R: R ggplot2 para iniciantes

Q: P: Qual é a diferença entre o interior e o exterior da função aes()?

R: Dentro de aes() há um mapeamento de variáveis (por exemplo, color = group, em que cada grupo tem uma cor diferente); fora de aes() há um valor fixo (por exemplo, color = "red", em que tudo é vermelho). Colocar "red" dentro de aes() será tratado como um nome de coluna.

Q: P: Qual é a diferença entre geom_bar() e geom_col() ?

R: geom_bar(stat = "identity") utiliza um valor y; geom_col() é sua sintaxe simplificada (mais concisa). geom_bar() conta por padrão (não é necessário y).

Q: P: Como faço para adicionar comentários?

R: Use geom_text() / geom_label():

Q: P: Como faço para remover a legenda?

R: theme(legend.position = "none").

Q: P: Como faço para salvar imagens em alta resolução?

R: ggsave("plot.png", dpi = 300, width = 8, height = 6), 300 dpi é o padrão para impressão.

Última atualização: 2026-08-26

Na aula anterior, abordamos os conceitos básicos de criação de gráficos no R — rápidos, mas pouco atraentes. Nesta aula, vamos nos aprofundar na verdadeira “arma secreta” do R — o ggplot2. Criado por Hadley Wickham, sua sintaxe “Grammar of Graphics” torna a criação de gráficos tão fácil quanto “construir com blocos”, produz visuais com qualidade de publicação por padrão e é utilizada em 90% dos artigos acadêmicos sobre o R.

Ao concluir esta lição, você será capaz de criar 5 tipos principais de gráficos usando o ggplot2 e compreender o conceito fundamental de “camadas”.

1. O que você vai aprender

Núcleo do ggplot2: sintaxe da Grammar of Graphics
O trio “ggplot() + aes() + geom_xxx()”
5 figuras geométricas básicas: ponto / reta / barra / histograma / gráfico de caixa
Mapeamento estético aes(x, y, cor, tamanho, forma)
tag labs() + tema theme_minimal()
Principais diferenças entre o ggplot2 e o R básico

2. Uma história sobre visualização de dados

(1) Problema: o R básico é muito feio

Bob usou o R básico para criar um gráfico que mostra as tendências de vendas em quatro cidades:

plot(1:4, sales, type = "b")

O gerente deu uma olhada e perguntou: “Essa imagem pode ser incluída no relatório?”

(2) A solução com o ggplot2

library(ggplot2)

ggplot(sales_df, aes(x = quarter, y = sales, color = city, group = city)) +
  geom_line(linewidth = 1) +
  geom_point(size = 3) +
  labs(title = "Q1-Q4 Sales Trends", x = "Quarter", y = "Sales") +
  theme_minimal()

4 linhas de código + gráficos com qualidade de publicação por padrão. Esse é o poder do ggplot2.

3. Conceitos fundamentais da “Gramática dos Gráficos”

(1) O que é a Gramática dos Gráficos?

graph TB
    A[ggplot2 Charts] --> B[Data Data<br/>data]
    A --> C[Aesthetic Mapping Aesthetics<br/>aes]
    A --> D[Geometric Objects Geometries<br/>geom_xxx]
    A --> E[Statistical Transformations Statistics<br/>stat_xxx]
    A --> F[Coordinate System Coordinate<br/>coord_xxx]
    A --> G[Sub-section Facet<br/>facet_xxx]
    A --> H[Topic Theme<br/>theme_xxx]
    
    style A fill:#fff3cd
    style B fill:#cce5ff
    style C fill:#d4edda
    style D fill:#f8d7da
    style E fill:#e1d4ff
    style F fill:#ffe1e1
    style G fill:#e1ffe1
    style H fill:#ffe1d4

Em resumo: o ggplot2 divide um gráfico em 7 camadas, cada uma delas independente e substituível.

(2) Os três pilares do ggplot2

Função	Finalidade	Exemplo
`ggplot()`	Inicialização (Dados especificados)	`ggplot(df)`
`aes()`	Mapeamento estético (Variáveis → Elementos visuais)	`aes(x, y, color)`
`geom_xxx()`	Objetos geométricos (camadas)	`geom_point()`

Exemplo mínimo:

library(ggplot2)
ggplot(mtcars, aes(x = wt, y = mpg)) +
  geom_point()

4. O primeiro gráfico com o ggplot2

(1) Processo de desenho em 5 etapas

library(ggplot2)

# 1. Prepare data
df <- data.frame(
  x = 1:10,
  y = (1:10) ^ 2
)

# 2. Initialization(Data)
p <- ggplot(df, aes(x = x, y = y))

# 3. Add a Layer
p <- p + geom_point()

# 4. Add a tag
p <- p + labs(title = "Quadratic Curve", x = "X", y = "Y")

# 5. Add a topic
p <- p + theme_minimal()

# 6. Print
print(p)

Ou use + para fazer tudo de uma vez só:

ggplot(df, aes(x = x, y = y)) +
  geom_point() +
  labs(title = "Quadratic Curve", x = "X", y = "Y") +
  theme_minimal()

💡 Dica: No ggplot2, use + para encadear camadas, da mesma forma que |> é usado para encadear operações com dados.

(2) Gravar em um arquivo

# Save as PNG
ggsave("myplot.png", width = 8, height = 6, dpi = 300)

# Save as PDF(For a thesis)
ggsave("myplot.pdf", width = 8, height = 6)

# Custom Size
ggsave("myplot.png", width = 10, height = 8, units = "cm", dpi = 300)

5. Mapeamento estético aes()

(1) Mapeamentos comuns

Mapeamento	Função	Exemplo
`x`, `y`	Coordenadas X / Y	`aes(x = age, y = height)`
`color` / `colour`	cor (externa)	`aes(color = gender)`
`fill`	Cor de preenchimento (barra/área)	`aes(fill = region)`
`size`	Tamanho da fonte	`aes(size = amount)`
`shape`	Forma de ponto	`aes(shape = category)`
`alpha`	Transparência	`aes(alpha = weight)`
`linetype`	Linear	`aes(linetype = type)`

(2) Aplicação prática: mapeamentos 3D

# Color + Size + Shape 3 dimensions
ggplot(mtcars, aes(x = wt, y = mpg, color = factor(cyl), size = hp)) +
  geom_point(alpha = 0.7) +
  labs(title = "Vehicle Weight vs Fuel Consumption", color = "Number of cylinders", size = "Horsepower")

(3) ⚠️ Dentro vs. fora da função aes()

# aes() Inside:Map to a variable(Each dot is a different color)
ggplot(df, aes(x, y, color = group)) + geom_point()
# → Different group Display different colors

# aes() Outside:Fixed value(All dots are the same color)
ggplot(df, aes(x, y)) + geom_point(color = "red")
# → All the dots are red

💡 Dica: color = "red" dentro de aes() será interpretado como a “coluna vermelha” (se os dados contiverem uma coluna vermelha). As cores fixas devem ser colocadas fora de aes().

6. 5 Figuras geométricas básicas

(1) geom_point() Gráfico de dispersão

ggplot(mtcars, aes(x = wt, y = mpg, color = factor(cyl))) +
  geom_point(size = 3) +
  labs(title = "Vehicle Weight vs Fuel Consumption", x = "Weight", y = "Fuel Consumption")

(2) geom_line() Gráfico de linhas

df <- data.frame(
  x = 1:10,
  y = c(2, 4, 3, 5, 4, 6, 5, 7, 6, 8),
  group = "A"
)

ggplot(df, aes(x = x, y = y)) +
  geom_line(color = "blue", linewidth = 1) +
  geom_point(color = "blue", size = 3)

(3) geom_bar() Gráfico de barras

# Data
df <- data.frame(
  city = c("Beijing", "Shanghai", "Guangzhou", "Shenzhen"),
  sales = c(4800, 7000, 3900, 4500)
)

# Bar Chart
ggplot(df, aes(x = city, y = sales, fill = city)) +
  geom_bar(stat = "identity") +  # identity = Use y values
  labs(title = "Total Sales by City", x = "City", y = "Sales") +
  theme_minimal()

⚠️ Observação: geom_bar(stat = "identity") utiliza os valores de y dos dados; geom_bar() faz a contagem por padrão.

(4) geom_histogram() Histograma

# 1000 A random number from a normal distribution
data <- data.frame(x = rnorm(1000, mean = 100, sd = 15))

ggplot(data, aes(x = x)) +
  geom_histogram(bins = 30, fill = "skyblue", color = "white") +
  labs(title = "Normal Distribution", x = "Value", y = "Frequency")

(5) geom_boxplot() Gráfico de caixa

# 4 Class Test Scores
scores <- data.frame(
  class = rep(c("1Cls", "2Cls", "3Cls", "4Cls"), each = 10),
  score = c(rnorm(10, 80, 8), rnorm(10, 75, 10),
            rnorm(10, 85, 7), rnorm(10, 70, 12))
)

ggplot(scores, aes(x = class, y = score, fill = class)) +
  geom_boxplot() +
  labs(title = "4 Class Grade Distribution", x = "Class", y = "Fractions")

7. Tags e tópicos

(1) tag labs()

ggplot(df, aes(x, y)) +
  geom_point() +
  labs(
    title = "Main Title",
    subtitle = "Subtitle",
    caption = "Data Sources:xxx",
    x = "X Axis",
    y = "Y Axis",
    color = "Color Mapping",
    fill = "Fill Mapping"
  )

(2) Tema theme_xxx()

Tema	Estilo
`theme_minimal()`	Minimalista (Mais comum)
`theme_bw()`	Preto e branco
`theme_classic()`	Clássicos (Acadêmicos)
`theme_void()`	Em branco
`theme_light()`	Luz
`theme_dark()`	Escuro

# Comparison 4 Topics
p <- ggplot(mtcars, aes(wt, mpg)) + geom_point()
(p + theme_minimal())  # Default Recommendation
(p + theme_bw())
(p + theme_classic())
(p + theme_void())

(3) Ajustes finos no tema

p + theme(
  plot.title = element_text(size = 16, face = "bold"),
  axis.text = element_text(size = 10),
  legend.position = "bottom"  # Legend Location
)

8. Cores e mapeamentos

(1) Cores distintas

# 1. Built-in Color Palette
p + scale_color_brewer(palette = "Set1")    # Classic
p + scale_color_brewer(palette = "Dark2")    # Dark
p + scale_color_brewer(palette = "Pastel1")  # Light-colored

# 2. Specify manually
p + scale_color_manual(values = c("red", "blue", "green"))

# 3. rainbow
p + scale_color_manual(values = rainbow(4))

(2) Cor contínua

# Gradient(For continuous variables)
p + scale_color_gradient(low = "blue", high = "red")
p + scale_color_viridis_c()   # viridis(Recommendations)
p + scale_color_distiller(palette = "RdYlBu")

9. Exemplo completo: vendas com várias imagens em 4 cidades

A seguir, apresentamos um exemplo de um fluxo de trabalho completo que reúne todos os conceitos abordados nesta aula.

▶ Exemplo: Coleção com 4 cidades e 5 fotos

R 📖 Somente leitura

# ============================================
# 4 City Sales 5 Image Gallery
# Features:Use ggplot2 to create 5 publication-quality charts
# ============================================

library(ggplot2)
library(dplyr)
library(tidyr)

# 1. Prepare data
sales_wide <- tibble(
  city = c("Beijing", "Shanghai", "Guangzhou", "Shenzhen"),
  Q1 = c(1000, 1500, 800, 1200),
  Q2 = c(1200, 1800, 900, 1400),
  Q3 = c(1100, 1700, 1000, 1300),
  Q4 = c(1500, 2000, 1200, 1600)
)

sales_long <- sales_wide |>
  pivot_longer(cols = -city, names_to = "quarter", values_to = "sales")

cat("=== Sales Data ===\n")
print(sales_long)

# 2. Plot 1:Linear Trend(By City)
p1 <- ggplot(sales_long, aes(x = quarter, y = sales, color = city, group = city)) +
  geom_line(linewidth = 1) +
  geom_point(size = 3) +
  labs(title = "Q1-Q4 Sales Trends", x = "Quarter", y = "Sales", color = "City") +
  scale_color_brewer(palette = "Set1") +
  theme_minimal()

print(p1)

# 3. Plot 2:Total Sales Bar Chart
total_sales <- sales_wide |>
  mutate(total = Q1 + Q2 + Q3 + Q4) |>
  select(city, total)

p2 <- ggplot(total_sales, aes(x = reorder(city, total), y = total, fill = city)) +
  geom_bar(stat = "identity") +
  coord_flip() +  # Sideways
  labs(title = "Total Sales by City", x = "City", y = "Total Sales") +
  theme_minimal() +
  theme(legend.position = "none")

print(p2)

# 4. Plot 3:Pie Chart of Percentage Distributions(geom_bar + coord_polar)
p3 <- ggplot(total_sales, aes(x = "", y = total, fill = city)) +
  geom_bar(stat = "identity", width = 1) +
  coord_polar(theta = "y") +  # Polar Coordinates(Pie Chart)
  labs(title = "Share of Sales") +
  theme_void() +
  scale_fill_brewer(palette = "Set2")

print(p3)

# 5. Plot 4:Histogram(All Sales Data)
p4 <- ggplot(sales_long, aes(x = sales, fill = city)) +
  geom_histogram(bins = 10, alpha = 0.7, position = "identity") +
  labs(title = "Sales Distribution", x = "Sales", y = "Frequency") +
  scale_fill_brewer(palette = "Set1") +
  theme_minimal()

print(p4)

# 6. Plot 5:Box-and-Whisker Plot(By City)
p5 <- ggplot(sales_long, aes(x = city, y = sales, fill = city)) +
  geom_boxplot() +
  labs(title = "Sales Distribution by City", x = "City", y = "Sales") +
  theme_minimal() +
  theme(legend.position = "none")

print(p5)

# 7. Save All Images
ggsave("01_trend.png", p1, width = 8, height = 6, dpi = 300)
ggsave("02_total.png", p2, width = 8, height = 6, dpi = 300)
ggsave("03_pie.png", p3, width = 8, height = 6, dpi = 300)
ggsave("04_hist.png", p4, width = 8, height = 6, dpi = 300)
ggsave("05_box.png", p5, width = 8, height = 6, dpi = 300)

cat("\n=== 5 The image has been saved ===\n")
cat("  01_trend.png - Linear Trend\n")
cat("  02_total.png - Bar Chart Comparison\n")
cat("  03_pie.png - Pie Chart of Percentage Distributions\n")
cat("  04_hist.png - Histogram\n")
cat("  05_box.png - Urban Box Lines\n")

61 linhas de lógica (limite de 40, somente leitura)

Resultado esperado: 5 gráficos com qualidade para publicação (o tema padrão “theme_minimal” já é atraente o suficiente).

❓ Perguntas Frequentes

P: Devo usar o ggplot2 ou o R básico? R: Use o ggplot2 para publicações, artigos e relatórios (visuais com qualidade de publicação + estilo consistente); use o R básico para uma análise rápida dos dados (grafos em uma linha). Este tutorial se concentra principalmente no ggplot2.

P: Qual é a diferença entre o interior e o exterior da função aes()? R: Dentro de aes() há um mapeamento de variáveis (por exemplo, color = group, em que cada grupo tem uma cor diferente); fora de aes() há um valor fixo (por exemplo, color = "red", em que tudo é vermelho). Colocar "red" dentro de aes() será tratado como um nome de coluna.

P: Qual é a diferença entre geom_bar() e geom_col()? R: geom_bar(stat = "identity") utiliza um valor y; geom_col() é sua sintaxe simplificada (mais concisa). geom_bar() conta por padrão (não é necessário y).

P: Como faço para adicionar comentários? R: Use geom_text() / geom_label():

ggplot(df, aes(x, y)) + geom_point() +
  geom_text(aes(label = name), vjust = -0.5)  # Add labels above the data points

P: Como faço para remover a legenda? R: theme(legend.position = "none").

P: Como faço para salvar imagens em alta resolução? R: ggsave("plot.png", dpi = 300, width = 8, height = 6), 300 dpi é o padrão para impressão.

📖 Resumo

O ggplot2 baseia-se na Gramática dos Gráficos e divide os gráficos em 7 camadas (dados, estética, geometria, estatística, coordenadas, facetas e temas)
Os três pilares: ggplot() (Dados) + aes() (Mapeamento) + geom_xxx() (Camadas)
5 tipos básicos de gráficos: ponto / linha / barra / histograma / boxplot Mapeamento estético: color fill size shape alpha linetype
aes() Interno = mapeamento variável; aes() Externo = valor fixo
Use theme_minimal(), theme_bw(), etc., para temas; use scale_color_brewer(palette = "Set1") para paletas de cores
ggsave() Salvar imagem (dpi = 300, padrão de impressão)
O ggplot2 oferece visualizações com qualidade de publicação por padrão — é utilizado em todos os relatórios e artigos profissionais em R

📝 Exercícios

Exercício básico: Crie um data frame (10 linhas, 2 colunas com valores de x e y), use ggplot + geom_point + labs + theme_minimal para traçar um gráfico de dispersão e verifique a diferença entre color = "red" (interno) e color = "red" (externo) em aes().
Exercício básico: Crie um gráfico de dispersão usando o conjunto de dados mtcars (wt vs mpg), colore os pontos de acordo com cyl (color = factor(cyl)) e adicione um título e um tema usando labs().
Exercício básico: Crie um data frame (5 cidades + valores de vendas), use geom_col() para traçar um gráfico de barras, classifique os dados usando reorder(city, sales) e verifique os resultados da classificação.
Exercício avançado: Simule as notas da Turma 4, com 30 alunos; use geom_boxplot() para traçar um gráfico de distribuição de notas da Turma 4; e adicione fill = class para definir a cor de preenchimento e theme_minimal() para aplicar um tema.
Desafio: Use mtcars para criar 6 gráficos (combinando o estilo par(mfrow) com o ggplot2): ① Gráfico de dispersão de wt versus mpg ② Histograma da distribuição de wt ③ Gráfico de caixa de mpg ④ wt versus mpg por cilindro ⑤ Gráfico de dispersão com mapa de cores ⑥ Personalização completa do tema. Salve os 6 gráficos como um PDF.

Equipe Técnica Web-Tutorial

Uma plataforma de tutoriais mantida por diversos desenvolvedores. Cada tutorial é escrito e revisado por profissionais da área correspondente. Trabalhamos para manter nosso conteúdo preciso e confiável — se encontrar algum problema, avise-nos.

Sobre Nós