Artigo escrito em colaboração com Carolina Jacomini.

Plotly é uma empresa de computação técnica (2012) com sede em Montreal, Quebec, que desenvolve análises de dados online e ferramentas de visualização. Plotly fornece gráficos, análises e ferramentas estatísticas para indivíduos e empresas, bem como bibliotecas de gráficos científicos para Python, R, MATLAB, Perl, Julia, Arduino e REST.

O pacote Plotly cria gráficos interativos da web a partir de gráficos ‘ggplot2’ e/ou uma interface personalizada para a biblioteca JavaScript (MITlicensed) ‘plotly.js’ inspirada na gramática dos gráficos. Para rodar os exemplos nesse artigo vamos usar o dplyr então é preciso ter o tidyverse já instalado.

library(dplyr)
library(plotly)

Gráficos básicos

Scatter plot

Exemplo

O banco utilizado é o iris. Ele contém três espécies de flores (setosa, virginica, versicolor) e outras 4 variáveis relacionadas as suas medidas:

  1. Comprimento da sépala
  2. Largura da sépala
  3. Comprimento da pétala
  4. Largura da pétala
head(iris)
##   Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1          5.1         3.5          1.4         0.2  setosa
## 2          4.9         3.0          1.4         0.2  setosa
## 3          4.7         3.2          1.3         0.2  setosa
## 4          4.6         3.1          1.5         0.2  setosa
## 5          5.0         3.6          1.4         0.2  setosa
## 6          5.4         3.9          1.7         0.4  setosa
Scatter <- plot_ly(data = iris, 
                   x = ~Sepal.Length, 
                   y = ~Petal.Length, 
                   color = ~Species,
                   type = 'scatter', 
                   mode = 'markers') %>%
  layout(xaxis = list(title = "Comprimento da sépala"),
         yaxis = list(title = "Comprimento da pétala")) 
  

Scatter

Line plot

Exemplo

O banco de dados contém informações das temperaturas médias (mais baixa e mais alta por dia) de Nova York por mês em 3 anos (2000, 2007, 2014). Sendo assim as variáveis do banco são:

  1. Ano
  2. Mês
  3. Médias das temperaturas altas
  4. Médias das temperaturas baixas
head(Temp.New.york)
##      month high_2000 low_2000 high_2007 low_2007 high_2014 low_2014
## 1  January      32.5     13.8      36.5     23.6      28.8     12.7
## 2 February      37.6     22.3      26.6     14.0      28.5     14.3
## 3    March      49.9     32.5      43.6     27.0      37.0     18.6
## 4    April      53.0     37.2      52.3     36.8      56.8     35.5
## 5      May      69.1     49.9      71.5     47.6      69.7     49.9
## 6     June      75.4     56.1      81.4     57.7      79.7     58.0
line <- plot_ly(Temp.New.york, 
                x = ~month, 
                y = ~high_2014, 
                name = 'High 2014', 
                type = 'scatter', 
                mode = 'lines',
                line = list(color = 'rgb(205, 12, 24)', 
                            width = 4)) %>% 
  add_trace(y = ~low_2014, 
            name = 'Low 2014', 
            line = list(color = 'rgb(22, 96, 167)', 
                        width = 4)) %>% 
  add_trace(y = ~high_2007, 
            name = 'High 2007', 
            line = list(color = 'rgb(205, 12, 24)', 
                        width = 4, 
                        dash = 'dash')) %>% 
  add_trace(y = ~low_2007, 
            name = 'Low 2007', 
            line = list(color = 'rgb(22, 96, 167)', 
                        width = 4, 
                        dash = 'dash')) %>% 
  add_trace(y = ~high_2000, 
            name = 'High 2000', 
            line = list(color = 'rgb(205, 12, 24)', 
                        width = 4, 
                        dash = 'dot')) %>% 
  add_trace(y = ~low_2000, 
            name = 'Low 2000', 
            line = list(color = 'rgb(22, 96, 167)', 
                        width = 4, 
                        dash = 'dot')) %>% 
  layout(title = "Temperaturas médias alta e baixa em New York",
         xaxis = list(title = "Mês"),
         yaxis = list (title = "Temperatura (ºF)"))

line

Density plot

Exemplo

O banco utilizado é o diamonds do pacote ggplot2. Ele contém preços de mais de 50.000 cortes de diamantes. As variáveis são:

  1. Preço em dolár
  2. Peso
  3. Corte
  4. Cor
  5. Pureza
  6. x – comprimento em mm
  7. y – comprimento em mm
  8. z – comprimento em mm
  9. Profundidade
  10. Largura do topo do diamante
library(ggplot2)

dens <- with(diamonds, 
             tapply(price, 
                    INDEX = cut, 
                    density))

data.dens <- data.frame(x = unlist(lapply(dens, "[[", "x")),
                        y = unlist(lapply(dens, "[[", "y")),
                        cut = rep(names(dens), 
                                  each = length(dens[[1]]$x)))

head(data.dens)
##                x            y  cut
## Fair1 -1114.8694 6.744087e-08 Fair
## Fair2 -1073.4981 9.022150e-08 Fair
## Fair3 -1032.1268 1.196403e-07 Fair
## Fair4  -990.7555 1.572893e-07 Fair
## Fair5  -949.3842 2.064376e-07 Fair
## Fair6  -908.0129 2.708506e-07 Fair
density <- plot_ly(data.dens, 
                   x = ~x, 
                   y = ~y, 
                   color = ~cut) %>% 
  add_lines() %>%
  layout(xaxis = list(title = "Preço"),
         yaxis = list(title = "")) 

density

Bar chart

Exemplo

Também usa o banco de dados diamonds.

data.bar <-  ggplot2::diamonds %>% 
  count(cut,
        clarity)

head(data.bar)
## # A tibble: 6 x 3
##   cut   clarity     n
##   <ord> <ord>   <int>
## 1 Fair  I1        210
## 2 Fair  SI2       466
## 3 Fair  SI1       408
## 4 Fair  VS2       261
## 5 Fair  VS1       170
## 6 Fair  VVS2       69
bar <- data.bar %>% 
  plot_ly(x = ~cut, 
          y = ~n, 
          color = ~clarity) %>%
  layout(xaxis = list(title = "Corte"),
         yaxis = list(title = "Frequência absoluta (N)")) 

bar

Bar chart with error bars

Exemplo

O banco de dados utilizado é o ToothGrowth. A resposta é o comprimento dos odontoblastos (células responsáveis pelo crescimento dos dentes) em 60 cobaias. Cada porquinho-da-índia recebeu um dos três níveis de dose de vitamina C (0,5, 1 e 2 mg/dia) por um dos dois métodos de entrega, suco de laranja ou ácido ascórbico. As variáveis são:

  1. Comprimento do dente
  2. Tipo de suplemento
  3. Dose
library(plyr)

data_mean <- ddply(ToothGrowth, 
                   c("supp", 
                     "dose"), 
                   summarise, 
                   length = mean(len))

data_sd <- ddply(ToothGrowth, 
                 c("supp", 
                   "dose"), 
                 summarise, 
                 length = sd(len))

vitamin <- data.frame(data_mean, 
                      data_sd$length)

vitamin <- rename(vitamin, 
                  c("data_sd.length" = "sd"))

vitamin$dose <- as.factor(vitamin$dose)

head(vitamin)
##   supp dose length       sd
## 1   OJ  0.5  13.23 4.459709
## 2   OJ    1  22.70 3.910953
## 3   OJ    2  26.06 2.655058
## 4   VC  0.5   7.98 2.746634
## 5   VC    1  16.77 2.515309
## 6   VC    2  26.14 4.797731
error <- plot_ly(data = vitamin[which(vitamin$supp == 'OJ'),], 
                 x = ~dose, 
                 y = ~length, 
                 type = 'bar', 
                 name = 'OJ',
                 error_y = ~list(array = sd,
                                 color = '#000000')) %>% 
  add_trace(data = vitamin[which(vitamin$supp == 'VC'),], 
            name = 'VC') %>%
  layout(xaxis = list(title = "Dose"),
         yaxis = list(title = "Comprimento")) 

error

Histogram

Exemplo

Duas variáveis aleatórias que seguem distribuição normal.

plot_ly(alpha = 0.6) %>% 
  add_histogram(x = ~rnorm(500)) %>% 
  add_histogram(x = ~rnorm(500) + 1) %>% 
  layout(barmode = "overlay")

Boxplots

Exemplo

Também usa o pacote diamonds.

head(diamonds)
## # A tibble: 6 x 10
##   carat cut       color clarity depth table price     x     y     z
##   <dbl> <ord>     <ord> <ord>   <dbl> <dbl> <int> <dbl> <dbl> <dbl>
## 1 0.23  Ideal     E     SI2      61.5    55   326  3.95  3.98  2.43
## 2 0.21  Premium   E     SI1      59.8    61   326  3.89  3.84  2.31
## 3 0.23  Good      E     VS1      56.9    65   327  4.05  4.07  2.31
## 4 0.290 Premium   I     VS2      62.4    58   334  4.2   4.23  2.63
## 5 0.31  Good      J     SI2      63.3    58   335  4.34  4.35  2.75
## 6 0.24  Very Good J     VVS2     62.8    57   336  3.94  3.96  2.48
plot_ly(diamonds, 
        y = ~price, 
        color = ~cut, 
        type = "box")

Pie chart

Exemplo

O banco de dados é o USPersonalExpenditure. Este conjunto de dados consiste em despesas pessoais dos Estados Unidos (em bilhões de dólares) para os anos de 1940, 1945, 1950, 1955 e 1960 nas categorias:

  1. comida e tabaco,
  2. operação doméstica,
  3. medicina e saúde,
  4. cuidados pessoais e
  5. educação privada.
USPersonalExpenditure <- data.frame("Categorie" = rownames(USPersonalExpenditure), 
                                    USPersonalExpenditure)

data.pie <- USPersonalExpenditure[, c('Categorie', 
                                      'X1960')]

head(data.pie)
##                               Categorie X1960
## Food and Tobacco       Food and Tobacco 86.80
## Household Operation Household Operation 46.20
## Medical and Health   Medical and Health 21.10
## Personal Care             Personal Care  5.40
## Private Education     Private Education  3.64
colors <- c('rgb(211,94,96)', 
            'rgb(128,133,133)', 
            'rgb(144,103,167)', 
            'rgb(171,104,87)', 
            'rgb(114,147,203)')

pie <- plot_ly(data.pie, 
               labels = ~Categorie, 
               values = ~X1960, 
               type = 'pie',
               textposition = 'inside',
               textinfo = 'label+percent',
               insidetextfont = list(color = '#FFFFFF'),
               hoverinfo = 'text',
               text = ~paste('$', 
                             X1960, 
                             ' billions'),
               marker = list(colors = colors,
                             line = list(color = '#FFFFFF', 
                                         width = 1)),
               showlegend = FALSE) %>% 
  layout(title = 'United States Personal Expenditures by Categories in 1960',
         xaxis = list(showgrid = FALSE, 
                      zeroline = FALSE, 
                      showticklabels = FALSE),
         yaxis = list(showgrid = FALSE, 
                      zeroline = FALSE, 
                      showticklabels = FALSE))

pie

Bubble chart

Exemplo

O banco de dados é do github e ele contém 4 variáveis:

  1. Universidades americanas
  2. Salário de homens
  3. Salário de mulheres
  4. Diferença entre o salário de homens e mulheres
data.bubble <- read.csv("https://raw.githubusercontent.com/plotly/datasets/master/school_earnings.csv")

head(data.bubble)
##      School Women Men Gap
## 1       MIT    94 152  58
## 2  Stanford    96 151  55
## 3   Harvard   112 165  53
## 4    U.Penn    92 141  49
## 5 Princeton    90 137  47
## 6   Chicago    78 118  40
bubble <- plot_ly(data.bubble, 
                  x = ~Women, 
                  y = ~Men, 
                  text = ~School, 
                  type = 'scatter', 
                  mode = 'markers',
                  marker = list(size = ~Gap, 
                                opacity = 0.5)) %>% 
  layout(title = 'Gender Gap in Earnings per University',
         xaxis = list(showgrid = FALSE),
         yaxis = list(showgrid = FALSE))

bubble

Gráficos diferentes

Sunburst chart

Exemplo

Os bancos de dados são do github e ambos são a respeito de sabores de café, sendo o segundo banco mais completo que o primeiro. As variáveis são:

  1. Ids
  2. Labels
  3. Parents
d1 <- read.csv('https://raw.githubusercontent.com/plotly/datasets/master/coffee-flavors.csv')

head(d1)
##                         ids     labels parents
## 1         Enzymatic-Flowery    Flowery        
## 2          Enzymatic-Fruity     Fruity        
## 3           Enzymatic-Herby      Herby        
## 4      Sugar Browning-Nutty      Nutty        
## 5   Sugar Browning-Carmelly   Carmelly        
## 6 Sugar Browning-Chocolatey Chocolatey
d2 <- read.csv('https://raw.githubusercontent.com/plotly/datasets/718417069ead87650b90472464c7565dc8c2cb1c/sunburst-coffee-flavors-complete.csv')

head(d2)
##                       ids           labels parents
## 1                  Aromas           Aromas        
## 2                  Tastes           Tastes        
## 3        Aromas-Enzymatic        Enzymatic  Aromas
## 4   Aromas-Sugar Browning   Sugar Browning  Aromas
## 5 Aromas-Dry Distillation Dry Distillation  Aromas
## 6           Tastes-Bitter           Bitter  Tastes
sunburst <- plot_ly() %>%
  add_trace(ids = d1$ids,
            labels = d1$labels,
            parents = d1$parents,
            type = 'sunburst',
            maxdepth = 2,
            domain = list(column = 0)) %>%
  add_trace(ids = d2$ids,
            labels = d2$labels,
            parents = d2$parents,
            type = 'sunburst',
            maxdepth = 3,
            domain = list(column = 1)) %>%
  layout(grid = list(columns = 2, 
                     rows = 1),
         margin = list(l = 0, 
                       r = 0,
                       b = 0, 
                       t = 0),
         sunburstcolorway = c("#636efa","#EF553B","#00cc96","#ab63fa","#19d3f3",
                              "#e763fa", "#FECB52","#FFA15A","#FF6692","#B6E880"),
         extendsunburstcolors = TRUE)
sunburst

Dumbbell plot

Exemplo

O banco de dados é o mesmo utilizado anteriormente, relacionado às universidades.

Data.dumbbell <- read.csv("https://raw.githubusercontent.com/plotly/datasets/master/school_earnings.csv")

Data.dumbbell$School <- factor(Data.dumbbell$School, 
                               levels = Data.dumbbell$School[order(Data.dumbbell$Men)])


head(Data.dumbbell)
##      School Women Men Gap
## 1       MIT    94 152  58
## 2  Stanford    96 151  55
## 3   Harvard   112 165  53
## 4    U.Penn    92 141  49
## 5 Princeton    90 137  47
## 6   Chicago    78 118  40
Dumbbell <- plot_ly(Data.dumbbell,
                    color = I("gray80")) %>% 
  add_segments(x = ~Women, 
               xend = ~Men, 
               y = ~School, 
               yend = ~School, 
               showlegend = FALSE) %>% 
  add_markers(x = ~Women, 
              y = ~School, 
              name = "Women", 
              color = I("pink")) %>% 
  add_markers(x = ~Men, 
              y = ~School, 
              name = "Men", 
              color = I("blue")) %>% 
  layout(title = "Gender earnings disparity",
         xaxis = list(title = "Annual Salary (in thousands)"),
         margin = list(l = 65))

Dumbbell

3D Scatter plot

Exemplo

O banco utilizado é o mtcars. Os dados foram extraídos da revista Motor Trend US de 1974 e abrangem o consumo de combustível e 10 aspectos do design e desempenho do automóvel para 32 automóveis. As variáveis são:

  1. Milhas/galão
  2. Número de cilindros
  3. Deslocamento
  4. Potência bruta
  5. Relação do eixo traseiro
  6. Peso
  7. 1/4 de milha
  8. Tipo de motor
  9. Transmissão
  10. Número de marchas para frente
  11. Modelo do carro
  12. Montadora
mtcars$am[which(mtcars$am == 0)] <- 'Automatic'

mtcars$am[which(mtcars$am == 1)] <- 'Manual'

mtcars$am <- as.factor(mtcars$am)

head(mtcars)
##                    mpg cyl disp  hp drat    wt  qsec vs        am gear carb
## Mazda RX4         21.0   6  160 110 3.90 2.620 16.46  0    Manual    4    4
## Mazda RX4 Wag     21.0   6  160 110 3.90 2.875 17.02  0    Manual    4    4
## Datsun 710        22.8   4  108  93 3.85 2.320 18.61  1    Manual    4    1
## Hornet 4 Drive    21.4   6  258 110 3.08 3.215 19.44  1 Automatic    3    1
## Hornet Sportabout 18.7   8  360 175 3.15 3.440 17.02  0 Automatic    3    2
## Valiant           18.1   6  225 105 2.76 3.460 20.22  1 Automatic    3    1
Scatter3D <- plot_ly(mtcars, 
                     x = ~wt, 
                     y = ~hp, 
                     z = ~qsec, 
                     color = ~am, 
                     colors = c('#BF382A', 
                                '#0C4B8E')) %>% 
  add_markers() %>% 
  layout(scene = list(xaxis = list(title = 'Weight'),
                      yaxis = list(title = 'Gross horsepower'),
                      zaxis = list(title = '1/4 mile time')))

Scatter3D

3D Surface Plot

Exemplo

Fazer uma pirâmide de base triangular.

Surface <- plot_ly(x = c(0, 1, 2, 0),
                   y = c(0, 0, 1, 2),
                   z = c(0, 2, 0, 1),
                   i = c(0, 0, 0, 1),
                   j = c(1, 2, 3, 2),
                   k = c(2, 3, 1, 3),
                   facecolor = toRGB(viridisLite::viridis(4)))

Surface

Mapas usando plotly

Choropleth map

Exemplo

O banco de dados utilizado é do Githube e ele contém as variáveis de todos os países em 2014:

  1. País
  2. PIB (em bilhões de dólares)
  3. Sigla do país
Data.choropleth <- read.csv('https://raw.githubusercontent.com/plotly/datasets/master/2014_world_gdp_with_codes.csv')

head(Data.choropleth)
##          COUNTRY GDP..BILLIONS. CODE
## 1    Afghanistan          21.71  AFG
## 2        Albania          13.40  ALB
## 3        Algeria         227.80  DZA
## 4 American Samoa           0.75  ASM
## 5        Andorra           4.80  AND
## 6         Angola         131.40  AGO
l <- list(color = toRGB("grey"), 
          width = 0.5)

g <- list(showframe = FALSE,
          showcoastlines = FALSE,
          projection = list(type = 'Mercator'))

Choropleth <- plot_geo(Data.choropleth) %>% 
  add_trace(z = ~GDP..BILLIONS., 
            color = ~GDP..BILLIONS., 
            colors = 'Blues',
            text = ~COUNTRY, 
            locations = ~CODE, 
            marker = list(line = l)) %>% 
  colorbar(title = 'GDP Billions US$', 
           tickprefix = '$') %>% 
  layout(title = '2014 Global GDP<br>Source:<ahref="https://www.cia.gov/library/publications/the-world-factbook/fields/2195.html">CIA World Factbook</a>',
         geo = g)

Choropleth

Bubble Map

Exemplo

O banco de dados utilizado é do Githube e ele contém as variáveis de todos as cidades dos EUA em 2014:

  1. Nome da cidade
  2. População
  3. Latitude
  4. Longitude
  5. Quantile
Data.bmap <- read.csv('https://raw.githubusercontent.com/plotly/datasets/master/2014_us_cities.csv')

Data.bmap$q <- with(Data.bmap, 
                    cut(pop, 
                        quantile(pop)))

levels(Data.bmap$q) <- paste(c("1st", 
                               "2nd", 
                               "3rd", 
                               "4th", 
                               "5th"), 
                             "Quantile")
Data.bmap$q <- as.ordered(Data.bmap$q)

head(Data.bmap)
##            name     pop      lat        lon            q
## 1     New York  8287238 40.73060  -73.98658 4th Quantile
## 2  Los Angeles  3826423 34.05372 -118.24273 4th Quantile
## 3      Chicago  2705627 41.87555  -87.62442 4th Quantile
## 4      Houston  2129784 29.75894  -95.36770 4th Quantile
## 5 Philadelphia  1539313 39.95233  -75.16379 4th Quantile
## 6      Phoenix  1465114 33.44677 -112.07567 4th Quantile
g <- list(scope = 'usa',
          projection = list(type = 'albers usa'),
          showland = TRUE,
          landcolor = toRGB("gray85"),
          subunitwidth = 1,
          countrywidth = 1,
          subunitcolor = toRGB("white"),
          countrycolor = toRGB("white"))

Bubble.map <- plot_geo(Data.bmap, 
                       locationmode = 'USA-states', 
                       sizes = c(1, 250)) %>% 
  add_markers(x = ~lon, 
              y = ~lat, 
              size = ~pop, 
              color = ~q, 
              hoverinfo = "text",
              text = ~paste(Data.bmap$name, "<br />", 
                            Data.bmap$pop/1e6, 
                            " million")) %>% 
  layout(title = '2014 US city populations<br>(Click legend to toggle)', 
         geo = g)

Bubble.map
## Warning: `line.width` does not currently support multiple values.

## Warning: `line.width` does not currently support multiple values.

## Warning: `line.width` does not currently support multiple values.

## Warning: `line.width` does not currently support multiple values.

Gráficos animados no plotly

Exemplo: Gráfico de bolhas

Banco de dados

O pacote “gapminder” é um trecho dos dados disponíveis em https://www.gapminder.org/. Para cada um dos 142 países, o pacote fornece valores para expectativa de vida, PIB per capita e população, a cada cinco anos, de 1952 a 2007.

library(gapminder)

Banco.de.dados <- gapminder 
head(Banco.de.dados)
## # A tibble: 6 x 6
##   country     continent  year lifeExp      pop gdpPercap
##   <fct>       <fct>     <int>   <dbl>    <int>     <dbl>
## 1 Afghanistan Asia       1952    28.8  8425333      779.
## 2 Afghanistan Asia       1957    30.3  9240934      821.
## 3 Afghanistan Asia       1962    32.0 10267083      853.
## 4 Afghanistan Asia       1967    34.0 11537966      836.
## 5 Afghanistan Asia       1972    36.1 13079460      740.
## 6 Afghanistan Asia       1977    38.4 14880372      786.

Objetivo

O objetivo é fazer um gráfico que contenha todas as informções desse banco de dados.

figura <- Banco.de.dados %>%
  plot_ly(x = ~gdpPercap, 
          y = ~lifeExp, 
          size = ~pop, 
          color = ~continent, 
          frame = ~year, 
          text = ~country, 
          hoverinfo = "text",
          type = 'scatter',
          mode = 'markers') %>% 
  layout(xaxis = list(type = "log",
                      title = "PIB per capita"),
         yaxis = list(title = "Expectativa de vida"))

figura

animation_opts

figura2 <- figura %>%
  animation_opts(frame = 1000, 
                 easing = 'sin')

figura2

animation_button

  • xanchor: posição no eixo x
  • yanchor: posição no eixo y
figura3 <- figura2 %>%
  animation_button(x = 1,
                   xanchor = "right",
                   y = 0,
                   yanchor = "bottom")

figura3

animation_slider

  • currentvalue: sinalizar o tempo que está durante a animação.
  • hide: esconder a barra do tempo.
figura4 <- figura3 %>%
  animation_slider(currentvalue = list(prefix = "YEAR ", 
                                       font = list(color="red")))

figura4

Exemplo: gráfico de linhas

Banco de dados

O banco de dados é o txhousing. Ele contém informações sobre o mercado imobiliário no Texas fornecidas pelo centro imobiliário TAMU, http://recenter.tamu.edu/. As variáveis são:

  1. Cidade
  2. Data
  3. Mês
  4. Ano
  5. Número de vendas
  6. Valor total de vendas
  7. Preço médio de venda
  8. Total de listagens ativas
  9. Quantidade de tempo que levaria para vender todas as listagens atuais no ritmo atual de vendas
library(plotly)

accumulate_by <- function(dat, var) {
  var <- lazyeval::f_eval(var, dat)
  lvls <- plotly:::getLevels(var)
  dats <- lapply(seq_along(lvls), function(x) {
    cbind(dat[var %in% lvls[seq(1, x)], ], frame = lvls[[x]])
  })
  dplyr::bind_rows(dats)
}

Data.txhousing <- txhousing %>%
  filter(year > 2005, 
         city %in% c("Abilene", "Bay Area")) %>% 
  accumulate_by(~date)

head(Data.txhousing)
##       city year month sales   volume median listings inventory     date
## 1  Abilene 2006     1   107 11890000  90800      559       3.4 2006.000
## 2 Bay Area 2006     1   367 58297417 133100     3038       5.7 2006.000
## 3  Abilene 2006     1   107 11890000  90800      559       3.4 2006.000
## 4  Abilene 2006     2   152 16875000  98200      561       3.4 2006.083
## 5 Bay Area 2006     1   367 58297417 133100     3038       5.7 2006.000
## 6 Bay Area 2006     2   471 77665581 138900     3157       5.8 2006.083
##      frame
## 1 2006.000
## 2 2006.000
## 3 2006.083
## 4 2006.083
## 5 2006.083
## 6 2006.083

Gráfico final

fig <- Data.txhousing %>%
  plot_ly(x = ~date, 
          y = ~median,
          split = ~city,
          frame = ~frame, 
          type = 'scatter',
          mode = 'lines', 
          line = list(simplyfy = F)) %>% 
  layout(xaxis = list(title = "Date",
                      zeroline = F),
  yaxis = list(title = "Median",
               zeroline = F))  %>% 
  animation_opts(frame = 100,
                 transition = 0,
                 redraw = FALSE) %>% 
  animation_slider(hide = T) %>% 
  animation_button(x = 1, 
                   xanchor = "right", 
                   y = 0, 
                   yanchor = "bottom")

fig

Podemos usar o plotly com o ggplot para tornar a visualização de dados interativa. Os gráficos saem do jeito que você já conhece no ggplot com algumas opções oferecidas pelo plotly.

Você pode ler mais sobre o pacote no site do plotly ou então já partir para o código no R usando essa folha de atalhos com os gráficos mais usados.

0 respostas

Deixe uma resposta

Quer participar dessa discussão?
Sinta-se livre para contribuir!

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *