r_graficos.qmd

---
engine: knitr
---

# Gráficos

[Status](convencoes.html#status-do-material) 🟨🟨🟨

## Introdução

R oferece uma série de funções nativas para criação de gráficos. Estas funções possuem muitos parâmetros que permitem melhorar visualamente as apresentações dos gráficos.

## Função Plot

A função `plot`, do pacote **graphics,** é uma função que gera gráficos de dispersão e oferece uma gama de opções para customização. Mas vejamos primeiro um exemplo mínimo.

Os argumentos `x` e `y` são usados nas coordenadas e já são suficientes para a geração do. Por padrão o gráfico gerado é de pontos (argumento `type = "p"`).

```{r}
df_aprovacoes <- readRDS('data/aprovacoes_por_porte_de_empresa.RDS')

plot(x = df_aprovacoes$ANO, y = df_aprovacoes$GRANDE)
```

Podemos incluir diversos elementos no gráfico, por exemplo, `main` é o argumento que define o título, enquanto que `xlab` e `ylab` são os *labels* dos eixos e `col` define a cor. Note que o R possui muitas cores que podem ser identificadas como *strings*. Você pode ver as disponíveis com a função `colors`.

```{r}
plot(df_aprovacoes$ANO, df_aprovacoes$GRANDE, 
     col ='brown3', main = 'Gráfico - Aprovações - Porte: Grande', 
     xlab = 'Ano', ylab = 'Valor Aprovado')
```

Veja que o gráfico foi exibido com pontos para os valores. O parâmetro `type` permite outras opções:

-   `p` (padrão): pontos

-   `l`: linhas

-   `b`: pontos e linhas

-   `c`: pontos 'vazios' ligados por linhas

Obviamente, nem todos os tipos de gráficos se enquadram para todos os tipos de dados. Se usarmos um gráfico de pontos e linhas nos dados do exemplo acima, as linhas não farão muito sentido, pois elas farão a ligação entre os pontos.

```{r}
plot(df_aprovacoes$ANO, df_aprovacoes$GRANDE, 
     type = 'b',
     col ='brown3', 
     main = 'Gráfico - Aprovações - Porte: Grande', 
     xlab = 'Ano', ylab = 'Valor Aprovado')
```

Vamos criar gráfico de linhas com a base de dados da [Taxa Selic Acumulado no Mês](bases_dados.html#taxa-de-juros---selic-acumulada-no-m%C3%AAs) divulgada pelo Banco Central do Brasil. Vamos utilizar os parâmetros `lty` (de *line type*) para determinar o tipo de linha e `lwd` (de *line width*) para determinar a largura da linha.

```{r}
df_taxa_selic <- read.csv2('./data/csv_serie_sgs_4390.csv',
                           dec = ',', quote = '\"',
                           col.names = c('DATA', 'SELIC'))

# formatar data
df_taxa_selic$DATA <- as.Date(df_taxa_selic$DATA, format = '%d/%m/%Y')

# filtrar a partir de 2017
df_taxa_selic <- df_taxa_selic |> 
  subset(DATA >= '2017-01-01')

plot(df_taxa_selic$DATA, df_taxa_selic$SELIC, 
     type = 'b', col ='firebrick3', lty = 3, lwd = 1.5,
     main = 'Taxa Selic Acumulada Mensal', 
     xlab = 'Data', ylab = 'Selic Acumulada (% a.m.)')
```

## Função Hist

Abaixo um exemplo de um histograma:

```{r}
hist(df_taxa_selic$SELIC, col ='cyan4', 
     main = 'Selic', 
     xlab = 'Taxa Selic',
     ylab = 'Qtde')

hist(df_aprovacoes$PEQUENA, col = 'cyan3', 
   main = 'Aprovações - Porte: Pequena', 
   xlab = 'Valor - Aprovações',
   ylab = 'Qtde')
```

Com o argumento *breaks* podemos controlar quantas divisões serão exibidas no histograma.

```{r}
hist(df_aprovacoes$PEQUENA, col = 'cyan3', 
   main = 'Aprovações - Porte: Pequena', 
   xlab = 'Valor - Aprovações',
   ylab = 'Qtde',
   breaks = 20)
```

------------------------------------------------------------------------

@sthda

@schmuller_2019

Última atualização: `r format(file.info('r_graficos.qmd')$mtime, '%d/%m/%Y - %H:%M:%S')`