Neste post, vou usar dados do Tidy Tuesday referente à semana de 05/01/2021 para demonstrar o passo-a-passo da criação de um plot. O objetivo desse post é apenas demonstrar algumas ferramentas de formatação do ggplot2 e de alguns pacotes acessórios para customizar um gráfico, sem nenhum tipo de objetivo relacionado à análise de dados ou estatística.

A partir dos dados da tabela, vou mostrar como cheguei no gráfico abaixo:

## 
## 	Downloading file 1 of 1: `transit_cost.csv`

Formatação dos dados

Os dados utilizados para gerar esse gráfico se referem à custos referentes à projetos de infraestrutura de trânsito. A tabela contendo os dados pode ser lida diretamente usando a função tt_load do pacote tidytuesday, incluindo como input da função a data referente à inclusão do dataset:

# carregando todos pacotes utilizados nessa análise
library(tidyverse) 
library(scales) # utilizado para configurar a formatação dos eixos do gráfico

tuesdata <- tidytuesdayR::tt_load('2021-01-05') # vou baixar os dados referentes à essa semana

## --- Compiling #TidyTuesday Information for 2021-01-05 ----

## --- There is 1 file available ---

## --- Starting Download ---

## 
## 	Downloading file 1 of 1: `transit_cost.csv`

## --- Download complete ---

transit_cost <- tuesdata$transit_cost # leitura da tabela em si

Agora, vou dar uma olhada na estrutura da tabela e escolher as variáveis que vou utilizar no plot:

glimpse(transit_cost)

## Rows: 544
## Columns: 20
## $ e                <dbl> 7136, 7137, 7138, 7139, 7144, 7145, 7146, 7147, 7152,…
## $ country          <chr> "CA", "CA", "CA", "CA", "CA", "NL", "CA", "US", "US",…
## $ city             <chr> "Vancouver", "Toronto", "Toronto", "Toronto", "Toront…
## $ line             <chr> "Broadway", "Vaughan", "Scarborough", "Ontario", "Yon…
## $ start_year       <chr> "2020", "2009", "2020", "2020", "2020", "2003", "2020…
## $ end_year         <chr> "2025", "2017", "2030", "2030", "2030", "2018", "2026…
## $ rr               <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
## $ length           <dbl> 5.7, 8.6, 7.8, 15.5, 7.4, 9.7, 5.8, 5.1, 4.2, 4.2, 6.…
## $ tunnel_per       <chr> "87.72%", "100.00%", "100.00%", "57.00%", "100.00%", …
## $ tunnel           <dbl> 5.0, 8.6, 7.8, 8.8, 7.4, 7.1, 5.8, 5.1, 4.2, 4.2, 6.3…
## $ stations         <dbl> 6, 6, 3, 15, 6, 8, 5, 2, 2, 2, 3, 3, 4, 7, 13, 4, 4, …
## $ source1          <chr> "Plan", "Media", "Wiki", "Plan", "Plan", "Wiki", "Med…
## $ cost             <dbl> 2830, 3200, 5500, 8573, 5600, 3100, 4500, 1756, 3600,…
## $ currency         <chr> "CAD", "CAD", "CAD", "CAD", "CAD", "EUR", "CAD", "USD…
## $ year             <dbl> 2018, 2013, 2018, 2019, 2020, 2009, 2018, 2012, 2023,…
## $ ppp_rate         <dbl> 0.840, 0.810, 0.840, 0.840, 0.840, 1.300, 0.840, 1.00…
## $ real_cost        <chr> "2377.2", "2592", "4620", "7201.32", "4704", "4030", …
## $ cost_km_millions <dbl> 417.05263, 301.39535, 592.30769, 464.60129, 635.67568…
## $ source2          <chr> "Media", "Media", "Media", "Plan", "Media", "Media", …
## $ reference        <chr> "https://www.translink.ca/Plans-and-Projects/Rapid-Tr…

Vou plotar o custo real da construção das malhas (real_cost) em função do comprimento delas (length), unidades respectivamente em dólares e km. Cada observação representa uma malha de uma determinada cidade em um determinado país.

Antes de fazer isso, entretanto, tenho que alterar o tipo da coluna real_cost, que está como string. Vou passar para a coluna para numérico:

transit_cost <- 
  transit_cost %>% 
    mutate(real_cost=as.numeric(real_cost))

## Warning in mask$eval_all_mutate(quo): NAs introduced by coercion

Alguns valores são substituídos por NA. São entradas que contém caracteres além de números. Entradas que contém apenas algarismos (e “.” ou “,") são convertidos corretamente.

Em seguida vou remover as entradas NA dessas duas colunas, na tabela:

transit_cost <- 
  transit_cost %>% 
    filter(!is.na(length), !is.na(real_cost))

Agora posso plotar os dados!

Gráfico de pontos, escala e reta de regressão

Indo direto ao ponto, quero plotar um gráfico de pontos usando essas duas variáveis:

transit_cost %>% ggplot(aes(y=length,x=real_cost)) +
  geom_point()

Os outliers e as diferenças em ordens de grandeza das unidades distorcem bem a escala. Isso pode ser corrigido convertendo a escala para log:

transit_cost %>% ggplot(aes(y=length,x=real_cost)) +
  geom_point() +
  scale_y_log10() + # eixo y em log
  scale_x_log10() # eixo x em log

## Warning: Transformation introduced infinite values in continuous x-axis

Bem melhor! Existe um problema referente aos pontos que foram computados como \(-Inf\) e, por isso, vão sempre tender a 0 no eixo x. Isso ocorreu por causa da conversão para log. Isso poderia ser remediado adicionando um incremento irrisório nos valores apenas para que eles se diferenciassem de 0, mas aqui, em nome da objetividade, vou retirá-los:

transit_cost <- # retirando os infinitos negativos da coluna real_cost
  transit_cost %>% filter(real_cost > 0)

transit_cost %>% ggplot(aes(y=length,x=real_cost)) + # plotando novamente
  geom_point() +
  scale_y_log10() + # eixo y em log
  scale_x_log10() # eixo x em log

As cores sólidas atrapalham a visualização de pontos sobrepostos. Adicionar um efeito de transparência resolve esse problema:

transit_cost %>% ggplot(aes(y=length,x=real_cost)) +
  geom_point(alpha=0.5) + #adicionando transparência aos pontos
  scale_y_log10() + 
  scale_x_log10() 

Em seguida, vou adicionar uma reta de regressão no gráfico. Isso pode ser feito usando a função geom_smooth, especificando o argumento method como lm (método linear):

transit_cost %>% ggplot(aes(y=length,x=real_cost)) +
  geom_point(alpha=0.5) +
  geom_smooth(method="lm") +
  scale_y_log10() + 
  scale_x_log10() 

Não quero uma linha sólida e também não quero que o erro padrão esteja presente no gráfico. Vou alterar isso incluindo os argumentos lty (de linetype) e se (de standard error). Também quero alterar a cor da reta, o que é feito intuitivamente usando o argumento color:

transit_cost %>% ggplot(aes(y=length,x=real_cost)) +
  geom_point(alpha=0.5) +
  geom_smooth(method="lm",lty=2,color="black",se = FALSE) + # alterando propriedades da reta
  scale_y_log10() + 
  scale_x_log10() 

Mexendo nas cores

Vou alterar agora o esquema de cores. Quero deixar o plano de fundo escuro e os pontos claros. A maior parte dos comandos que alteram esses atributos está vinculada à função theme, que além de alterar as cores, também pode ser usada para alterar as fontes e marcações dos eixos.

Abaixo, altero a cor do grid:

transit_cost %>% ggplot(aes(y=length,x=real_cost)) +
  geom_point(alpha=0.5) +
  geom_smooth(method="lm",lty=2,color="black",se = FALSE) + 
  scale_y_log10() + 
  scale_x_log10() +
  theme(panel.background = element_rect(fill = "#343536")) # alterando a cor do grid

Obviamente, não posso manter os pontos pretos com essa cor de fundo. Vou inverter a cor deles então, deixando-os, brancos:

transit_cost %>% ggplot(aes(y=length,x=real_cost)) +
  geom_point(alpha=0.5, color = "white") + # alterando a cor dos pontos
  geom_smooth(method="lm",lty=2,color="black",se = FALSE) +
  scale_y_log10() + 
  scale_x_log10() +
  theme(panel.background = element_rect(fill = "#343536"))

Eu quero todo gráfico escuro, não apenas o grid. Então vou incluir mais um argumento na função theme para dar conta disso:

transit_cost %>% ggplot(aes(y=length,x=real_cost)) +
  geom_point(alpha=0.5, color = "white") + 
  geom_smooth(method="lm",lty=2,color="black",se = FALSE) +
  scale_y_log10() + 
  scale_x_log10() +
  theme(panel.background = element_rect(fill = "#343536"),
        rect = element_rect(fill = "#343536", color = NA)) # cor na imagem toda

Ainda existe uma linha branca envolvendo todo plot, que está bem feia. De novo, vou mexer na função theme, dessa vez incluindo o argumento plot.background, definindo ele como element_rect(color=NA), o que significa que a margem não vai ter cor nenhuma:

transit_cost %>% ggplot(aes(y=length,x=real_cost)) +
  geom_point(alpha=0.5, color = "white") + 
  geom_smooth(method="lm",lty=2,color="black",se = FALSE) +
  scale_y_log10() + 
  scale_x_log10() +
  theme(panel.background = element_rect(fill = "#343536"),
        rect = element_rect(fill = "#343536", color = NA),
        plot.background = element_rect(color = NA)) # tirando a cor da borda 

As fontes do gráfico precisam de cores melhores agora. Os texto do gráfico (título, subtítulo e título dos eixos) e o texto das unidades dos eixos em si, são elementos diferentes. Vou definir ambos como branco, usando dois argumentos, text e axis_text:

transit_cost %>% ggplot(aes(y=length,x=real_cost)) +
  geom_point(alpha=0.5, color = "white") + 
  geom_smooth(method="lm",lty=2,color="black",se = FALSE) +
  scale_y_log10() + 
  scale_x_log10() +
  theme(panel.background = element_rect(fill = "#343536"),
        rect = element_rect(fill = "#343536", color = NA),
        plot.background = element_rect(color = NA),
        text = element_text( color = "white"), # cor do texto do gráfico em branco
        axis.text = element_text( color = "white")) # cor do conteúdo dos eixos em branco

Formatando o texto

Agora vou mexer na formatação do texto dos eixos, saindo da função theme. Primeiro, vou adicionar a notação de grandeza como “.” no eixo x. Isso pode ser feito incluindo o argumento labels = comma_format(big.mark = ".") dentro da função scale_x_log10. Esse argumento não faz parte do ggplot2, ele vem do pacote scales:

transit_cost %>% ggplot(aes(y=length,x=real_cost)) +
  geom_point(alpha=0.5, color = "white") + 
  geom_smooth(method="lm",lty=2,color="black",se = FALSE) +
  scale_y_log10() + 
  scale_x_log10(labels = comma_format(big.mark = ".")) + # notação decimal no eixo
  theme(panel.background = element_rect(fill = "#343536"),
        rect = element_rect(fill = "#343536", color = NA),
        plot.background = element_rect(color = NA),
        text = element_text( color = "white"),
        axis.text = element_text( color = "white")) 

## Warning in prettyNum(.Internal(format(x, trim, digits, nsmall, width, 3L, :
## 'big.mark' and 'decimal.mark' are both '.', which could be confusing

Agora, para finalizar, vou adicionar um título, subtítulo e renomear o eixo y e eixo x:

transit_cost %>% ggplot(aes(y=length,x=real_cost)) +
  geom_point(alpha=0.5, color = "white") + 
  geom_smooth(method="lm",lty=2,color="black",se = FALSE) +
  scale_y_log10() + 
  scale_x_log10(labels = comma_format(big.mark = ".")) + # notação decimal no eixo
  theme(panel.background = element_rect(fill = "#343536"),
        rect = element_rect(fill = "#343536", color = NA),
        plot.background = element_rect(color = NA),
        text = element_text( color = "white"),
        axis.text = element_text( color = "white"))  +
  ylab("Comprimento (km)") + # renomeando eixo y
  xlab("Custo real (USD)") + # renomeando eixo x
  ggtitle("Custo por comprimento de malhas urbanas.", # título e subtítulo
          subtitle = "Dados extraídos do tidy tuesday de 05/01/2020 e utilizado como\nmodelo para um exercício de customização de gráficos no ggplot2.\n\nCada ponto representa uma malha construída em alguma cidade no mundo.\n")

## Warning in prettyNum(.Internal(format(x, trim, digits, nsmall, width, 3L, :
## 'big.mark' and 'decimal.mark' are both '.', which could be confusing

E pronto! Está aí o gráfico. Lembrando, cada ponto representa uma malha em alguma localidade, de alguma cidade, de algum país. Então cada país está representado diversas vezes no gráfico, de acordo com a localidade da malha. Entretando, meu foco aqui não foi limpar os dados para análise, apenas utilizá-los para gerar o gráfico customizado.