visualizacao.Rmd

---
title: "Visualização de Dados"
output:
  html_document:
    df_print: paged
knit: (function(input_file, encoding) { out_dir <- 'docs'; rmarkdown::render(input_file,
  encoding=encoding, output_file=file.path(dirname(input_file), out_dir, 'visualizacao.html'))})
runtime: shiny
---

# Visualização de Dados

## Referências

- Livro de Claus Wilke, Fundamentals of Data Visualization (versão online compacta): https://clauswilke.com/dataviz/;
- Documentação da biblioteca Plotly para Linguagem R: https://plotly.com/r/
- AutoMPG Dataset: https://archive.ics.uci.edu/ml/datasets/auto+mpg

## Datasets

Obtém informações do conjunto de dados AutoMPG Dataset

```{r}
library(plotly)
library(datasets)
```

```{r}
nrow(mpg)
ncol(mpg)
```

## Gráfico de Linhas

```{r}
library(plotly)

trace_0 = rnorm(100, mean = 5)
trace_1 = rnorm(100, mean = 0)
trace_2 = rnorm(100, mean = -5)
x = c(1:100)

data = data.frame(x, trace_0, trace_1, trace_2)

fig = plot_ly(data, x = ~x)
fig = fig %>% add_trace(y = ~trace_0, name = 'Padrão 1',mode = 'lines')
fig = fig %>% add_trace(y = ~trace_1, name = 'Padrão 2', mode = 'lines+markers')
fig = fig %>% add_trace(y = ~trace_2, name = 'Padrão 3', mode = 'markers')

fig
```

## Gráfico de Barras

Segue um gráfico de barras para o conjunto AutoMPG Dataset:

```{r}
fig = plot_ly(data = mpg, x = ~model, y = ~year, type = 'bar')

fig
```

Filtrando instancias

```{r}
str(mpg)
```
Contando os valores do atributo "manufacturer" e pegando esses valores:

```{r}
counts = table(mpg$manufacturer)

values = unique(mpg$manufacturer)
```

Nosso primeiro histograma:

```{r}
fig = plot_ly(x = values, y = counts, type = 'bar',name=values)
fig = fig %>% layout(xaxis = list(title = 'Modelo'), yaxis = list(title = 'Ano'))
fig
```

Podemos testar também o gráfico de barras empilhado:

```{r}

counts = table(mpg$manufacturer)

fig = plot_ly(data = mpg, x = ~model, y = ~year, type = 'bar')
#fig <- fig %>% layout(yaxis = list(title = 'Count'), barmode = 'stack')

fig
```

Vamos comparar agora apenas os carros das fabricantes Toyota e Volkswagen

```{r}
toyota = mpg[mpg$manufacturer == 'toyota',]
volks = mpg[mpg$manufacturer == 'volkswagen',]
```

Como fica a Toyota:

```{r}
toyota
```

Como fica Volkswagen:

```{r}
volks
```


## Gráfico de Pizza

```{r}

fig = plot_ly(data = volks, labels = volks$year, x=volks$year, type = 'pie')

fig
```

## Gráfico de Pizza

```{r}

fig = plot_ly(data = toyota, labels = toyota$class, x= toyota$class, type = 'pie')

fig
```

## Box Plot

```{r}
fig = plot_ly(y=volks$displ, type = "box", name="Prices Volkswagen")
fig = fig %>% add_trace(y=toyota$displ, name="Prices Toyota")


fig
```

```{r}
summary(volks$displ)
```

```{r}
fig = plot_ly(y=volks$displ, type = "box", boxpoints = "all", name="Prices Volkswagen")
fig = fig %>% add_trace(y=toyota$displ, name="Prices Toyota")


fig
```

## Mapas

```{r}
df = read.csv("https://raw.githubusercontent.com/plotly/datasets/master/2014_world_gdp_with_codes.csv")

#df
```

```{r}
#table(df)
```

Plota o mapa com as informações solicitadas

```{r}
fig = plot_ly(df, type='choropleth', locations=df$CODE, z=df$GDP..BILLIONS., text=df$COUNTRY, colorscale="Blues")

fig
```


## Gráfico de Dispersão

```{r}
fig = plot_ly(data = iris, x = ~Sepal.Length, y = ~Petal.Length)

fig
```

```{r}
library(plotly)

pal = c("red", "blue", "green")
pal = setNames(pal, c("virginica", "setosa", "versicolor"))

fig = plot_ly(data = iris, x = ~Sepal.Length, y = ~Petal.Length, color = ~Species, colors = pal)

fig
```


```{r}

pal = c("red", "blue", "green")
pal = setNames(pal, c("virginica", "setosa", "versicolor"))

fig = plot_ly(data = iris, x = ~Sepal.Length, y = ~Petal.Length, color = ~Species, colors = pal,
              marker = list(size = 8,
                            line = list(color="black",width = 1)))

fig
```

```{r}

pal = c("red", "blue", "green")
pal = setNames(pal, c("virginica", "setosa", "versicolor"))

fig = plot_ly(data = iris, x = ~Sepal.Length, y = ~Petal.Length, color = I('black'),
              mode = 'markers', symbol = ~Species, symbols = c('circle','x','o'))

fig
```

## Matrizes de gráficos de dispersão

```{r}

axis = list(showline=FALSE,
            zeroline=FALSE,
            gridcolor='#ffff',
            ticklen=4,
            titlefont=list(size=13))

fig <- iris %>%
  plot_ly()
fig <- fig %>%
  add_trace(
    type = 'splom',
    dimensions = list(
      list(label='sepal length', values=~Sepal.Length),
      list(label='sepal width', values=~Sepal.Width),
      list(label='petal length', values=~Petal.Length),
      list(label='petal width', values=~Petal.Width)
    ),
    color = ~Species, colors = c('#636EFA','#EF553B','#00CC96') ,
    marker = list(size = 8,line = list(color="black",width = 1)
    )
  )
fig <-  fig %>% style(diagonal = list(visible = FALSE))
fig <- fig %>%
  layout(
    hovermode='closest',
    dragmode= 'select',
    plot_bgcolor='rgba(240,240,240, 0.95)',
    xaxis=list(domain=NULL, showline=F, zeroline=F, gridcolor='#ffff', ticklen=4),
    yaxis=list(domain=NULL, showline=F, zeroline=F, gridcolor='#ffff', ticklen=4),
    xaxis2=axis,
    xaxis3=axis,
    xaxis4=axis,
    yaxis2=axis,
    yaxis3=axis,
    yaxis4=axis
  )

fig
```

## Mapa de Calor (Heatmap)

```{r}
fig <- plot_ly(z = volcano, type = "heatmap")

fig
```



```{r}

dados = iris[,1:4]

#dados.scaled = scale(dados, center = T, scale = T)

corrIris = cor(dados)

corrIris
```


```{r}
dimensions = list('sepal length','sepal width','petal length','petal width')

fig = plot_ly(x=dimensions,y=dimensions,z=corrIris, type = "heatmap",colors = "Greys")

fig
```
## Visualização baseada no posicionamento de pontos

Podemos empregar uma técnica de redução de dimensionalidade para transformar os dados originais definidos em um espaço de alta dimensão para um espaço de dimensão baixa. Para propósitos de visualização, a baixa dimensão é igual a $2$.

Vamos apresentar duas técnicas de redução de dimensionalidade: Análise de Componentes Principais (Principal Component Analysis - PCA) e t-Distributed Stochastic Neighborhood Embedding (t-SNE).

### Análise de Componentes Principais (Principal Component Analysis - PCA)

Um bom tutorial sobre PCA pode ser encontrado neste [link](https://operdata.com.br/blog/analise-de-componentes-principais/).

Variância acumulada das componentes principais:

```{r}
library(plotly)
library(stats)

X = subset(iris, select = -c(Species))

prin_comp = prcomp(X, rank. = 2)

summary(prin_comp)

```

A proporção de variância concentrada pelas primeiras *k* compenentes principais é dada por:

```{r}
explained_variance_ratio <- summary(prin_comp)[["importance"]]['Proportion of Variance',]
cumsum <- cumsum(explained_variance_ratio)
data <- data.frame(cumsum,seq(1, length(cumsum), 1))
colnames(data) <- c('Explained_Variance','Components')

fig = plot_ly(data = data, x = ~Components, y = ~Explained_Variance, type = 'scatter', mode = 'lines', fill = 'tozeroy') %>%
  layout(
    xaxis = list(
      title = "# Componentes", tickvals = seq(1, length(cumsum), 1)),
    yaxis = list(
      title = "Variância Concentrada"))
fig
```


Visualizando o conjunto de dados Iris

```{r}

components = prin_comp[["x"]]
components = data.frame(components)
components = cbind(components, iris$Species)


fig = plot_ly(components, x = ~PC1, y = ~PC2, color = ~iris$Species, colors = c('#636EFA','#EF553B','#00CC96'),
               type = 'scatter',
               text = ~iris$Species,
               textposition = "auto",
               hoverinfo = 'text',
               #hovertemplate = paste('<i>PC1</i>: %{y:.2f}',
              #          '<br><b>PC2</b>: %{x}<br>',
              #          '<b>%{text}</b>'),
               marker = list(size = 8,line = list(color="black",width = 1)))


fig
```





```{r}
#install.packages("tsne")
```
Agora vamos realizar a apresentação dos dados

```{r}
library(tsne)

features = subset(iris, select = -c(Species)) 

set.seed(0)
tsne = tsne(features, initial_dims = 2,perplexity=32)
tsne = data.frame(tsne)
pdb = cbind(tsne,iris$Species)   # juntando vetores por meio das colunas
fig =  plot_ly(data = pdb ,x =  ~X1, y = ~X2, type = 'scatter', marker = list(size = 8,line = list(color="black",width = 1)), split = ~iris$Species)

fig
```