R Highcharter para visualização de dados com Highcharts

Visualização de dados é, na minha opinião, a melhor forma de apresentar relatórios descritivos e analíticos a partir de um conjunto de dados. Eu sou do time que ama visualização. Dá para contar a história toda em uma única tela — claro, isso também depende da complexidade dos dados. Se você está lendo este tutorial, provavelmente já conhece o pacote Ggplot2 no R, usado para gerar gráficos excelentes para análise, mas que em alguns casos deixa a desejar em propriedades dinâmicas.

Voltando ao Highcharter: ele é um wrapper em R da biblioteca JavaScript HighCharts e seus módulos.

Os principais recursos deste pacote são:

Você cria vários tipos de gráficos com o mesmo estilo: dispersão, bolhas, séries temporais, heatmaps, treemaps, barras e muito mais.
Suporta diversos objetos do R.
Oferece suporte a Highstocks Charts e coropléticas.
Tem um estilo de encadeamento com pipes que todo mundo que usa R adora.
Uma grande variedade de temas com visual incrível.

Bora colocar a mão na massa e criar algumas visualizações com o Highcharter, explorando os recursos acima:

Criando gráficos básicos com a função hchart

hchart é uma função genérica que recebe um objeto e retorna um objeto highcharter. Há funções cujo comportamento é parecido com as do pacote ggplot2, como:

hchart funciona como o qplot do ggplot2.
hc_add_series funciona como os geom_S do ggplot2.
hcaes funciona como o aes do ggplot2.

Vamos escolher um dataset. Vou usar o conjunto Pokemon, que também está disponível no pacote Highcharter. Dê uma olhada rápida:

glimpse(pokemon)Tecnologia

## Observations: 718
## Variables: 20
## $ id              <dbl> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14,...
## $ pokemon         <chr> "bulbasaur", "ivysaur", "venusaur", "charmande...
## $ species_id      <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14,...
## $ height          <int> 7, 10, 20, 6, 11, 17, 5, 10, 16, 3, 7, 11, 3, ...
## $ weight          <int> 69, 130, 1000, 85, 190, 905, 90, 225, 855, 29,...
## $ base_experience <int> 64, 142, 236, 62, 142, 240, 63, 142, 239, 39, ...
## $ type_1          <chr> "grass", "grass", "grass", "fire", "fire", "fi...
## $ type_2          <chr> "poison", "poison", "poison", NA, NA, "flying"...
## $ attack          <int> 49, 62, 82, 52, 64, 84, 48, 63, 83, 30, 20, 45...
## $ defense         <int> 49, 63, 83, 43, 58, 78, 65, 80, 100, 35, 55, 5...
## $ hp              <int> 45, 60, 80, 39, 58, 78, 44, 59, 79, 45, 50, 60...
## $ special_attack  <int> 65, 80, 100, 60, 80, 109, 50, 65, 85, 20, 25, ...
## $ special_defense <int> 65, 80, 100, 50, 65, 85, 64, 80, 105, 20, 25, ...
## $ speed           <int> 45, 60, 80, 65, 80, 100, 43, 58, 78, 45, 30, 7...
## $ color_1         <chr> "#78C850", "#78C850", "#78C850", "#F08030", "#...
## $ color_2         <chr> "#A040A0", "#A040A0", "#A040A0", NA, NA, "#A89...
## $ color_f         <chr> "#81A763", "#81A763", "#81A763", "#F08030", "#...
## $ egg_group_1     <chr> "monster", "monster", "monster", "monster", "m...
## $ egg_group_2     <chr> "plant", "plant", "plant", "dragon", "dragon",...
## $ url_image       <chr> "1.png", "2.png", "3.png", "4.png", "5.png", "...Tecnologia

Vamos plotar um gráfico de barras.

pokemon%>%
  count(type_1)%>%
  arrange(n)%>%
  hchart(type = "bar", hcaes(x = type_1, y = n))Tecnologia

Pronto: você tem um gráfico de barras por categoria type 1 dos pokémon.

Se preferir um gráfico de colunas, basta trocar o parâmetro type para column.

pokemon%>%
  count(type_1)%>%
  arrange(n)%>%
  hchart(type = "column", hcaes(x = type_1, y = n))Tecnologia

Treemap

pokemon%>%
  count(type_1)%>%
  arrange(n)%>%
  hchart(type = "treemap", hcaes(x = type_1, value = n, color = n))Tecnologia

Também podemos usar hc_add_series para montar o gráfico. Ele serve para adicionar e remover séries de um objeto highchart.

Gráfico de dispersão

highchart()%>%
  hc_add_series(pokemon, "scatter", hcaes(x = height, y = weight))Tecnologia

A principal diferença entre as funções geom_ do ggplot2 e o hc_add_series é que, no Highcharter, precisamos informar os dados e as estéticas explicitamente em cada função, enquanto no ggplot2 dá para definir dados e estéticas em uma camada e depois ir adicionando geoms que usam as mesmas definições.

Um exemplo direto está abaixo, usando o dataset diamonds do pacote ggplot2.

data(diamonds, package = "ggplot2")

set.seed(123)
data <- sample_n(diamonds, 300)

modlss <- loess(price ~ carat, data = data)
fit <- arrange(augment(modlss), carat)

highchart() %>%
  hc_add_series(data, type = "scatter",
                hcaes(x = carat, y = price, size = depth, group = cut)) %>%
  hc_add_series(fit, type = "line", hcaes(x = carat, y = .fitted),
                name = "Fit", id = "fit") %>%
  hc_add_series(fit, type = "arearange",
                hcaes(x = carat, low = .fitted - 2*.se.fit,
                      high = .fitted + 2*.se.fit),
                linkedTo = "fit")Tecnologia

Como no exemplo, o gráfico foi construído com três séries: dispersão, linha e faixa de área.

Vamos reproduzir um desenvolvimento em JavaScript do highchart no R usando hc_add_series.

highchart() %>%
  hc_chart(type = "area") %>%
  hc_title(text = "Historic and Estimated Worldwide Population Distribution by Region") %>%
  hc_subtitle(text = "Source: Wikipedia.org") %>%
  hc_xAxis(categories = c("1750", "1800", "1850", "1900", "1950", "1999", "2050"),
           tickmarkPlacement = "on",
           title = list(enabled = FALSE)) %>%
  hc_yAxis(title = list(text = "Percent")) %>%
  hc_tooltip(pointFormat = "<span style=\"color:{series.color}\">{series.name}</span>:
             <b>{point.percentage:.1f}%</b> ({point.y:,.0f} millions)<br/>",
             shared = TRUE) %>%
  hc_plotOptions(area = list(
     stacking = "percent",
     lineColor = "#ffffff",
     lineWidth = 1,
     marker = list(
       lineWidth = 1,
       lineColor = "#ffffff"
       ))
     ) %>%
  hc_add_series(name = "Asia", data = c(502, 635, 809, 947, 1402, 3634, 5268)) %>%
  hc_add_series(name = "Africa", data = c(106, 107, 111, 133, 221, 767, 1766)) %>%
  hc_add_series(name = "Europe", data = c(163, 203, 276, 408, 547, 729, 628)) %>%
  hc_add_series(name = "America", data = c(18, 31, 54, 156, 339, 818, 1201)) %>%
  hc_add_series(name = "Oceania", data = c(2, 2, 2, 6, 13, 30, 46))Tecnologia

Comparando, dá para ver cada bloco do código JavaScript convertido em funções do R, encadeadas com pipes. Vale observar alguns argumentos, como o pointFormat do hctooltip, que usa o mesmo formato do código JavaScript. Você pode ver os detalhes aqui.

Highstocks

Highstocks são gráficos para análises financeiras e de séries temporais; funcionam muito bem com a biblioteca quamtmod, e é simples plotar símbolos e depois adicionar mais séries com hc_add_series.

x <- getSymbols("GOOG", auto.assign = FALSE)

hchart(x)Tecnologia

Nesse gráfico, não precisamos acrescentar código extra: hchart trabalha muito bem com objetos xts, oferecendo um snapshot dinâmico dos dados. Use o zoom para detalhar os dados em partes menores e analisar melhor.

Vamos usar o hc_add_series.

y <- getSymbols("AMZN", auto.assign = FALSE)

highchart(type = "stock") %>%
  hc_add_series(x) %>%
  hc_add_series(y, type = "ohlc")Tecnologia

Perceba como a visualização lida muito bem com um volume grande de dados.

Experimente stocks com diferentes objetos xts.

Highmaps

A forma mais simples de criar um mapa no highcharter é usando a função hcmap. Selecione uma URL da coleção de highmaps e use essa URL como mapa na função hcmap. Isso vai baixar o mapa e criar um objeto usando as informações como argumento mapdata.

Vamos plotar o mapa da Índia.

hcmap("https://code.highcharts.com/mapdata/countries/in/in-all.js")%>%
  hc_title(text = "India")Tecnologia

Esse é um mapa simples — que tal transformar em uma coroplética?

Todo mapa baixado da coleção de mapas do Highcharts traz chaves para relacionar os dados. Há duas funções que ajudam a entender quais regiões estão codificadas e como unir mapa e dados:

download_map_data: baixa os dados geojson da coleção do Highcharts.
get_data_from_map: retorna as propriedades de cada região no mapa, como as chaves do map data.

mapdata <- get_data_from_map(download_map_data("https://code.highcharts.com/mapdata/countries/in/in-all.js"))

glimpse(mapdata)Tecnologia

## Observations: 34
## Variables: 20
## $ `hc-group`    <chr> "admin1", "admin1", "admin1", "admin1", "admin1"...
## $ `hc-middle-x` <dbl> 0.65, 0.59, 0.50, 0.56, 0.46, 0.46, 0.51, 0.59, ...
## $ `hc-middle-y` <dbl> 0.81, 0.63, 0.74, 0.38, 0.64, 0.51, 0.34, 0.41, ...
## $ `hc-key`      <chr> "in-py", "in-ld", "in-wb", "in-or", "in-br", "in...
## $ `hc-a2`       <chr> "PY", "LD", "WB", "OR", "BR", "SK", "CT", "TN", ...
## $ labelrank     <chr> "2", "2", "2", "2", "2", "2", "2", "2", "2", "2"...
## $ hasc          <chr> "IN.PY", "IN.LD", "IN.WB", "IN.OR", "IN.BR", "IN...
## $ `alt-name`    <chr> "Pondicherry|Puduchcheri|PondichÃÂ©ry", "Ã\u008dl...
## $ `woe-id`      <chr> "20070459", "2345748", "2345761", "2345755", "23...
## $ fips          <chr> "IN22", "IN14", "IN28", "IN21", "IN34", "IN29", ...
## $ `postal-code` <chr> "PY", "LD", "WB", "OR", "BR", "SK", "CT", "TN", ...
## $ name          <chr> "Puducherry", "Lakshadweep", "West Bengal", "Ori...
## $ country       <chr> "India", "India", "India", "India", "India", "In...
## $ `type-en`     <chr> "Union Territory", "Union Territory", "State", "...
## $ region        <chr> "South", "South", "East", "East", "East", "East"...
## $ longitude     <chr> "79.7758", "72.7811", "87.7289", "84.4341", "85....
## $ `woe-name`    <chr> "Puducherry", "Lakshadweep", "West Bengal", "Ori...
## $ latitude      <chr> "10.9224", "11.2249", "23.0523", "20.625", "25.6...
## $ `woe-label`   <chr> "Puducherry, IN, India", "Lakshadweep, IN, India...
## $ type          <chr> "Union Territor", "Union Territor", "State", "St...Tecnologia

#population state wise
pop = as.data.frame(c(84673556, 1382611, 31169272, 103804637, 1055450, 25540196, 342853, 242911, 18980000, 1457723, 60383628, 25353081, 6864602,
12548926, 32966238, 61130704, 33387677, 64429, 72597565, 112372972, 2721756, 2964007, 1091014, 1980602, 41947358, 1244464,
27704236, 68621012, 607688, 72138958, 3671032, 207281477, 10116752,91347736))

state= mapdata%>%
  select(`hc-a2`)%>%
  arrange(`hc-a2`)

State_pop = as.data.frame(c(state, pop))
names(State_pop)= c("State", "Population")

hcmap("https://code.highcharts.com/mapdata/countries/in/in-all.js", data = State_pop, value = "Population",
      joinBy = c("hc-a2", "State"), name = "Fake data",
      dataLabels = list(enabled = TRUE, format = '{point.name}'),
      borderColor = "#FAFAFA", borderWidth = 0.1,
      tooltip = list(valueDecimals = 0))Tecnologia

Faça alguns testes com hc_add_series em mapas e coropléticas. Para mais detalhes e exemplos, visite aqui.

Plug-ins

Agora vamos explorar alguns plug-ins do highcharter, como agrupamento, drill-down, download, impressão de dados e temas caprichados.

Vamos agrupar os dados do dataset mpg. Para visualizar melhor, criamos uma lista que categoriza os dados por fabricante.

data(mpg, package = "ggplot2")

mpgg <- mpg %>%
  filter(class %in% c("suv", "compact", "midsize")) %>%
  group_by(class, manufacturer) %>%
  summarize(count = n())

categories_grouped <- mpgg %>%
  group_by(name = class) %>%
  do(categories = .$manufacturer) %>%
  list_parse()

highchart() %>%
  hc_xAxis(categories = categories_grouped) %>%
  hc_add_series(data = mpgg, type = "bar", hcaes(y = count, color = manufacturer),
                showInLegend = FALSE)Tecnologia

Vamos criar um gráfico com drill-down para detalhar a análise. Se você entende listas em R, o código fica ainda mais fácil.

df <- data_frame(
  name = c("Animals", "Fruits", "Cars"),
  y = c(5, 2, 4),
  drilldown = tolower(name)
)


ds <- list_parse(df)
names(ds) <- NULL


hc <- highchart() %>%
  hc_chart(type = "column") %>%
  hc_title(text = "Basic drilldown") %>%
  hc_xAxis(type = "category") %>%
  hc_legend(enabled = FALSE) %>%
  hc_plotOptions(
    series = list(
      boderWidth = 0,
      dataLabels = list(enabled = TRUE)
    )
  ) %>%
  hc_add_series(
    name = "Things",
    colorByPoint = TRUE,
    data = ds
  )

dfan <- data_frame(
  name = c("Cats", "Dogs", "Cows", "Sheep", "Pigs"),
  value = c(4, 3, 1, 2, 1)
)

dffru <- data_frame(
  name = c("Apple", "Organes"),
  value = c(4, 2)
)

dfcar <- data_frame(
  name = c("Toyota", "Opel", "Volkswage"),
  value = c(4, 2, 2)
)

second_el_to_numeric <- function(ls){

  map(ls, function(x){
    x[[2]] <- as.numeric(x[[2]])
    x
  })

}

dsan <- second_el_to_numeric(list_parse2(dfan))

dsfru <- second_el_to_numeric(list_parse2(dffru))

dscar <- second_el_to_numeric(list_parse2(dfcar))

hc %>%
  hc_drilldown(
    allowPointDrilldown = TRUE,
    series = list(
      list(
        id = "animals",
        data = dsan
      ),
      list(
        id = "fruits",
        data = dsfru
      ),
      list(
        id = "cars",
        data = dscar
      )
    )
  )Tecnologia

Vamos aplicar drill-down em outros gráficos.

tm <- pokemon %>%
  mutate(type_2 = ifelse(is.na(type_2), paste("only", type_1), type_2),
         type_1 = type_1) %>%
  group_by(type_1, type_2) %>%
  summarise(n = n()) %>%
  ungroup() %>%
  treemap::treemap(index = c("type_1", "type_2"),
                   vSize = "n", vColor = "type_1")Tecnologia

tm$tm <- tm$tm %>%
  tbl_df() %>%
  left_join(pokemon %>% select(type_1, type_2, color_f) %>% distinct(), by = c("type_1", "type_2")) %>%
  left_join(pokemon %>% select(type_1, color_1) %>% distinct(), by = c("type_1")) %>%
  mutate(type_1 = paste0("Main ", type_1),
         color = ifelse(is.na(color_f), color_1, color_f))

highchart() %>%
  hc_add_series_treemap(tm, allowDrillToNode = TRUE,
                        layoutAlgorithm = "squarified")Tecnologia

Vamos adicionar a funcionalidade de exportar dados.

pokemon%>%
  count(type_1)%>%
  arrange(n)%>%
  hchart(type = "bar", hcaes(x = type_1, y = n, color = type_1))%>%
  hc_exporting(enabled = TRUE)Tecnologia

Por fim, vamos aplicar alguns temas.

pokemon%>%
  count(type_1)%>%
  arrange(n)%>%
  hchart(type = "bar", hcaes(x = type_1, y = n, color = type_1))%>%
  hc_exporting(enabled = TRUE)%>%
hc_add_theme(hc_theme_chalk())Tecnologia

Você pode aprender muito mais aqui — é uma biblioteca completa sobre Highcharter. Para fechar, compartilho um dos meus gráficos favoritos, criado com um dataset de clima. Um argumento interessante é o polar: ao defini-lo como TRUE, a visualização muda completamente.

data("weather")

x <- c("Min", "Mean", "Max")
y <- sprintf("{point.%s}", c("min_temperaturec", "mean_temperaturec", "max_temperaturec"))
tltip <- tooltip_table(x, y)

hchart(weather, type = "columnrange",
       hcaes(x = date, low = min_temperaturec, high = max_temperaturec,
             color = mean_temperaturec)) %>%
  hc_chart(polar = TRUE) %>%
  hc_yAxis( max = 30, min = -10, labels = list(format = "{value} C"),
            showFirstLabel = FALSE) %>%
  hc_xAxis(
    title = list(text = ""), gridLineWidth = 0.5,
    labels = list(format = "{value: %b}")) %>%
  hc_tooltip(useHTML = TRUE, pointFormat = tltip,
             headerFormat = as.character(tags$small("{point.x:%d %B, %Y}")))Tecnologia

Se quiser aprender mais sobre visualização de dados em R, faça o curso Data Visualization with ggplot2 (Part 1) da DataCamp e confira nosso R Formula Tutorial.

Temas

Visualização de dados Ciência de dados R

Tecnologias

Tópicos

Visualização de dados com Highcharter no R

Explore com IA

Criando gráficos básicos com a função hchart

Treemap

Gráfico de dispersão

Highstocks

Highmaps

Plug-ins

Temas

Aprenda mais sobre R e visualização de dados

Introdução à Visualização de Dados com ggplot2

Visualização Interativa de Dados com plotly em R

Boas práticas de visualização em R

Relacionado

As 8 melhores ideias de projetos R para 2026

11 técnicas de visualização de dados para cada caso de uso com exemplos

Explorando 12 das melhores ferramentas de visualização de dados em 2023 com exemplos

Como fazer um histograma ggplot2 no R

Criação de uma lista no R

Árvores de decisão em aprendizado de máquina usando o R