12.2 Tabelas de variáveis categóricas
A função table() permite contar valores em fatores e vetores e você pode relembrar como usar a função barplot() para gerar gráficos de barra simples:
# continuando com os dados de caixeta.csv
head(caixeta)| local | parcela | arvore | fuste | cap | h | especie | dap |
|---|---|---|---|---|---|---|---|
| chauas | 1 | 1 | 1 | 210 | 80 | Myrcia sulfiflora | 66.84508 |
| chauas | 1 | 3 | 1 | 170 | 80 | Myrcia sulfiflora | 54.11268 |
| chauas | 1 | 4 | 1 | 720 | 70 | Syagrus romanzoffianus | 229.18312 |
| chauas | 1 | 5 | 1 | 200 | 80 | Tabebuia cassinoides | 63.66198 |
| chauas | 1 | 6 | 1 | 750 | 170 | indet.1 | 238.73241 |
| chauas | 1 | 7 | 1 | 320 | 80 | Myrcia sulfiflora | 101.85916 |
# tem a coluna especie
# podemos resumir quantos individuos tem de cada espécie (considerando que cada linha é um individuo)
table(caixeta$especie)| Alchornea triplinervia | Andira fraxinifolia | bombacaceae | Cabralea canjerana | Callophyllum brasiliensis | Calophyllum brasiliensis | Cecropia sp | Coussapoa macrocarpa | Coussapoa micropoda | Cryptocaria moschata | Cyathea sp | Eugenia oblongata | eugenia3 | fabaceae1 | Ficus sp | Gomidesia sp | Ilex durosa | Ilex sp | indet.1 | indet.2 | indet.3 | Inga sp | Jacaranda puberula | jussara | Matayba sp | Mela 1 | Mela 2 | Myrcia sulfiflora | Myrtaceae 3 | myrtaceae1 | myrtaceae2 | myrtaceae4 | Pera glabrata | Persea sp | Pisonia sp | Psidium sp | Simplocos sp | Solanum sp1 | Solanum sp2 | Syagrus romanzoffianus | Tabebuia 1 | Tabebuia cassinoides | Tibouchina nutticeps |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 15 | 4 | 1 | 4 | 7 | 4 | 1 | 3 | 9 | 2 | 2 | 2 | 1 | 1 | 2 | 1 | 8 | 2 | 1 | 1 | 1 | 4 | 2 | 37 | 1 | 63 | 2 | 96 | 3 | 4 | 1 | 1 | 1 | 3 | 2 | 20 | 2 | 1 | 1 | 1 | 10 | 698 | 2 |
sort(table(caixeta$especie), decreasing = T)[1:3] # quais são as tres especies mais abundantes| Tabebuia cassinoides | Myrcia sulfiflora | Mela 1 |
|---|---|---|
| 698 | 96 | 63 |
table(caixeta$local) # quantas localidades?| chauas | jureia | retiro |
|---|---|---|
| 426 | 241 | 360 |
## Graficos de barra para representar uma tabela
op <- par(no.readonly = TRUE) # pega parametros gráficos atual
par(mar = c(10, 3, 0, 0)) # mudando as margens
vv <- sort(table(caixeta$especie), decreasing = T)
vv[1:5] # cinco especies mais abundantes| Tabebuia cassinoides | Myrcia sulfiflora | Mela 1 | jussara | Psidium sp |
|---|---|---|---|---|
| 698 | 96 | 63 | 37 | 20 |
# gráfico de barras disso
barplot(vv, cex.names = 0.5)
par(las = 2, mar = c(10, 5, 5, 1)) # mudando margens e orientacao dos eixos
barplot(sort(table(caixeta$especie), decreasing = T), cex.names = 0.8)
# muita coisa, pegando apenas as especies mais abundantes
barplot(sort(table(caixeta$especie), decreasing = T)[1:10], cex.names = 0.8)
# note como Tabebuia cassonoides é muito mais abundante que qualquer outra espécie nessas comunidades
par(op) # volta aos parametros
# numero de individuos por localidade
barplot(table(caixeta$local), ylab = "Número de indivíduos")
12.2.1 Resumo de gráficos univariados
Além das funções gráficas apresentadas acima, vamos ver aqui as funções dotchart() e stripchart(), úteis para visualizar dados brutos.
# para visualizar dados brutos
head(caixeta)| local | parcela | arvore | fuste | cap | h | especie | dap |
|---|---|---|---|---|---|---|---|
| chauas | 1 | 1 | 1 | 210 | 80 | Myrcia sulfiflora | 66.84508 |
| chauas | 1 | 3 | 1 | 170 | 80 | Myrcia sulfiflora | 54.11268 |
| chauas | 1 | 4 | 1 | 720 | 70 | Syagrus romanzoffianus | 229.18312 |
| chauas | 1 | 5 | 1 | 200 | 80 | Tabebuia cassinoides | 63.66198 |
| chauas | 1 | 6 | 1 | 750 | 170 | indet.1 | 238.73241 |
| chauas | 1 | 7 | 1 | 320 | 80 | Myrcia sulfiflora | 101.85916 |
# plotar a coluna altura (h)
plot(caixeta$h, xlab = "Observações", ylab = "Altura (m)")
# note que o único valor extremos fica super evidente
# poderíamos usar a função dotchart para isso
dotchart(caixeta$h, ylab = "Observações", xlab = "Altura (m)")
# inversão dos eixos..
# vamos corrigir o valor extremo
caixeta[which(caixeta$h > 300), "h"] <- 48
# faz um boxplot disso
boxplot(caixeta$h) # já vimos isso, mas note os pontos isolados dos boxes (caixas), esses são valores isolados, meio fora da distribuicao
summary(caixeta$h) # ve os quartis e média| Min. | 1st Qu. | Median | Mean | 3rd Qu. | Max. |
|---|---|---|---|---|---|
| 5 | 60 | 90 | 89.86173 | 110 | 230 |
# plota a mediana
abline(h = median(caixeta$h), col = "red", lwd = 3)
# plota todos os quartis
abline(h = quantile(caixeta$h), col = "blue", lwd = 2)
# ve em forma de histograma
hist(caixeta$h, breaks = 20)
# plota os quartis
abline(v = quantile(caixeta$h), col = "blue", lwd = 2)
dim(caixeta)## [1] 1027 8# ve o histograma na forma de pontos:
?stripchartstripchart(caixeta$h, method = "stack", jitter = 0, offset = 1, ylim = c(0, nrow(caixeta)), xlab = "altura (cm)")
## Numa tela só boxplot, histograma, densidade e stripchart
olp <- par(no.readonly = TRUE)
par(mfrow = c(2, 2), mar = c(3, 3, 3, 0))
boxplot(caixeta$h)
hist(caixeta$h)
plot(stats::density(caixeta$h))
stripchart(caixeta$h, method = "stack")
par(olp) # resgata parametros graficos originais
## Histograma com diferentes larguras de barras
par(mar = c(5, 4, 3, 1), mfrow = c(3, 2))
hist(caixeta$h, main = "Default")
hist(caixeta$h, breaks = 5, main = "Cinco break-points")
hist(caixeta$h, breaks = 10, main = "Dez break-points")
hist(caixeta$h, breaks = 15, main = "Quinze break-points")
hist(caixeta$h, breaks = 20, main = "Vinte break-points", col = "lightblue")
par(olp)