Introdução

a representação de dados em mapas é uma das técnicas de visualização de dados mais utilizadas pela mídia jornalística;

• a abordagem de camadas é intuitiva (uma camada para a representação visual da área geográfica, e outra para os pontos e preenchimentos)

• R oferece um ecossistema de pacotes baseados no ggplot2 que facilitam a construção de mapas

Exemplo de mapa

Localização de consulados e embaixadas americanas no Brasil

Pacote geobr (Pereira and Goncalves 2023)

• arquivos de dados geográficos contendo o território nacional são disponibilizados no site do IBGE.

• O pacote geobr (Pereira and Goncalves 2023) (IPEA) é uma API para acesso aos dados do IBGE.

O formato SF (simple features)

• O formato SF foi criado pela Open Geospatial Consortium e é eficiente para a representação de mapas geográficos.

• No R, um mapa SF é um tibble com uma coluna especial de geometria, que guarda os polígonos (áreas) ou pontos junto com os metadados.

• O ggplot2 desenha esses objetos com a camada geom_sf().

Exemplo geobr (1)

library(dplyr)

data_year <- 2019
br <- geobr::read_country(
  year = data_year, 
  showProgress = FALSE
)

dplyr::glimpse(br)

Rows: 1
Columns: 2
$ year     <dbl> 2019
$ geometry <MULTIPOLYGON [°]> MULTIPOLYGON (((-49.70495 -...

Exemplo geobr (2)

library(ggplot2)

p0 <- ggplot(data = br) + 
  geom_sf() + 
  theme_light()

p0

Mapa do Brasil

Exemplo geobr – cidades e capitais

df_cities <- vdr::data_import(
  "Chapter07-latlong-cities-brazil.csv"
)

p1 <- p0 + 
  geom_point(data = df_cities,
             mapping = aes(y = latitude, x = longitude),
             size = 0.05, 
             color = "blue",
             alpha = 0.35) + 
  geom_point(data = df_cities |> filter(capital == TRUE),
             mapping = aes(y = latitude, x = longitude),
             size = 1.5,
             color = 'red') +           
  labs(title = "Cidades do Brasil",
       subtitle = "Capitais dos estados em vermelho",
       caption = "Dados do IBGE (2019)")

p1

Mapa de cidades e capitais do Brasil

Exemplo geobr – Rendimento mensal domiciliar

df_ibge <- vdr::data_import(
  "Chapter07-data-ibge.csv"
)

data_year <- 2010
states <- geobr::read_state(code_state = "all", 
                            year = data_year, 
                            showProgress = FALSE) |>
  left_join(df_ibge, by = c("code_state" = "codigo"))

p <- ggplot(data = states, 
            aes(fill = rendimento_mensal_domiciliar)) + 
  geom_sf() + 
  theme_light() + 
  labs(fill = "Rend. Mensal",
       title = "Renda Mensal Domiciliar por Estado",
       caption = "Dados do IBGE (2010)") + 
  colorspace::scale_fill_binned_diverging(
    "Blue-Red", 
    mid = median(states$rendimento_mensal_domiciliar))

p

Pacote ggmap (Kahle et al. 2023)

• API online para a importação de mapas do Google Maps e Stamen Maps.

• Disponibiliza mapas atualizados do mundo inteiro!

Usando o API

library(ggmap)

google_key <- "YOUR_KEY_HERE"

register_google(
  key = google_key, 
  account_type = 'standard'
)

Após o registro da chave, teste a chamada ao API com um comando simples:

ggmap::geocode("Porto Alegre RS")

# A tibble: 1 × 2
    lon   lat
  <dbl> <dbl>
1 -51.2 -30.0

Utilizando ggmap

sc <- ggmap::get_map(
  "state of santa catarina, brazil", 
  maptype = "terrain",
  zoom = 7)

p_sc <- ggmap::ggmap(sc) + 
  labs(
    title = "Estado de Santa Catarina",
    caption = "Dados do Google Maps"
  )

p_sc

Exemplo de mapa para o estado de Santa Catarina

Codificação geográfica

• codificação geográfica é a busca de latitude e longitude a partir de um texto (string)

ea_ufrgs <- ggmap::geocode("Escola de Administração UFRGS")

ea_ufrgs

# A tibble: 1 × 2
    lon   lat
  <dbl> <dbl>
1 -51.2 -30.0

Com a latitude e longitude do local em mãos, fica fácil de mostrar no mapa o ponto de interesse:

poa <- ggmap::get_map("Escola de Administração UFRGS", 
                      zoom = 15)

p_ea <- ggmap::ggmap(poa) + 
  labs(
    title = "Cidade de Porto Alegre", 
    subtitle = "Localização Escola de Adm., UFRGS",
    caption = "Dados do Google Maps") + 
  geom_point(data = ea_ufrgs, 
             aes(x = lon, 
                 y = lat),
             size = 5,
             color = "red") + 
  geom_text(data = ea_ufrgs,
            aes(x = lon,
                y = lat, 
                label = "EA-UFRGS"),
            nudge_y = 0.00075,
            color = "blue")

p_ea

Programação com o ggplot2

A plataforma R fornece um ambiente computacional completo para automatizar qualquer tarefa de visualização de dados.

Criando figuras via funções

• A saída de ggplot2::ggplot() é um objeto do R como qualquer outro

• Podemos manipular esse objeto facilmente!

• Imagine o seguinte problema:

  • precisa criar um gráfico do preço do índice SP500 para anos diferentes, onde cada ano terá um gráfico individual, salvo em arquivo separado.

Para testar a função, vamos importar os dados do SP500 e criar o gráfico para o ano de 2020:

df_yf <- vdr::data_import(
  "Chapter04-sp500-1950-2022.csv"
)

p <- plot_year(2020, df_yf)

p

SP500 para o ano 2020

Aplicando a um vetor de anos:

years_to_plot <- 2000:2020

l_p <- purrr::map(
  .x = years_to_plot, 
  .f = plot_year,
  df_yf = df_yf
)

O primeiro elemento de l_p é o gráfico para o ano de 2000:

l_p[[1]]

Iterando com purrr (vs. for)

• purrr::map() aplica uma função a cada elemento de um vetor e devolve uma lista com os resultados.

• É equivalente a um laço for, porém mais conciso e sem a necessidade de “pré-alocar” a lista:

# equivalente usando for
l_p <- vector("list", length(years_to_plot))

for (i in seq_along(years_to_plot)) {
  l_p[[i]] <- plot_year(years_to_plot[i], df_yf)
}

Agora que temos 1) a função que cria o gráfico por ano e 2) um conjunto de anos, podemos melhorar o código adicionando o processo de exportação das figuras.

plot_year_and_export <- function(this_year, 
                                 df_yf, 
                                 path_to_save = "figs") {
  
  p <- plot_year(this_year, df_yf)
  
  fs::dir_create(path_to_save)
  
  file_to_save <- fs::path(
    path_to_save,
    paste0("SP500_", this_year, ".png")
  )
  
  ggsave(file_to_save, p,
         width = 10, height = 6, dpi = 300)
  
  return(p)
  
}

Aplicando a função:

years_to_plot <- 2015:2022
dir_out <- fs::path_temp('sp500-by-year')

l_p <- purrr::map(
  .x = years_to_plot, 
  .f = plot_year_and_export,
  path_to_save = dir_out,
  df_yf = df_yf
)

basename(fs::dir_ls(dir_out))

[1] "SP500_2015.png" "SP500_2016.png" "SP500_2017.png" "SP500_2018.png"
[5] "SP500_2019.png" "SP500_2020.png" "SP500_2021.png" "SP500_2022.png"

Resultado

Figuras com o índice SP500 por ano

Testando temas

Como sabemos, módulo ggplot2 (Wickham et al. 2026) e ggthemes (Arnold 2026) oferecem diversos temas incluindo:

• ggplot2::theme_bw()
• ggplot2::theme_grey()
• ggthemes::theme_excel()
• ggthemes::theme_economist()

Primeiro criamos a função com tema:

plot_with_theme <- function(this_theme_fct, p) {
  
  p <- p + this_theme_fct()
  
  return(p)
}

E agora testamos para o mesmo gráfico de preços e a função de tema theme_economist() :

p <- ggplot(df_yf, 
            aes(x = ref_date, 
                y = price_adjusted)) + 
  geom_line() + 
  labs(x = 'Tempo',
       y = "Valor (escala log10)",
       title = "SP500 (1950 - 2022)") + 
  scale_y_continuous(trans='log10')


p <- plot_with_theme(ggthemes::theme_economist, p)

p

Agora, vamos criar uma nova função que irá exportar o resultado em arquivos no formato png.

Note que passamos a própria função de tema (e não o seu nome como string): assim evitamos eval(parse()) e deixamos o código mais seguro e idiomático.

plot_with_theme_and_export <- function(this_theme_fct, 
                                       theme_label, 
                                       p, 
                                       path_to_save) {
  
  p <- plot_with_theme(this_theme_fct, p) 
  
  fs::dir_create(path_to_save)
  
  p <- p + 
    labs(subtitle = paste0("Tema = ", theme_label))
  
  file_to_save <- fs::path(
    path_to_save,
    paste0("SP500-1950-2022_", 
            stringr::str_replace_all(theme_label, 
                                     '::', '_' ),
            ".png")
  )
  
  ggsave(file_to_save, p,
         width = 10, height = 6, dpi = 300)
  
  return(p)
  
}

Aplicação da função:

themes <- list(
  "ggplot2::theme_light"      = ggplot2::theme_light,
  "ggplot2::theme_grey"       = ggplot2::theme_grey,
  "ggthemes::theme_excel"     = ggthemes::theme_excel,
  "ggthemes::theme_economist" = ggthemes::theme_economist
)

dir_out <- fs::path_temp("testing-themes")

l_p <- purrr::imap(
  .x = themes,
  .f = function(fct, nm) plot_with_theme_and_export(
    this_theme_fct = fct,
    theme_label = nm,
    p = p,
    path_to_save = dir_out
  )
)

basename(fs::dir_ls(dir_out))

[1] "SP500-1950-2022_ggplot2_theme_grey.png"      
[2] "SP500-1950-2022_ggplot2_theme_light.png"     
[3] "SP500-1950-2022_ggthemes_theme_economist.png"
[4] "SP500-1950-2022_ggthemes_theme_excel.png"    

Resultado

Figuras com o índice SP500 por tema de gráfico

O que vimos

• Mapas no R com geobr (dados oficiais do IBGE) e ggmap (mapas do Google).
• Objetos no formato SF são desenhados com a camada geom_sf().
• Figuras do ggplot2 são objetos: podem ser guardadas em listas e manipuladas.
• purrr::map() e purrr::imap() aplicam funções a vários elementos e automatizam a produção de figuras.
• Funções com parâmetros permitem testar temas e exportar várias figuras de uma vez.