As séries temporais irregulares costumam apresentar frequência na unidade de tempo diferentes durante o período avaliado, ou seja, é irregular conforme o tempo é modificado. Por exemplo, alguns anos têm 52 semanas e outros 53. Isso é uma irregularidade. Para trabalhar com séries com esta característica, vamos usar o pacote xts.

Com este pacote é possível organizar uma série calendário (irregular) baseada na data dos primeiros sintomas, por exemplo, e visualizá-la em um gráfico. Para isso, o processo é similar ao que estamos utilizando: preparamos os dados, atribuímos a um objeto e plotamos em um gráfico.

Então vamos lá. Continuaremos utilizando a base de dados de dengue do estado fictício de Rosas. Acompanhe os passos para preparar os dados:

1. Primeiro, vamos definir um período utilizando a função filter().

2. Em seguida, vamos fazer uma contagem de casos notificados de dengue por ano e semana epidemiológica utilizando a função count(). Note que as variáveis ano_epi e sem_epi foram criadas logo após a importação do {NINDINET.dbf} quando filtramos os casos de dengue.

3. Agora, vamos extrair o dia de início das semanas utilizando a função get_date() do pacote aweek. Vamos definir o argumento start como 7, que significa que a semana inicia no domingo, como padrão das semanas epidemiológicas.

4. Vamos organizar a base considerando a ordem do menor ano e menor semana para maior ano e maior semana.Vamos atribuir o resultado desse procedimento ao objeto dengue_semana.

Veja o script completo a seguir e replique no seu computador:

# Criando o objeto {`dengue_semana`}
dengue_semana <- dengue |>
  
  # Filtrando os registros dentre intervalo de datas
  filter(DT_SIN_PRI >= '2007-01-01' & DT_SIN_PRI <= '2012-12-31') |>
  
  # Contando a frequência de notificações por ano epidemiológico e semana 
  # epidemiológica
  count(ano_epi, sem_epi, name = 'n_casos') |>
  
  # Utilizando a função `mutate()` para criar a coluna de data de início
  # da semana epidemiológica
  mutate(data = get_date(sem_epi, ano_epi, start = 7)) |>
  
  # Ordenando pelo ano e semana epidemiológica
  arrange(ano_epi, sem_epi)

Atenção

Lembre-se que você deverá sempre verificar se todos os pacotes necessários foram instalados e carregados no R, caso encontre algum aviso (warning) ou erro (error) revise seu código cuidadosamente e rode-o novamente.

Pronto. Agora, vamos visualizar as primeiras linhas da Tabela 4, armazenada no objeto {dengue_semana}, que acabamos de criar utilizando a função head() alinhada à função kable() do pacote knitr. Essa função cria uma tabela para ser visualizada em arquivos HTML. Acompanhe o script a seguir e replique-o em seu RStudio:

kable(head(dengue_semana, 10))

Pacotes úteis para lidar com datas

Já vimos que o pacote lubridate tem funções bem interessantes para a manipulação de datas, entre elas epiweek() e epiyear(), que retornam a semana e o ano epidemiológico na definição do Centers for Disease Control (CDC), ou seja, a mesma usada no Brasil.

O pacote aweek também tem funções para lidar com dados por semana. No exemplo a seguir, estamos calculando a data de início da semana epidemiológica usando a função aweek(). No entanto, você tem de estar atento ao valor padrão dessa função, que não é semana epidemiológica. Por isso, é necessário definir o argumento start como 7.

# exemplo de como extrair a data de início da semana 1, 
# no ano 2020
get_date(1, 2020, start = 7)

#> [1] "2019-12-29"

O resultado deve ser “2019-12-29” que indica que a primeira semana de 2020 se iniciou em 29/12/2020.

Com os dados prontos, iremos agora utilizar a função xts do pacote xts. Para isso, será necessário definir dois argumentos:

• x: argumento que deverá indicar os dados a serem plotados. Ou seja, colocaremos no x a coluna da base de dados {dengue_foz} com os valores da incidência de casos (n_casos).
• order.by: argumento que deverá indicar a data correspondente aos dados indicados no argumento x. Aqui, utilizaremos a coluna com os valores da data de início das semanas epidemiológicas (data).

Perceba que utilizaremos o operador $ (cifrão) para indicar a seleção das variáveis dentro da base de dados. Observe o script a seguir e replique-o em seu RStudio:

# criando o no objeto {`dengue_irregular`}
dengue_irregular <- xts(
  
  # selecionando a variável com os dados dos casos
  x = dengue_semana$n_casos,
  
  # selecionando a variável que contém as datas correspondentes
  order.by = dengue_semana$data)

Também poderemos visualizar a série como um gráfico de linhas na função plot(), apresentado na Figura 14:

par(mfrow=c(1,1))
plot(
  
  # indicando a série temporal
  dengue_irregular,
  
  # Definindo o título
  main = 'Casos dengue em Rosas 2007/2012',
  
  # Definindo a cor das linhas
  col = 'darkblue',
  
  # Definindo a espessura das linhas
  lwd = 4,
  
  # Definindo o intervalo do eixo y
  ylim = c(0, 850)
)

O gráfico de calor, também conhecido pelo seu nome em inglês heatmap descreve valores para uma variável dividido entre duas outras variáveis em uma grade de quadrados que, conforme o valor da variável principal, a cor fica mais intensa.

Mais uma vez vamos usar os casos de dengue como exemplo:

1. em primeiro lugar vamos filtrar os casos de 2007 a 2011;
2. em seguida vamos contar o número de casos por dia de primeiros sintomas e atribuir a um objeto dengue_heat.

Acompanhe o script a seguir e replique-o em seu RStudio:

# Criando o objeto {`dengue_heat`}
dengue_heat <- dengue |>
  
  # Filtrando os registros dentre intervalos de datas
  filter(DT_SIN_PRI >= "2007-01-01" & DT_SIN_PRI <= "2011-12-31") |>
  
  # Contando a frequência de notificações por data dos primeiros sintomas
  count(DT_SIN_PRI, name = 'casos') |>
  
  # Utilizando a função `mutate()` para criar a coluna de ano de início
  # dos primeiros sintomas
  mutate(Ano = year(DT_SIN_PRI))

Agora, vamos visualizar as primeiras linhas, conforme Tabela 5, com o script a seguir. Repita em seu RStudio:

kable(head(dengue_heat, 10))

O pacote ggTimeSeries adiciona uma série de funções, entre elas a que vamos utilizar para fazer mapas de calor tipo calendário. Entretanto, as funções básicas do pacote não oferecem um visual que seja fácil de interpretar. Veja a Figura 15 a seguir, observe o padrão no código e replique-o no seu computador:

ggplot_calendar_heatmap(dengue_heat, 'DT_SIN_PRI','casos')

Atenção

Lembre-se que você deverá sempre verificar se todos os pacotes necessários foram instalados e carregados no R, caso encontre algum aviso (warning) ou erro (error) revise seu código cuidadosamente e rode-o novamente.

Fica bem difícil de visualizar os dias, não é mesmo? Vários comandos adicionais podem ser usados para estabelecer os rótulos em meses e dias da semana e também para atribuir uma escala diferente de cores.

Vamos, então, montar um gráfico (Figura 16) com funções do pacote ggplot2 para deixar mais profissional. Observe o script a seguir e replique-o em seu RStudio:

ggplot(data = dengue_heat) +
  
    # Definindo argumentos estéticos com as variáveis usadas em x e em y
  # e a variável usada para o preenchimento da série
  aes(date = DT_SIN_PRI, fill = casos) +
  
  # Adicionando geometria de `heatmap`
  stat_calendar_heatmap() +
  
  # Definindo a rampa de cores de preenchimento 
  scale_fill_gradient2(
    low = 'lightblue',
    high = 'red',
    mid = 'orange',
    midpoint = 75
  ) +
  
  # Arrumando o eixo y, definindo quais os marcadores (`breaks`) 
  # serão mostrados que, no caso, será uma sequência de 1 a 7, referente aos
  # dias da semana. O argumento `expand` ajuda nesse processo.
  scale_y_continuous(
    breaks = c(1:7),
    labels = c("Seg", "Ter", "Qua", "Qui", "Sex", "Sab", "Dom"),
    expand = c(0, 0)
  ) +
  
  # Arrumando o eixo x, definindo quais os marcadores (`breaks`) e
  # os rótulos do gráfico `labels`.
  scale_x_continuous(
    breaks = c(2, 6, 11, 16, 19, 24, 28, 33, 37, 42, 46, 50),
    labels = c(
      'Jan', 'Fev', 'Mar', 'Abr', 'Mai', 'Jun',
      'JUl', 'Ago', 'Set', 'Out', 'Nov', 'Dez'
    ),
    expand = c(0, 0)
  ) +
  
  # Definindo a estratificação por ano e o visual com uma coluna
  facet_wrap( ~ Ano, ncol = 1) +
  
  # Definindo o tema base
  theme_light() +
  
  # Definindo título do gráfico
  labs(
    title = "Mapa de calor dos casos notificados de dengue, estado de Rosas, 
    2007-2012.",
    fill = "Número de casos \nnotificados"
  )

Uau! Perceba no gráfico acima que o conjunto extra de comandos torna o gráfico em algo muito diferente e bem mais fácil de interpretar e visualizar.

Na covid-19 muitos profissionais de vigilância utilizaram gráficos temporais com a inclusão da média móvel de casos e óbitos de covid-19. A média móvel é sempre utilizada quando precisamos incluir no gráfico o cálculo da média aritmética das observações mais recentes, ou seja, quando precisamos saber a tendência média ao longo do tempo. Vamos ver como isso se dá na prática?

Primeiro, organizaremos os dados para o gráfico de linhas padrão, demonstrando o comportamento da doença que estamos analisando. Acompanhe o script a seguir e replique-o em seu RStudio:

dengue_semana <- dengue |>
  
  # Filtrando os registros com data de primeiros sintomas maior ou igual
  # a data de primeiro de janeiro de 2007.
  filter(DT_SIN_PRI >= '2007-01-01') |>
  
  # Utilizando a função `mutate()`pra criar novas colunas
  mutate (
    
    # Criando uma nova coluna chamada 'SEM_EPI` referente à semana
    # epidemiológica dos primeiros sintomas
    SEM_EPI = epiweek(DT_SIN_PRI),
    
    # Criando uma nova coluna chamada 'ANO_EPI` referente ao ano
    # epidemiológicos dos primeiros sintomas
    ANO_EPI = epiyear(DT_SIN_PRI),
    
    # Criando uma nova coluna chamada 'DT_INI_SEM` referente à 
    # data de início da semana epidemiológica
    DT_INI_SEM = get_date(SEM_EPI, ANO_EPI)
    
  ) |>
  
  # Agrupando as notificações pelo ano epidemiológico, semana
  # epidemiológica e data de início da semana epidemiológica
  group_by(ANO_EPI, SEM_EPI, DT_INI_SEM) |>
  
  # Contando a frequência de notificações
  count(name = 'casos')

Agora vamos preparar os dados para a média móvel. Observe o script a seguir e replique-o em seu RStudio:

dengue_sem2 <- dengue_semana |>
  
  # Filtrando os registros com data  maior ou igual
  # a data de primeiro de janeiro de 2007.
  filter(DT_INI_SEM >= '2010-01-01') |>
  
  # Desagrupando os dados
  ungroup() |>
  
  # Substituindo os valores faltantes por zero
  replace_na(list(casos = 0)) |>
  
  # Utilizando a função `mutate()` para criar colunas
  mutate(
    
    # Criando uma nova coluna chamada 'mm14` referente à média
    # móvel dos casos notificados de dengue
    mm14 = zoo::rollmean(casos, 14, fill = TRUE, align = 'center'),
    
    # Criando uma nova coluna referente ao rótulo que será
    # usado no gráfico
    rotulo = sprintf('%02d-%s', SEM_EPI, str_sub(ANO_EPI, 3, 4))
    
    
  )

Agora, vamos visualizar as primeiras linhas, conforme Tabela 6, com o script a seguir. Repita em seu RStudio:

kable(head(dengue_sem2, 10))

Pronto. Agora, faremos um gráfico de barras em cinza (Figura 17), com gráfico de linha com a média móvel em vermelho e, por fim, uma linha pontilhada laranja mostrando 50 casos. Observe o script a seguir e replique-o em seu RStudio:

# Criando o objeto gráfico {`gsem1`}
gsem1 <- ggplot(data = dengue_sem2) +
  
  # Definindo argumentos estéticos com as variáveis usadas em x e em y
  aes(x = DT_INI_SEM, y = casos) +
  
  # Adicionado a geometria de barras e 
  # definindo a variável usada para o preenchimento
  geom_col(fill = "gray") +
  
  # Adicionando a geometria de linhas e definindo a cor e
  # a espessura
  geom_line(aes(y = mm14), color = 'red', size = 1) +
  
  # Adicionado uma geometria de linha cruzando com o 
  # eixo y no valor 50 e definindo a linha como 
  # tracejada (`dashed`), cor laranja e espessura
  geom_hline(
    yintercept = 50,
    linetype = 'dashed',
    color = 'orange',
    size = 1
  ) +
  
  # Arrumando a data do eixo x, definindo os intervalos
  # (de 3 em 3 meses) e o rótulo
  scale_x_date(date_breaks = '3 months',
               date_labels = '%b/%Y',
               expand = c(0, 0))  +
  
  # Definindo o tema base
  theme_light() +
  
  # Alterando o tema do gráfico
  theme(
    
    # Alterando o texto do eixo x
    axis.text.x = element_text(
      angle = 90,
      hjust = 1,
      size = 12,
      color = 'grey32'
    )) +
  
  # Definindo o título d gráfico e títulos dos eixos x e y
  labs(
    title = "Média móvel",
    x = "Data",
    y = "Frequência"
  )

gsem1

Com o objeto gsem1 será possível modificar alguns aspectos como a escala do eixo X para representar as datas por semanas epidemiológicas e alterar o tamanho das letras dos respectivos eixos. Observe essas modificações plotadas na Figura 18 a seguir.

Acompanhe o script e replique-o em seu computador:

gsem1 +
  
  # Definindo os títulos dos eixos x e y
  labs(x = "Semana epidemiológica", y = "Casos") +
  
  # Arrumando o eixo x, definindo os marcadores (`breaks`)
  # e os rótulos
    scale_x_date(date_breaks = '3 weeks',
               date_labels = '%W/%Y',
               expand = c(0, 0))  +
  # Alterando o tema do gráfico
  theme(
    
    # Alterando o texto do eixo x
    axis.text.x = element_text(
      angle = 90,
      hjust = 1,
      size = 6,
      color = 'grey32'
    ),
    
    # Alterando o texto do eixo y
    axis.text.y = element_text(
      hjust = 1,
      size = 14,
      color = 'grey32'
    ),
    
    # Definindo que as grades do gráfico
    # nulas
    panel.grid.major.x =  element_blank() ,
    panel.grid.minor.x =  element_blank()
  )

#> Scale for 'x' is already present. Adding another scale for 'x', which will
#> replace the existing scale.

Ficou bacana, não é mesmo? Experimente aplicar o cálculo da média móvel para outras doenças ou agravos analisados em seu dia a dia.

Pirâmides etárias são amplamente utilizadas na vigilância em saúde. E com o apoio da linguagem R será possível produzi-las sempre que desejar. Aqui iremos construir pirâmide utilizando sexo e idade das notificações de dengue do Estado de Rosas. O primeiro passo será remover os poucos casos em que a variável sexo é igual a “I” (ignorados) e depois criar as faixas etárias com que vamos trabalhar na pirâmide para isso usaremos a função cut(), que permite categorizar uma variável contínua (NU_IDE_N, no presente caso), em categorias. Para isso informamos os pontos de corte (breaks) e, de forma opcional, os labels.

Em seguida vamos contar os casos por sexo e faixa etária criando uma variável chamada n e, por fim, vamos multiplicar n por -1 quando sexo for igual a “F”. Essa configuração é necessária para espelhar o eixo de frequência do lado oposto ao padrão e, assim, criarmos as barras para o sexo masculino e feminino (um à esquerda e outro à direita, como uma pirâmide etária). Acompanhe o código a seguir e replique-o no seu RStudio:

# Criando o objeto {`piramide`}
piramide <- dengue |>
  
  # Filtrando os registros com sexo diferente de "I" (ignorado)
  filter(CS_SEXO != 'I') |>
  
  # Utilizando a função `mutate()` para criar colunas
  mutate(
    # Criando uma coluna de idade conforme a codificação da variável NU_IDADE_N
    idade_anos = if_else(str_sub(NU_IDADE_N, 1, 1) == "4", 
    as.numeric(str_sub(NU_IDADE_N, 2, 4)), 0),
    
    # Criando uma coluna de faixa etária a partir da variável idade dos casos 
	# notificados
    # utilizando a função `cut()`
    fx_etaria = cut(
      
      # Definindo qual variável será classificada em faixas
      x = idade_anos,
      
      # Definindo os pontos de corte das classes
      breaks = c(-Inf, 10, 20, 30, 40, 50, 60, Inf),
      
      # Definindo o tipo do ponto de corte
      right = FALSE,
      include.lowest = FALSE,
      
      # Definindo os rótulos das classes
      labels = c("0-9", "10-19", "20-29", "30-39",  "40-49",  "50-59", "60 anos e+")
    )
  ) |>
  
  # Contando a frequência da faixa etária e sexo
  count(fx_etaria, CS_SEXO) |>
  
  # Utilizando a função `mutate()` para criar a coluna que
  # vai receber as configurações da pirâmide etária
  mutate(n = ifelse (CS_SEXO == 'F', n * -1, n))

Agora, vamos visualizar as primeiras linhas, conforme Tabela 7, com o script a seguir. Repita em seu RStudio:

kable(head(piramide, 10))

Tabela 7: Tabela {piramide} com dados organizados para gerar um gráfico no formato pirâmide (Figura 19).

Agora, perceba que vamos configurar o gráfico, Figura 19, para a visualização da pirâmide etária de casos de dengue em Rosas. Observe o script a seguir e replique-o em seu RStudio:

ggplot(data = piramide) +
  
  # Definindo argumentos estéticos com as variáveis usadas em x e em y
  # e a variável usada para o preenchimento das barras da pirâmide
  aes(x = n,
      y = factor(fx_etaria),
      fill = fct_drop(CS_SEXO)) +
  
  # Adicionando a geometria de colunas, definindo
  # a largura e o tipo de colunas
  geom_col(width = 0.9, position = "identity") +
  
  # Arrumando o eixo x, definindo os rótulos
  # a serem mostrados
  scale_x_continuous(labels = abs(c(-200, -100, 0, 100, 200))) +
  
  # Definindo os títulos dos eixos x, y e título da legenda do gráfico
  labs(
    title = 'Pirâmide etária dos casos notificados de dengue no estado de Rosas, 
    2007-2012',
    x = 'Número de casos notificados',
    y = 'Faixa Etária',
    fill = 'Sexo'
    ) +
  
  # Definindo o tema base
  theme_light() 

Com o R você também poderá criar gráficos interativos que aceitam zoom, seleção ou alguma função com clique do mouse e, assim, apresentá-los de forma mais dinâmica os gráficos produzidos na vigilância em saúde. Para isso o pacote plotly é uma ótima ferramenta. Esse pacote transforma os gráficos estáticos criados pelo pacote ggplot2 em gráficos dinâmicos. Essa é uma funcionalidade muito atrativa para páginas online, painéis de dados e arquivos offline disponibilizados via e-mail, por exemplo.

Para transformar os gráficos do ggplot2 em gráficos interativos, basta utilizarmos a função ggploty() do pacote plotly, utilizando apenas um argumento essencial que é o objeto gráfico. Vamos adicionar interatividade ao gráfico de linhas criado na seção anterior.

Acompanhe a linha de código a seguir e repita no seu computador:

ggplotly(graf_linhas)

Agora observe o gráfico apresentado na Figura 20.

Perceba que o gráfico gerado na Figura 20 será visualizado no painel Viewer do RStudio. Ao mover o mouse pelo gráfico, você verá etiquetas que mostram dados da tabela {graf_linhas} utilizada para montá-lo. No canto direito deste espaço, você perceberá que há vários comandos de zoom, de mover e salvar o gráfico como imagem. Explore as possibilidades de interação, veja como fica na Figura 21 a seguir.

Uma opção importante com o pacote ggplot2 é a possibilidade de criar painéis que estratificam um gráfico em sub-gráficos de uma maneira simples podendo controlar vários aspectos desses como arranjo, escalas, cores e outros.

No exemplo a seguir, você pode ver o gráfico de linhas para os 5 distritos administrativos do estado de Rosas. Como sempre, vamos preparar o dado contando a ocorrência de casos suspeitos de dengue por semana epidemiológica em cada um dos distritos e, em seguida, criar um gráfico de linhas onde cada distrito recebe uma cor. Acompanhe os scripts a seguir e replique-os no seu RStudio:

# Criando o objeto {`dengue_distritos`}
dengue_distritos <- dengue |>
  
  # Filtrando os registros com data de início dos 
  # sintomas maior ou igual a 1 de janeiro de 2010
  filter(DT_SIN_PRI >= '2010-01-01') |>
  
  # Agrupando as notificações pelo ano epidemiológico, semana
  # epidemiológica e distritos administrativos
  group_by(ano_epi, sem_epi, ID_DISTRIT) |>
  
  # Contando a frequência de notificações
  count(name = "casos") |>
  
    # Utilizando a função `mutate()` para criar a coluna
    # de data de início da semana epidemiológica
  mutate(data_ini = get_date(sem_epi, ano_epi, start = 7))

# Criando o gráfico
ggplot(data = dengue_distritos) +
  
  # Definindo argumentos estéticos com as variáveis usadas em x e em y
  # e a variável usada para a cor
  aes(x = data_ini, y = casos, color = ID_DISTRIT) +
  
  # Adicionando a linha referente aos casos
  geom_line() +
  
  # Definindo o tema base
  theme_classic()

O script acima criou uma tabela do tipo dataframe com dados de dengue notificados a partir de janeiro de 2010, agrupados e sumarizados por ano e semana epidemiológica em cada distrito administrativo do Estado de Rosas, no objeto {dengue_distritos}. Em seguida, conforme Figura 22, plotou um gráfico de linhas representa cada distrito apresentado.

Mas perceba que na Figura 22 as linhas se sobrepõem e fica um pouco difícil visualizar o comportamento da doença em cada distrito. Ainda mais porque alguns tiveram muitos casos e outros bem menos. Para melhorar esta visualização, conforme Figura 23, vamos criar sub-gráficos para cada distrito.

No ggplot2 há duas funções para criar sub-gráficos estratificados por alguma variável:

• facet_grid(),
• facet_wrap().

A primeira, facet_grid(), utiliza como argumento principal o operador til (~) seguido da variável que será estratificada em sub-gráficos. Isso significa que a função irá espalhar as categorias da variável por uma linha, um ao lado do outro.

Acompanhe o script a seguir e replique-os no seu RStudio:

ggplot(data = dengue_distritos) +
  
  # Definindo argumentos estéticos com as variáveis usadas em x e em y
  # e a variável usada para a cor
  aes(x = data_ini, y = casos, color = ID_DISTRIT) +
  
  # Adicionando a linha referente aos casos
  geom_line() +
  
  # Estratificando pelo distrito
  facet_grid(~ID_DISTRIT) +
  
  # Definindo o tema base
  theme_light() +
  
  # Definindo o título do gráfico.
  labs(title = "Número de casos notificados de dengue no estado de Rosas segundo
o distrito de residência do paciente, 2010-2012.")

Percebeu o quanto a visualização melhorou? O título dos sub-gráficos são as categorias da variável distrito, o eixo x repete para cada sub-gráfico, mas o eixo y é o mesmo para todos.

A função facet_wrap() funciona da mesma forma e tem o mesmo tipo de argumento. Uma das diferenças entre as duas é o output da função. Utilizando a mesma tabela criada anteriormente, {dengue_distritos}, vamos criar o mesmo gráfico anterior, só mudando para facet_wrap().

Acompanhe o script a seguir e replique-os no seu RStudio:

ggplot(data =dengue_distritos) +
  
  # Definindo argumentos estéticos com as variáveis usadas em x e em y
  # e a variável usada para a cor
  aes(x = data_ini, y = casos, color = ID_DISTRIT) +
  
  # Adicionando a linha referente aos casos
  geom_line() +
  
  # Estratificando pelo distrito
  facet_wrap( ~ ID_DISTRIT) +
  
  # Definindo o tema base
  theme_light() +
  # Definindo o título do gráfico.
  labs(
    title = "Número de casos notificados de dengue no estado de Rosas segundo
o distrito de residência do paciente, 2010-2012."
  )

Percebeu a diferença? Os sub-gráficos foram posicionados em três colunas, sendo a linha “quebrada” para outra, na qual foram posicionados mais dois. Outra diferença é que agora o eixo x é compartilhado com alguns sub-gráficos e o eixo y se repete quando troca de linha de sub-gráficos.

A quantidade de colunas e linhas pode ser controlada. Perceba o código a seguir, no qual definimos que a disposição dos sub-gráficos (Figura 25) será em duas colunas, deixando livre o número de linhas. Além disso, vamos posicionar a legenda a seguir de todos os sub-gráficos e definir uma escala de cores diferentes do padrão dado pelo pacote, ou seja, vamos criar uma rampa de cores utilizando códigos hexadecimais.

Acompanhe o código a seguir e repita no seu computador:

# Criando uma rampa de cores utilizando códigos hexadecimais
cores <- c("#66C2A5" , "#FC8D62" , "#8DA0CB" , "#E78AC3", "#A6D854")


ggplot(data =dengue_distritos) +
  
  # Definindo argumentos estéticos com as variáveis usadas em x e em y
  # e a variável usada para a cor
  aes(x = data_ini, y = casos, color = ID_DISTRIT) +
  
  # Adicionando geometria de linha e definindo a espessura
  geom_line(size = 0.8) +
  
  # Estratificando pelo distrito e definindo 2 colunas de disposição dos
  # sub-gráficos
  facet_wrap(~ ID_DISTRIT, ncol = 2) +
  
  # Definindo os títulos dos eixos x e y
  #   # Definindo o título do gráfico
  labs(
    title = "Número de casos notificados de dengue no estado de Rosas segundo
o distrito de residência do paciente, 2010-2012.",
    x = 'Data ',
    y = 'Casos dengue')+
  
  # Arrumando a rampa de cores conforme o vetor criado (`cores`)
  scale_color_discrete(type = cores, name = 'Distritos') +
  
  # Definindo o tema base
  theme_light() +
  
  # Alterando o tema do gráfico, posicionando a legenda para baixo
  theme(legend.position = "bottom")

A melhor disposição dos sub-gráficos depende da forma que você deseja representar o evento. Por exemplo, para comparação entre distritos, é de grande importância ter a mesma escala no eixo x. Isso permite que a magnitude do acometimento da doença em cada região seja representada. Mas, considere que o eixo x dos sub-gráficos não esteja representando os distritos administrativos que possuem poucos casos notificados e você decida alterar a escala do eixo x (Figura 26).

Uma das formas de adequar o gráfico é definir o argumento scales como free_y dentro da função facet_wrap(). Acompanhe o script a seguir e repita no seu RStudio, fazendo a comparação entre os sub-gráficos:

# Criando uma rampa de cores utilizando códigos hexadecimais
cores <- c("#66C2A5" , "#FC8D62" , "#8DA0CB" , "#E78AC3", "#A6D854")

# Criando o objeto gráfico {`painel`}
painel <- ggplot(data =dengue_distritos) +
  
  # Definindo argumentos estéticos com as variáveis usadas em x e em y
  # e a variável usada para a cor
  aes(x = data_ini, y = casos, color = ID_DISTRIT) +
  
  # Adicionando a geometria de linha e definindo
  # a espessusra
  geom_line(size = 0.8) +
  
  # Estratificando pelo distrito e definindo
  # mudança no eixo y conforme cada sub-gráfico
  facet_wrap(~ ID_DISTRIT, ncol = 2, scales = "free_y") +
  
  # Definindo os títulos dos eixos x, y e título do gráfico
  labs(
    title = "Número de casos notificados de dengue nos distritos administrativos 
    do estado de Rosas, 2010-2012.",
    x = 'Data ',
    y = 'Casos dengue') +
  
  # Arrumando a rampa de cores
  scale_color_discrete(type = cores, name = 'Distritos') +
  
  # Definindo o tema base
  theme_light() +
  
  # Alterando o tema do gráfico
  theme(legend.position = "bottom")

# Plotando o objeto `painel`
painel

Observe que agora cada sub-gráfico possui um eixo y diferente. Dessa forma, é possível visualizar o comportamento da doença em cada distrito.

Interessante, não é mesmo? Na próxima seção, você aprenderá como salvar estes gráficos no seu computador.