A fonte

DejaVu é a família da fonte DejaVu Sans Condensed, a qual deve ser utilizada na criação das figuras. A família de fontes DejaVu está em domínio público, podendo ser baixada e até modificada por qualquer pessoa. Isso é uma vantagem, pois seu download pode ser feito de forma rápida e simples. Uma das alternativas é obtê-la no site fonts2u.

A Tabela 1 mostra o mesmo texto escrito com as fontes Arial e DejaVu, permitindo observar as principais diferenças entre elas.

library(gt)

texto <- data.frame(Arial = "A ciência do solo é o estudo do solo da Terra e de outros planetas, usando teorias e conhecimentos em evolução para entender seu papel na sustentação do funcionamento do ecossistema, enfrentando desafios ambientais e apoiando a humanidade.",
                    DejaVu = "A ciência do solo é o estudo do solo da Terra e de outros planetas, usando teorias e conhecimentos em evolução para entender seu papel na sustentação do funcionamento do ecossistema, enfrentando desafios ambientais e apoiando a humanidade.")

texto |> 
  gt() |> 
  # tab_header(
  #   # title = md("**Diferenças entre Arial e DejaVu**")
  # ) |> 
  tab_source_note(
    source_note = md("Fonte: https://doi.org/10.1016/j.soisec.2025.100176")
  ) |> 
   tab_style(
    style = cell_text(font = "Arial"),
    locations = cells_body(columns = Arial)
  ) |>
  tab_style(
    style = cell_text(font = "DejaVu Sans"),
    locations = cells_body(columns = DejaVu)
  )

As cores

A RBCS possui uma paleta própria com 9 cores disponíveis para os gráficos. Na Figura 1 são apresentadas as cores e seus respectivos códigos hexadecimais.

Código

library(ggplot2)

# vetor de cores
cores <- c(
  "#9e2943",
  "#0a6c69",
  "#75a741",
  "#d18525",
  "#d86c67",
  "#5ab5b2",
  "#b1d369",
  "#711011",
  "#033a39"
)

# cria um data frame com posição e cores
df <- data.frame(
  x = seq_along(cores),
  y = 1,
  cor = cores
)

# plota quadrados
ggplot(df, aes(x = x, y = y, fill = cor)) +
  geom_tile(color = "white", width = 0.9, height = 0.9) +
  geom_text(aes(label = cores), col = "white", size = 3, fontface = "bold") +
  scale_fill_identity() +
  coord_fixed() +
  theme_void()

Reproduzindo o padrão RBCS no R

Para implementar essas configurações, serão utilizados os seguintes pacotes do R:

library(tidyverse) 
library(systemfonts)
library(extrafont)
library(patchwork)

# importar fontes
font_import()

Importing fonts may take a few minutes, depending on the number of fonts and the speed of the system.
Continue? [y/n] 

Exiting.

# registrar fontes
loadfonts(device = "win")

# Fontes detectadas no sistema
fonts <- system_fonts()

# estrutura lógica de seleção
if (any(fonts == "DejaVuSansCondensed")) {
  print("Fonte instalada!!")
}else{
  print("Fonte não encontrada!!")
}

[1] "Fonte instalada!!"

cores <- c(
  "#9e2943",
  "#0a6c69",
  "#75a741",
  "#d18525",
  "#d86c67",
  "#5ab5b2",
  "#b1d369",
  "#711011",
  "#033a39"
)

theme_minimal(base_family = "Dejavu Sans")

theme(text = element_text(family = "Dejavu Sans"))

ggplot(df) + 
  aes(x = tratamento, y = resposta, col = as.factor(dose)) +
  stat_summary(
    geom = "errorbar",
    position = position_dodge(.5)
  ) +
  stat_summary(
    geom = "point",
    position = position_dodge(.5),
    size = 2
  ) +
  scale_color_manual(values = cores)

ggsave(filename = "fig_ex.svg", 
       width = 10, 
       height = 8, 
       units = "cm", 
       dpi = 950)

# ponto com barra de erro
p1 <- ggplot(df) +
  aes(x = tratamento, y = resposta, col = as.factor(dose)) +
  stat_summary(
    geom = "errorbar",
    position = position_dodge(.5)
  ) +
  stat_summary(
    geom = "point",
    position = position_dodge(.5),
    size = 2
  ) +
  scale_color_manual(values = cores) +
  labs(
    x = "Tratamento",
    y = "Resposta",
    col = "Dose",
    title = "Gráfico de pontos de exemplo"
  ) +
  theme_bw(base_size = 10, base_family = "Dejavu Sans")

# colunas
p2 <- ggplot(df) +
  aes(x = dose, y = resposta, fill = as.factor(tratamento)) +
  stat_summary(
    geom = "col",
    position = position_dodge()
  ) +
  scale_fill_manual(values = cores) +
  labs(
    x = "Dose",
    y = "Resposta",
    fill = "Tratamento",
    title = "Gráfico de barras de exemplo"
  ) +
  theme_bw(base_size = 10, base_family = "Dejavu Sans")

# linhas
p3 <- ggplot(df) +
  aes(x = dose, y = resposta, col = as.factor(tratamento)) +
  stat_summary(geom = "line", linewidth = 1) +
  scale_color_manual(values = cores) +
  labs(
    x = "Dose",
    y = "Resposta",
    col = "Tratamento",
    title = "Gráfico de linhas de exemplo"
  ) +
  theme_bw(base_size = 10, base_family = "Dejavu Sans")

pt1 <- (p1 | p2) + plot_layout(widths = c(.55, .45))

ptt <- pt1 / p3

# ggsave(filename = "exemplo_gra.png",
#        width = 10,
#        height = 8,
#        dpi = 1200)

Criando um snippet

Os snippets são blocos de código que podem ser chamados rapidamente no corpo do script, utilizando palavras-chave. Exemplos são if, for e fun. Ao digitar essas palavras no RStudio, o autocomplete sugere o snippet que insere automaticamente a estrutura completa da função, otimizando o tempo.

Pacotes

Para essa análise vou utilizar os seguintes pacotes do R

library(tidyverse)
library(pdftools)
library(ggtext)
library(gt)
library(patchwork)

Dados

doc <- "anais-2024.pdf"

texto <- pdftools::pdf_text(pdf = doc)

df <- texto[7:18] |> 
  str_split("(?<=\\d)\\n") |> 
  unlist() |>
  enframe(name = NULL, value = "linha") |> 
  filter(linha != "")

df2 <- df[-seq(1,18),]
df2 <- df2[-seq(321,320),]

base <- df2 |> separate(col = linha, 
                into = c("trabalho","pag"), 
                sep = "\\.{2,}\\s*")

writexl::write_xlsx(base, path = "anais.xlsx")

Visualização

df <- readxl::read_excel("anais.xlsx") |> 
  mutate(pag = as.numeric(pag))

area <- df |> filter(str_detect(trabalho, "ÁREA"))

df_filter <- anti_join(df, area, by = "pag")

areas <- 
  data.frame(
    code = c("Biologia","Educação","Manejo",
             "Gênese","Física","Química"),
    nome = c(
      "BIOLOGIA DO SOLO, CICLOS BIOGEOQUÍMICOS, \nBIOINSUMOS, QUALIDADE E SAÚDE DO SOLO",
      "EDUCAÇÃO, SOCIOLOGIA, PÚBLICA E \nSEGURANÇA ALIMENTAR",
      "MANEJO E CONSERVAÇÃO DO SOLO E DA ÁGUA, \nPLANEJAMENTO DO USO DA TERRA, HIDROLOGIA",
      "MINERALOGIA, GÊNESE, MORFOLOGIA, \nLEVANTAMENTO, CLASSIFICAÇÃO DO SOLO, \nPEDOMETRIA E PALEOPEDOLOGIA",
      "PEDOFUNÇÕES, PROPRIEDADES E \nPROCESSOS FÍSICOS DO SOLO",
      "QUÍMICA, FERTILIDADE, NUTRIÇÃO DE PLANTAS, \n CORRETIVOS E FERTILIZANTES"
      )
    )

base <- df_filter |> 
  mutate(area = case_when(
    pag < 103 ~ "Biologia",
    between(x = pag, left = 103, 122) ~ "Educação",
    between(x = pag, left = 123, 186) ~ "Manejo",
    between(x = pag, left = 187, 204) ~ "Gênese",
    between(x = pag, left = 205, 224) ~ "Física",
    pag > 224 ~ "Química",
    .default = "none"
  ),
  area = str_to_title(area))

areas |> 
  gt() |> 
  tab_header(
    title = md("**Divisão das áreas de pesquisa na XV RSBCS**"),
    subtitle = md("Reunião Sul Brasileira de Ciência do Solo")
  ) |> 
  cols_label(
    code = "Código",
    nome = "Área"
  ) |> 
  tab_source_note(
    source_note = md("Source: www.rsbcs2024.com.br")
  )

github_icon <-  "&#xf09b"
git_gf <- "FGu5tav0"
social_caption <- glue::glue(
  "<span style='font-family:\"Font Awesome 6 Brands\";'>{github_icon};</span>
  <span style='color: #000000'>{git_gf}</span><br> Dados: rsbcs2024.com.br"
)

p1 <- base |>
  group_by(area) |>
  count() |>
  ggplot(aes(x = fct_reorder(area, n), y = n)) +
  geom_col(
    fill = "#3d643b", col = "#317a31",
    width = .4
  ) +
  scale_color_identity() +
  geom_text(mapping=aes(y=0, x=area, label=area),
            color="gray20", vjust=-1.3, hjust=0, fontface = "bold") +
  ggtext::geom_textbox(
    aes(
      label = n,
      hjust = case_when(
        n < 20 ~ 0,
        TRUE ~ 1
      ),
      halign = case_when(
        n < 20 ~ 0,
        TRUE ~ 1
      ),
      colour = case_when(
        n > 50 ~ "#FFFFFF",
        TRUE ~ "#36200d"
      )
    ),
    size = 4,
    fill = NA,
    box.colour = NA,
    family = "Cabin",
    fontface = "bold"
  ) +
  coord_flip(expand = F, clip = "off") +
  labs(
    title = ' <span style = "color:#317a31"> Resumos apresentados na</span><span style = "color:#36200d"> XV RSBCS - 2024</span>',
    subtitle = "Número de resumos apresentados por área",
    y = "nº de trabalhos apresentados",
    x = element_blank(),
    caption = social_caption
  ) +
  theme_minimal(14) +
  theme(
    plot.background = element_rect(fill = "#f5f5f2", 
                                   color = "#f5f5f2"),
    legend.position = "none",
    plot.title = ggtext::element_textbox_simple(
      size = rel(1.3),
      face = "bold",
      family = "Enriqueta",
      lineheight = 1,
      margin = margin(0.5, 7, 1, 0, "lines"),
      hjust = 0, halign = 0
    ),
    plot.subtitle = ggtext::element_textbox_simple(
      family = "Cabin", size = rel(1), 
      lineheight = 1,
      margin = margin(0, 0, 1.5, 0, "lines")),
    plot.caption = ggtext::element_textbox_simple(
      size = rel(.5)),
    panel.grid.major = element_blank(),
    axis.title.x = element_blank(),
    axis.text= element_blank(),
    axis.ticks = element_blank()
  ) 

# ggsave(plot = p1,filename = "resumos.jpeg",
# width = 4, height = 4, dpi = 600)

2 A regressão

Francis Galton foi quem desenvolveu o conceito de regressão por volta de 1885. A regressão é utilizada para verificar a relação entre duas ou mais variáveis, de modo que uma delas pode ser descrita, explicada ou predita pelas demais.

A variável que será explicada () é chamada de variável dependente, enquanto a variável que a explica () é denominada variável independente. Isso não significa necessariamente que há uma relação de causa e efeito entre e , mas para a análise, considera-se essa dependência entre as variáveis.

Para o em uma regressão linear, é necessário que tenhamos dados do tipo contínuo. No entanto, para o , podemos utilizar tanto dados contínuos quanto categóricos.

Uma regressão linear simples pode ser descrita pela equação:

Onde, é a variável dependente; é o intercepto do modelo (ponto que corta o eixo ); é o coeficiente angular; é a variável independente e é o erro do modelo (Figura 1).

2.1 Como ela se ajusta?

Para encontrar a curva com o melhor ajuste, é utilizado o método dos mínimos quadrados. Isso significa que o método “encontra” qual das curvas retorna o menor valor para a soma dos quadrados. Essa soma dos quadrados é obtida calculando a diferença entre o valor observado e o valor predito, elevando essa diferença ao quadrado e, somando tudo.

Em outras palavras, esse método encontra “a curva que fica mais próxima dos dados observados”. É claro que a quantidade de matemática e estatística por trás de todo esse método é brutal. Aqui apresento apenas uma explicação superficial.

A Figura 2 mostra uma curva () com inclinação zero, que representa o intercepto na média dos valores de . Já em , temos o melhor ajuste possível para uma regressão linear. A primeira curva pode ser considerada um palpite inicial para explicar os dados, ou seja, utilizando o valor da média. A segunda é um avanço, onde passa a assumir valores dependendo de .

A animação abaixo mostra a reta de regressão assumindo diversos valores para e . É importante observar que ela começa com uma reta na média de e evolui até alcançar retas para além da mais adequada. Os valores da soma dos quadrados indicam que há uma inclinação que minimiza esse valor, enquanto inclinações anteriores ou posteriores fazem com que a soma dos quadrados aumente.

2.2 Variável categórica na regressão

Essa é a parte que mais me chama atenção.

Para que uma variável categórica entre na análise de regressão, ela passa por uma pequena transformação, tornando-se uma variável dummy.

Por definição, uma variável dummy assume apenas os valores ou , indicando a presença ou ausência de uma categoria. O número de variáveis dummy criadas é sempre igual a , onde é o número de categorias da variável.

Se tivermos grupos em nossa variável, então teremos variáveis dummy, como mostrado na Tabela 1. Nota-se que um dos grupos sempre terá o valor em ambas as dummies, pois serve como referência, e os demais grupos serão comparados a ele. Na Tabela 1, o grupo “A” é a referência inicial, mas para as demais comparações, é possível alterar o grupo de referência.

Grupo	Dummy (D1)	Dummy (D2)
A (ref)	0	0
B	1	0
C	0	1

NotaDummy em programas estatísticos

A criação das variáveis dummy é totalmente automatizada nos programas estatísticos. Logo, você não precisa criá-las manualmente. No entanto, como exercicio, vale a pena rodar uma regressão criando as próprias dummies e ver que o resultado é exatamente o mesmo que o do computador.

A equação de regressão geral pode ser descrita conforme Equação 1. Também podemos fazer uma equação para cada grupo (Equação 2, Equação 3 e Equação 4).

Equação grupo A:

Equação grupo B:

Equação grupo C:

Agora, repare como a Equação 2 é descrita apenas pelo intercepto, pois a variável de grupo assume o valor em todas as dummies (Tabela 1). Já para os demais grupos aparece na equaçao as dummies em que o valor é atribuído.

A interpretação de uma regressão com variáveis dummy é, basicamente, a diferença de média entre os grupos (semelhante a um teste de Tukey). Na Figura 3, podemos ver as médias dos grupos A, B e C e os respectivos s, que indicam a diferença entre elas. Essa diferença pode ser entendida como uma diferença angular, pois, se as médias são diferentes, forma-se um ângulo () entre as médias.

3 Exemplo de regressão

Agora, vamos fazer um exemplo de regressão com variáveis contínuas e discretas no mesmo modelo. Depois vamos interpretar cada variável e verificar a qualidade do modelo.

Para o exemplo vamos considerar 2 variáveis dependentes que são 5 doses de algum fertilizante e outra como 3 cultivares de qualquer planta. Já a variável dependete será a produtividade dessa planta (Tabela 2).

Nossa pergunta será: “As variáveis dose e cultivar são preditores da produtividade da cultura?”.

3.4 Indicadores de qualidade

3.4.1 Outliers

Na regressão linear, uma das maneiras de verificar se há dados influentes para o modelo é por meio da distância de Cook. Existem diferentes interpretações em relação aos valores de corte para considerar um valor influente. Aqui, utilizo o valor de como ponto de corte. Há discussões sobre o uso de valores limite para diagnósticos, mas, de qualquer forma, utilizar o limite de já é melhor que não fazer uma avaliação de outliers.

Podemos observar na Figura 4 que nenhum ponto se aproxima do valor de , portanto, aparentemente, não temos pontos discrepantes que possam prejudicar o modelo.

3.4.2 Normalidade dos resíduos e homocedasticidade

A Figura 5 mostra o QQ-plot dos resíduos. O ideal é que os pontos estejam dispostos perfeitamente em cima da reta, mas isso é praticamente impossível nas análises do dia a dia. Portanto, quanto mais próximos da linha, melhor. Não temos um ponto de corte ou métrica de qualidade específicos para o QQ-plot. Buscamos o melhor ajuste possível, dados os dados que temos.

Verificamos que há alguns desvios em relação à linha, mas, no geral, o resultado é satisfatório. Com isso, podemos concluir que os resíduos são aproximadamente normais. Além disso, tudo indica que não temos problemas com a homocedasticidade.

3.4.3 Multicolinearidade

A tolerância entre as variáveis foi de (Tabela 5) o que significa uma boa tolerância. Em geral, acima de já temos variáveis que se toleram no modelo.

Term	VIF	Tolerance
Cultivar	1	1
Dose	1	1

O teste de Durbin-Watson é utilizado para verificar a autocorrelação entre os resíduos da regressão. O valor ideal desse teste é , o que indica a ausência de autocorrelação. Se o valor for maior ou menor que , há indícios de autocorrelação positiva ou negativa, respectivamente.

A análise do Durbin-Watson (Tabela 6) mostra um valor de , ou seja, é aproximadamente e indica que não temos autocorrelação.

z	p	Method	Alternative
2.08806	0.61766	Durbin-Watson test	true autocorrelation is greater than 0

4 Regressão vs ANOVA

Parece que essa frase gera um conflito dentro da agronomia. Aparenta que usamos as técnicas para coisas totalmente diferentes, mas no final das contas uma ANOVA é um caso particular da regressão linear. Todos os resultados obtidos em um teste de ANOVA serão encontrado em um modelo de regressão linear.

             Df Sum Sq Mean Sq F value Pr(>F)    
Cultivar      2   3327    1664   74.77 <2e-16 ***
Dose          1   7889    7889  354.55 <2e-16 ***
Residuals   146   3249      22                   
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

# A tibble: 1 × 3
  variable      statistic     p
  <chr>             <dbl> <dbl>
1 Produtividade     0.991 0.482

# A tibble: 1 × 4
    df1   df2 statistic     p
  <int> <int>     <dbl> <dbl>
1     2   147    0.0904 0.914

 Cultivar  emmean    SE  df lower.CL upper.CL .group
 Cultivar3   48.7 0.667 146     47.4     50.0  a    
 Cultivar2   55.7 0.667 146     54.4     57.1   b   
 Cultivar1   60.2 0.667 146     58.9     61.5    c  

Confidence level used: 0.95 
P value adjustment: tukey method for comparing a family of 3 estimates 
significance level used: alpha = 0.05 
NOTE: If two or more means share the same grouping symbol,
      then we cannot show them to be different.
      But we also did not show them to be the same. 

Call:
lm(formula = Produtividade ~ Dose, data = dados)

Residuals:
     Min       1Q   Median       3Q      Max 
-15.2724  -4.7458   0.1992   4.6481  15.7107 

Coefficients:
             Estimate Std. Error t value Pr(>|t|)    
(Intercept) 44.622242   0.942674   47.34   <2e-16 ***
Dose         0.102559   0.007697   13.32   <2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 6.666 on 148 degrees of freedom
Multiple R-squared:  0.5454,    Adjusted R-squared:  0.5423 
F-statistic: 177.5 on 1 and 148 DF,  p-value: < 2.2e-16

5 Referências

Galton, F.S. Regression Towards Mediocrity in Hereditary Stature. The Journal of the Anthropological Institute of Great Britain and Ireland, 15, 246.

Miller, S. J. (2006). The method of least squares. Mathematics Department Brown University, 8(1), 5-11.

Field, A., Miles, J., & Field, Z. (2012). Discovering statistics using R. SAGE Publications.

Bzovsky, S., Phillips, M.R., Guymer, R.H. et al. The clinician’s guide to interpreting a regression analysis. Eye 36, 1715–1717 (2022).

Su, X., Yan, X., & Tsai, C.-L. (2012). Linear regression. Wiley Interdisciplinary Reviews: Computational Statistics, 4(3), 275–294.

Okoye, K., Hosseini, S. (2024). Regression Analysis in R: Linear Regression and Logistic Regression. In: R Programming. Springer, Singapore.

Metodologia

Para minha análise, coletei dados de diversas fontes. A análise foi conduzida exclusivamente com alunos de doutorado que frequentaram o curso de Ciência do Solo entre os anos de 2013 e 2022. O período foi determinado de forma arbitrária, com base no tempo disponível para realizar o trabalho. Como sou aluno da UFRGS, utilizei os dados dos egressos do Programa de Pós-Graduação em Ciência do Solo desta universidade. No entanto, para aumentar a amostra, incluí também dados da pós-graduação em Ciência do Solo da UFSM.

Nos sites de cada programa de pós-graduação (Egressos da UFRGS e Egressos do PPGCS da UFSM), compilei o número e os nomes dos alunos formados em cada um dos anos especificados. Inicialmente, fiquei surpreso ao descobrir que o PPGCS da UFSM possui um levantamento sobre a atuação profissional de seus egressos. Essa é exatamente mais uma das ideias que gostaria de implementar com os alunos do PPGCS da UFRGS, já que desconheço tal informação.

Com os nomes em mãos, iniciei a tarefa mais trabalhosa de todo o processo: encontrar e baixar o currículo Lattes de cada um deles. Ao todo, foram baixados 86 currículos da UFRGS e 98 da UFSM.

Outra informação importante era determinar os anos em que cada pessoa cursou o doutorado em seus respectivos programas de pós-graduação. Para isso, obtive a base de dados de discentes da CAPES, que abrange o período de 2004 a 2022. Utilizei o currículo Lattes como filtro para identificar os alunos que concluíram o doutorado em cada um dos programas e os anos em que estiveram matriculados.

A maior dificuldade agora é definir quais artigos cada pessoa publicou durante o doutorado. Inicialmente, não há como fazer essa distinção, pois essa informação não está disponível no Lattes e não posso me dar ao luxo de investir mais tempo nessa investigação. Portanto, estabeleci um critério de corte: considerei apenas os artigos com ano de publicação igual ou anterior ao ano de conclusão do doutorado. Reconheço que, na prática, a maioria dos artigos é publicada no ano seguinte à submissão, e que os alunos tendem a publicar os artigos do doutorado mais próximo do final do curso, o que poderia resultar em anos diferentes. No entanto, essa foi a abordagem que encontrei para manter todos os dados em uma mesma “base”. É importante ressaltar que estamos partindo do zero em termos de informação. Com os resultados obtidos, realizei uma análise descritiva dos dados por meio de histogramas. Além disso, elaborei um gráfico da frequência total de artigos publicados e conduzi uma análise dos títulos dos artigos por meio de uma nuvem de palavras, levando em consideração as palavras mais frequentes encontradas nos artigos. Por fim, realizei uma análise da frequência com que termos como nitrogênio, fósforo e potássio aparecem nos títulos, como uma forma indireta de compreender a tendência ou determinar qual é considerado mais importante.

Resultados

Dos 184 alunos da amostra, um total de 1517 artigos foram encontrados, porém 4 dos alunos não tinham nenhum artigo em seus currículos Lattes. Isso suscita uma discussão inicial sobre a importância do Lattes e a necessidade de mantê-lo atualizado. O Lattes é um exemplo mundial de uma plataforma bem-sucedida que armazena dados de pesquisadores e alunos. Apesar de suas falhas, é inegável seu valor como um repositório de acesso público. De fato, o Lattes é a fonte de dados para várias pesquisas interessantes. O histograma (Figura 1) mostra que a distribuição de artigos publicados com ano igual ou inferior ao ano de conclusão do doutorado é assimétrica negativa ou se aproxima disso. Com um número maior de pessoas publicando números pequenos de artigos frente a números mais altos.

Figura 1: Histograma da distribuição do número de artigos por aluno.

A Figura 2 apresenta os dados expressos em termos de frequência (absoluta e acumulada). O número médio de artigos foi de 8; no entanto, devido à natureza assimétrica da curva, a média pode não representar adequadamente os dados. Portanto, a mediana, com um valor de 6 artigos, pode ser mais relevante. Isso revela uma descoberta significativa: o número mais frequente corresponde à própria mediana. Além disso, mais de 50% dos alunos no banco de dados publicaram entre 2 e 8 artigos. A avaliação se isso é muito ou pouco depende de vários aspectos. Outro dado interessante é que 90% dos alunos tiveram entre 0 e 18 artigos. No entanto, ao observar o gráfico, é evidente que números elevados são raros. Espero que esta breve análise auxilie meus colegas de mestrado e doutorado em Ciência do Solo a refletirem sobre sua produção acadêmica.

Figura 2: Frequência relativa e acumuada do número de artigos por aluno de doutorado.

Conclusão

Para concluir, determinar o número ideal de artigos é uma tarefa complexa, e esta análise está longe de fornecer uma resposta definitiva. No entanto, é inegável que os dados coletados oferecem informações importantes. Espero que essas descobertas incentivem meus colegas a refletirem sobre suas próprias jornadas acadêmicas. Questões como essa são fascinantes de investigar, e caso surjam dúvidas ou alguém queira contribuir, não hesite em enviar uma mensagem.

Extração de dados dos pdfs

Criamos uma função chamada “pega_produto()”, essa função identifica padrões no texto e separa as informações em um data frame, onde cada linha representa um produto comprado. Ao aplicar essa função em todas as notas, obtemos uma base de dados com os seguintes campos: Data, Hora, Nome do Produto, Preço do Produto… (Figura 1)

# Carregando os pacotes
library(pdftools) # manipulação de pdf
library(tidyverse) # conjunto de pacotes para manipulação e visualização

# Primeiro defini o diretório da pasta com as notas.
pasta <- "notas/notas/"

# lista os arquivos dentro da pasta
docs <- list.files(pasta, full.names = T)

# a função 'pega_produto' será responsável por encontrar cada linha da nota com os produtos
pega_produto <- function(pdf) {
  df <-
    pdf_text(pdf) |>
    strsplit("\n") |>
    unlist() |>
    enframe(name = NULL, value = "linha")

  data <- df |>
    filter(str_detect(linha, pattern = "Data de Emissão")) |>
    str_extract(pattern = "\\d{2}.\\d{2}.\\d{4}.\\d{2}.\\d{2}.\\d{2}")

  produtos <- df |>
    filter(str_detect(linha, pattern = "\\S\\d{4,}")) |>
    filter(str_detect(linha, pattern = "^\\s{4,}\\d")) |>
    mutate(linha = linha |> stringr::str_replace_all(pattern = "[\\s]{3,}", replacement = "---")) |>
    separate(
      col = linha, into = c(
        "ts", "id", "nome", "quant",
        "unidade", "valor_uni", "valor_total"
      ),
      sep = "---", convert = F
    ) |>
    select(-1)

  dados_fim <- mutate(
    .data = produtos,
    data = rep(
      data,
      length(produtos$id)
    )
  ) |>
    separate(col = data, into = c("data", "hora"), sep = " ") |>
    mutate(
      hora = hora |> str_extract(pattern = "\\d{2}\\:\\d{2}\\:\\d{2}"),
      valor_uni = valor_uni |> stringr::str_replace_all(
        pattern = "[\\,]",
        replacement = "."
      ),
      valor_total = valor_total |> stringr::str_replace_all(
        pattern = "[\\,]",
        replacement = "."
      )
    ) |>
    relocate(data, hora) |>
    mutate(
      data = dmy(data),
      id = as.factor(id),
      valor_uni = as.numeric(valor_uni),
      valor_total = as.numeric(valor_total)
    )

  return(dados_fim)
}

# criando a base de dados
base <- data.frame(data = NULL)

# para utilizar a função pega_produto() em cada nota usamos um loop for e juntamos as linhas com a função bind_rows()
for (i in 1:length(docs)) {
  b1 <- pega_produto(docs[i])
  base <- base |> bind_rows(b1)
}

# aqui visualizamos a base
base |> glimpse()

# e por fim salvamos
save(base, file = "notas/base.RData")

Organização dos dados

Nossa base de dados foi construída com 205 notas fiscais do período de janeiro a dezembro de 2023. Após uma visualização prévia, decidimos criar uma variável relacionada ao tipo de produto, resultando na variável “categoria” (conforme apresentado na Tabela 1). O número de categorias foi determinado subjetivamente, com a intenção de discriminar adequadamente os produtos.

Tivemos que tomar algumas decisões em relação aos produtos que iríamos incluir na tabela. O primeiro ponto foi determinar que produtos que tivessem apenas uma compra seriam excluídos. Nossa pergunta inicial não visa produtos específicos, mas sim um padrão de consumo geral.

Uma maneira que encontramos para agrupar produtos foi utilizar apenas a primeira palavra do nome do item. No entanto, observamos dois problemas: o primeiro foi a ocorrência de produtos iguais com nomes iniciais diferentes, enquanto o segundo foi a presença de produtos diferentes com nomes iniciais iguais.

Exemplo 1: A palavra e representava o mesmo produto, chocolate.

Exemplo 2: A palavra era observada no e no .

Esses casos foram tratados de forma manual e caso a caso.

# realizamos uma organização após uma visualização prêvia das categorias 
base <- base |> 
  mutate(
    categoria = as.factor(cat),
    hora = hms(hora),
    mes = month(data),
    inicial = ini
  ) |>
  select(!c(cat, ini)) |>
  mutate(
    mes = case_match(
      mes,
      1 ~ "jan",
      2 ~ "fev",
      3 ~ "mar",
      4 ~ "abr",
      5 ~ "mai",
      6 ~ "jun",
      7 ~ "jul",
      8 ~ "ago",
      9 ~ "set",
      10 ~ "out",
      11 ~ "nov",
      12 ~ "dez"
    ),
    mes = str_to_title(mes),
    categoria = str_to_title(categoria),
    mes = factor(mes, ordered = T, levels = c(
      "Jan", "Fev", "Mar", "Abr", "Mai",
      "Jun", "Jul", "Ago", "Set", "Out", "Nov", "Dez"
    ))
  ) |> 
  mutate( # aqui é onde realizamos a junção mencionadas nos exemplos 1 e 2 
    inicial = case_when(
    inicial == "CHO" | inicial == "BOMBOM" ~ "CHOC",
    inicial == "SORVETE" ~ "SORV",
    inicial == "BISCOITO" | inicial == "COOKIE" | inicial == "CLUB" | inicial == "BARRA" ~ "BISC",
    inicial == "DOCE" | inicial == "ECLAIR" | inicial == "BIBIS" ~ "BALA",
    inicial == "CONFEITO" | inicial == "MIST" ~ "BOLO",
    inicial == "REFR" | inicial == "BIPACK" ~ "REFRIG",
    inicial == "VH" ~ "VHO",
    inicial == "MINI" ~ "TOMATE",
    .default = as.character(inicial)
  ))

Gasto total por categoria

A primeira visualização foi focada em observar o gasto total em cada uma das categorias e o número de compras efetuadas.

# pacotes utilizados em todos os gráficos
library(tidyverse)
library(showtext)
library(ggtext)

base |>
  group_by(categoria) |>
  summarise(
    valor_total = sum(valor_total),
    numero = n()
  ) |>
  ggplot() +
  aes(x = fct_reorder(categoria, valor_total), y = valor_total) +
  # geom_col(fill = "firebrick") +
  geom_col(fill = "firebrick") +
  coord_flip() +
  geom_richtext(
    mapping = aes(
      label = "O nº diz respeito a quantidade <br> de itens comprados",
      x = 4, y = 2000
    ), size = 4,
    fill = "gray70", label.color = NA,
    family = "Black Ops One",
    label.padding = unit(c(0.30, 0.30, 0.30, 0.30), "lines"),
  ) +
  labs(
    x = element_blank(),
    y = "Valor total [R$]",
    title = "Gasto total por categoria",
    caption = social_caption
  ) +
  geom_text(
    mapping = aes(label = paste("nº", numero)),
    nudge_y = -125, col = "gray98", size = 5, fontface = "bold"
  ) +
  theme_minimal(23) +
  theme(
    text = element_text(family = "Black Ops One", size = 20),
    plot.background = element_rect(fill = "gray90"),
    plot.caption = element_textbox_simple(size = 12)
  )

Gasto mensal das principais categorias

O segundo gráfico mostra o gasto mês-a-mês para cada categoria. Para isso utilizamos apenas as 5 maiores categorias em total de gasto.

gg_bonito <- base |>
  group_by(categoria, mes) |>
  summarise(
    valor_total = sum(valor_total),
    numero = n()
  ) |>
  filter(!categoria %in% c(
    "Temperos E Molhos",
    "Limpeza", "Verduras",
    "Frutas", "Higiene"
  ))
gg_bonito2 <- gg_bonito |>
  group_by(mes) |>
  mutate(
    total_mensal = sum(valor_total),
    valor_cat = total_mensal - valor_total
  )

ggplot(gg_bonito) +
  aes(
    x = mes,
    node = categoria,
    fill = categoria,
    value = valor_total
  ) +
  geom_sankey_bump(
    space = 0,
    type = "alluvial",
    color = "transparent",
    smooth = 6
  ) +
  scale_fill_viridis_d(option = "A", alpha = .8) +
  theme_sankey_bump(base_size = 16) +
  scale_x_discrete(expand = c(.01, .001)) +
  # coord_cartesian(expand = F, clip = "off") +
  labs(
    title = "Despesas mensais em diferentes categorias de alimentos",
    y = "Valor Total Mensal [R$]",
    x = element_blank(),
    fill = NULL,
    caption = social_caption
  ) +
  geom_richtext(
    mapping = aes(
      label = "Espessura da linha indica o  <span style = 'color:tomato;'>gasto da categoria</span>. <br> O somatório de todas as espessuras <br> indica o <span style = 'color:tomato;'>valor total mensal</span>.",
      x = 3.3, y = 840
    ), size = 4.4,
    fill = NA, label.color = NA,
    family = "Playfair Display",
    label.padding = grid::unit(rep(0, 4), "pt")
  ) +
  theme(
    text = element_text(family = "Playfair Display", size = 20),
    legend.position = c(.35, .9),
    legend.background = element_rect(fill = "transparent"),
    legend.direction = "horizontal",
    legend.text = element_text(size = 15),
    plot.caption = element_textbox_simple(size = 12)
  )

Gasto mensal e total dos principais produtos

Na última análise, consideramos as categorias que registraram o maior número de compras. Para isso, utilizamos as seguintes categorias: carboidratos, doces, bebidas, frutas e verduras. Dentro de cada uma dessas categorias, identificamos os produtos mais frequentemente adquiridos e os representamos em um único gráfico.

É importante mencionar que, embora o tomate seja botanicamente classificado como uma fruta, optamos por incluí-lo na categoria verdura. Colocamos ele na categoria verdura pois comemos na salada e não como sobremesa!

dft <- base |>
  filter(categoria %in% c("Carboidratos", "Doces", "Bebidas", "Frutas", "Verduras")) |>
  filter(inicial %in% c("PAO", "CHOC", "REFRIG", "BANANA", "TOMATE")) |>
  group_by(mes, categoria, inicial) |>
  summarise(
    valor_total = sum(valor_total),
    numero = n()
  ) |>
  mutate(inicial = case_match(
    inicial,
    "BANANA" ~ "Banana",
    "CHOC" ~ "Chocolate",
    "PAO" ~ "Pão",
    "REFRIG" ~ "Refrigerante",
    "TOMATE" ~ "Tomate"
  ))

valor_dez <- dft |> filter(mes == "Dez")

tot_maximo <- dft |>
  group_by(inicial) |>
  summarise(total = round(sum(valor_total))) |>
  mutate(
    texto = c(
      "Sweet Banana", "Cream Cheese Demo",
      "Bready Alternates Demo", "Loki Cola",
      "Sweet Banana"
    ),
    cor = c(
      "gold3", "chocolate4", "darkgoldenrod3",
      "firebrick3", "tomato2"
    )
  ) |>
  full_join(valor_dez)

github_icon <- "&#xf09b"
git_gf <- "FGu5tav0"
git_dv <- "DiogoVBol"

social_caption <- glue::glue(
  "<span style='font-family:\"Font Awesome 6 Brands\";'>{github_icon};</span>
  <span style='color: #000000'>{git_gf}</span> <br> <span style='font-family:\"Font Awesome 6 Brands\";'>{github_icon};</span>
  <span style='color: #000000'>{git_dv}</span>"
)

# com facet ---------------------------------------------------------------

dft |>
  ggplot() +
  aes(x = mes, y = valor_total, group = 1) +
  facet_wrap(~inicial, ncol = 1, scales = "free_y") +
  geom_line(linewidth = 2, col = "gray40") +
  geom_point(mapping = aes(fill = inicial), pch = 21, size = 6, col = "gray90", stroke = 2) +
  labs(
    x = element_blank(),
    y = "Valor Total [R$]",
    fill = element_blank(),
    title = "Valor mensal pago dos produtos \nmais consumidos por categoria",
    caption = social_caption
  ) +
  ggfx::with_shadow(
    geom_text(
      data = tot_maximo,
      mapping = aes(
        label = inicial,
        family = texto,
        x = 3, y = +Inf,
        col = cor,
        vjust = 1.4
      ),
      nudge_x = 1.3,
      size = 20,
      lineheight = 1
    ),
    colour = "gray70",
    sigma = 20
  ) +
  ylim(0, NA) +
  scale_x_discrete(expand = expansion(mult = c(0, .20))) +
  coord_cartesian(clip = "off") +
  geom_text(
    data = tot_maximo,
    mapping = aes(
      label = paste("R$", total),
      col = cor,
      x = 12, y = valor_total
    ),
    family = "Banana",
    nudge_x = 1.3,
    size = 10,
    lineheight = 1
  ) +
  scale_color_identity() +
  scale_fill_manual(values = c(
    "gold3", "chocolate4", "darkgoldenrod3",
    "firebrick3", "tomato2"
  )) +
  theme_minimal(28) +
  theme(
    strip.text = element_blank(),
    plot.background = element_rect(fill = "gray90"),
    panel.grid.minor.y = element_blank(),
    axis.title = element_blank(),
    axis.text = element_text(family = "Sweet Banana"),
    panel.grid.minor = element_line(),
    legend.position = "none",
    plot.title = element_text(
      family = "Brain Melt regular",
      size = 35, hjust = 0
    ),
    plot.margin = margin(t = 10, r = 10, b = 10, l = 10),
    plot.caption = element_textbox_simple(size = 16, hjust = -1, halign = -.05)
  )

Conclusão

Nesse texto, demonstramos como é possível obter informações sobre seus gastos pessoais por meio de web scraping, manipulação e visualização de dados utilizando R e Python. As descobertas aqui foram de caráter exploratório, e uma nova análise com cunho estatístico será realizada em um post futuro. Surgem perguntas interessantes, como: Tenho um dia da semana preferido para ir ao mercado? Ou, a frequência de vezes que vou ao mercado pode prever o preço que gasto no mês?

Obtenção de dados

Antes de capturar qualquer nota, preciso saber quais notas tenho interesse. Para isso, fiz uma busca no site da Nota Fiscal Gaúcha, onde filtrei todas as notas do ano de 2023, apenas para o supermercado Carrefour. Assim, uma lista de dados foi apresentada (Figura 1), onde informações de datas, estabelecimento e código da nota são expostos. Deve ser realizado o download desse arquivo em formato Excel ou CSV (ou pdf se quiser algo mais hard). Com isso, temos os dados com a chave da NFC para realizar a captura.

library(tidyverse)

dados <- readxl::read_excel("Nota Fiscal Gaúcha.xlsx") |>
  janitor::clean_names() |>
  mutate(chave = chave_de_acesso |> str_remove_all(pattern = "\\s")) |>
  select(chave)

write.csv(x = dados, file = "notas/para_auto.csv")

Encontrando os pontos de clique

Nota

Agora serão apenas códigos em python

O procedimento que apresento aqui é baseado em um algoritmo que controla o mouse do computador, realizando cliques e movimentos programados. Como é de se esperar, é necessário fornecer as coordenadas para guiar os movimentos. Essa é uma tarefa manual, porém, é realizada apenas uma vez e se aplica a todas as notas (baixei mais de 200 notas).

Utilizei o MouseInfo para identificar os pontos. Após abrir o console do python (melhor fazer pelo console) é só dar os seguintes comandos:

from mouseinfo import mouseInfo

mouseInfo()

O vídeo abaixo demonstra o funcionamento do MouseInfo, exibindo as marcações das coordenadas x e y à medida que o mouse é movido.

Para encontar os ponto certo basta realizar um teste com o MouseInfo aberto. Abra o site onde as notas serão baixadas e identifique os pontos onde será necessário realizar os cliques. O atalho F6 pode ser utilizado no MouseInfo para marcar as pontos x e y. Siga os passo:

1º Passo: Clique em avançar e depois em imprimir Figura 2

2º Passo: Clique em imprimir na parte do pdf Figura 3

3º Passo: Clique em salvar Figura 4

Por padrão, o Windows salva na pasta de downloads, mas é possível alterar para a pasta desejada. Basta encontrar o ponto de clique e realizar a mudança de destino.

Código para o Web scraping

Para o web scraping, eu utilizei basicamente dois pacotes: o PyAutoGUI e o Selenium. O primeiro realiza o controle do mouse e o preenchimento dos campos, enquanto o Selenium cuida de toda a parte de abrir o navegador e entrar nos links.

import pyautogui

from selenium import webdriver

O próximo bloco de código mostra toda a parte de acesso ao navegador de forma autônoma. Inclui a definição do tamanho da janela, o que é importante, pois o tamanho afeta a disposição dos botões e, consequentemente, o local dos cliques. Por fim, há a parte que abre o navegador e acessa o link da nota fiscal.

options = webdriver.ChromeOptions()
navegador = webdriver.Chrome(options=options)

# Definindo o tamanho da janela do navegador
navegador.set_window_size(1280, 780)

# Link para baixar
link1 = "https://www.sefaz.rs.gov.br/NFE/NFE-NFC.aspx?chaveNFe="

# Abre o navegador com o link fornecido
navegador.get(link1)

A última parte é onde ocorre o loop, ou seja, a captação nota a nota. Para isso, importei o arquivo “para_auto.csv”. Este arquivo contém a coluna com as chaves das notas fiscais. A coluna “linha” foi separada utilizando a função “split()”, considerando o separador “,”. Em seguida, foi realizada a substituição das aspas duplas com a função “replace()”. Com isso, a chave de acesso estava pronta para ser utilizada.

O novo link foi gerado considerando a primeira parte do link do site mais a parte numérica que contém a chave de acesso. A função “get()” abriu o navegador e, assim, o PyAutoGUI realizou os cliques nas coordenadas definidas.

with open("para_auto.csv","r") as arquivo:
    for linha in arquivo:
        # Separa a coluna linha pela ","
        chave_nota = linha.split(',')[1]
        # Substitui um aspa dupla por nada
        chave_nota = chave_nota.replace('"', '')
        # Cria um link com o site e a chave da nota
        link = link1 + chave_nota
        # Abre o navegador com o link novo
        navegador.get(link)
        # clica no avançar
        pyautogui.click(78,310, duration=0.5)
        # clica no 1º imprimir
        pyautogui.click(1188,164, duration=0.5)    
        # clica no segundo imprimir
        pyautogui.click(676,168, duration=0.5)
        # clica no tipo de pdf
        pyautogui.click(676,212, duration=0.5)
        # clica para selecionar o tipo de pdf 2
        pyautogui.click(647,525, duration=0.5)
        # clica em imprimir final pdf
        pyautogui.click(175,395, duration=0.5)
        # Coloca o número da nota como nome do arquivo
        pyautogui.write(chave_nota)
        # Clica em salvar 
        pyautogui.click(553,465, duration=0.5)
        pyautogui.click(767,35, duration=0.5)
    # Fecha o navegador
    navegador.close()

Pacotes

Para essa análise vou utilizar os seguintes pacotes do R

library(tidyverse)
library(pdftools)
library(rvest)
library(httr)
library(showtext)
library(ggtext)

Atualmente, a SBCS possui 4 divisões científicas com 16 subdivisões, sendo:

• 1. Solo no espaço e no tempo
  • 1.1. Gênese e Morfologia do Solo
  • 1.2. Levantamento e Classificação do Solo
  • 1.3. Pedometria
  • 1.4. Paleopedologia
• 2. Processos e propriedades do solo
  • 2.1. Biologia do Solo;
  • 2.2. Física do Solo
  • 2.3. Mineralogia do Solo
  • 2.4. Química do Solo
• 3. Uso e manejo do solo
  • 3.1. Fertilidade do Solo e Nutrição de Plantas
  • 3.2. Corretivos e Fertilizantes
  • 3.3. Manejo e Conservação do Solo e da Água
  • 3.4. Planejamento do Uso da Terra
  • 3.5. Poluição, Remediação do Solo e Recuperação de Áreas Degradadas
• 4.Solos, ambiente e sociedade
  • 4.1. Educação em Solos e Percepção Pública do Solo
  • 4.2. Solos e Segurança Alimentar
  • 4.3. História, Epistemiologia e Sociologia da Ciência do Solo

primeira_parte <- "https://solosfloripa2023.com.br/evento/solos2023/trabalhosaprovados?titulo=&autor=&t1area_id="

id <- c(1, 2, 3, 8, 4, 5, 6, 7, 9, 10, 11, 12, 13, 14, 15, 16)

segunda_parte <- "&modeloformaapresentacaofinal_id=&btBuscar=Buscar"

df <- as.data.frame(x = 1:length(id))
for (i in 1:16) {
  dados <- httr::GET(paste0(primeira_parte, id[i], segunda_parte))
  get_content <- httr::content(dados)

  raw_table <- get_content |>
    rvest::html_nodes(".container-fluid")

  df[i, ] <-
    raw_table[[3]] |>
    rvest::html_text() |>
    strsplit("\n") |>
    unlist() |>
    enframe(name = NULL, value = "linha") |>
    dplyr::filter(stringr::str_detect(linha, pattern = ".*registro"))
}

divi <- raw_table[[3]] |>
  rvest::html_text() |>
  strsplit("\n") |>
  unlist() |>
  enframe(name = NULL, value = "linha") |>
  dplyr::filter(stringr::str_detect(linha, pattern = " TODASDivisã")) |>
  str_split(pattern = "Di", simplify = T) |>
  as.data.frame() |>
  pivot_longer(cols = 2:17, names_to = "Divi", values_to = "nome") |>
  filter(Divi != "V1") |>
  mutate(di = "Di") |>
  transmute(Divi = paste(di, nome, sep = ""))


d_final <- cbind(divi, df)

dados.ok <- d_final |>
  mutate(
    partici = str_extract(`1:length(id)`,
      pattern = "[:digit:]{1,}"
    ),
    partici = as.numeric(partici)
  ) 


comi <- str_split(d_final$Divi, ":")
data_separado <- data.frame(do.call(rbind, comi))

df_ok <- cbind(data_separado, dados.ok)

df_ok <- df_ok |> mutate(remover = str_sub(df_ok$X2, start = 16, end = 90))

font_add("Didot", "GFS_Didot/GFSDidot-Regular.ttf")

showtext_auto()

Resultados

Com os dados devidamente organizados foi realizado a visualização gráfica.

df_ok |>
  filter(X1 == "Divisão 1 – Solo no espaço e no tempo") |>
  ggplot(aes(y = partici, x = fct_reorder(remover, partici))) +
  coord_flip() +
  geom_col(fill = "#ef8118", col = "#bc6a1d") +
  # facet_wrap(~X1, scales = "free") +
  labs(
    x = NULL, y = "Nº de trabalhos",
    title = 'Resumos no <span style = "color:#ef8118"> XXIII CLACS | XXXVIII CBCS </span>',
    subtitle = "Divisão 1 – Solo no espaço e no tempo"
  ) +
  geom_text(aes(label = partici), nudge_y = -2, col = "black", size = 5) +
  theme_minimal(24) +
  theme(
    text = element_text(family = "Didot"),
    plot.title = ggtext::element_markdown()
  )

df_ok |>
  filter(X1 == "Divisão 2 – Processos e Propriedades do Solo") |>
  ggplot(aes(y = partici, x = fct_reorder(remover, partici))) +
  coord_flip() +
  geom_col(fill = "#ef8118", col = "#bc6a1d") +
  # facet_wrap(~X1, scales = "free") +
  labs(
    x = NULL, y = "Nº de trabalhos",
    title = 'Resumos no <span style = "color:#ef8118"> XXIII CLACS | XXXVIII CBCS </span>',
    subtitle = "Divisão 2 – Processos e Propriedades do Solo"
  ) +
  geom_text(aes(label = partici), nudge_y = -4, col = "black", size = 6) +
  theme_minimal(24) +
  theme(
    text = element_text(family = "Didot"),
     plot.title  = element_markdown()
  )

df_ok |>
  filter(X1 == "Divisão 3 – Uso e Manejo do Solo") |> 
mutate(remover = factor(remover, levels = c(
  " Fertilidade do Solo e Nutrição de Plantas",
  " Corretivos e Fertilizantes", 
  " Manejo e Conservação do Solo e da Água", 
  " Planejamento do Uso da Terra", 
  " Poluição, Remediação do Solo e Recuperação de Áreas Degradadas"
), labels = c(
  "Fertilidade do Solo e \n Nutrição de Plantas",
  "Corretivos e Fertilizantes",
  "Manejo e Conservação \n do Solo e da Água",
  "Planejamento do Uso da Terra",
  "Poluição, Remediação do Solo e \n Recuperação de Áreas Degradadas"
))) |>
  ggplot(aes(y = partici, x = fct_reorder(remover, partici))) +
  coord_flip() +
  geom_col(fill = "#ef8118", col = "#bc6a1d") +
  # facet_wrap(~X1, scales = "free") +
  labs(
    x = NULL, y = "Nº de trabalhos",
    title = 'Resumos no <span style = "color:#ef8118"> XXIII CLACS | XXXVIII CBCS </span>',
    subtitle = "Divisão 3 – Uso e Manejo do Solo"
  ) +
  geom_text(aes(label = partici), nudge_y = -13, col = "black", size = 6) +
  theme_minimal(24) +
  theme(
    text = element_text(family = "Didot"),
    plot.title = element_markdown()
  )

df_ok |>
  filter(X1 == "Divisão 4 - Solo, Ambiente e Sociedade") |>
  mutate(remover = factor(remover, labels = c(
    "Educação em Solos e \n Percepção Pública do Solo",
    "História, Epistemologia e \n Sociologia da Ciência",
    "Solos e Segurança Alimentar"
  ))) |>
  ggplot(aes(y = partici, x = fct_reorder(remover, partici))) +
  coord_flip() +
  geom_col(fill = "#ef8118", col = "#bc6a1d") +
  # facet_wrap(~X1, scales = "free") +
  labs(
    x = NULL, y = "Nº de trabalhos",
    title = 'Resumos no <span style = "color:#ef8118"> XXIII CLACS | XXXVIII CBCS </span>',
    subtitle = "Divisão 4 - Solo, Ambiente e Sociedade"
  ) +
  geom_text(aes(label = partici), nudge_y = -2, col = "black", size = 6) +
  theme_minimal(24) +
  theme(
    text = element_text(family = "Didot"),
     plot.title  = element_markdown()
  )

df_ok |>
  group_by(X1) |>
  summarise(soma = sum(partici)) |>
  mutate(
    X1 = factor(X1, labels = c(
      "Divisão 1 – Solo no \n espaço e no tempo",
      "Divisão 2 – Processos e \n  Propriedades do Solo",
      "Divisão 3 – Uso e \n Manejo do Solo",
      "Divisão 4 - Solo, \n Ambiente e Sociedade"
    )),
    total = sum(soma)
  ) |>
  ggplot(aes(y = soma, x = fct_reorder(X1, soma))) +
  coord_flip() +
  geom_col(fill = "#ef8118", col = "#bc6a1d") +
  # facet_wrap(~X1, scales = "free") +
  labs(
    x = NULL, y = "Nº de trabalhos",
    title = 'Resumos no <span style = "color:#ef8118"> XXIII CLACS | XXXVIII CBCS </span>',
    subtitle = "Total por divisão"
  ) +
  geom_text(aes(label = soma), nudge_y = -32, col = "black", size = 6) +
  theme_minimal(24) +
  theme(
    text = element_text(family = "Didot"),
    plot.title = element_markdown()
  )