Hackeando o R: gerando gráficos de modo interativo com o esquisse

No Hackeando o R de hoje, vamos apresentar o pacote esquisse, que facilita a geração de gráficos interativos no R. A principal funcionalidade do pacote é o add-in que ele adiciona ao R, que permite gerar gráficos de modo intuitivo e sem olhar diretamente para o código, sendo uma boa ferramenta para trabalhos rápidos. Após instalar o pacote, podemos acessar suas ferramentas no RStudio:

Vamos então carregar alguns dados para trabalhar dentro da ferramenta. Para o exemplo, utilizaremos 4 das principais variáveis reportadas pelo Boletim FOCUS.

library(rbcb)
library(tidyverse)

dados = get_annual_market_expectations(c('PIB Total', 'IPCA', 
'Taxa de câmbio', 
'Meta para taxa over-selic'
),
start_date = '2019-01-01') %>%
replace_na(replace = list(indic_detail = 'Média'))

dados$indic = ifelse(dados$indic == 'Taxa de câmbio', 'Taxa de Câmbio', 
dados$indic)

dados = dados %>% filter(reference_year == '2021' & base == 0 & 
indic_detail %in% c('Média', 'Fim do ano') & 
indic %in% c('IPCA', 'Meta para taxa over-selic',
'PIB Total', 'Taxa de Câmbio') & 
date > '2020-06-01')

Ao abrir o add-in, iremos selecionar os dados a serem utilizados:

Dentro da ferramenta, teremos então todas as colunas do dataframe, e diversas opções do ggplot2. Abaixo, colocamos a data no eixo x, a expectativa média no eixo y, e separamos os dados pela variável. É importante notar que os dados já foram transformados no formato tall, como fazemos em gráficos de múltiplas linhas normalmente.

Podemos personalizar diversas configurações, como adicionar título, mudar coordenadas, e alterar o layout. Após isso, podemos salvar o gráfico localmente. Outra opção é salvá-lo diretamente em um slide de PowerPoint. Isso pode ser feito tanto diretamente no add-in, como para objetos do tipo ggplot que você já possui localmente.



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.