log(2, 10)
log(x = 2, base=10)


peso <- c(50, 55, 8, NA)
mean(peso)
mean(peso, na.rm = TRUE)


summary(peso, na.rm=TRUE)

estadiamento <- c("moderado", "grave", "grave", "grave", "leve", "leve")
barplot(table(estadiamento))

estadiamento.ordenado <- factor(estadiamento,
                                levels = c("leve", "moderado", "grave"), ordered=TRUE)
barplot(table(estadiamento.ordenado))

library(ggplot2)
teste<- mpg
tabela1 <- table(mpg$drv, mpg$fl)
barplot(tabela1, legend.text=TRUE)

barplot(tabela1,
        legend.text = TRUE,
        args.legend = list(x='topleft'))


# usando uma paleta de cores chamada terrain.colors com 3 cores
barplot(tabela1,
        legend.text = TRUE,
        args.legend = list(x = 'topleft'),
        col = terrain.colors(3))


# o argumento names.arg insere os nomes no eixo x
# o argumento legend.text insere os nomes na Legenda
barplot(tabela1,
        col = terrain.colors(3),
        args.legend = list (x = 'topleft'),
        legend.text = c("4 rodas", "frontal", "traseira"),
        name.arg = c( c="gás",
                      d = "diesel",
                      e = "ethanol",
                      p = "premium",
                      r = "regular"))

# podemos colocar as barras lado a lado ao inves de empilhadas uma sobre a outra
barplot(tabela1,
        col = terrain.colors(3),
        args.legend = list (x = 'topleft'),
        legend.text = c("4 rodas", "frontal", "traseira"),
        name.arg = c( c="gás",
                      d = "diesel",
                      e = "ethanol",
                      p = "premium",
                      r = "regular"),
        beside=TRUE)


#plotando um gráfico de pizza/torta
pie(table(mpg$drv))

hist(mpg$cty)
View(mpg$cty)

#podemos ajustar os limiters dos eixos x e y com os argumentos xlim e ylim
hist(mpg$cty,
     breaks = 10,
     col = "deepskyblue",
     main = "Distribuição do consumo na cidade",
     xlab = "milhas por galão",
     ylab = "frequência",
     xlim = c(0,40),
     ylim = c(0, 50))

# tudo é objeto, inclusive historiograma, logo podemos investigar
fig1 <- hist(mpg$cty,
             breaks = 10,
             col = "deepskyblue",
             main = "Distribuição do consumo na cidade",
             xlab = "milhas por galão",
             ylab = "frequência",
             xlim = c(0,40),
             ylim = c(0, 50))
View(fig1)

fig1 <- hist(mpg$cty,
             breaks = 10,
             col = "deepskyblue",
             main = "Distribuição do consumo na cidade",
             xlab  = "milhas por galão",
             ylab = "frequencia",
             xlim = c(0,40),
             freq = FALSE)
lines(density(mpg$cty))

plot(density(mpg$cty))

boxplot(mpg$cty)

#adicionado cor, titulo, subtitulo e nomes dos eixos
boxplot(mpg$cty,
         col = "deepskyblue",
         main = "Consumo de combustivel",
         ylab = "milhas por galão",
         xlab = "cidade")

boxplot(mpg$cty, mpg$hwy,
         col="gray",
         main = "Distribuição do consumo de combustivel",
         ylab = "milhas por galão",
         names = c("cidade", "estrada"))

#estratificando a distancia percorrida na cidade (cty) de acordo com o tipo
# de transmissao (trans) a formula sera: cty~trans que podemos ler como
# distancia percorrida na cidade de acordo com o tipo de transmissao
boxplot(cty~trans, mpg,
        col = "gray",
        main = "Distancia percorrida de acordo com tipo de transmissao",
        ylab = "milhas por galao")
library(tidyverse)
#agora somente com dois niveis, manual ou automatico
mpg <- mpg %>% mutate(marcha = recode(trans,
                                      "auto(l3)" = "automatica",
                                      "auto(l4)" = "automatica",
                                      "auto(l5)" = "automatica",
                                      "auto(l6)" = "automatica",
                                      "auto(s4)" = "automatica",
                                      "auto(s5)" = "automatica",
                                      "auto(s6)" = "automatica",
                                      "auto(av)" = "automatica",
                                      "manual(m5)" = "manual",
                                      "manual(m6)" = "manual"
                                      ))
boxplot(cty~marcha, mpg,
        col = "gray",
        main = "Distancia percorrida de acordo com o tipo de marcha",
        ylab = "milhas por galao")


#Gráficos de dispersao
plot(mpg$displ, mpg$cty)
# O primeiro argumento é X, o segundo é Y
#
#
#
#explicitando os eixos
plot(x = mpg$displ, y=mpg$cty)

plot(x=mpg$displ, y=mpg$cty,
     main = "Correlacao entre cilindradas e consumo",
     ylab = "milhas por galão",
     xlab = "cilindradas")

#podemos mudar o tipo de ponto no desenho com o argumento pch
plot(x=mpg$displ, y=mpg$cty,
     main = "Correlacao entre cilindradas e consumo",
     ylab = "milhas por galão",
     xlab = "cilindradas",
     pch = 20)


#analisando se o consumo de gasolina depende das cilinfradas do carro
plot(x=mpg$displ, y=mpg$cty,
     main = "Correlação entre cilindradas e consumo",
     xlab = "milhas por galão",
     ylab = "cilindradas",
     pch = 20)
retaRegressao <- lm(cty~displ, data = mpg)
abline(retaRegressao, col="red")
# resultado confirma que quanto maior a cilindrada, maior o consumo de 
# combustivel por milhas percorridas

iris
pairs(iris)

library(ggplot)
ggplot(mpg)

ggplot(mpg) + geom_bar(aes(x=drv))

# tipos de combustiveis
# distribuicao do tipo de combustivel
# (c=gas, dieese, etabnol, premium, regular)
ggplot(mpg) + geom_bar(aes(x=fl))

# Distribuicao do tipo de tracao x tipo de combustivel
ggplot(mpg) + geom_bar(aes(x=fl, fill=drv))

#adicionando tiulo
ggplot(mpg) + 
  geom_bar(aes(x=fl, fill=drv)) +
  ggtitle("Tipo de tração x tipo de combustível")

#renomeando os eixos
ggplot(mpg)+
  geom_bar(aes(x=fl, fill=drv)) +
  ggtitle("Tipo de tração x tipo de combustivel") +
  xlab("Tipo de combustível") +
  ylab("Quantidade") +
  labs(fill = "Tipo de tração")


ggplot(mpg) + geom_histogram(aes(x=cty))

#definindo o numero de barras do histograma como sendo 9
ggplot(mpg) + geom_histogram(aes(x=cty), bins = 9)


#alterando cor padrão
ggplot(mpg) +
  geom_histogram(aes(x=cty),
                 bins = 9,
                 fill = "deepskyblue",
                 col="black")

#Finalizando os detalhes dda estetica do grafico com os argumentos ggtile,
# xlab, y(lab, title())
ggplot(mpg) +
  geom_histogram(aes(x=cty),
                 bins = 9,
                 fill = "deepskyblue",
                 col = "black") +
  ggtitle("Distibuicao da distancia percorrida com 1 galao de gasolina") +
  xlab("milhas") +
  ylab("numero de carros")

# Para deixar os graficos com a estetica adequada para publicacoes cientificas
# é necessario retirar o fundo cinza que o ggplot2 usa por padrao
ggplot(mpg) +
  geom_histogram(aes(x=cty),
                 bins = 9,
                 fill = "deepskyblue",
                 col = "black") +
  ggtitle("Distibuicao da distancia percorrida com 1 galao de gasolina") +
  xlab("milhas") +
  ylab("numero de carros") +
  theme_classic()


#grafico de densidade
ggplot(mpg) + geom_density(aes(x=cty))

ggplot(mpg) + geom_density(aes(x=cty), fill="deepskyblue") +
  ggtitle("Distribuicao da distancia percorrida com 1 galao de gasolina") +
  xlab("milhas") +
  ylab("numero de carros") +
  theme_classic()