-
Notifications
You must be signed in to change notification settings - Fork 0
/
02-eda-ex1.Rmd
218 lines (157 loc) · 5.94 KB
/
02-eda-ex1.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
# Exemplo de EDA 1: Alunos de CDD {#eda1}
Os dados para esse capítulo foram obtidos por Nazareno usando um formulário online de typeform.com e enviado a alunos que cursaram Ciência de Dados Descritiva na [Computação@UFCG](www.computacao.ufcg.edu.br) em diferentes anos. O objetivo da coleta era produzir dados que interessassem aos alunos conhecer dos colegas, sobre os quais seja fácil ter uma expectativa de como funcionam, e ilustrar diferentes análises possíveis. O Typeform permite que eu exporte os dados em um csv, e ele é o ponto de partida.
Começamos carregando os dados. Existe um assistente em _Import Dataset_ na aba _Environment_ do RStudio, mas aqui faremos tudo programaticamente.
Dica importante: existe a função `readr::read_csv` (ou seja, `read_csv` no pacote `readr`) e existe a função `read.csv` no R base. Usaremos sempre `readr::read_csv`, e eu sugiro que você faça o mesmo em seus projetos.
Vamos aos dados, então.
```{r}
alunos_tudo = read_csv(here("dados/alunos-ad1.csv"))
# você pode especificar os tipos das colunas, por exemplo:
alunos_tudo = read_csv(here("/dados/alunos-ad1.csv"),
col_types = "ccciiiiiiicc??c")
glimpse(alunos_tudo)
```
Repare nos diferentes tipos de dados: categóricos, numéricos, lógicos e datas, principalmente.
Para ver os dados no uso interativo, você pode fazer: `alunos_tudo %>% View()`, que é o mesmo que `View(alunos)`.
<br>
Os nomes de variável vem do typeform e não estão ajudando. Vamos renomeá-las.
```{r}
names(alunos_tudo)
alunos = alunos_tudo %>%
select(sexo = `Você é...`, # select pode escolher e/ou renomear variáveis
repositorios = `Em quantos repositórios no github (seus ou de outras pessoas) você contribuiu nos últimos 2 anos?`,
linguagens = `Em quantas linguagens de programação você sabe programar?`,
altura = `Qual a sua altura em centímetros?`,
tempo_para_ufcg = `Quanto tempo você demora para se deslocar de casa à UFCG? (em minutos)`,
transporte = `Você geralmente vai de casa para a UFCG:`,
gosta_de_forms = `O quanto você gosta de formulários online? (Obrigado por ter respondido este!)`)
names(alunos)
```
## Contando frequências
### Variáveis categóricas
```{r}
ggplot(alunos) +
geom_bar(mapping = aes(x = sexo))
ggplot(alunos) +
geom_bar(mapping = aes(x = transporte))
alunos %>%
group_by(transporte) %>%
summarise(quantos = n()) %>%
ggplot() +
geom_col(mapping = aes(x = reorder(transporte, -quantos), y = quantos))
```
### Variáveis numéricas
Enumerando todos os valores possíveis:
```{r}
ggplot(data = alunos, mapping = aes(x = linguagens)) +
geom_bar()
```
Por faixas de valores. Bins = faixas. Binwidth = largura da faixa.
```{r}
ggplot(alunos, mapping = aes(x = tempo_para_ufcg)) +
geom_histogram(binwidth = 10,
fill = "orange2",
colour = "black")
# bins são uma parte muito importante
ggplot(alunos, mapping = aes(x = tempo_para_ufcg)) +
geom_freqpoly(binwidth = 10,
fill = "orange2",
colour = "black")
ggplot(alunos, mapping = aes(x = tempo_para_ufcg)) +
geom_density(fill = "orange2",
colour = "black")
```
Para variáveis contínuas, a função de densidade pode ser usada. `geom_freqpoly` também é mais legível quando temos muitos dados.
```{r}
alunos %>%
filter(altura > 3) %>%
ggplot() +
geom_histogram(mapping = aes(x = altura),
breaks = seq(150, 190, 5),
fill = "lightyellow",
color = "black")
alunos %>%
filter(altura > 3) %>%
ggplot() +
geom_freqpoly(mapping = aes(x = altura),
bins = 8)
alunos %>%
filter(altura > 3) %>%
ggplot() +
geom_density(mapping = aes(x = altura))
```
Mais info
```{r}
ggplot(alunos, mapping = aes(x = tempo_para_ufcg)) +
geom_histogram(binwidth = 10) +
geom_rug(colour = "red")
ggplot(alunos, mapping = aes(x = tempo_para_ufcg)) +
geom_freqpoly(bins = 8) +
geom_rug(colour = "red", alpha = .7, size = 1)
```
## Uma numérica e uma categórica
```{r}
ggplot(alunos, aes(x = transporte, y = tempo_para_ufcg)) +
geom_jitter(width = .1, height = 0, alpha = .6)
```
```{r}
ggplot(alunos, aes(x = transporte, y = tempo_para_ufcg)) +
geom_boxplot() +
geom_jitter(color = "orange", width = .1, height = 0, alpha = .6)
```
```{r}
ggplot(alunos, aes(fill = transporte, x = tempo_para_ufcg)) +
geom_histogram(binwidth = 10) +
facet_grid(transporte ~ .)
```
```{r}
alunos %>%
filter(altura > 0) %>%
ggplot(mapping = aes(x = sexo,
y = altura)) +
# geom_boxplot() +
geom_violin() +
geom_jitter(width = .1,
height = 0,
alpha = 0.7)
```
## Duas variáveis numéricas
```{r}
ggplot(data = alunos) +
geom_point(mapping = aes(x = linguagens,
y = repositorios),
alpha = 0.7)
alunos %>%
filter(altura > 0) %>%
ggplot() +
geom_point(mapping = aes(x = altura,
y = linguagens),
alpha = 0.7)
alunos %>%
ggplot() +
geom_point(mapping = aes(x = tempo_para_ufcg,
y = repositorios),
alpha = 0.7)
```
Médias:
```{r}
medias = alunos %>%
filter(!is.na(transporte), !is.na(tempo_para_ufcg)) %>%
group_by(transporte) %>%
summarise(tempo_para_ufcg = mean(tempo_para_ufcg))
ggplot(alunos, mapping = aes(x = transporte,
y = tempo_para_ufcg)) +
geom_boxplot(outlier.colour = NA) +
geom_point(position = position_jitter(width = .2),
alpha = .7,
color = "darkblue") +
geom_point(data = medias, colour = "red", size = 2)
```
Desvio padrão
```{r}
alunos %>%
filter(!is.na(transporte), !is.na(tempo_para_ufcg)) %>%
group_by(transporte) %>%
summarise(desvio = sd(tempo_para_ufcg),
iqr = IQR(tempo_para_ufcg))
```
to do: ggally e skimmr