###### Aula GGplot

#coloque o comando setwd() abaixo


#############################################################################
###### INSTALANDO E CARREGANDO OS PACOTES QUE SERÃO UTILIZADOS
#############################################################################

## Pacote Tidyverse. Contém diversos pacotes com diversas funções para a manipulação dos dados 

#install.packages("tidyverse") # instalando o pacote / SE AINDA NÃO FOI INSTALADO, RETIRE A # DO ÍNICIO PARA CONSEGUIR RODAR
library (tidyverse) # carregando o pacote

install.packages("cowplot") #pacote para exportar imagens
library(cowplot)

#############################################################################
###### VERIFICANDO SE VOCÊ JÁ INFORMOU AO R STUDIO QUAL É O DIRETÓRIO DE TRABALHO QUE ELE IRÁ CONSIDERAR PARA ACESSAR E SALVAR OS SEUS ARQUIVOS
#############################################################################

# Ainda na aba “Files”, clique em “ More” (com ícone de engrenagem em azul) e depois em “Set As Working Directory”

# Repare: no console, aparecerá o comando “setwd()”. Dentro dos parênteses deverá conter o caminho até a pasta que você escolheu 

# Para verificar qual o diretório de trabalho está sendo trabalhado, utilize a função: 

getwd()

#############################################################################
###### LIMPANDO OS OBJETOS DE OUTROS PROJETOS 
#############################################################################


ls() #Verificando se há objetos usando a função 

rm(list = ls()) # removendo os objetos


#############################################################################
###### CRIANDO UM BANCO DE DADOS 
#############################################################################

#Criando um banco de dados 

set.seed(123)  # Define uma semente para geração de números aleatórios reproduzíveis

df <- tibble(  # Cria um novo tibble (data frame moderno) com as seguintes colunas:
  dia = 1:300,  # Coluna "dia" de 1 a 300
  notificados = round(seq(20, 500, length.out = 300)) + sample(-20:20, 300, replace = TRUE),  # Coluna "notificados" com valores entre 20 e 500, com ruído aleatório
  confirmados = round(seq(5, 50, length.out = 300)) + sample(-5:5, 300, replace = TRUE),  # Coluna "confirmados" com valores entre 5 e 50, com ruído aleatório
  sexo = sample(c('F', 'M'), 300, replace = TRUE, prob = c(.6, .4)),  # Coluna "sexo" com valores 'F' e 'M', com probabilidade de 60% e 40%, respectivamente
  idade = sample(c(0:19, 20:39, 40:59, 60:100), 300, replace = TRUE),  # Coluna "idade" com valores entre 0-19, 20-39, 40-59 e 60-100 de forma aleatória
  local = rep(c('Local1', 'Local2'), each = 150)  # Coluna "local" com repetição de 'Local1' e 'Local2' para 150 vezes cada
)

head(df)  # Exibe as primeiras linhas do data frame "df", mostrando uma prévia dos dados

str(df)  # Mostra a estrutura do data frame "df", exibindo informações sobre as colunas e seus tipos


#############################################################################
###### CAMADAS DE UM GRÁFICO
#############################################################################

#### CAMADA BASE - banco de dados - painel em branco 

ggplot(data = df) #especificando o argumento data (banco de dados)

#ou

ggplot(df) #sem especificar o argumento

#ou

df %>% 
  ggplot() #utilizando pipe 

#### - Mapear as variáveis


df %>% 
  ggplot(mapping = aes(x = notificados, y = confirmados))

#OU

df %>% 
  ggplot(aes(x = notificados, y = confirmados)) # Sem o nome do argumento  mapping

#OU

df %>% 
  ggplot(aes(notificados, confirmados)) # sem os nomes dos argumentos x e y

#valores nas escalas dos eixos X e Y e título nos eixos com os valores das variáveis 

####  Especificar as formas geométricas


# Gráfico de dispersão

# duas variáveis quantitativas

df %>% 
  ggplot(aes(notificados, confirmados)) + 
       geom_point()

#Repare que para as camadas do ggplot, será utilizado o sinal de "+" e não o pipe "%>%"

#colocando o aes() na geometria

df %>% 
  ggplot() + 
  geom_point(aes(notificados, confirmados)) 

#utilizando a função plot do pacote básico 

plot(df$notificados, df$confirmados)

# Conforme se aumenta a complexidade, a função ggplot fica mais simples (comparado ao plot)

# Diferenciação por sexo

df %>% 
  ggplot() +
   geom_point(aes(notificados, confirmados, color = sexo))


#### - Propriedades estéticas

# Pode ser definida como um valor (cor azul) ou usada para mapear uma variável (sexo)


# Propriedade estética 'color' definida como 'blue', fora do aes() e dentro da geometria

df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados), color = 'blue')

df %>% 
  ggplot(aes(notificados, confirmados)) +
  geom_point(color = 'blue')

# Repare, enquanto mapping pode ser definido tanto em ggplot() e geom_point(), color precisa estar em geom ()


df %>% 
  ggplot(color = 'blue') + # a cor deve ser inserida dentro de aes()
  geom_point(aes(notificados, confirmados)) 

df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados, color = 'blue')) #blue está sendo considerado como variável, o que não faz sentido



# Propriedade estética usada para mapear uma variável (sexo), dentro do aes()


df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados, color = sexo))

df %>% 
  ggplot(aes(notificados, confirmados)) +
  geom_point(aes(color = sexo))

df %>% 
  ggplot(aes(color = sexo)) +
  geom_point(aes(notificados, confirmados))


#### Histograma

# uma varíavel quantitativa contínua

df %>% 
  ggplot() +
  geom_histogram(aes(notificados))

df %>% 
  ggplot(aes(notificados)) +
  geom_histogram()

# aes() tanto em  ggplot() como em geom_histogram()


# por padrão, são utilizos 30 intervalos


df %>% 
  ggplot(aes(notificados)) +
  geom_histogram(bins = 15) #alterando para 15 intervalos 



df %>% 
  ggplot(aes(notificados)) +
  geom_histogram(bins = 5) #alterando para 5 intervalos 


df %>% 
  ggplot(aes(notificados)) +
  geom_histogram(binwidth = 5) #alterando a amplitude dos intervalos para 5



df %>% 
  ggplot(aes(notificados)) +
  geom_histogram(binwidth = 20) #alterando a amplitude dos intervalos para 20


# cores do contorno e do preenchimento


df %>% 
  ggplot(aes(notificados)) +
  geom_histogram(color = 'blue') #contorno azul 

df %>% 
  ggplot(aes(notificados)) +
  geom_histogram(fill = 'blue') #preenchimento azul 

df %>% 
  ggplot(aes(notificados)) +
  geom_histogram(fill = 'gray', color = 'red') #preenchimento cinza e contorno vermelho


df %>% 
  ggplot(aes(notificados)) +
  geom_histogram(aes(fill = local)) #preenchimento conforme a variável local

df %>% 
  ggplot() +
  geom_histogram(aes(notificados, fill = local)) #preenchimento conforme a variável local

#### Barras

# variável qualitativa

df %>% 
  ggplot() +
  geom_bar(aes(sexo))


df %>% 
  ggplot() +
  geom_bar(aes(sexo), fill = 'lightpink') 

df %>% 
  ggplot() +
  geom_bar(aes(sexo), fill = 'lightpink', color = 'red')


df %>% 
  ggplot() +
  geom_bar(aes(sexo), width = .5) #ajustar a largura das barras

df %>% 
  ggplot() +
  geom_bar(aes(sexo), width = .2) #ajustar a largura das barras

df %>% 
  ggplot() +
  geom_bar(aes(sexo), width = .9) #ajustar a largura das barras


# variável quantitativa, em função de uma variável qualitativas 

df %>% 
  ggplot() +
  geom_bar(aes(sexo, notificados), stat = 'identity') # substituiu contagem por notificados (variável quantitativa) por meio do argumento stat = 'identidy'


# variável quantitativa, em função de duas variáveis qualitativas 


df %>% 
  ggplot() +
  geom_bar(aes(sexo, notificados, fill = local), 
           stat = 'identity')
df %>% 
  ggplot() +
  geom_bar(aes(sexo, notificados, fill = local), 
           stat = 'identity', position = "dodge") #position "dodge" deixa as barras lado a lado


#### Linhas 

# Duas variáveis quantitativas

df %>% 
  ggplot() +
  geom_line(aes(dia, notificados)) 

# adcionando uma camada

df %>% 
  ggplot() +
  geom_line(aes(dia, notificados)) +
  geom_point() # erro


df %>% 
  ggplot(aes(dia, notificados)) + #necessario colocar em ggplot
  geom_line() +
  geom_point()

df %>% 
  ggplot() +
  geom_line(aes(dia, notificados)) + # ou colocar em cada geometria
  geom_point(aes(dia, notificados))

df %>% 
  ggplot() +
  geom_line(aes(dia, notificados)) +
  geom_point(aes(dia, notificados), color = 'blue') #acrescentando cor azul

df %>% 
  ggplot() +
  geom_line(aes(dia, notificados), color = 'red') + #acrescentando cor vermelho
  geom_point(aes(dia, notificados), color = 'blue')

#### box plot

#variável quantitativa distribuída em cada uma das categorias de uma variável qualitativa

df %>% 
  ggplot() +
  geom_boxplot(aes(sexo, notificados))

df %>% 
  ggplot() +
  geom_boxplot(aes(notificados, sexo)) #inversão das variáveis

quantile(df$notificados) #quantis 

df %>% 
  ggplot() +
  geom_boxplot(aes(sexo, notificados), notch = T) # notch = T melhora a visualização

df %>% 
  ggplot() +
  geom_boxplot(aes(sexo, confirmados), notch = T) #confirmados

#### Pirâmide

#criando uma variável faixa etária 

df <- df %>% 
  mutate(FET = case_when(idade < 10 ~ "0-9",
                         idade >= 10 & idade < 20 ~ "10-19",
                         idade >= 20 & idade < 30 ~ "20-29",
                         idade >= 30 & idade < 40 ~ "30-39",
                         idade >= 40 & idade < 50 ~ "40-49",
                         idade >= 50 & idade < 60 ~ "50-59",
                         idade >= 60  ~ "60 e mais")) %>% 
  mutate(notificados_piramid = ifelse(sexo == "M", notificados * -1, 
                                      notificados))

# a função case_when, substitui a função ifelse()


df %>% 
  ggplot(aes(FET, notificados_piramid , fill = sexo, width = 1)) +
  #coord_flip() + # Inverte o eixo
  geom_bar(data = subset(df, sexo == "F"), stat = "identity") +
  geom_bar(data = subset(df, sexo == "M"), stat = "identity") 


df %>% 
  ggplot(aes(FET, notificados_piramid , fill = sexo, width = 1)) +
  coord_flip() + # Inverte o eixo
  geom_bar(data = subset(df, sexo == "F"), stat = "identity") +
  geom_bar(data = subset(df, sexo == "M"), stat = "identity") 


#### Elementos modificáveis - independente dos dados 

df %>% 
  ggplot(aes(FET, notificados_piramid , fill = sexo, width = 1)) +
  theme_bw() + # FUNDO BRANCO, COM GRADES E BORDAS
  coord_flip() +
  geom_bar(data = subset(df, sexo == "F"), stat = "identity") +
  geom_bar(data = subset(df, sexo == "M"), stat = "identity") 

df %>% 
  ggplot(aes(FET, notificados_piramid , fill = sexo, width = 1)) +
  theme_linedraw() + # FUNDO BRANCO, COM GRADES EM DESTAQUE E BORDAS
  coord_flip() +
  geom_bar(data = subset(df, sexo == "F"), stat = "identity") +
  geom_bar(data = subset(df, sexo == "M"), stat = "identity")

df %>% 
  ggplot(aes(FET, notificados_piramid , fill = sexo, width = 1)) +
  theme_minimal() + # FUNDO BRANCO, COM GRADES, SEM BORDAS
  coord_flip() +
  geom_bar(data = subset(df, sexo == "F"), stat = "identity") +
  geom_bar(data = subset(df, sexo == "M"), stat = "identity") 

df %>% 
  ggplot(aes(FET, notificados_piramid , fill = sexo, width = 1)) +
  theme_test() + # FUNDO BRANCO, SEM GRADES E COM BORDAS
  coord_flip() +
  geom_bar(data = subset(df, sexo == "F"), stat = "identity") +
  geom_bar(data = subset(df, sexo == "M"), stat = "identity") 


df %>% 
  ggplot(aes(FET, notificados_piramid , fill = sexo, width = 1)) +
  theme_classic() + # FUNDO BRANCO, SEM GRADES E BORDAS EM L
  coord_flip() +
  geom_bar(data = subset(df, sexo == "F"), stat = "identity") +
  geom_bar(data = subset(df, sexo == "M"), stat = "identity") 

df %>% 
  ggplot(aes(FET, notificados_piramid , fill = sexo, width = 1)) +
  theme_dark() + # FUNDO PRETO, COM GRADES
  coord_flip() +
  geom_bar(data = subset(df, sexo == "F"), stat = "identity") +
  geom_bar(data = subset(df, sexo == "M"), stat = "identity") 
    
df %>% 
  ggplot(aes(FET, notificados_piramid , fill = sexo, width = 1)) +
  theme_get() + # FUNDO CINZA, COM GRADES E SEM BORDAS
  coord_flip() +
  geom_bar(data = subset(df, sexo == "F"), stat = "identity") +
  geom_bar(data = subset(df, sexo == "M"), stat = "identity") 


df %>% 
  ggplot(aes(FET, notificados_piramid , fill = sexo, width = 1)) +
  theme_void() + # SEM FUNDO E SEM EIXOS
  coord_flip() +
  geom_bar(data = subset(df, sexo == "F"), stat = "identity") +
  geom_bar(data = subset(df, sexo == "M"), stat = "identity") 


df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados, color = FET)) # dispersão notificados e confirmados, segundo faixa etária 


df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados, color = FET)) + # dispersão notificados e confirmados, segundo faixa etária 
  theme_classic() # tema clássico

df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados, color = FET)) + # dispersão notificados e confirmados, segundo faixa etária 
  theme_classic() + # tema clássico
  xlab('Casos Notificados') # título do eixo X

df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados, color = FET)) + # dispersão notificados e confirmados, segundo faixa etária 
  theme_classic() + # tema clássico
  xlab('Casos Notificados') + # título do eixo X
  ylab('Casos Confirmados') # título do eixo y

df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados, color = FET)) + # dispersão notificados e confirmados, segundo faixa etária 
  theme_classic() + # tema clássico
  xlab(bquote('Casos Notificados' ^ 2)) + # título do eixo X - superescrito
  ylab(bquote('Casos Confirmados' [2]))  # título do eixo y - subescrito

df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados, color = FET)) + # dispersão notificados e confirmados, segundo faixa etária 
  theme_classic() + # tema clássico
  xlab(bquote('Casos Notificados' ^ 2)) + # título do eixo X - superescrito
  ylab(bquote('Casos Confirmados' [2])) + # título do eixo y - subescrito
  theme(axis.title = element_text(size = 20)) # tamanho dos títulos dos eixos

df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados, color = FET)) + # dispersão notificados e confirmados, segundo faixa etária 
  theme_classic() + # tema clássico
  xlab(bquote('Casos Notificados' ^ 2)) + # título do eixo X - superescrito
  ylab(bquote('Casos Confirmados' [2])) + # título do eixo y - subescrito
  theme(axis.title.x = element_text(size = 5)) + # tamanho dos títulos dos eixos X
  theme(axis.title.y = element_text(size = 25)) # tamanho dos títulos dos eixos y

df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados, color = FET)) + # dispersão notificados e confirmados, segundo faixa etária 
  theme_classic() + # tema clássico
  xlab('Casos Notificados') + # título do eixo X 
  ylab('Casos Confirmados') + # título do eixo y 
  theme(axis.title = element_text(color = 'red')) #cor dos títulos dos eixos

df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados, color = FET)) + # dispersão notificados e confirmados, segundo faixa etária 
  theme_classic() + # tema clássico
  xlab('Casos Notificados') + # título do eixo X 
  ylab('Casos Confirmados') + # título do eixo y 
  theme(axis.text = element_text(size = 15, angle = 45)) # angulo dos valores dos eixos 

df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados, color = FET)) + # dispersão notificados e confirmados, segundo faixa etária 
  theme_classic() + # tema clássico
  xlab('Casos Notificados') + # título do eixo X 
  ylab('Casos Confirmados') + # título do eixo y 
  theme(axis.text = element_text(color = 'red')) # cor dos valores dos eixos 

df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados, color = sexo)) + # dispersão notificados e confirmados, segundo sexo 
  theme_classic() + # tema clássico
  xlab('Casos Notificados') + # título do eixo X 
  ylab('Casos Confirmados') + # título do eixo y 
  theme(axis.text = element_text(color = 'red')) + # cor dos valores dos eixos
  scale_color_discrete(name = '', breaks = c('F', 'M'), labels = c("Feminino", "Masculino")) # alterando a legenda 

df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados, color = sexo)) + # dispersão notificados e confirmados, segundo sexo 
  theme_classic() + # tema clássico
  xlab('Casos Notificados') + # título do eixo X 
  ylab('Casos Confirmados') + # título do eixo y 
  theme(legend.title = element_text(size = 25), # tamanho do título da legenda 
        legend.text = element_text(color = 'red')) # cor do texto os elementos da legenda

df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados, color = sexo)) + # dispersão notificados e confirmados, segundo sexo 
  theme_classic() + # tema clássico
  xlab('Casos Notificados') + # título do eixo X 
  ylab('Casos Confirmados') + # título do eixo y 
  theme(legend.title = element_text(size = 25), # tamanho do título da legenda 
        legend.text = element_text(color = 'red'), # cor do texto os elementos da legenda
        legend.position = 'top') # posição da legenda
df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados, color = sexo)) + # dispersão notificados e confirmados, segundo sexo 
  theme_classic() + # tema clássico
  xlab('Casos Notificados') + # título do eixo X 
  ylab('Casos Confirmados') + # título do eixo y 
  theme(legend.title = element_text(size = 25), # tamanho do título da legenda 
        legend.text = element_text(color = 'red'), # cor do texto os elementos da legenda
        legend.position = 'left') # posição da legenda

df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados, color = sexo)) + # dispersão notificados e confirmados, segundo sexo 
  theme_classic() + # tema clássico
  xlab('Casos Notificados') + # título do eixo X 
  ylab('Casos Confirmados') + # título do eixo y 
  theme(legend.title = element_text(size = 25), # tamanho do título da legenda 
        legend.text = element_text(color = 'red'), # cor do texto os elementos da legenda
        legend.position = 'bottom') # posição da legenda

df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados, color = sexo)) + # dispersão notificados e confirmados, segundo sexo 
  theme_classic() + # tema clássico
  xlab('Casos Notificados') + # título do eixo X 
  ylab('Casos Confirmados') + # título do eixo y 
  theme(legend.title = element_text(size = 25), # tamanho do título da legenda 
        legend.text = element_text(color = 'red'), # cor do texto os elementos da legenda
        legend.position = 'none') # posição da legenda


df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados, color = sexo), shape = 3)  # dispersão notificados e confirmados, segundo sexo, alterando o shape dos pontos

df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados, color = sexo, shape = sexo)) # dispersão notificados e confirmados, segundo sexo, alterando o shape dos pontos segundo a variável sexo


df %>% 
  ggplot() +
  geom_boxplot(aes(sexo, notificados)) + # boxplot segundo sexo
  theme_classic() + # tema clássico
  ylab('Casos Notificados') + # título do eixo X 
  xlab('Sexo') + # título do eixo y 
  scale_x_discrete(breaks = c('F', 'M'), labels = c('Feminino', 'Masculino')) 
 # alterando os labels dos grupos

df %>% 
  ggplot() +
  geom_boxplot(aes(sexo, notificados)) + # boxplot segundo sexo
  theme_classic() + # tema clássico
  ylab('Casos Notificados') + # título do eixo X 
  xlab('Sexo') + # título do eixo y 
  scale_x_discrete(breaks = c('F', 'M'), 
                   labels = c('Feminino', 'Masculino')) + # alterando os labels dos grupos 
  scale_y_continuous(breaks = seq(0, 600, by = 50)) #alterando a escala do eixo y


df %>% 
  ggplot() +
  geom_boxplot(aes(sexo, notificados)) + # boxplot segundo sexo
  theme_classic() + # tema clássico
  ylab('Casos Notificados') + # título do eixo X 
  xlab('Sexo') + # título do eixo y 
  scale_x_discrete(breaks = c('F', 'M'), 
                   labels = c('Feminino', 'Masculino')) + # alterando os labels dos grupos 
  scale_y_continuous(breaks = seq(0, 600, by = 50)) + #alterando a escala do eixo y
  ggtitle("Bloxplots do casos notificados, segundo sexo") #adicionando título


#  Gerando um gráfico de barras com os dados do dataframe df, usando sexo no eixo x, notificados no eixo y, e colorindo as barras com base na variável local. Defindo o tamanho dos ícones na legenda como 0.1 cm.

df %>% 
  ggplot() + 
  geom_bar(aes(sexo, notificados, fill = local), 
           stat = 'identity') +
  theme(legend.key.size = unit(0.1, "cm")) #tamanho do ícone da legenda7

#  Defindo o tamanho dos ícones na legenda como 2 cm.
df %>% 
  ggplot() +
  geom_bar(aes(sexo, notificados, fill = local), 
           stat = 'identity') +
  theme(legend.key.size = unit(2, "cm")) #tamanho do ícone da legenda

# multiplos gráficos

# Diferenciação por sexo, segundo local de ocorrência


#Gerando um gráfico de dispersão utilizando os dados do dataframe `df`, mapeando "notificados" no eixo x e "confirmados" no eixo y. Aplicando a disposição em facetas com base nas variáveis "local" e "sexo".

df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados)) +
  facet_grid(local ~ sexo) #Facetando por 'local' e 'sexo'

df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados)) +
  facet_grid(. ~ sexo) #Facetando apenas por 'sexo'

df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados)) +
  facet_grid(sexo ~ .) #Facetando apenas por 'sexo' na horizontal

df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados)) +
  facet_wrap(~ FET, ncol = 2) # Facetando com 2 colunas baseadas na variável 'FET'

df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados)) +
  facet_wrap(~ FET, ncol = 1) #Facetando com 1 coluna baseada na variável 'FET'

df %>% 
  ggplot() +
  geom_point(aes(notificados, confirmados)) +
  facet_grid(sexo ~ .) + # Facetando por 'sexo' nas colunas
  theme(strip.text.y = element_text(size = 8, colour = 'orange', angle = 45)) # Modificando a aparência dos rótulos no painel. Configurando o tamanho do texto para 8, a cor para laranja e ajustando o ângulo para 45 graus nos rótulos do eixo y.


# CORES NO R:

#http://www.stat.columbia.edu/~tzheng/files/Rcolor.pdf

#https://colorbrewer2.org/#type=sequential&scheme=BuGn&n=3

# FORMATOS DE PONTOS E LINHAS NO R

# Cria um gráfico de pontos com diferentes formatos baseados nos valores de x
ggplot(data.frame(x = factor(1:25)), aes(x = x, y = x, shape = x)) +
  geom_point(size = 5) +
  scale_shape_manual(values = 1:25) 

# Cria um gráfico de linhas usando geom_line com diferentes tipos de linha baseados nos valores de x
ggplot(data.frame(x = rep(0:6, 10), y = rep(0:6, e = 10)),
       aes(x, y, linetype = factor(x))) +
       geom_line(size = 2)

#### EXPORTANDO OS GRÁFICOS
# Salvar o gráfico usando ggsave()

# Cria um gráfico de dispersão com diferentes tipos de linha baseados nos valores de x
ggplot(data.frame(x = rep(0:6, 10), y = rep(0:6, each = 10)), aes(x, y, linetype = factor(x))) +
  geom_line(size = 2) 

# Salva o gráfico como um arquivo de imagem PNG com largura, altura e resolução específicas
ggsave("tipos_linhas.png", width = 4.85, height = 4.01, dpi = 300)


#############
#salvar o gráfico usando tiff() (ou: png(),jpeg() ou pdf())
 

# Cria um gráfico de pontos com diferentes formatos baseados nos valores de x
pontos <- ggplot(data.frame(x = factor(1:25)), aes(x = x, y = x, shape = x)) +
  geom_point(size = 5) +
  scale_shape_manual(values = 1:25)

# Cria um gráfico de linhas usando geom_line com diferentes tipos de linha baseados nos valores de x
linhas <- ggplot(data.frame(x = rep(0:6, 10), y = rep(0:6, e = 10)),
                 aes(x, y, linetype = factor(x))) +
  geom_line(size = 2)

# Cria um grid com os gráficos de pontos e linhas lado a lado
plot_grid(pontos, linhas)

# Cria um grid com os gráficos de pontos e linhas lado a lado, alterando os rótulos manualmente
plot_grid(pontos, linhas,
          labels = c('pontos', 'linhas'))

## salvando

# Salva o grid de gráficos como um arquivo tiff com dimensões e resolução específicas
tiff("pontos_linhas.tiff", width = 4000, height = 2000, res = 300)

# Cria um grid com os gráficos de pontos e linhas lado a lado, usando rótulos automáticos
plot_grid(pontos, linhas,
          labels = 'AUTO')

# Finaliza o arquivo tiff
dev.off()