Transformando os gráficos do ggplot em gifs

O gganimate é um pacote que permite extender os gráficos do ggplot para uma forma animada, em formato de vídeo ou gif. Esse tipo de visualização pode ser muito interessante, principalmente para apresentações de slides ou textos online. Para demonstrar a funcionalidade do pacote, iremos analisar o comportamento da participação da agropecuária no PIB das microrregiões do Brasil, entre 2002 e 2018. Para capturar os dados, iremos utilizar o pacote sidrar, que faz o download dos dados do IBGE. Já para plotar o mapa, utilizaremos o pacote geobr.

Além dos pacotes carregados pelo library, é necessário instalar os pacotes gifski, png e transformr.

 


#install.packages('gifski')
#install.packages('png')
#install_github("thomasp85/transformr")
library(geobr)
library(sidrar)
library(gganimate)

Além de fazer o download dos dados e dos mapas, é preciso junta-los em um mesmo dataframe por um denominador comum. No caso, utilizaremos o código IBGE da microrregião, presente em ambas as bases.

pib_agro = sidrar::get_sidra(5938,
variable = 516, #variavel e porcentagem do agro no pib
geo = "MicroRegion",
period = "all")

mapa_micro = read_micro_region()
mapa_micro$code_micro = as.character(mapa_micro$code_micro)

merged = dplyr::left_join(mapa_micro, pib_agro, by = c("code_micro" = "Microrregião Geográfica (Código)"))
merged$Ano = as.integer(merged$Ano)

Com o dataframe pronto, é possível plotar o mapa. Veja que os comandos do pacote gganimate são as duas últimas linhas. O comando transition_time faz a definição da variável que vai corresponder aos frames do vídeo. Já com o ease_aes, o pacote faz uma interpolação entre os frames para gerar uma suavização dos dados.


ggplot() +
geom_sf(data=merged, aes(fill=Valor), color= NA) +
labs(subtitle="Participação da agricultura no PIB", size=8) +
scale_fill_continuous(trans = "reverse") +
theme_minimal() +
theme(axis.title=element_blank(),
axis.text=element_blank(),
axis.ticks=element_blank()) +
labs(title = 'Year: {frame_time}') +
transition_time(Ano) +
ease_aes('linear')


Com o mapa, é possível perceber que a participação da agropecuária caiu no período de forma quase geral, principalmente nas regiões Sudeste e Nordeste do país, mas permanece forte em parte das regiões Centro-oeste e Norte.

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Análise regional do mercado de trabalho com dados do CAGED usando Python

Os microdados dos CAGED fornecem informações detalhadas a nível de cidade, sexo, raça, nível de instrução, idade, salário e outras sobre os trabalhadores formais do Brasil, possibilitando ricas análises regionais de dados. Neste artigo mostramos como acessar, processar e analisar estes dados utilizando o Python.

Transfer Learning: mostrando porque o Python está na ponta do desenvolvimento

A aprendizagem por transferência (transfer learning) é o reuso de um modelo pré-treinado em um novo problema. Portanto, sua utilização torna-se um avanço enorme para a previsão de diferentes tipos de variáveis, principalmente para aquelas ordenadas no tempo. Mostramos nesta postagem o uso do Transfer Learning com o Python para o caso de Séries Temporais.

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.