O projeto Tidy Tuesday

O projeto Tidy Tuesday é um projeto semanal de análise de dados no R. A iniciativa dá ênfase em compreender como organizar, processar e visualizar dados utilizando os pacotes ggplot2, tidyr, dplyr e outras ferramentas do universo tidyverse.

A iniciativa

1. toda terça-feira será publicado um banco de dados novo e diferente sobre os mais variados assuntos. O banco de dados é disponibilizado através deste [repósitório]() no Github.
2. Cientistas, entusiastas e estudantes do mundo todo utilizam o mesmo banco de dados para realizar análises e responder perguntas diferentes.
3. Os gráficos e o código das análises são compartilhados com a hashtag #TidyTuesday nas redes sociais.
4. Todo mundo aprende um pouco sobre R, gráficos e sobre o tema da semana.

Gostaram? Então mãos a obra.

Semana 38: Cetacean Dataset

O banco de dados desta semana é sobre Cetáceos e esta disponível no GIthub.

Pacotes necessários

library(tidyverse) # ggplot2, dplyr, etc
library(RCurl)     # para baixar os dados diretamente do Github

Banco de dados

Descrição:

Uma coleção de dados sobre baleias e golfinhos que passram algum tempo em cativeiro nos USA entre 1938 e 2017.

Baixando os dados

Utilizamos o pacote RCurl para baixar os dados do repositório.

### Load data----
url <- "https://raw.githubusercontent.com/rfordatascience/tidytuesday/master/data/2018/2018-12-18/allCetaceanData.csv"
d <- read_csv(getURL(url))

glimpse(d)

## Observations: 2,194
## Variables: 22
## $ X1             <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 1...
## $ species        <chr> "Bottlenose", "Bottlenose", "Bottlenose", "Bottlenos...
## $ id             <chr> "NOA0004614, AZA 428, MLF-428", "NOA0004386, AZA 138...
## $ name           <chr> "Dazzle", "Tursi", "Starbuck", "Sandy", "Sandy", "Na...
## $ sex            <chr> "F", "F", "M", "F", "M", "F", "M", "F", "M", "F", "M...
## $ accuracy       <chr> "a", "a", "a", "a", "a", "a", "a", "a", "a", "a", "a...
## $ birthYear      <chr> "1989", "1973", "1978", "1979", "1979", "1980", "198...
## $ acquisition    <chr> "Born", "Born", "Born", "Born", "Born", "Born", "Bor...
## $ originDate     <date> 1989-04-07, 1973-11-26, 1978-05-13, 1979-02-03, 197...
## $ originLocation <chr> "Marineland Florida", "Dolphin Research Center", "Se...
## $ mother         <chr> "Betty III", "Little Bit", "Cindy (T.t. gilli)", "Gi...
## $ father         <chr> "Davy II", "Mr. Gipper", "Sambo", NA, NA, "Jethro (T...
## $ transfers      <chr> NA, NA, "SeaWorld San Diego to SeaWorld Aurora (??-?...
## $ currently      <chr> "Marineland Florida", "Dolphin Research Center", "Se...
## $ region         <chr> "US", "US", "US", "US", "US", "US", "US", "US", "US"...
## $ status         <chr> "Alive", "Alive", "Alive", "Alive", "Alive", "Alive"...
## $ statusDate     <date> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,...
## $ COD            <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, ...
## $ notes          <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, "Sunny was o...
## $ transferDate   <date> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,...
## $ transfer       <chr> "US", "US", "US", "US", "US", "US", "US", "US", "US"...
## $ entryDate      <date> 1989-04-07, 1973-11-26, 1978-05-13, 1979-02-03, 197...

O banco de dados possui 2194 observações (linhas) e 22 variáveis (colunas).

Análises e perguntas

Olhando este banco de dados eu me fiz as seguintes perguntas

Quais são as espécies mais frequentes (top 10)?

nsp <-
  d %>%
  count(species, sort = T) %>%
  top_n(n = 10)
nsp

## # A tibble: 10 x 2
##    species                      n
##    <chr>                    <int>
##  1 Bottlenose                1668
##  2 Killer Whale; Orca          79
##  3 Beluga                      68
##  4 White-sided, Pacific        56
##  5 Pacific White-Sided         41
##  6 Commerson's                 37
##  7 Spinner                     36
##  8 Beluga Whale                28
##  9 Short-Finned Pilot Whale    25
## 10 Pilot, Short-fin            22

### Gráfico
ggplot(nsp, aes(x = reorder(species, n), y = n)) +
  geom_col(fill = "lightblue", color = "white") +
  scale_y_log10() +
  theme_minimal(base_size = 14) +
  labs(x = "Espécie", 
       y = "Número de indivíduos em cativeiro") +
  coord_flip() 

Como podemos ver o grupo Tursiops (Bottlenose) é o que tem o maior número de indivíduos em cativeiro (mais de 1000 indivíduos). Este grupo é um gênero de golvinhos cosmopolitas, com pelo menos três espécies:

1. Tursiops aduncus
   
2. Tursiops australis
   
3. Tursiops truncatus
   

Para incluir também uma espécies de baleia, irei filtrar o banco de dados para as especies: "Bottlenose" e "Killer Whale; Orca".

Faremos todas as análises de dados a partir destas duas espécies.

dd <- d  %>% 
  filter(species %in% c("Bottlenose", "Killer Whale; Orca" ))

Qual a a distribuição do sexo dos indivíduos entre essas duas espécies?

dc <- dd %>%
  group_by(species, sex) %>%
  count()

### Gráfico
ggplot(dc, aes(x = species, y = n, fill = sex)) +
  geom_col(position = "fill", alpha = .75) +
  geom_hline(yintercept = 0.5, lty = "dotted") +
  theme_minimal(base_size = 14) +
  scale_fill_manual(values = c("#66c2a5", 
                               "#fc8d62",
                               gray(.8)),
                    name = "Sexo",
                    labels = c("Macho", "Fêmea", "Sem informação")) +
  labs(y = "Proporção de indivíduos",
       x = "") +
  coord_flip()

Dicas e sugestões?

Tem alguma crítica? Sugestão? Deixe um comentário ;)

Até a próxima aventura =)