso, y = munresnome)) +
  geom_vline(xintercept = proporcao_estado, linetype = "dashed", color = "grey50") +
  geom_segment(aes(x = 0, xend = prop_baixo_peso, yend = munresnome), color = "grey80") +
  geom_point(aes(size = nascidos_vivos), color = "#b5401f") +
  scale_x_continuous(labels = scales::label_percent(decimal.mark = ","), limits = c(0, NA)) +
  labs(
    x = "Proporção de baixo peso ao nascer",
    y = NULL,
    size = "Nascidos vivos",
    caption = "Linha tracejada: proporção do estado. Fonte: SINASC/Ministério da Saúde."
  ) +
  theme_minimal()
Gráfico de pontos horizontais com 15 municípios ordenados pela proporção de baixo peso ao nascer, que varia de cerca de 5% a 9%. Uma linha vertical tracejada marca a proporção do estado, de aproximadamente 7%.
Figura 10.14: Proporção de nascidos vivos com baixo peso nos 15 municípios com mais nascimentos, Rondônia, 2019.

Três recursos tornam o gráfico mais informativo. A função fct_reorder(), vista no Capítulo 9, ordena os municípios pelo indicador, o que facilita a leitura. O tamanho dos pontos indica o número de nascidos vivos, lembrando ao leitor que os municípios menores têm estimativas menos estáveis. E a linha tracejada mostra a referência estadual, que permite ver rapidamente quais municípios estão acima ou abaixo da média do estado.

10.12 Exercícios

Fixação

  1. Faça um histograma da idade da mãe, testando larguras de intervalo de 1, 2 e 5 anos. Qual delas representa melhor a distribuição?

  2. Construa um gráfico de barras com o número de nascimentos por mês de 2019, com os meses na ordem do calendário.

  3. Faça boxplots do peso ao nascer segundo a faixa de idade da mãe e descreva o que eles mostram.

  4. Refaça o gráfico de barras do tipo de parto segundo a escolaridade usando position = "dodge" em vez de position = "fill". Que informação cada versão destaca?

Aplicação

  1. Construa a curva epidêmica semanal de casos de COVID-19 no Amazonas, com título, rótulos dos eixos com separador de milhar e a fonte dos dados.

  2. Compare, em um gráfico com facetas, a distribuição do peso ao nascer segundo o número de consultas de pré-natal.

Desafio

  1. Construa a pirâmide etária de Porto Velho e a de um município pequeno, como Pimenteiras do Oeste, lado a lado, usando proporções em vez de números absolutos. Por que as proporções são necessárias para comparar os dois municípios?

  2. Encontre na galeria de gráficos do R (https://r-graph-gallery.com/) um tipo de gráfico que não foi apresentado neste capítulo e que seja adequado a algum dado de saúde. Reproduza-o com a base de nascidos vivos ou com a de COVID-19 e explique quando ele é preferível às alternativas vistas aqui.

10.13 Síntese

O ggplot2 constrói gráficos em camadas: dados, mapeamentos estéticos definidos em aes() e geometrias (geom_*()), complementados por escalas, facetas, rótulos e temas. A escolha do gráfico depende das variáveis: barras para uma variável categórica, histograma e boxplot para uma numérica, boxplots por grupo para uma numérica e uma categórica, dispersão para duas numéricas, barras empilhadas ou agrupadas para duas categóricas e linhas ou colunas para séries temporais. Gráficos para comunicação precisam de títulos que transmitam a mensagem, eixos rotulados, números no formato do leitor, cores acessíveis e indicação da fonte. As funções do R base, como hist(), boxplot(), pie() e pairs(), continuam úteis para explorações rápidas.

Tabela 10.1: Funções apresentadas no capítulo.
Função Pacote Finalidade
ggplot(), aes() ggplot2 Iniciar o gráfico e mapear variáveis
geom_bar(), geom_col() ggplot2 Gráficos de barras
geom_histogram(), geom_boxplot() ggplot2 Distribuições de variáveis numéricas
geom_point(), geom_jitter(), geom_smooth() ggplot2 Relações entre variáveis numéricas
geom_line(), scale_x_date() ggplot2 Séries temporais
geom_vline(), geom_segment(), geom_text() ggplot2 Linhas de referência, segmentos e textos
facet_wrap(), facet_grid() ggplot2 Painéis por subgrupo
labs(), scale_*(), theme_minimal(), theme() ggplot2 Rótulos, escalas e temas
label_number(), label_percent() scales Formatar números nos eixos
ggsave() ggplot2 Salvar gráficos
hist(), boxplot(), barplot(), pie(), pairs(), plot() graphics, base Gráficos do R base
ggpairs() GGally Matriz de dispersão
slice_sample(), set.seed() dplyr, base Amostra aleatória reprodutível

10.14 Para saber mais

O capítulo 1 do R para Ciência de Dados (WICKHAM; ÇETINKAYA-RUNDEL; GROLEMUND, 2023) é uma introdução ao ggplot2 muito bem construída, e os capítulos 9 e 11 aprofundam as camadas e a comunicação com gráficos. O Manual de R para Epidemiologistas (BATRA et al., 2021) traz, além do básico do ggplot2 (capítulos 30 e 31), capítulos específicos sobre curvas epidêmicas (32) e pirâmides etárias (33), com recursos que vão além dos apresentados aqui. Faria (FARIA, 2024) trata do ggplot2 nos capítulos 8 e 9, com muitos detalhes sobre a personalização dos gráficos. O livro de receitas de CHANG (2018), da bibliografia da disciplina, e a galeria de gráficos do R (HOLTZ, [s.d.]) são ótimas fontes de inspiração e de código pronto para adaptar.

Obra Capítulo Seções de interesse
R para Ciência de Dados (WICKHAM; ÇETINKAYA-RUNDEL; GROLEMUND, 2023) 1. Visualização de dados; 9. Camadas; 11. Comunicação Visualizando distribuições; Visualizando relações; Facetas; Rótulos; Escalas; Temas
Manual de R para Epidemiologistas (BATRA et al., 2021) 30. O básico do ggplot; 31. Dicas do ggplot; 32. Curvas epidêmicas; 33. Pirâmides demográficas e escalas Likert Mapeando dados ao gráfico; Facetas; Eixos de tempo
Introdução à Linguagem R (FARIA, 2024) 8. Visualização de dados com ggplot2; 9. Configurando componentes estéticos do gráfico no ggplot2 —
Practical Statistics in Medicine with R (BOUGIOUKAS, 2025) 11. Data visualization with ggplot2 —
R Graphics Cookbook (CHANG, 2018) — Receitas por tipo de gráfico