11.

3 Combinando e modificando listas

Introdução ao R 12 INSTALANDO E CONHECENDO PACOTES DO R

12.1 O que é um pacote do R?
12.2 Instalando pacotes no R
Curso Básico de Linguagem R 12.3 Descobrindo pacotes do R
13 CONTROLE DE FLUXO
Eduardo Ferreira / Weverton Lisboa 13.1 Declarações condicionais (if e else)
Janeiro de 2018 14 IMPORTAÇÃO E ARMAZENAMENTO DE DADOS
14.1 Importando arquivos CSV
1 INTRODUÇÃO 14.2 Importanto arquivos TXT e TSV
2 O QUE É R? 14.3 Importando arquivos XLS e XLSX
2.1 Bibliografia indicada 14.4 Importando grandes quantidades de dados
2.2 Onde procurar ajuda? 15 MANIPULAÇÃO DE DADOS
2.3 Cursos indicados 15.1 Manipulação de dados com os pacotes dplyr e tidyr
2.4 Sites e blogs indicados 15.1.1 Filtrando observações
3 INICIANDO O USO DO R 15.1.2 Selecionando variáveis
3.1 Instalando o R 15.1.3 Modificando dados
3.2 Instalando o RStudio 15.1.4 Renomeando variáveis
3.3 Preparando o ambiente de trabalho 15.1.5 Operações utilizando pipes (%>%)
3.4 Pedindo ajuda no R 15.1.6 Resumindo e agrupando dados
4 OPERAÇÕES BÁSICA UTILIZANDO R 15.1.7 Ordenando dados
4.1 Principais operações aritméticas e lógicas com R 15.1.8 Combinando variáveis
4.2 Tipos numéricos 15.1.9 União à esquerda (left join)
4.3 Operações lógicas 15.1.10 União à direita (right join)
4.4 Criando variáveis 15.1.11 União interna (inner join)
4.5 Outras classes de variáveis 15.1.12 União total (full join)
4.6 Listando e removendo variáveis 15.1.13 Diferenças de dados (semi join e anti join)
5 VETORES 15.1.14 Combinando observações com as funções union, intersect, setdiff e bind_rows
5.1 O que é um vetor? 15.1.15 Manipulando valores ausentes
5.2 Indexando vetores 15.1.16 Separando e combinando colunas
5.3 Operações matemáticas e lógicas com vetores 15.1.17 Alterando layout dos dados
5.4 Sequências e números aleatórios 16 EXPORTANDO DADOS
5.5 Outras funções importantes para manipular vetores 16.1 Exportando dados em CSV
6 EXERCÍCIOS 16.2 Exportando dados em TXT e TSV
7 MATRIZES 16.3 Exportando dados em XLS e XLSX
7.1 Criando matrizes 16.4 Exportando grande volume de dados
7.2 Operações matemáticas com matrizes 16.5 Salvando objetos do R (Rds e RData)
7.3 Manipulando matrizes 17 GRÁFICOS BÁSICOS
7.4 Nomeando linhas e colunas de uma matriz 17.1 Gráfico de dispersão
7.5 Unindo matrizes 17.2 Gráfico de barras
8 EXERCÍCIOS 17.3 Histograma
9 DATA FRAMES E TIBBLES 17.4 Gráficos de linhas
9.1 O que é um Data Frame? 17.5 Boxplot
9.2 Manipulando data frames 17.6 Gráfico de pizza
9.3 Criando e modificando variáveis 18 EXPLORANDO BASES DE DADOS PÚBLICAS
9.4 Transformando variáveis REFERÊNCIAS
9.5 Convertendo tipos de variáveis
9.6 O que é um tibble?
10 EXERCÍCIOS 1 INTRODUÇÃO
11 LISTAS
11.1 O que é uma lista?
11.2 Manipulando listas
O presente material é parte do Curso de Introdução ao R, ministrado entre os meses de janeiro e fevereiro de Baixe o arquivo disponível no link e instale!
2018 nas dependências do Tribunal de Contas do Estado da Paraíba. O curso foi promovido pela Escola de
Contas Conselheiro Otacílio Silveira - ECOSIL e possui como objetivo capacitar seus servidores na
Linguagem R, esta amplamente utilizada nos mais diversos campos de conhecimento.
3.2 Instalando o RStudio
O RStudio é um ambiente de interface gráfica para o R, ou melhor, um IDE (Integrated Development

2 O QUE É R?
O R é uma linguagem e ambiente voltados para estatística computacional e gráficos. Aberto e gratuito, é
compatível com Windows, UNIX e MacOS. Atualmente o R se encontra em sua versão 3.4.3.
Apenas para evitar a confusão, o R pode se referir às duas coisas: ao software utilizado para executar o
código escrito na linguagem R e à linguagem em si. Para mais informações, podemos visitar o site do Projeto
R (https://www.r-project.org)
Environment). Atualmente o RStudio é considerado o melhor IDE para quem programa em R. Além de uma
interface mais amigável, possui diversas funcionalidades que facilitam o aprendizado e a produtividade. O
RStudio possui uma versão para desktop grátis e para baixar e instalar, basta seguir os seguintes passos:
Ir até a página de download do RStudio (https://www.rstudio.com/products/rstudio/download);
Clicar em download para a versão grátis;
Escolher o instalador de acordo com o seu sistema operacional (Windows, Mac OS, Linux);
Após o download, realizar a instalação.

Segue tabela com alguns atalhos do RStudio.

2.1 Bibliografia indicada Operador Windows/Linux Mac
R in a Nutshell: A Desktop Quick Reference (Adler 2012)
Executa a linha selecionada Ctrl+Enter Command + Enter
Learning R: A Step-by-Step Function Guide to Data Analysis (Cotton 2013)
R for Data Science: Import, Tidy, Transform, Visualize, and Model Data (Wickham and Grolemund 2016) Comenta e descomenta linha Ctrl+Shift+C Command+Shift+C
25 Recipes for Getting Started with R (Teetor 2011a)
Salva o documento Ctrl+S Command+S
R Cookbook: Proven Recipes for Data Analysis, Statistics, and Graphics (Teetor 2011b)
The Essential R Reference (Gardener 2012) Insere %>% (pipe) Ctrl+Shift+M Command+Shift+M

Vai para a primeira aba Ctrl+Shift+F11 Command+Shift+F11

2.2 Onde procurar ajuda? Vai para a última aba Ctrl+Shift+F12 Command+Shift+F12
Documentação dos pacotes;
Ajuda das funções (Digite ? seguido do nome da função); Vai para o final Ctrl+ ↓ Command+ ↓

Comunidade do RStudio (https://community.rstudio.com); Vai para o começo Ctrl+ ↑ Ctrl+ ↑

StackOverflow (https://stackoverflow.com);
GitHub (https://github.com). Ir para a linha Shift+Alt+G Command+Shift+Option+G

2.3 Cursos indicados 3.3 Preparando o ambiente de trabalho

DataCamp (https://www.datacamp.com) Uma das primeiras coisas a se fazer, antes de começarmos a utilizar o RStudio, é definir o diretório de
trabalho. Para verificar o diretório atual, podemos executar o comando getwd() no console.

2.4 Sites e blogs indicados Defina sua pasta de trabalho utilizando a função setwd() . Após isso, crie um novo script indo em File > New
File > R Script. O R script será utilizado para organizar todos os comandos que você deseja executar. O R
Revolutions (http://blog.revolutionanalytics.com);
executa os comandos na sequência do seu script. Linhas iniciadas com # serão ignoradas.
R-bloggers (https://www.r-bloggers.com);
KDnuggets (https://www.kdnuggets.com).
3.4 Pedindo ajuda no R
3 INICIANDO O USO DO R O R possui um sistema de ajuda para auxilia-lo na busca de informações sobre funções e pacotes. Para pedir
ajuda sobre determinada função, basta digitar ? seguido do nome da função. Por exemplo, vamos pedir ajuda
sobre a função sum() (soma).
3.1 Instalando o R
?sum
Para instalar o R, basta seguir os seguintes passos:

Visite um dos CRAN Mirros para fazer o download do software. Sugerimos: Se estiver utilizando o RStudio, você verá que a ajuda aparecerá na aba help.
(https://vps.fmvz.usp.br/CRAN/ (https://vps.fmvz.usp.br/CRAN/));
Se você quiser ver exemplos da função, basta fazer:
Escolha a versão para o seu sistema operacional (Linux, Mac OS ou Windows);
Na página seguinte, escolha a versão base;
 example(sum) Operador Descrição

== Operador de igualdade
##
> Operador “maior que”
## sum> ## Pass a vector to sum, and it will add the elements together.
## sum> sum(1:5) < Operador “menor que”
## [1] 15
## <= Operador “menor ou igual”
## sum> ## Pass several numbers to sum, and it also adds the elements.
## sum> sum(1, 2, 3, 4, 5) ! Operador “Não”
## [1] 15
& Operador lógico “E”
##
## sum> ## In fact, you can pass vectors into several arguments, and everything gets added. | Operador lógico “OU”
## sum> sum(1:2, 3:5)
## [1] 15
## Conhecido tais operadores, podemos realizar nossas primeiras operações no console do R. Seguem alguns
## sum> ## If there are missing values, the sum is unknown, i.e., also missing, .... exemplos com os respectivos resultados.
## sum> sum(1:5, NA)
## [1] NA #Exemplo de soma
## 347 + 328
## sum> ## ... unless we exclude missing values explicitly:
## sum> sum(1:5, NA, na.rm = TRUE)
## [1] 15 ## [1] 675

Você pode pedir ajuda sobre um tópico específico. Suponha que você deseja pesquisar sobre mapas, digite: #Exemplo de subtração
567 - 345
??maps

## [1] 222
Você verá que uma série de tópicos relacionados serão exibidos na aba help.

4 OPERAÇÕES BÁSICA UTILIZANDO R #Exemplo de multiplicação

457 * 32

4.1 Principais operações aritméticas e lógicas com ## [1] 14624

R
Antes de iniciarmos as primeiras operações com o R, é necessário conhecer os principais operadores 4.2 Tipos numéricos
aritméticos e lógicos. Segue tabela com os principais operadores e uma breve descrição de cada um. Recorrentemente lidamos com diferentes classes numéricas no R. Podemos nos deparar com números
inteiros (integer), números decimais (numeric ou double) ou números complexos (complex). Para verificarmos
Principais operadores aritméticos e lógicos
a classe de um número, basta usarmos a função class() no número ou na variável que desejamos testar.
Operador Descrição Vejamos os exemplos a seguir:

+ Operador de adição class(3L) #Um número inteiro pode também ser representado acompanhado de um L

- Operador de subtração
## [1] "integer"
* Operador de multiplicação

/ Operador de divisão
class(3.435)
: Operador de sequência

^ Operador exponencial ## [1] "numeric"

%% Operador de módulo
class(3 + 3i)
 ## [1] "complex" x <- 3

x + 10
NOTA: Para representar o infinito, o R utiliza Inf e -Inf . Faça o teste realizando
a seguinte operação no console: 1 / 0 ## [1] 13

No exemplo anterior, criamos uma variável x para armazenar o valor numérico 3. Ao realizarmos a operação
4.3 Operações lógicas x + 10 , automaticamente o valor atribuído a x é recuperado. Para criarmos uma variável, utilizamos o
símbolo <- ou = . No entanto, a notação <- é a mais utilizada e será a adotada ao longo do nosso
As operações lógicas são frequentemente utilizadas no R, principalmente nas funções de controle de fluxo.
curso. Faça o exemplo seguinte e analise os resultados.
Diversas linguagens de programação utilizam a lógica booleana em que os valores lógicos podem ser TRUE
ou FALSE . No R, além dos estados TRUE ou FALSE , há também um terceiro para indicar valor ausente
x <- 25
(missing value) identificado por NA . Tais palavras são reservadas no R, o que indica que você não poderá
criar variáveis com tais nomes. É importante destacar que o R é case sensitive, o que indica que existe a x = 30
diferenciação entre letras maiúsculas e minúsculas. Portanto, quando formos representar os estados TRUE ,
FALSE ou NA , devemos escrever com todas as letras maiúsculas. 31 -> x

Também podemos representar TRUE e FALSE digitando apenas a primeira letra maiúscula. Faça os exemplos
x <- x + 1
abaixo e analise os resultados do console.
Os nomes das variáveis podem conter letras, números, pontos e sublinha ( _ ), mas não podem iniciar com
3 > 5
um número ou um ponto seguido de número.
48 != 10
NOTA: Por questão de estética e praticidade, é recomendável que você mantenha
TRUE == T os nomes das variáveis apenas com letras minúsculas. As variáveis devem ter
39 > 100 nomes curtos e revelar um pouco da informação que guarda. Isso facilitará a
leitura do código!
(30 > 10) & (4 < 3)

F == TRUE Outra forma de criarmos variáveis é utilizando a função assign() , apesar de menos usual. Vejamos um
exemplo a seguir.
TRUE + TRUE
assign("x", 99) #Note que é necessária a utilização de aspas para indicar o nome da variável
FALSE / 2
x
NA + 3

TRUE + NA ## [1] 99

class(TRUE)

4.5 Outras classes de variáveis

NOTA: Devemos ter bastante cuidado com os valores ausentes ( NA ). Caso não
haja o tratamento correto, tais valores podem interferir sensivelmente no código
executado. Veremos isso com mais clareza ao longo do nosso curso.
Além das classes numéricas e lógicas, podemos armazenar em uma variável dados em forma de texto
(character) ou como fator (factor). A primeira forma é utilizada para armazenar qualquer dado texto, como o
nome de uma pessoa. Já a segunda é geralmente utilizada para armazenar variáveis categóricas como, por
exemplo, o sexo de uma pessoa. Seguem exemplo de criação de uma variável que irá armazenar um dado
em texto.

4.4 Criando variáveis nome <- "Antônio Santos"

Até então, realizamos algumas operações sem a necessidade de armazenar dados. No entanto, em
nome
operações mais complexas é praticamente impossível não utilizarmos variáveis. Com a criação de uma
variável, podemos facilmente reusá-la ao longo de nosso código. Vejamos um exemplo.
## [1] "Antônio Santos"
 NOTA: Por questão didática, veremos como criar uma variável do tipo fator um k <- c(TRUE, FALSE, TRUE, TRUE)

pouco adiante, após conhecermos os vetores. class(k)

4.6 Listando e removendo variáveis ## [1] "logical"

Para listar todas as variáveis criadas, usamos a função ls() . Digite a função no console e verifique as Ao tentarmos criar um vetor com tipos de dados heterogêneos, o R converterá para character . O
variáveis disponíveis no momento. Para remover uma variável, usamos a função rm() com o nome da entendimento desse procedimento facilitará a detecção e a solução de alguns problemas no processo de
variável que desejamos remover. Vamos atribuir 3 à uma variável de nome k1 e depois vamos removê-la do manipulação e tratamento de dados.
nosso ambiente.
k <- c(TRUE, 3, "Pedro")
k1 <- 3
rm(k1) class(k)

Sempre que começamos a executar um novo script, é recomendável limpar todas as variáveis carregadas, ## [1] "character"
visando evitar conflitos e outros problemas. Basta utilizar o comando:
Agora que conhecemos um pouco de vetores, vamos criar uma variável tipo factor a partir de uma variável
rm(list = ls())
numérica. Suponha que você esteja diante de um conjunto de dados em que os gêneros feminino e masculino
estejam representados pelos números 1 e 2, respectivamente. Podemos transformar essa informação em

5 VETORES
fator da seguinte forma:

genero <- c(1, 2, 1, 2)

5.1 O que é um vetor? genero <- factor(genero, levels = c(1, 2), labels = c("feminino", "masculino"))

Até então aprendemos a armazenar dados em variáveis. No entanto, muitas vezes precisamos armazenar
genero
uma sequência de dados. Suponhamos que você deseja armazenar as idades de uma turma de 30 alunos.
Criar uma variável para cada um dos alunos nos parece um pouco sem sentido. É para isso que o R dispõe
de alguns objetos capazes de lidar com grandes quantidades de dados de uma maneira mais inteligente. ## [1] feminino masculino feminino masculino
## Levels: feminino masculino
O objeto que iremos conhecer agora se chama vetor. Na linguagem R, um vetor é uma sequência de dados
de um mesmo tipo. Para criarmos um vetor no R a função utilizada é a c() e o processo é bastante simples. Para mais detalhes, leia sobre a função factor() .
Vejamos um exemplo de criação de um vetor com os componentes {3, 23, 44} atribuído a uma variável y .

y <- c(3, 23, 44) 5.2 Indexando vetores

Uma vez que aprendemos como criar vetores, chegou o momento de aprendermos a manipulá-los e a realizar
y
algumas operações. Vamos começar criando um vetor com cinco elementos numéricos e depois realizar
algumas operações.
## [1] 3 23 44
#Criando o vetor e atribuindo à variavél de nome "v"
Como já foi mencionado, os vetores armazenam dados de um mesmo tipo. Isso quer dizer que não podemos v <- c(20, 12, 35, 19, 60)
armazenar um dado numérico e um dado tipo texto (character) no mesmo vetor. Seguem alguns exemplos.
Uma vez que temos nosso vetor v , podemos recuperar todos os valores de uma só vez ou apenas um ou
z <- c("João", "Paulo", "Pedro", "Francisco") alguns componentes desejados. A posição inicial de um vetor no R possui valor 1 e segue da esquerda para a
direita. Portanto, se quisermos obter o valor contido na posição 2 do nosso vetor v , usamos a seguinte
class(z) notação: v[2] . Vejamos:

## [1] "character" v[2]

## [1] 12
Podemos também selecionar um intervalo de componentes do vetor, o que é bastante útil e rápido. Se
## [1] 2.857143 1.714286 5.000000 2.714286 8.571429
quisermos selecionar os dados das posições 2 a 4 do nosso vetor, basta fazermos:

Podemos observar que ao realizarmos qualquer operação entre um vetor numérico e um número, a operação
v[2:4]
é realizada para cada um dos componentes do vetor, gerando um vetor resultado.

Podemos também somar dois vetores, desde que um deles seja de tamanho igual ou múltiplo do outro. O
## [1] 12 35 19
exemplo a seguir esclarece.

Para exibirmos todos os componentes do vetor exceto o de uma determinada posição, utilizamos o sinal -
j <- c(1, 2, 3, 4, 5, 6, 7, 8, 9, 10)
ao indexar o nosso vetor. O exemplo seguinte selecionará todos os elementos do nosso vetor v , exceto o
elemento da posição 4. w <- c(11, 12, 13, 14, 15)
#Soma dos vetores j e w
v[-4] j + w

## [1] 20 12 35 60 ## [1] 12 14 16 18 20 17 19 21 23 25

Como um último exemplo, vamos indexar nosso vetor para que retorne apenas as posições 2 e 5. Isso pode Ao realizar uma operação lógica com um vetor obtemos como resultado um vetor lógico. Vejamos uma
ser feito facilmente da seguinte maneira: operação com o vetor w do exercício anterior.

v[c(2, 5)] w >= 13

## [1] 12 60 ## [1] FALSE FALSE TRUE TRUE TRUE

NOTA: Há diferentes formas de indexarmos vetores e obtermos o mesmo
resultado. Com o tempo, você vai descobrindo a forma mais usual e conveniente
para chegar ao resultado desejado.
Esse vetor resultado é importante para filtrarmos elementos do nosso vetor. Suponhamos que desejamos
selecionar os elementos do vetor w que sejam maiores ou iguais a 13. Podemos fazer isso de uma maneira
muito simples, utilizando a expressão w >= 13 como indexador do nosso vetor w . Se quisermos saber em
quais posições do vetor se encontram os elementos que satisfazem à condição, podemos utilizar a função
which() . Vejamos:

5.3 Operações matemáticas e lógicas com vetores w[w >= 13]

Além de indexar, devemos também conhecer como é que o R interpreta algumas operações quando
## [1] 13 14 15
utilizamos vetores. Com um vetor contendo dados numéricos, podemos realizar diversas operações. Seguem
exemplos utilizando o vetor v criado no tópico anterior.
which(w >= 13)
v

## [1] 3 4 5
## [1] 20 12 35 19 60
Diversas funções matemáticas e estatísticas podem ser facilmente aplicadas a vetores numéricos. Vejamos
algumas funções importantes abaixo.
v * 3

Função Descrição
## [1] 60 36 105 57 180
sum() Retorna a soma

mean() Retorna a média

v + 1
sd() Retorna o desvio padrão
## [1] 21 13 36 20 61 median() Retorna a mediana

var() Retorna a variância

v / 7
cor() Retorna a correlação entre dois vetores
Função Descrição #Gerar 20 números inteiros no intervalo de 0 a 100 sem reposição
sample(0:100, 20)
min() Retorna o mínimo

max() Retorna o máximo

## [1] 82 90 47 68 87 12 72 31 44 42 60 45 93 11 46 58 25 26 5 9
range() Retorna o mínimo e o máximo

summary() Retorna um sumário dos dados #Gerar 20 valores entre 0 e 1 com reposição
sample(0:1, 20, replace = TRUE)
quantile() Retorna os quantis do conjunto numérico

## [1] 1 1 0 0 0 0 1 1 0 0 0 0 0 0 1 1 1 0 0 0

NOTA: Lembre-se que para ler sobre qualquer função no R basta digitarmos ?
seguidos do nome da função no console. #Gerar 5 valores decimais entre 0 e 10
runif(5, 0, 10)

Faça os exemplos seguintes e veja os resultados.

## [1] 3.3825195 6.7469271 8.1158721 8.4822125 0.3636028

vetor1 <- c(1, 8, 11, 23.5, 12.8, 16, 25)

Podemos gerar também valores aleatórios de variáveis do tipo character . Para isso, podemos utilizar a
vetor2 <- c(10, 7.5, 10, 20.1, 24, 12, 25) função sample() e definir um vetor de onde deverá ser selecionada a amostra. Como exemplo, podemos
gerar 5 valores aleatórios entre as variáveis categóricas “masculino” e “feminino”. Observe que, como o
sum(vetor1) número de valores gerados supera o conjunto de variáveis, devemos definir a possibilidade de repetição
( replace = TRUE ).
mean(vetor2)
sample(c("masculino", "feminino"), 5, replace = TRUE)
cor(vetor1, vetor2)

range(vetor1) ## [1] "feminino" "feminino" "feminino" "feminino" "masculino"

Para gerarmos um determinado texto ou número repetidas vezes, podemos utilizar a função replicate() .
5.4 Sequências e números aleatórios
replicate(5, "meu texto")
Sequências são importantes em várias operações, principalmente por economizar tempo. Uma forma simples
de criar uma sequência é utilizando : e estabelecendo o início e o fim. Vejamos um exemplo de como criar
uma sequência dos números de 1 a 20. ## [1] "meu texto" "meu texto" "meu texto" "meu texto" "meu texto"

1:20
5.5 Outras funções importantes para manipular
## [1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 vetores
A tabela seguinte apresenta algumas outras funções importantes para trabalharmos com vetores. É
É possível também que nossa sequência seja formada por um intervalo determinado por nós. Para isso,
importante que você leia a documentação de cada função para evitar erros.
utilizamos a função seq() . Como exemplo, vamos criar uma sequência de 0 a 50 com um intervalo de 5.
Função Descrição
seq(0, 50, 5)
paste() Concatena vetores

## [1] 0 5 10 15 20 25 30 35 40 45 50 order() Retorna a ordem

length() Retorna o tamanho do vetor

Outras funções que frequentemente utilizamos no R são as que geram números aleatórias. Tais funções são
bastante importantes nos processos de amostragem. As funções mais utilizadas para essa tarefa são: names() Nomeia os elementos
sample() e runif() . Vamos aos exemplos:
cumsum() Retorna um vetor que é a soma cumulativa do vetor objeto

sort() Ordena um vetor

 a1,1 a1,2 ⋯ a1,n
Função Descrição ⎛ ⎞

⎜ a2,1 a2,2 ⋯ a2,n ⎟

rev() Retorna o vetor em ordem decrescente A m,n
⎜
= ⎜
⎟
⎟
⎜ ⎟
⎜ ⋮ ⋮ ⋱ ⋮ ⎟
is.na() Retorna um vetor lógico com TRUE para valor ausente (NA)
⎝ ⎠
am,1 am,2 ⋯ am,n

6 EXERCÍCIOS 7.1 Criando matrizes

Tente responder as questões de 1 a 7 sem utilizar o R.
O processo de criação de uma matriz no R é relativamente simples. No exemplo a seguir, vamos criar uma
1. Qual é o resultado da operação 11 > 3 ? matriz com 100 elementos numéricos em sequência de 1 a 100. Nossa matriz terá 10 linhas e 10 colunas.

2. Qual é o resultado da operação 13 + 4 * (5 + NA) ?

matriz01 <- matrix(
3. Qual o resultado da operação (TRUE + FALSE + T)^2 ? seq(1, 100),
ncol = 10,
4. Podemos realizar a operação 3nota <- 3.5 no R? Justifique a sua resposta. nrow = 10)

5. Sendo u <- c("A", 3) , qual a classe do vetor u ?

matriz01
6. Sendo j <- seq(1, 10, 3) , qual será o valor do terceiro componente do vetor j ?

7. Sendo z <- c(1, 3, 5, 12, 87, 21, 0, 12) , como podemos selecionar apenas os componentes do ## [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
vetor z maiores do que 20? ## [1,] 1 11 21 31 41 51 61 71 81 91
## [2,] 2 12 22 32 42 52 62 72 82 92
## [3,] 3 13 23 33 43 53 63 73 83 93
NOTA: Para executarmos os exercícios seguintes do nosso caso hipotético, ## [4,] 4 14 24 34 44 54 64 74 84 94
precisamos carregar o objeto vetor01 . Para isso, coloque o arquivo vetor.RData ## [5,] 5 15 25 35 45 55 65 75 85 95
## [6,] 6 16 26 36 46 56 66 76 86 96
no mesmo diretório de trabalho que está utilizando (use o comando getwd() para
## [7,] 7 17 27 37 47 57 67 77 87 97
conferir) e execute o comando load("vetor.RData") no console. Você visualizará ## [8,] 8 18 28 38 48 58 68 78 88 98
o objeto vetor01 no Global Enviroment do RStudio. ## [9,] 9 19 29 39 49 59 69 79 89 99
## [10,] 10 20 30 40 50 60 70 80 90 100

8. O vetor01 possui 15.000 observações referentes às notas dos candidatos do concurso público para Percebemos que o R, por default, preenche a matriz por colunas e não por linhas. No entanto, podemos criar
auxiliar administrativo da Prefeitura de São Longuinho. Os dados foram disponibilizados pela empresa uma matriz preenchendo primeiro as linhas e depois as colunas. Para isso, basta definirmos o argumento
organizadora do concurso. As notas variam de 0 a 10 e os candidatos que não realizaram a prova estão byrow = TRUE . Vejamos o resultado do exemplo anterior com o preenchimento por linhas e depois por
com NA nos respectivos campos. colunas.

De posse dos dados, você deve realizar as seguintes tarefas:

matriz01 <- matrix(
a. Coloque o vetor01 em ordem decrescente das notas e salve o resultado no próprio seq(1, 100),
vetor01 (sobrescrever). Você deve manter todas as 15.000 observações ao ordenar o vetor; ncol = 10,
nrow = 10,
b. Calcule a média e a mediana das notas;
byrow = TRUE)
c. Calcule o desvio padrão das notas;
d. Calcule o percentual de faltosos;
matriz01
e. Calcule quantos candidatos obtiveram notas maiores do que 7.00 e menores do que 8.00;
f. Selecione as 500 maiores notas do vetor01 e guarde o resultado em um vetor chamado vetor02 ;
g. Remova os valores ausentes (NA) do vetor01 e guarde o resultado no próprio vetor01 .

7 MATRIZES
A ideia de matriz no R é similar a da matriz que conhecemos na matemática. Seus componentes são
indexados pelo índice da linha e da coluna correspondente. Para o R, uma matriz é uma coleção de
elementos de uma mesma classe arranjados em duas dimensões.
 ## [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] ## [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
## [1,] 1 2 3 4 5 6 7 8 9 10 ## [1,] 10 20 30 40 50 60 70 80 90 100
## [2,] 11 12 13 14 15 16 17 18 19 20 ## [2,] 110 120 130 140 150 160 170 180 190 200
## [3,] 21 22 23 24 25 26 27 28 29 30 ## [3,] 210 220 230 240 250 260 270 280 290 300
## [4,] 31 32 33 34 35 36 37 38 39 40 ## [4,] 310 320 330 340 350 360 370 380 390 400
## [5,] 41 42 43 44 45 46 47 48 49 50 ## [5,] 410 420 430 440 450 460 470 480 490 500
## [6,] 51 52 53 54 55 56 57 58 59 60 ## [6,] 510 520 530 540 550 560 570 580 590 600
## [7,] 61 62 63 64 65 66 67 68 69 70 ## [7,] 610 620 630 640 650 660 670 680 690 700
## [8,] 71 72 73 74 75 76 77 78 79 80 ## [8,] 710 720 730 740 750 760 770 780 790 800
## [9,] 81 82 83 84 85 86 87 88 89 90 ## [9,] 810 820 830 840 850 860 870 880 890 900
## [10,] 91 92 93 94 95 96 97 98 99 100 ## [10,] 910 920 930 940 950 960 970 980 990 1000

Já funções como mean() , sum() , sd() funcionam também como ocorre com os vetores, ou seja, levam em
NOTA: Utilizaremos nossa matriz01 em alguns exemplos a seguir. consideração todos os elementos da matriz.

sum(matriz01)
Outro ponto que merece atenção é a regra de reciclagem dos dados utilizados para a criação da matriz.
Execute o código abaixo e observe o que ocorre.
## [1] 5050
matriz02 <- matrix(
seq(1, 9), Há uma série de funções úteis para trabalharmos com matrizes, seguem algumas:
ncol = 2,
nrow = 5) Função Descrição
matriz02
t() Retorna a matriz transposta
As matrizes no R também podem guardar dados em texto ( character ). O exemplo a seguir mostra o
diag(k) Cria uma matriz identidade k x k
armazenamento desse tipo de dado.
det() Calcula o determinante da matriz
set.seed(2) #Define a semente para que o comando sample gere sempre o mesmo resultado.
diag() Retorna os elementos da diagonal principal
matriz03 <- matrix(
sample(c("M", "F"), 100, replace = TRUE), dim() Retorna a dimensão da matriz
ncol = 10)
ncol Retorna o número de colunas da matriz
#Observe que nesse exemplo não temos o parâmetro nrow, no entanto o resultado é o mesmo.
matriz03 nrow() Retorna o número de linhas da matriz

rowSums() Retorna a soma das linhas da matriz

## [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
rowMeans() Retorna a média das linhas das matriz
## [1,] "M" "F" "F" "M" "F" "M" "F" "M" "M" "F"
## [2,] "F" "M" "M" "M" "M" "M" "F" "M" "F" "M" colSums() Retorna a soma das colunas da matriz
## [3,] "F" "F" "F" "F" "M" "F" "F" "M" "M" "M"
## [4,] "M" "M" "M" "F" "M" "F" "M" "M" "M" "F" colMeans() Retorna a média das colunas da matriz
## [5,] "F" "M" "M" "F" "F" "M" "F" "M" "M" "M"
## [6,] "F" "F" "M" "F" "F" "F" "M" "F" "F" "M"
As operações matemáticas entre matrizes também são possíveis no R. No entanto, temos que observar a
## [7,] "M" "F" "M" "F" "F" "F" "M" "M" "F" "M"
dimensão das matrizes envolvidas na operação. Considere as matrizes A e B abaixo.
## [8,] "F" "M" "M" "M" "M" "F" "M" "F" "M" "M"
## [9,] "M" "M" "F" "F" "F" "F" "M" "M" "F" "M"
3 8 11 34 1 76
⎡ ⎤ ⎡ ⎤
## [10,] "F" "M" "M" "M" "F" "F" "M" "F" "M" "M"
A = ⎢5 9 19 ⎥ B = ⎢ 7 1 12 ⎥
⎢ ⎥ ⎢ ⎥

⎣ ⎦ ⎣ ⎦

7.2 Operações matemáticas com matrizes

6 21 11 21 6 10

Como exerício, crie as matrizes A e B no R e realize as seguintes operações:

As operações com matrizes numéricas seguem praticamente a mesma lógica dos vetores. Ao realizar
qualquer operação com uma constante numérica, a operação é feita para todos os elementos da matriz. a. A + B
b. A ∗ B
matriz01 * 10 c. A − B
 d. B ÷ A
## [1] 5 15 25 35 45 55 65 75 85 95
A operação de multiplicação entre matrizes no R tem suas peculiaridades. Se quisermos realizar a
multiplicação matricial, devemos utilizar o operador %*% . Matematicamente o resultado será o seguinte: Faça os exemplos abaixo e observe os resultados.

n
matriz01[2:4, ]
AB = [ ∑ aik bkj ]

k=1
matriz01[1:3, 7:10]
Caso seja utilizado apenas o operador * , o resultado será o seguinte:
matriz01[-3, ]
a11 × b11 a12 × b12 a13 × b13
⎡ ⎤
matriz01[-3, -c(3:6)]
A ∗ B = ⎢a ⎥
⎢ 21 × b21 a22 × b22 a23 × b23 ⎥

⎣ ⎦ mean(matriz01[8:10, 8])
a31 × b31 a32 × b32 a33 × b33

summary(matriz01)
7.3 Manipulando matrizes
Assim como nos vetores, podemos selecionar quaisquer elementos de uma matriz. A diferença é que, para NOTA: Podemos observar que a lógica do R para matrizes é bem similar a de
selecionarmos um elemento em uma matriz, devemos informar em qual linha e coluna se encontra o dado que vetores.
queremos. Digamos que o elemento que desejamos obter o valor se encontra na terceira linha da quarta
coluna da nossa matriz01 , criada no item anterior. A solução é a seguinte:

matriz01[3, 4]
7.4 Nomeando linhas e colunas de uma matriz
Para facilitar a utilização e leitura dos dados de uma matriz, às vezes é interessante nomear suas linhas e
colunas. Como exemplo, suponha que você está diante de uma matriz das notas de matemática de uma
## [1] 24
turma durante o ano de 2017. Cada linha representa um aluno e cada coluna representa um bimestre. Os
dados estão estruturados conforme segue.
Muitas vezes não desejamos extrair o dado de apenas um elemento, mas de uma linha ou de uma coluna
inteira de uma matriz. Para selecionarmos uma linha da nossa matriz01 , utilizamos o seguinte comando:
notas
matriz01[i, ] . Onde i é a posição da linha que desejamos selecionar. Vejamos como fazemos para
selecionar a linha 4 da matriz01 :
## [,1] [,2] [,3] [,4]
matriz01[4, ] ## [1,] 5 7 5 6
## [2,] 9 7 4 6
## [3,] 6 7 4 5
## [1] 31 32 33 34 35 36 37 38 39 40 ## [4,] 6 7 4 7
## [5,] 8 10 5 5
Para selecionar um intervalo de linhas, a lógica é semelhante a que utilizamos para intervalos de elementos ## [6,] 8 9 9 6
em vetores. Segue exemplo: ## [7,] 4 4 8 10
## [8,] 6 8 10 5
matriz01[2:6, ] ## [9,] 8 10 7 8
## [10,] 8 5 9 5

## [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10] Para deixar a leitura mais fácil, podemos nomear as linhas e colunas através das funções rownames() e
## [1,] 11 12 13 14 15 16 17 18 19 20 colnames() , respectivamente. Segue exemplo:
## [2,] 21 22 23 24 25 26 27 28 29 30
## [3,] 31 32 33 34 35 36 37 38 39 40
colnames(notas) <- c("bim-1", "bim-2", "bim-3", "bim-4")
## [4,] 41 42 43 44 45 46 47 48 49 50
rownames(notas) <- c("João", "Pedro", "Amanda", "Fábio", "Fernanda", "Gustavo",
## [5,] 51 52 53 54 55 56 57 58 59 60
"Severino", "Paulo", "Laura", "Túlio")
notas
Na seleção de colunas, o R funciona de maneira igual, bastando informar qual coluna, ou intervalo de
colunas, que queremos fazer a seleção. Segue exemplo de seleção da coluna 5:

matriz01[ ,5]
 ## bim-1 bim-2 bim-3 bim-4 ## bim-1 bim-2 bim-3 bim-4
## João 5 7 5 6 ## João 5 7 5 6
## Pedro 9 7 4 6 ## Pedro 9 7 4 6
## Amanda 6 7 4 5 ## Amanda 6 7 4 5
## Fábio 6 7 4 7 ## Fábio 6 7 4 7
## Fernanda 8 10 5 5 ## Fernanda 8 10 5 5
## Gustavo 8 9 9 6 ## Gustavo 8 9 9 6
## Severino 4 4 8 10 ## Severino 4 4 8 10
## Paulo 6 8 10 5 ## Paulo 6 8 10 5
## Laura 8 10 7 8 ## Laura 8 10 7 8
## Túlio 8 5 9 5 ## Túlio 8 5 9 5
## Dimas 6 8 NA NA
Uma vez com nomes das linhas e colunas, podemos utilizar os mesmos para realizar filtros em nossa matriz. ## Alessandra 8 9 NA NA
Para exibir apenas as notas da aluna Fernanda, fazemos:
Para unirmos duas matrizes por colunas, o procedimento é similar. Porém, temos que observar que para unir
notas["Fernanda", ] matrizes através das colunas, devemos ter o mesmo número de linhas em todas as matrizes que
desejamos unir. A lógica se aplica também à união por linhas, ou seja, as matrizes envolvidas devem
ter o mesmo número de colunas.
## bim-1 bim-2 bim-3 bim-4
## 8 10 5 5

O procedimento para seleção das colunas segue a mesma lógica.

8 EXERCÍCIOS
Tente resolver as questões de 1 a 5 sem utilizar o R.

7.5 Unindo matrizes
A união de matrizes é bastante importante para formarmos um conjunto de dados maior a partir de dados
menores. Essa união pode ocorrer de duas formas: por linhas e por colunas. Para unirmos duas matrizes
através das colunas, utilizamos a função cbind() . Já para fazer a união através das linhas, usamos a função
rbind() .
Vamos continuar os exemplos com nossa matriz notas . No entanto, considere que, durante o ano de 2017,
dois alunos foram transferidos da escola e suas notas de matemática nos dois primeiros bimestres estão
armazenadas na matriz notas_transf . Vamos aos dados: m <- matrix(
notas_transf
)
1. Podemos construir no R uma matriz com dados numéricos e texto? Se sim, qual o tipo de dado dessa
matriz?
2. O que ocorre se definirmos o argumento byrow = TRUE na construção de uma matriz?
3. Para construir uma matriz com 25 elementos organizados em 5 linhas e 5 colunas, precisamos
necessariamente definir os argumentos ncol = e nrow = da função matrix() ? Por que?
4. Considere o seguinte comando:
c(1, 2, 3),
nrow = 2

## bim-1 bim-2 bim-3 bim-4

Qual o valor do elemento da segunda linha da segunda coluna (m22 )?
## Dimas 6 8 NA NA
## Alessandra 8 9 NA NA 5. Considerando a matriz m do item anterior, qual o resultado, no R, da seguintes operações:
3 * m
Para consolidar os dados, precisamos unir as matrizes notas e notas_transf por linhas. Para executar tal m + m
tarefa, vamos usar a função rbind() . m > 2
sum[m == 3]
rbind(notas, notas_transf)

NOTA: Para resolvermos os exercícios seguintes, precisamos carregar a nossa

base (chuvas.RData). Utilize o seguinte comando: load("chuvas.RData") . (Não
se esqueça de colocar o arquivo em seu diretório de trabalho)

6. A matriz chuvas possui dados (em mm) sobre precipitações em 100 municípios do Brasil, durante um
período de 30 dias. Os municípios estão representados em códigos através das linhas e os dias através
das colunas. Diante de tais dados, resolva as seguintes questões:
 a. Qual a média do volume diário de chuvas do período observado? nome altura idade sexo peso fumante uf renda
b. Qual município teve o maior volume de chuvas considerando os 30 dias observados? <fctr> <dbl> <dbl> <fctr> <dbl> <lgl> <fctr> <dbl>
c. Considerando o volume de todos os municípios observados, em qual dia menos choveu?
d. Qual o volume de chuvas do município 81 ( mun_81 ) nos primeiros 10 dias observados? João 1.80 22 masculino 78.3 TRUE PB 2
e. Qual o volume total de chuvas nos primeiros 15 dias observados? Esse volume foi maior ou menor do
Pedro 1.77 21 masculino 82.1 FALSE AL 5
que os 15 dias seguintes?
f. Crie uma nova coluna (coluna 31 da matriz) com dados das somas de cada uma das linhas e guarde na Amanda 1.71 18 feminino 66.5 FALSE PE 10
variável chuvas_somas . Nomeie essa nova coluna de “soma”.
Fábio 1.65 20 masculino 88.1 FALSE PE 20
g. Crie uma nova matriz com dados de todos municípios, porém com dados apenas dos 15 primeiros dias
observados. Guarde o resultado em uma variável chamada chuvas_15dias . Fernanda 1.66 23 feminino 58.0 TRUE SP 10

Gustavo 1.63 19 masculino 75.4 FALSE CE NA

9 DATA FRAMES E TIBBLES 6 rows

9.1 O que é um Data Frame? Uma das funções básicas mais importantes para começarmos a trabalhar com data frames é a str() . Essa
função dá uma visão clara da estrutura do nosso objeto, bem como informa os tipos de dados existentes.
Em síntese, data frames são tabelas de dados. Em seu formato, são bem parecidos com as matrizes, no
entanto, possuem algumas diferenças significativas. Podemos idealizar os data frames como sendo matrizes str(df1)
em que cada coluna pode armazenar um tipo de dado diferente. Logo, estamos lidando com um objeto bem
mais versátil do que as matrizes e os vetores. Vejamos na prática!
## 'data.frame': 6 obs. of 8 variables:
Observe a tabela a seguir. Ela possui dados hipotéticos de seis universitários. ## $ nome : Factor w/ 6 levels "Amanda","Fábio",..: 5 6 1 2 3 4
## $ altura : num 1.8 1.77 1.71 1.65 1.66 1.63
nome altura idade sexo peso fumante uf renda ## $ idade : num 22 21 18 20 23 19
## $ sexo : Factor w/ 2 levels "feminino","masculino": 2 2 1 2 1 2
João 1.80 22 masculino 78.3 sim PB 2 ## $ peso : num 78.3 82.1 66.5 88.1 58 75.4
## $ fumante: logi TRUE FALSE FALSE FALSE TRUE FALSE
Pedro 1.77 21 masculino 82.1 não AL 5 ## $ uf : Factor w/ 5 levels "AL","CE","PB",..: 3 1 4 4 5 2
## $ renda : num 2 5 10 20 10 NA
Amanda 1.71 18 feminino 66.5 sim PE 10

Fábio 1.65 20 masculino 88.1 não PE 20 Analisando o resultado da função, podemos verificar que nosso data frame possui 6 observações e 8
variáveis. As observações e variáveis nada mais são do que nossas linhas e colunas, respectivamente. Uma
Fernanda 1.66 23 feminino 58.0 sim SP 10
outra informação importante é saber o tipo de dado que cada variável (coluna) apresenta. Podemos
Gustavo 1.63 19 masculino 75.4 não CE NA facilmente constatar que quatro das nossas variáveis são numéricas, três são fatores e uma lógica.

O RStudio possui uma maneira mais rápida e intuitiva para apresentar os mesmos dados.
Vamos criar um data frame no R com esses mesmos dados. A função que iremos usar é a data.frame() .
Uma vez criado, iremos armazenar esses dados na variável df1 .

df1 <- data.frame(

nome = c("João", "Pedro", "Amanda", "Fábio", "Fernanda", "Gustavo"),
altura = c(1.80, 1.77, 1.71, 1.65, 1.66, 1.63),
idade = c(22, 21, 18, 20, 23, 19),
sexo = c("masculino", "masculino", "feminino", "masculino", "feminino", "masculino"),
peso = c(78.3, 82.1, 66.5, 88.1, 58, 75.4), Exibição do data frame no RStudio
fumante = c(TRUE, FALSE, FALSE, FALSE, TRUE, FALSE),
uf = c("PB", "AL", "PE", "PE", "SP", "CE"),

)
renda = c(2, 5, 10, 20, 10, NA) 9.2 Manipulando data frames
A manipulação de data frames é similar à manipulação de matrizes em muitos pontos. A seleção de
O primeiro ponto a ser observado é que nosso data frame foi criado através de vários vetores. Cada um dos elementos segue a mesma lógica. Vamos selecionar a terceira linha da segunda coluna do nosso objeto df1 .
vetores possui um determinado tipo de dado. Vamos exibir o nosso data frame.
df1[3, 2]
df1
 ## [1] 1.71 NOTA: O RStudio auxilia bastante no trabalho com data frames. Ao digitarmos $
após o nome do nosso objeto, uma lista das variáveis irá aparecer para seleção.
Podemos fazer, similar à operação com matrizes, a seleção de algumas colunas. Vamos selecionar apenas as
colunas com dados de nome, sexo e uf. Além de economizar tempo, tal função reduz a ocorrência de erros.

df1[ ,c("nome", "sexo", "uf")]

Uma função bastante importante para selecionarmos dados conforme vários critérios e de forma mais intuitiva
é a subset() . Ao trabalharmos com grandes data frames uma seleção mais intuitiva facilita a vida não só de
nome sexo uf quem está escrevendo o código como também a de quem irá ler o mesmo.
<fctr> <fctr> <fctr>
Suponha que desejamos dados apenas dos alunos com mais de 1.65 metros de altura e com mais de 20 anos
João masculino PB de idade. A seleção pode ser feita facilmente da seguinte forma:

Pedro masculino AL
subset(df1, altura > 1.65 & idade > 20)
Amanda feminino PE
nome altura idade sexo peso fumante uf renda
Fábio masculino PE
<fctr> <dbl> <dbl> <fctr> <dbl> <lgl> <fctr> <dbl>
Fernanda feminino SP
1 João 1.80 22 masculino 78.3 TRUE PB 2
Gustavo masculino CE
2 Pedro 1.77 21 masculino 82.1 FALSE AL 5
6 rows
5 Fernanda 1.66 23 feminino 58.0 TRUE SP 10
Para extrairmos observações, a lógica é a mesma. Segue exemplo de seleção da primeira e da última linha
3 rows
de nosso data frame:
Leia sobre a função subset() e faça as seguintes seleções no df1 :
df1[c(1, 6), ]
Estudantes do sexo masculino e que sejam fumantes;
Estudantes que possuam peso acima de 60Kg;
nome altura idade sexo peso fumante uf renda
Estudantes com peso abaixo de 80Kg ou com altura acima de 1.70m;
<fctr> <dbl> <dbl> <fctr> <dbl> <lgl> <fctr> <dbl>
Selecione todas as observações das variáveis nome, altura, idade e peso (as demais colunas devem
1 João 1.80 22 masculino 78.3 TRUE PB 2 ser excluídas).
Estudantes que possuam altura acima 1.70m e abaixo de 1.80m.
6 Gustavo 1.63 19 masculino 75.4 FALSE CE NA

2 rows subset(df1, renda > 2)

Selecionar variáveis em um data frame é bastante simples usando a sintaxe: df$x . Onde df é o data frame nome altura idade sexo peso fumante uf renda
e x a variável que desejamos selecionar. Para selecionar todos os dados contidos na variável altura , <fctr> <dbl> <dbl> <fctr> <dbl> <lgl> <fctr> <dbl>
podemos fazer:
2 Pedro 1.77 21 masculino 82.1 FALSE AL 5
df1$altura
3 Amanda 1.71 18 feminino 66.5 FALSE PE 10

4 Fábio 1.65 20 masculino 88.1 FALSE PE 20

## [1] 1.80 1.77 1.71 1.65 1.66 1.63
5 Fernanda 1.66 23 feminino 58.0 TRUE SP 10
Já para selecionar o quarto elemento da variável altura, podemos escrever:
4 rows
df1$altura[4]
Outra função bastante útil para uma primeira análise dos dados é a função summary() , já vista em tópicos
anteriores. Vamos aplicá-la em algumas variáveis do nosso objeto df1 .
## [1] 1.65
summary(subset(df1, select = c(peso, idade, sexo, renda)))
 ## peso idade sexo renda Ozone Solar.R Wind Temp Month Day
## Min. :58.00 Min. :18.00 feminino :2 Min. : 2.0 <int> <int> <dbl> <int> <int> <int>
## 1st Qu.:68.72 1st Qu.:19.25 masculino:4 1st Qu.: 5.0
## Median :76.85 Median :20.50 Median :10.0 148 14 20 16.6 63 9 25
## Mean :74.73 Mean :20.50 Mean : 9.4
149 30 193 6.9 70 9 26
## 3rd Qu.:81.15 3rd Qu.:21.75 3rd Qu.:10.0
## Max. :88.10 Max. :23.00 Max. :20.0 150 NA 145 13.2 77 9 27
## NA's :1
151 14 191 14.3 75 9 28
Podemos ver que, usando poucos comandos, temos várias medidas estatísticas capazes de fornecer 152 18 131 8.0 76 9 29
informações importantes sobre o nosso conjunto de dados, como a presença de NA em alguma das variáveis.
153 20 223 11.5 68 9 30
Outras funções como ncol() , nrow() , t() , dim() e colnames() funcionam com a mesma lógica que já
vimos com as matrizes. 6 rows

colnames(df1) Tais funções nos dão um enorme ganho de produtividade.

Utilizando o data frame airquality , realize as seguintes operações:

## [1] "nome" "altura" "idade" "sexo" "peso" "fumante" "uf" Selecione as observações que possuem a variável Ozone com o valor NA ;
## [8] "renda"
Selecione as observações que estão com vento (Wind) acima da média dessa variável;
Selecione as observações do meses (Month) 5 e 9;
Um dos pacotes padrões do R é o datasets. Esse pacote possui uma série de objetos que podemos utilizar
Selecione observações com temperatura (Temp) acima de 75, nos meses 7 e 8.
para testes. Um desses objetos é o airquality . Esse data frame possui 6 colunas e 153 linhas e é referente
Ordene de forma decrescente pela variável Temp . (Dica: utilize a função ` order() )
a medições de qualidade do ar em Nova Iorque realizadas entre maio e setembro de 1973. Digite airquality
no console e veja os dados contidos no objeto.

Em muitas situações precisamos lidar com data frames com centenas de colunas e milhares de linhas. Exibir
todos os dados apenas para fazer uma breve análise nos parece sem sentido, além de poluir
desnecessariamente o console. Tanto é que o RStudio possui uma limitação para a exibição de linhas e
colunas, exatamente por questões de desempenho e usabilidade. Para fazermos uma breve análise de como
estão dispostos os dados em nosso data frame, utilizamos as funções head() e tail() . A primeira exibe as
primeiras seis observações dos dados. Já a segunda, exibe as seis últimas. Veja exemplo aplicado ao data
frame airquality .
9.3 Criando e modificando variáveis
O processo para criar novas variáveis (colunas) em data frames é igualmente simples a outras operações.
Vimos que os dados do objeto airquality são referentes ao ano de 1973. Vamos criar um novo objeto
chamado air_novo usando os dados originais do data frame airquality . Após isso, vamos criar uma nova
coluna chamada ano, atribuir o valor 1973 e verificar como estão os dados com a função head() .
air_novo <- airquality

head(airquality) air_novo$ano <- 1973

head(air_novo)
Ozone Solar.R Wind Temp Month Day
<int> <int> <dbl> <int> <int> <int>
Ozone Solar.R Wind Temp Month Day ano
1 41 190 7.4 67 5 1 <int> <int> <dbl> <int> <int> <int> <dbl>

2 36 118 8.0 72 5 2 1 41 190 7.4 67 5 1 1973

3 12 149 12.6 74 5 3 2 36 118 8.0 72 5 2 1973

4 18 313 11.5 62 5 4 3 12 149 12.6 74 5 3 1973

5 NA NA 14.3 56 5 5 4 18 313 11.5 62 5 4 1973

6 28 NA 14.9 66 5 6 5 NA NA 14.3 56 5 5 1973

6 rows 6 28 NA 14.9 66 5 6 1973

6 rows
tail(airquality)
Podemos perceber que o valor 1973 foi aplicado a todas as linhas da coluna ano!
9.4 Transformando variáveis Função Descrição

Transformar variáveis em um data frame é uma tarefa igualmente simples à criação de uma nova coluna. Em as.character() Cria um objeto do tipo character
nosso objeto air_novo , a variável Wind está em milhas por hora (mph). Sabendo que 1 mph é igual a 1,609 as.numeric() Cria um objeto do tipo numeric
quilômetros por hora (kph), vamos transformar a nossa variável para que a velocidade do vento fique em kph.
as.factor() Cria um objeto do tipo factor
air_novo$Wind <- air_novo$Wind * 1.609 #Veja que a operação é idêntica àquelas com vetores
as.Date() Converte um objeto do tipo character para um objeto tipo Date

head(air_novo)
Veja um exemplo de conversão da variável ano ( air_novo ) de numeric para factor.

Ozone Solar.R Wind Temp Month Day ano

air_novo$ano <- as.factor(air_novo$ano)
<int> <int> <dbl> <int> <int> <int> <dbl>

1 41 190 11.9066 67 5 1 1973 class(air_novo$ano)

2 36 118 12.8720 72 5 2 1973

## [1] "factor"
3 12 149 20.2734 74 5 3 1973
Veja que nossa variável ano agora está em fator.
4 18 313 18.5035 62 5 4 1973
Vimos que em nosso data frame df1 todas as variáveis, que não são numéricas ou lógicas, estão como fator.
5 NA NA 23.0087 56 5 5 1973
Isso se deve especificamente ao fato do argumento stringsAsFactors estar, por padrão, com o valor TRUE .
6 28 NA 23.9741 66 5 6 1973 Logo, todo dado tipo texto será convertido para fator já na criação do nosso objeto. Crie um novo data frame
com o argumento stringsAsFactors = FALSE e veja o que ocorre.
6 rows
df2 <- data.frame(
A variável Temp do nosso data frame air_novo está em graus Fahrenheit (ºF). Sabendo que:
nome = c("João", "Pedro", "Amanda", "Fábio", "Fernanda", "Gustavo"),
F ahrenheit − 32
altura = c(1.80, 1.77, 1.71, 1.65, 1.66, 1.63),
C elsius = idade = c(22, 21, 18, 20, 23, 19),
1, 8
sexo = c("masculino", "masculino", "feminino", "masculino", "feminino", "masculino"),
peso = c(78.3, 82.1, 66.5, 88.1, 58, 75.4),
tranforme a variável Temp de graus Fahrenheit (ºF) para graus Celsius (ºC) e depois use a função head()
fumante = c(TRUE, FALSE, FALSE, FALSE, TRUE, FALSE),
para conferir o resultado.
uf = c("PB", "AL", "PE", "PE", "SP", "CE"),
renda = c(2, 5, 10, 20, 10, NA),
Ozone Solar.R Wind Temp Month Day ano
stringsAsFactors = FALSE
<int> <int> <dbl> <dbl> <int> <int> <dbl> )

1 41 190 11.9066 19.44444 5 1 1973

2 36 118 12.8720 22.22222 5 2 1973 9.6 O que é um tibble?

3 12 149 20.2734 23.33333 5 3 1973 Tibbles são similares aos data frames, porém diferentes em dois aspectos: impressão e indexação
4 18 313 18.5035 16.66667 5 4 1973 Na impressão no console, os tibbles apresentam apenas as dez primeiras linhas e todas as colunas que
cabem na tela, tornando mais fácil o trabalho com grandes volumes de dados. Além disso, cada coluna
5 NA NA 23.0087 13.33333 5 5 1973
apresenta o seu tipo, algo semelhante ao apresentado quando utilizamos a função str() .
6 28 NA 23.9741 18.88889 5 6 1973
Veja um exemplo a seguir da impressão de um tibble no console.
6 rows
library(nycflights13)

9.5 Convertendo tipos de variáveis flights #Tais dados fazem parte do pacote nycflights13
Frequentemente determinada variável não está com o tipo de dado que desejamos. Às vezes é necessário
converter uma variável do tipo texto em fator, ou uma variável numérica em texto, por exemplo. Isso faz todo
sentido quando queremos manter um padrão em diferentes data frames. Vejamos algumas funções
importantes para realizar essa tarefa.
 ## # A tibble: 336,776 x 19 NOTA: Para resolvermos os exercícios seguintes, precisamos carregar a nossa
## year month day dep_time sched_dep_time dep_delay arr_time
## <int> <int> <int> <int> <int> <dbl> <int> base (science_df.RData). Utilize o seguinte comando:
## 1 2013 1 1 517 515 2.00 830 load("science_df.RData") . (Não se esqueça de colocar o arquivo em seu
## 2 2013 1 1 533 529 4.00 850
diretório de trabalho)
## 3 2013 1 1 542 540 2.00 923
## 4 2013 1 1 544 545 -1.00 1004
## 5 2013 1 1 554 600 -6.00 812
4. Utilizando o data frame science_df , responda as seguintes questões:
## 6 2013 1 1 554 558 -4.00 740
Qual a dimensão do objeto science_df ?
## 7 2013 1 1 555 600 -5.00 913
## 8 2013 1 1 557 600 -3.00 709
Existe alguma variável do tipo character? Se sim, qual ou quais são?
## 9 2013 1 1 557 600 -3.00 838 Qual a variável fator que possui o maior número de níveis (levels)?
## 10 2013 1 1 558 600 -2.00 753 Na variável PrivPub temos informações sobre o tipo da escola, se privada (private) ou pública
## # ... with 336,766 more rows, and 12 more variables: sched_arr_time <int>, (public). Qual a quantidade de escolas públicas e privadas, respectivamente?
## # arr_delay <dbl>, carrier <chr>, flight <int>, tailnum <chr>, Alguma variável possui valores ausentes ( NA )? Se sim, qual ou quais são?
## # origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>, hour <dbl>, 5. Ainda com o data frame science_df , realize as seguintes modificações:
## # minute <dbl>, time_hour <dttm> Exclua qualquer observação com valor NA em alguma das variáveis e salve o resultado em
science_df (sobrescerver);
A segunda diferença, não menos importante, é a forma de indexação. Para indexar um tibble devemos utilizar Altere o nome da coluna class para id_class e sobrescreva science_df com o resultado;
o nome completo da variável que desejamos. Caso contrário, ocorrerá um erro. Selecione apenas participantes de escolas públicas (variável PrivPub) e sobrescreva
science_df com o resultado;
NOTA: Vimos que, nos data frames, podemos indexar uma variável usando $ e Exclua a variável Class do data frame e sobrescreva science_df com o resultado;
digitando apenas a primeira letra da variável que desejamos. Modifique a variável sex para character;
Modifique os valores da variável sex da seguinte forma: altere os valores “m” para “masculino” e
os valores “f” para feminino. Sobrescreva os resultados em science_df .
Ainda sobre a indexação, sempre que indexarmos um tibble usando [ , o resultado será outro tibble. Usando 6. O que são tibbles e quais as diferenças quando comparados com data frames?
[[ o resultados será um vetor.
Após realizar o exercício 5, aplique a função head() no objeto science_df . O resultado deve ser o seguinte:
flights[10]
head(science_df)

## # A tibble: 336,776 x 1
State PrivPub school id_class sex like
## carrier
## <chr> <fctr> <fctr> <fctr> <fctr> <chr> <dbl>
## 1 UA
1 ACT public 1 1 feminino 8
## 2 UA
## 3 AA 2 ACT public 1 1 feminino 6
## 4 B6
## 5 DL 3 ACT public 1 1 feminino 5
## 6 UA
## 7 B6
4 ACT public 1 1 feminino 2
## 8 EV 6 ACT public 1 1 feminino 5
## 9 B6
## 10 AA 7 ACT public 1 1 feminino 6
## # ... with 336,766 more rows
6 rows

10 EXERCÍCIOS
1. Qual a diferença entre uma matriz e um data frame no R?
2. Os data frames podem ser indexados com a mesma sintaxe utilizada para matrizes?
3. Qual função básica que utilizamos para verificar a estrutura dos dados de um data frame?
11 LISTAS
11.1 O que é uma lista?
Em poucas palavras, uma lista no R pode ser entendida como um vetor capaz de armazenar elementos com
diferentes tipos de dados. Logo, uma mesma lista pode armazenar um vetor, um data frame e uma matriz, por
exemplo. Por esse motivo, as listas podem se apresentar de forma bem mais complexa do que os objetos que
conhecemos até agora, uma vez que podem conter outras listas. Vamos à pratica!
## List of 3
Primeiro, vamos relembrar os objetos df1 , matriz01 e notas , criados nos tópicos anteriores ## $ :'data.frame': 6 obs. of 8 variables:
## ..$ nome : Factor w/ 6 levels "Amanda","Fábio",..: 5 6 1 2 3 4
df1 ## ..$ altura : num [1:6] 1.8 1.77 1.71 1.65 1.66 1.63
## ..$ idade : num [1:6] 22 21 18 20 23 19
## ..$ sexo : Factor w/ 2 levels "feminino","masculino": 2 2 1 2 1 2
nome altura idade sexo peso fumante uf renda ## ..$ peso : num [1:6] 78.3 82.1 66.5 88.1 58 75.4
<fctr> <dbl> <dbl> <fctr> <dbl> <lgl> <fctr> <dbl> ## ..$ fumante: logi [1:6] TRUE FALSE FALSE FALSE TRUE FALSE
## ..$ uf : Factor w/ 5 levels "AL","CE","PB",..: 3 1 4 4 5 2
João 1.80 22 masculino 78.3 TRUE PB 2 ## ..$ renda : num [1:6] 2 5 10 20 10 NA
## $ : int [1:10, 1:10] 1 11 21 31 41 51 61 71 81 91 ...
Pedro 1.77 21 masculino 82.1 FALSE AL 5
## $ : num [1:5] 20 12 35 19 60
Amanda 1.71 18 feminino 66.5 FALSE PE 10
Podemos ter uma visão resumida dos três objetos que compõem nossa lista. Nesse ponto é importante
Fábio 1.65 20 masculino 88.1 FALSE PE 20 lembrar que as listas no R não possuem dimensão e sim tamanho. Logo, a função ser utilizada para saber o
Fernanda 1.66 23 feminino 58.0 TRUE SP 10 tamanho de uma lista é a ` length() .

Gustavo 1.63 19 masculino 75.4 FALSE CE NA

6 rows
11.2 Manipulando listas
Para manipularmos listas no R, a sintaxe é similar a que utilizamos com vetores. Para nos referirmos aos
elementos da lista, utilizamos [ ] . Veja exemplo a seguir.
matriz01

lista01[3]
## [,1] [,2] [,3] [,4] [,5] [,6] [,7] [,8] [,9] [,10]
## [1,] 1 2 3 4 5 6 7 8 9 10
## [2,] 11 12 13 14 15 16 17 18 19 20 ## [[1]]
## [3,] 21 22 23 24 25 26 27 28 29 30 ## [1] 20 12 35 19 60
## [4,] 31 32 33 34 35 36 37 38 39 40
## [5,] 41 42 43 44 45 46 47 48 49 50 No entanto, na maioria dos casos, desejamos acessar o objeto guardado em determinada posição da nossa
## [6,] 51 52 53 54 55 56 57 58 59 60 lista. Dessa forma, utilizamos [[ ]] para indexarmos. Digamos que você queira acessar o terceiro elemento
## [7,] 61 62 63 64 65 66 67 68 69 70 do vetor v , armazenado na lista01 . Sabendo que se trata de um vetor, basta fazer:
## [8,] 71 72 73 74 75 76 77 78 79 80
## [9,] 81 82 83 84 85 86 87 88 89 90 lista01[[3]][3]
## [10,] 91 92 93 94 95 96 97 98 99 100

## [1] 35
v

Como um segundo exemplo, vamos acessar a primeira linha do data frame df1 , guardado na primeira
## [1] 20 12 35 19 60 posição da mesma lista.

Veja que temos um data frame, uma matriz e um vetor, respectivamente. lista01[[1]][1, ]

Com esses três objetos, podemos criar uma lista. A função para criar listas no R é a list() .
nome altura idade sexo peso fumante uf renda
lista01 <- list(df1, matriz01, v) <fctr> <dbl> <dbl> <fctr> <dbl> <lgl> <fctr> <dbl>

1 João 1.8 22 masculino 78.3 TRUE PB 2

Para visualizar a estrutura do nosso novo objeto, podemos também utilizar a função str() .
1 row
str(lista01)
Assim como nos outros objetos que conhecemos até agora, podemos indexar uma lista através dos nomes de
seus elementos. Isso torna o trabalho mais rápido quando temos que lidar com listas maiores. Para
demonstrar o funcionamento, vamos criar uma lista02 , com os mesmos elementos da lista01 , porém,
nomeando os seus elementos. O data frame df1 será chamado de data_frame; a matriz01 será chamada
de matriz; o vetor v será chamado de vetor.
 lista02 <- list(data_frame = df1, lista02[[3]] <- NULL
matriz = matriz01,
vetor = v) length(lista02)

Vamos observar a estrutura da nossa lista02 agora:

## [1] 2

str(lista02)
Veja que, após atribuir NULL ao elemento 3 da lista, a lista passou a ter tamanho 2. Outra forma seria
fazermos lista02[-3] e sobrescrever o objeto. É importante lembrar que, ao atribuir NULL a um ou mais
## List of 3 elementos da lista, a lista é automaticamente modificada. Se quisessemos exibir todos os elementos exceto o
## $ data_frame:'data.frame': 6 obs. of 8 variables: terceiro, a forma mais prática é: lista02[-3] .
## ..$ nome : Factor w/ 6 levels "Amanda","Fábio",..: 5 6 1 2 3 4
## ..$ altura : num [1:6] 1.8 1.77 1.71 1.65 1.66 1.63 Para combinarmos listas, o processo é similar à combinação de vetores. No exemplo seguinte, vamos criar
## ..$ idade : num [1:6] 22 21 18 20 23 19 duas listas e exibir a combinação das duas.
## ..$ sexo : Factor w/ 2 levels "feminino","masculino": 2 2 1 2 1 2
## ..$ peso : num [1:6] 78.3 82.1 66.5 88.1 58 75.4 lista03 <- list(TRUE, "Tribunal", 20, pi)
## ..$ fumante: logi [1:6] TRUE FALSE FALSE FALSE TRUE FALSE lista04 <- list(FALSE, NULL, 45, "Contas")
## ..$ uf : Factor w/ 5 levels "AL","CE","PB",..: 3 1 4 4 5 2 c(lista03, lista04)
## ..$ renda : num [1:6] 2 5 10 20 10 NA
## $ matriz : int [1:10, 1:10] 1 11 21 31 41 51 61 71 81 91 ...
## $ vetor : num [1:5] 20 12 35 19 60 ## [[1]]
## [1] TRUE
##
Para indexar o terceiro elemento da nossa lista (o vetor), o processo é bem mais simples e intuitivo. Basta
## [[2]]
digitarmos:
## [1] "Tribunal"
##
lista02$vetor ## [[3]]
## [1] 20
##
## [1] 20 12 35 19 60
## [[4]]
## [1] 3.141593
Se desejar acessar a terceira linha da matriz guardada no segundo elemento da lista02 , use:
##
## [[5]]
lista02$matriz[3, ] ## [1] FALSE
##
## [[6]]
## [1] 21 22 23 24 25 26 27 28 29 30
## NULL
##
Bem mais simples, não? ## [[7]]
## [1] 45
NOTA: Para indexar uma lista, o R também permite usar a primeira letra do nome ##
## [[8]]
do elemento da lista. No entanto, recomendamos utilizar o nome completo, ## [1] "Contas"
visando uma leitura mais fácil do código e evitar erros. Digite lista02$d no
console e veja o que acontece. Outra função bastante útil para trabalharmos com listas é a unlist() . Essa função exibe os elementos da
lista em forma de vetor. Vamos aplicá-la a lista04 e observar o resultado.

11.3 Combinando e modificando listas unlist(lista04)

Começaremos a aprender a modificar listas no R fazendo exclusões de seus elementos. A forma mais
## [1] "FALSE" "45" "Contas"
simples de excluir elementos de uma lista é atribuindo NULL ao elemento que desejamos excluir. Vamos
excluir o terceiro elemento da lista02 .
Existem diversas funções no R que podemos utilizar para aplicações mais avançadas com listas. Pacotes
como o purrr (https://cran.r-project.org/web/packages/purrr/purrr.pdf) trazem funções bastante úteis para
manipular, sumarizar, modificar e combinar listas. No entanto, para o objetivo desse curso, as operações
vistas até agora são suficientes.
12 INSTALANDO E CONHECENDO Uma vez instalado, sempre que desejarmos utilizar uma função de um determinado pacote, devemos carregar
o mesmo. Podemos fazer isso usando a função library() . Vamos carregar o pacote dplyr .

PACOTES DO R library(dplyr)

12.1 O que é um pacote do R? Utilize o comando (.packages()) para constatar que o pacote está carregado!

O carregamento de um pacote também pode ser feito através da função require() !

Até aqui utilizamos o que chamamos de Base R, ou seja, sintaxe e funções básicas do R usando apenas os
pacotes padrões e pré-carregados. Ao digitar ?sum() no console, por exemplo, podemos ver que se trata de
uma função do pacote {base}.
No entanto, um dos motivos que tem tornado o R bastante popular nos últimos anos foi o crescimento da sua
comunidade de desenvolvedores e, consequentemente, de pacotes disponíveis para utilização. Atualmente o
CRAN (Comprehensive R Archive Network) possui mais de 14 mil pacotes disponíveis, para as mais diversas
aplicações. A utilização de alguns desses pacotes aumenta de forma acentuada a experiência com o R.
Poderemos constatar que muitas das tarefas que vimos até então podem ser realizadas de forma mais
simples, ágil e intuitiva utilizando funções específicas trazidas por determinados pacotes. Você inclusive pode
fazer o seu próprio pacote!
Vamos então à resposta da questão: O que é um pacote?
Segundo Adler (Adler 2012):
12.3 Descobrindo pacotes do R
Como já foi mencionado, o R possui milhares de pacotes disponíveis no CRAN. Não é raro pesquisarmos por
alguma palavra-chave e encontrar dezenas, às vezes centenas, de resultados. O caminho mais fácil é ler um
pouco sobre o que você deseja fazer no R para saber quais são as suas necessidades. Às vezes
conseguimos fazer várias tarefas utilizando apenas um pacote; às vezes precisamos de bem mais. Tudo
depende do problema que você deseja resolver! No entanto, há alguns pacotes já consolidados no R, com um
número expressivo de downloads e de usuários. O site RDocumentation.org (https://www.rdocumentation.org)
nos dá uma noção mais precisa sobre isso.
Podemos descobrir pacotes do R de várias formas, através de uma simples pesquisa no Google, de livros,
sites especializados para desenvolvedores como StackOverflow e GitHub, blogs, cursos e etc.

Recentemente vários dos mais famosos pacotes do R foram reunidos em um único pacote chamado
Um pacote é um conjunto relacionado de funções, arquivos de ajuda e arquivos tidyverse (Para mais informações acesse tidyverse.org (https://www.tidyverse.org)).
de dados que foram empacotados juntos. Pacotes em R são similares a módulos
Pacote Breve descrição
em Pearl, bibliotecas em C/C++ e classes em Java.
dplyr Manipulação e transformação de dados

Para ver os pacotes carregados por padrão no R, use o comando seguinte: tidyr Manipulação e transformação de dados

readr Importação de vários tipos de arquivos (csv, tsv, fwf)

getOption("defaultPackages")
purrr Manipulação avançada de listas e vetores

## [1] "datasets" "utils" "grDevices" "graphics" "stats" "methods" ggplot2 Gráficos dos mais variados tipos

readxl Importação de planilhas excel (.xls, .xlsx)

Se você deseja ver todos os pacotes disponíveis em sua biblioteca, utilize o comando library() . Para
visualizar os pacotes carregados, use (.packages()) . lubridate Manipulação de dados em formato de data e/ou tempo

jsonlite Importação de dados em JSON

12.2 Instalando pacotes no R magrittr Provê a utilização de pipes (%>%)
Uma vez que o repositório de pacotes está disponível na internet, o primeiro requisito para instalar pacotes no
R é possuir uma conexão com a internet. Se você está usando o RStudio, instalar um pacote é bem simples, xml2 Importação de dados em XML
uma vez que já existe um repositório padrão. O segundo passo é saber o nome do pacote. rvest Utilizado para web scraping
Você pode encontrar uma lista dos pacotes diponíveis no CRAN clicando aqui heaven Leitura e escrita de arquivos SPSS, SAS e Stata
(https://vps.fmvz.usp.br/CRAN/).
DBI Conexão a base de dados (MySQL, PostgresSQL, SQLite…)
Vamos comecar instalando um dos pacotes mais famosos do R, o dplyr . Para instalar o citado pacote, basta
fazer: data.table Leitura e escrita de grandes bases de dados

ggmap Mapas geográficos

install.packages("dplyr")

Você visualizará o progresso de instalação no console. Podemos ver a seguir um exemplo de aplicação do pacote ggmap .
 valor 6 à variável que vamos testar e depois atribuiremos o valor 3, para ver o que ocorre.
mapa <- ggmap::get_map(location = "Brasil", zoom = 4,
language = "pt", maptype = "roadmap")
cond <- 6
if(cond > 5){
ggmap::ggmap(mapa) print("Maior do que 5")
}

## [1] "Maior do que 5"

cond <- 3
if(cond > 5){
print("Maior do que 5")
}

É fácil perceber que obtivemos a saída no console apenas para o primeiro caso. É que no segundo caso o
teste (cond > 5) retornou FALSE , impedindo a execução do comando print("Maior do que 5") .

Agora vamos incrementar um pouco mais o nosso código. Caso cond seja menor ou igual a 5, vamos
imprimir “Menor ou igual a 5” no console. Para isso, adicionaremos um else da seguinte forma:

cond <- -2
if(cond > 5){
print("Maior do que 5")
} else {
print("Menor ou igual a 5")
}

## [1] "Menor ou igual a 5"

Veja que agora, caso o valor de cond não seja maior do que 5, executamos uma outra tarefa, que é a
exibição da mensagem “Menor ou igual a 5”.

13 CONTROLE DE FLUXO Como melhoria do nosso algoritmo, vamos exibir uma mensagem específica para cada uma das seguintes
condições:
No R, similarmente a outras linguagens, podemos executar determinado código de acordo com determinada
a. número maior do que 5;
condição. As declarações condicionais são importantes para a realização de diversas tarefas, inclusive para a
b. número igual a 5;
economia de tempo e processamento. Vamos ver com mais detalhes nos tópicos seguintes.
c. número menor do que 5.

13.1 Declarações condicionais (if e else) Para acomodarmos essa nova situação, utilizamos else if para testar a condição cond == 5 . A solução é a
seguinte:
Suponha que você esteja diante de 200 caixas de um determinado produto. Seu chefe pediu para verificar o
conteúdo apenas das caixas que não possuem etiquetas. Logo, o critério que você irá adotar para decidir se cond <- 5
irá verificar ou não é a presença de etiqueta na caixa. Podemos, em linhas gerais, escrever a execução dessa if(cond > 5){
print("Maior do que 5")
tarefa da seguinte forma:
} else if (cond == 5){
print("Igual a 5")
SE a caixar não possui etiqueta, verifique a caixa; SENÃO, passe para a próxima } else {
caixa. print("Menor do que 5")
}

Para utilizarmos as declarações condicionais no R, o raciocínio é semelhante. Vamos começar com um

## [1] "Igual a 5"
exemplo utilizando if . Vamos atribuir um valor à variável cond e testar se a mesma é maior do que 5. Caso
a variável seja maior do que 5, vamos imprimir no console o texto “Maior do que 5”. Primeiro vamos atribuir o
E caso a variável cond seja NA , o que ocorre?
Como exercício, corrija o código do exemplo anterior para que atenda uma quarta condição. Se o valor de
cond for igual a NA , devemos exibir a mensagem “Valor ausente”.
Uma outra forma de fazer testes condicionais de forma mais simples é utilizando a função ifelse() . Vamos
a um exemplo:
Google BigQuery.
No entanto, para o objetivo do nosso curso, vamos aprender a ler os arquivos nos formatos mais populares,
além de descobrir algumas características dos pacotes e funções utilizadas.

vetor_cond1 <- c(0, 4, 3, 2, 7)

ifelse(vetor_cond1 > 5, "Maior do que 5", "Menor ou igual a 5")
## [1] "Menor ou igual a 5" "Menor ou igual a 5" "Menor ou igual a 5"
## [4] "Menor ou igual a 5" "Maior do que 5"
Veja que nesse caso utilizamos um vetor. A condição foi testada para cada um dos elementos do vetor.
Poderíamos usar também uma matriz com os valores a serem testados.
Como exercício, utilize ifelse() para testar se os elementos do vetor vetor_cond2 são maiores, menores
ou iguais a 10. A saídas devem ser as seguintes:
a. Se o elemento for maior do que 10, devemos retornar: “Maior do que 10”
b. Se o elemento for menor do que 10, devemos retornar: “Menor do que 10”
c. Se o elemento for igual a 10, devemos retornar: “Igual a 10”
14.1 Importando arquivos CSV
Os arquivos CSV são bastante utilizados para disponibilização de dados. É um formato bem antigo e que
utiliza vírgulas para separação dos valores. No entanto, implementações mais sofisticadas utilizam aspas
duplas (“”) entorno do conteúdo e podem ter outro tipo de separador, como o ponto e vírgula (;).
Há pacotes muito bons para leitura de arquivos CSV como o readr e o data.table . No entanto,
começaremos usando funções dos pacotes básicos do R.
O arquivo CSV que vamos trabalhar em nosso exemplo é referente aos empenhos do Governo do Estado da
Paraíba, mês de junho de 2017. Esse arquivo está disponibilizado no site da Transparência Estadual
(http://dados.pb.gov.br/isis-datagate/pages/management/public/datapb-management.xhtml).
O arquivo está nomeado como: empenho_original_exercicio_2017_mes_6.csv
Lembre-se que, para ler o arquivo, o mesmo deve estar na sua pasta de trabalho (Verifique a pasta com
a função getwd() )!

Os testes retornarão um vetor de resultados. Vamos importar o arquivo CSV citado e guardar em empenhos_6_estado . Faça da seguinte forma:

vetor_cond2 <- c(-1, 0, 3, 5, 17, 19, 3, 2, 10, 12, 88, 10) empenhos_6_estado <- read.csv2("empenho_original_exercicio_2017_mes_6.csv")

Como podemos ver, o arquivo foi lido e atribuído ao nosso objeto de nome empenhos_6_estado . Com o
14 IMPORTAÇÃO E ARMAZENAMENTO DE RStudio, podemos visualizar facilmente parte dos dados clicando no objeto no Global Enviroment ou
simplesmente usando a função View() .
DADOS Podemos constatar que nossos dados possuem 19.604 linhas e 37 colunas. As colunas parecem estar
Na realização de nossas tarefas, podemos nos deparar com dados em diversos formatos, como: corretamente delimitadas, porém ao passamos apenas o nome do arquivo como argumento, a função utilizou
vários outros argumentos com valores padrão, o que certamente ocasionou um ou mais problemas com os
CSV - Comma-separated values; nossos dados.
TXT - Arquivo texto;
JSON - JavaScript Object Notation; Vamos visualizar a estrutura dos dados utilizando a função str() .
XML - eXtensible Markup Language;
TSV - Tab-separated values; str(empenhos_6_estado)
XLS e XLSX - Arquivos do MS Excel;
HTML - HyperText Markup Language.
PDF - Portable Document Format.

Além de lidar com todos os formatos citados, o R possui pacotes para leitura de arquivos gerados por
softwares como Stata, SPSS e SAS, muito utilizados em aplicações estatísticas e análise de dados. Na
verdade, existe uma infinidade de formatos que o R consegue importar. Esses são apenas os principais.

O R também consegue se conectar às mais diferentes bases de dados, como:

Microsoft SQL Server;

Oracle;
PostgreSQL;
Amazon Redshift;
Apache Hive;
Apache Impala;
Salesforce;
Teradata;

## 'data.frame': 19604 obs. of 37 variables:
## $ EXERCICIO
2017 ...
## $ CODIGO_UNIDADE_GESTORA
01 10001 10001 ...
## $ NUMERO_EMPENHO
1082 ...
## $ NUMERO_EMPENHO_ORIGEM
1082 ...
## $ DATA_EMPENHO
2 2 2 6 6 6 6 6 ...
## $ HISTORICO_EMPENHO
ONEX100 MG 30 CP. DESTINADO AO PACIENTE: IVAN MORAIS DE LUCENAJUNIOR. DEMANDA JUDIC"| __tru
ncated__,..: 8288 8280 8322 8321 8281 8280 8370 8309 8348 8345 ...
## $ CODIGO_SITUACAO_EMPENHO
## $ CODIGO_TIPO_EMPENHO
## $ DESCRICAO_TIPO_EMPENHO
...
## $ NOME_SITUACAO_EMPENHO
AN?AS)",..: 4 4 4 4 4 4 4 4 4 4 ...
## $ VALOR_EMPENHO
815 815 1822 1694 4453 1440 1216 245 ...
## $ CODIGO_MODALIDADE_LICITACAO
## $ CODIGO_MOTIVO_DISPENSA_LICITACAO
## $ CODIGO_TIPO_CREDITO
## $ NOME_TIPO_CREDITO
2 2 2 2 2 2 2 2 ...
## $ DESTINO_DIARIAS
1 1 1 1 1 1 1 1 1 1 ...
## $ DATA_SAIDA_DIARIAS
1 1 1 1 1 1 1 1 1 1 ...
## $ DATA_CHEGADA_DIARIAS
1 1 1 1 1 1 1 1 1 1 ...
## $ NOME_CREDOR
A",..: 4037 7543 361 361 825 922 1117 5947 462 7846 ...
## $ CPFCNPJ_CREDOR
2586 2586 4130 1304 7324 7620 2966 1074 ...
## $ TIPO_CREDOR
4 4 2 2 ...
## $ CODIGO_MUNICIPIO
750 250750 250750 250750 ...
## $ NOME_MUNICIPIO
87 87 87 87 87 87 ...
## $ NUMERO_PROCESSO_PAGAMENTO
6454 6393 5542 4774 6778 6768 4275 5098 ...
## $ NUMERO_CONTRATO
04 1204 1204 1204 1204 1204 1204 1204 1204 ...
## $ CODIGO_UNIDADE_ORCAMENTARIA
1101 ...
## $ CODIGO_FUNCAO
## $ CODIGO_SUBFUNCAO
## $ CODIGO_PROGRAMA
## $ CODIGO_ACAO
9 ...
## $ CODIGO_FONTE_RECURSO
00 10000 10000 ...
## $ CODIGO_NATUREZA_DESPESA
: int 2017 2017 2017 2017 2017 2017 2017 2017 2017
: int 10001 10001 10001 10001 10001 10001 10001 100
: int 1071 1072 1075 1076 1077 1078 1079 1080 1081
: int 1071 1072 1075 1076 1077 1078 1079 1080 1081
: Factor w/ 29 levels "2017-06-01 00:00:00",..: 1 1
: Factor w/ 11037 levels " - AQUISICAO DE LEP
: int 1 1 1 1 1 1 1 1 1 1 ...
: int 11 11 11 11 11 11 11 11 11 11 ...
: Factor w/ 1 level "PRINCIPAL": 1 1 1 1 1 1 1 1 1 1
: Factor w/ 5 levels "EXTERNO(PAGO PELA SEC. DAS FIN
: Factor w/ 5033 levels "0.04","0.07",..: 2269 2019
: int 6 0 4 4 0 0 5 6 5 5 ...
: int 0 0 0 0 0 0 0 0 0 0 ...
: int 1 1 1 1 1 1 1 1 1 1 ...
: Factor w/ 2 levels "ORDIN?RIO","ORDIN\xc1RIO": 2 2
: Factor w/ 1134 levels "","7008597","A. GRANDE",..:
: Factor w/ 128 levels "","2015-06-13 00:00:00",..:
: Factor w/ 133 levels "","2015-06-13 00:00:00",..:
: Factor w/ 8391 levels "_DANIELE MORGADA D. CUNH
: Factor w/ 8219 levels "***.000.024-**",..: 7905 27
: Factor w/ 4 levels "PESSOA F?SICA",..: 4 2 2 2 2 2
: int 250750 250750 250750 250750 250750 250750 250
: Factor w/ 210 levels "AGUA BRANCA",..: 87 87 87 87
: Factor w/ 7824 levels " 2017074570",..: 6788 5642
: Factor w/ 1226 levels "_-","-","/","\\",..: 308 12
: int 1101 1101 1101 1101 1101 1101 1101 1101 1101
: int 1 28 1 1 28 28 1 1 1 1 ...
: int 122 846 122 122 846 846 122 122 122 122 ...
: int 5046 0 5046 5046 0 0 5046 5046 5046 5046 ...
: int 4216 751 4216 4216 751 751 4195 4216 4199 419
: int 10000 10000 10000 10000 10000 10000 10000 100
: int 33903000 33909300 33903600 33903600 33909300
33909300 33903900 33903000 33903600 33903600 ...
## $ CODIGO_CATEGORIA_ECONOMICA_DESPESA : int 3 3 3 3 3 3 3 3 3 3 ...
## $ CODIGO_GRUPO_NATUREZA_DESPESA : int 3 3 3 3 3 3 3 3 3 3 ...
## $ CODIGO_MODALIDADE_APLICACAO_DESPESA: int 90 90 90 90 90 90 90 90 90 90 ...
## $ CODIGO_ELEMENTO_DESPESA : int 30 93 36 36 93 93 39 30 36 36 ...
## $ CODIGO_ITEM_DESPESA : int 2 99 10 10 99 99 1 15 15 15 ...
Um dos problemas que podemos detectar é na codificação do arquivo. As colunas em texto que contém
acentuação estão com problemas. Veja um exemplo da variável TIPO_CREDOR:
empenhos_6_estado$TIPO_CREDOR[1:3]
## [1] PESSOA JUR\xcdDICA PESSOA F\xcdSICA PESSOA F\xcdSICA
## 4 Levels: PESSOA F?SICA PESSOA F\xcdSICA ... PESSOA JUR\xcdDICA
Um segundo problema que encontramos é a variável VALOR_EMPENHO, que deveria ser numérica e está
como fator.
Como exercício, leia a ajuda da função read.csv2() e importe novamente o arquivo CSV fazendo as
seguintes correções (alterações) na importação:
1. A variável VALOR DO EMPENHO deve ser numérica;
2. A acentuação dos textos devem estar corretas;
3. A variável CODIGO_UNIDADE_GESTORA deve estar como fator;
4. As variáveis referentes a datas devem estar no formato data (“Date”);
5. Na variável NUMERO_CONTRATO, devemos substituir “S/N” e “S/C” por NA .
Um pacote bastante popular para a importação de arquivos CSV é o readr . Caso não o tenha instalado, faça
a instalação e carregue o mesmo utilizando:
library(readr)
As funções para ler arquivos CSV do mencionado pacote são: read_csv() , read_csv2() ou read_delim() .
Vamos utilizar a função read_delim() , apropriada para ler arquivos com qualquer tipo de separador.
NOTA: Não é raro encontrarmos arquivos CSV com diferentes delimitadores.
Podemos encontrar “;”, “|”, " " ou qualquer outro caractere como delimitador. A
função read_delim() consegue contornar problemas desse tipo.
Vamos importar o mesmo arquivo de empenhos referentes a o mês de junho/2017, disponibilizado pelo
Governo do Estado da Paraíba. A diferença é que agora o arquivo estará zipado. Ler dados compactados nos
traz não apenas um ganho de espaço de armazenamento dos dados mas também de produtividade, uma vez
que não precisamos descompactar os arquivos para realizarmos a importação.
Vamos ler o arquivo zipado e atribuir ao objeto empenhos_6_estados_zip .
empenhos_6_estado_zip <- read_delim("empenho_original_exercicio_2017_mes_6.csv.zip", delim =
";")
## Multiple files in zip: reading 'empenho_original_exercicio_2017_mes_6.csv'
 ## Parsed with column specification: us_acidentes <- read_delim("us_dados_acidentes.txt", delim = "&", n_max = 200,
## cols( col_types = cols(
## .default = col_character(), frontal = col_factor(c(1, 0)),
## EXERCICIO = col_integer(), sex = col_factor(c("f", "m"))
## CODIGO_UNIDADE_GESTORA = col_integer(), )
## NUMERO_EMPENHO = col_integer(), )
## NUMERO_EMPENHO_ORIGEM = col_integer(),
## DATA_EMPENHO = col_datetime(format = ""),
## CODIGO_SITUACAO_EMPENHO = col_integer(), us_acidentes
## CODIGO_TIPO_EMPENHO = col_integer(),
## VALOR_EMPENHO = col_double(),
## # A tibble: 200 x 15
## CODIGO_MODALIDADE_LICITACAO = col_integer(),
## dvcat weight dead airbag seatbelt frontal sex ageOFocc yearacc
## CODIGO_MOTIVO_DISPENSA_LICITACAO = col_integer(),
## <chr> <dbl> <chr> <chr> <chr> <fct> <fct> <int> <int>
## CODIGO_TIPO_CREDITO = col_integer(),
## 1 25-39 25.1 alive none belted 1 f 26 1997
## DATA_SAIDA_DIARIAS = col_datetime(format = ""),
## 2 10-24 25.1 alive airbag belted 1 f 72 1997
## DATA_CHEGADA_DIARIAS = col_datetime(format = ""),
## 3 10-24 32.4 alive none none 1 f 69 1997
## CODIGO_MUNICIPIO = col_integer(),
## 4 25-39 495 alive airbag belted 1 f 53 1997
## CODIGO_UNIDADE_ORCAMENTARIA = col_integer(),
## 5 25-39 25.1 alive none belted 1 f 32 1997
## CODIGO_FONTE_RECURSO = col_integer(),
## 6 40-54 25.1 alive none belted 1 f 22 1997
## CODIGO_NATUREZA_DESPESA = col_integer(),
## 7 55+ 27.1 alive none belted 1 m 22 1997
## CODIGO_CATEGORIA_ECONOMICA_DESPESA = col_integer(),
## 8 55+ 27.1 dead none none 1 m 32 1997
## CODIGO_GRUPO_NATUREZA_DESPESA = col_integer(),
## 9 10-24 813 alive none belted 0 m 40 1997
## CODIGO_MODALIDADE_APLICACAO_DESPESA = col_integer()
## 10 10-24 813 alive none belted 1 f 18 1997
## )
## # ... with 190 more rows, and 6 more variables: yearVeh <int>,
## # abcat <chr>, occRole <chr>, deploy <int>, injSeverity <int>,
## See spec(...) for full column specifications. ## # caseid <chr>

Ao utilizar a função read_delim() , informamos que o delimitador (separador) das colunas é ";" . Os Ao imprimir o objeto us_acidentes , fica nítido que se trata de um tibble.
decimais da coluna “VALOR_EMPENHO”, desta feita, foram lidos corretamente. Poderiamos melhorar nossa A função read_delim() também faz o tratamento dos valores ausentes ( NA ). No próximo exemplo, o arquivo
importação definindo mais argumentos, passando valores para atribuição de NA e o tipo de dado desejado de possui valores ausentes como “—”, sem aspas, como delimitador. Vamos ler as primeiras 10.000 observações
determinadas colunas. Tente refazer a importação com o código a seguir. do arquivo e informar à função que trate “—” como NA .

empenhos_6_estado_zip <- read_delim("empenho_original_exercicio_2017_mes_6.csv.zip", delim = us_acidentes_1 <- read_delim("us_dados_acidentes_na.txt", delim = "&",

";", n_max = 10000,
col_types = cols(VALOR_EMPENHO = col_number(), na = "---", quoted_na = FALSE
CODIGO_UNIDADE_GESTORA = col_character )
()),
locale = locale(decimal_mark = "."),
Vamos aplicar summary() na variável injSeverity para constatar que os valores foram transformados em NA
na = c("", "NA", "S/N", "S/C")
)
corretamente.

summary(subset(us_acidentes_1, select = injSeverity))

14.2 Importanto arquivos TXT e TSV

## injSeverity
A importação de arquivos texto (.txt) também pode ser realizada facilmente utilizando a função read_delim() ## Min. :0.000
do pacote readr . O arquivo que iremos trabalhar é o “us_dados_acidentes.txt” e o separador (delimitador) ## 1st Qu.:1.000
do arquivo é “&” (escolhido propositalmente). ## Median :2.000
## Mean :1.757
Ocorre que, em certas ocasiões, não queremos importar todo o arquivo, mas apenas parte dele. A função
## 3rd Qu.:3.000
read_delim() permite informar a quantidade de observações que desejamos importar, provendo uma melhor ## Max. :6.000
performance na leitura dos dados. No exemplo que iremos apresentar, vamos importar apenas as primeiras ## NA's :53
200 linhas de dados. Por fim, iremos transformar as variáveis sex e frontal em fator já na importação dos
dados e atribuir a um objeto de nome us_acidentes . Segue o exemplo. Como podemos ver, a variável detectou os 53 valores ausentes corretamente!
Por fim, iremos importar o arquivo “us_dados_acidentes.tsv”, cujo formato é TSV (Tab-separated values).
## Classes 'tbl_df', 'tbl' and 'data.frame': 26217 obs. of 15 variables:
Utilizaremos a função read_tsv() para importar as 2.000 primeiras linhas do arquivo. O processo é ## $ dvcat : chr "25-39" "10-24" "10-24" "25-39" ...
praticamente idêntico aos anteriores. ## $ weight : num 25.1 25.1 32.4 495.4 25.1 ...
## $ dead : chr "alive" "alive" "alive" "alive" ...
us_acidentes_2 <- read_tsv("us_dados_acidentes.tsv", n_max = 2000) ## $ airbag : chr "none" "airbag" "none" "airbag" ...
## $ seatbelt : chr "belted" "belted" "none" "belted" ...
Aplicando a função head() , podemos constatar que o arquivo foi importado corretamente. ## $ frontal : num 1 1 1 1 1 1 1 1 0 1 ...
## $ sex : chr "f" "f" "f" "f" ...
head(us_acidentes_2) ## $ ageOFocc : num 26 72 69 53 32 22 22 32 40 18 ...
## $ yearacc : num 1997 1997 1997 1997 1997 ...
## $ yearVeh : num 1990 1995 1988 1995 1988 ...
dvcat weight dead airbag seatbelt frontal … ageOFocc yearacc yearVeh ## $ abcat : chr "unavail" "deploy" "unavail" "deploy" ...
<chr> <dbl> <chr> <chr> <chr> <int> <chr> <int> <int> <int> ## $ occRole : chr "driver" "driver" "driver" "driver" ...
## $ deploy : num 0 1 0 1 0 0 0 0 0 0 ...
25-39 25.069 alive none belted 1 f 26 1997 1990 ## $ injSeverity: num 3 1 4 1 3 3 3 4 1 0 ...
## $ caseid : chr "2:3:1" "2:3:2" "2:5:1" "2:10:1" ...
10-24 25.069 alive airbag belted 1 f 72 1997 1995

10-24 32.379 alive none none 1 f 69 1997 1988 Como podemos ver, o arquivo parece ter sido importado sem problemas. A função read_xls() considera, por
default, a primeira linha da planilha excel como cabeçalho.
25-39 495.444 alive airbag belted 1 f 53 1997 1995
É comum que um arquivo excel traga mais de uma planilha. Caso deseje ler uma planilha específica dentre
25-39 25.069 alive none belted 1 f 32 1997 1988
várias, você deve alterar o argumento sheet da função, informando a posição ou o nome da mesma.
40-54 25.069 alive none belted 1 f 22 1997 1985
Uma outra funcionalidade da função read_xls() interessante é que podemos selecionar um conjunto de
6 rows | 1-10 of 15 columns células para importar. Vamos fazer um exemplo selecionando o intervalo de células “A40:C79”. Dessa forma,
as colunas o intervalo de células da linha 40 até a 79, referente às três primeiras colunas será selecionado
Com a prática, você pode definir com mais clareza qual a melhor função ou pacote que atenderá suas para importação. Segue um exemplo com definição dos nomes para as três colunas de dados importadas.
necessidades com mais eficiência. É essencial que sempre haja a verificação dos tipos das variáveis
importadas, visando reduzir a ocorrência de erros. library(readxl)
us_acidentes_xls_int <- read_xls("us_dados_acidentes.xls", range = "A40:C79",
col_names = c("velocidade", "peso", "situação"))
14.3 Importando arquivos XLS e XLSX
str(us_acidentes_xls_int)
Assim como os demais tipos de arquivos vistos até agora, importar arquivos do MS Excel (.xls e .xlsx) com o
R também não é mistério. Para isso, utilizaremos o pacote readxl() . É relevante destacar que tal pacote
integra o conjunto de pacotes de nome Tidyverse, já abordado anteriormente. ## Classes 'tbl_df', 'tbl' and 'data.frame': 40 obs. of 3 variables:
## $ velocidade: chr "10-24" "10-24" "10-24" "10-24" ...
Para nossos exemplos com arquivos do MS Excel, vamos começar com o arquivo “us_acidentes.xls”, de ## $ peso : num 199.3 199.3 199.3 199.3 25.1 ...
conteúdo idêntico aos vistos anteriormente. Vamos passar apenas o nome do arquivo para a função ## $ situação : chr "alive" "alive" "alive" "alive" ...
read_xls() , sem alterar argumentos, e ver o resultado. Vamos atribuir o resultado a um objeto de nome
us_acidentes_xls . Como podemos constatar, foram importadas apenas as três primeiras colunas e o intervalo de observações
da linha 40 até a 79, totalizando 40 linhas de dados.
library(readxl)
us_acidentes_xls <- read_xls("us_dados_acidentes.xls") Passamos agora a tratar dos arquivos .xlsx . No exemplo seguinte, iremos trabalhar com um arquivo que
possui dados históricos sobre o levantamento de preços realizado pela Agência Nacional de Petróleo - ANP. A
str(us_acidentes_xls) peculiaridade dessa planilha excel é a existência de um cabeçalho que antecede os dados das pesquisas. A
função é praticamente idêntica à vista anteriormente.

Como exercício, tente importar o arquivo usando a função read_xlsx() . Após isso, leia sobre a função
para solucionar os problemas encontrados. Por fim, faça o tratamento correto dos valores ausentes na
planilha excel. O arquivo está nomeado como “anp_combustiveis.xlsx”.
 NOTA: Como um guia rápido para importação dos arquivos de dados mais ## Classes 'data.table' and 'data.frame': 6150634 obs. of 25 variables:
## $ cd_ugestora : int 101001 101001 101001 101001 101001 101001 101001 101001 101001 1
comuns, um excelente recurso são as folhas de dicas (Cheat Sheets), algumas 01001 ...
disponibilizadas no site do RStudio ## $ de_ugestora : chr "Câmara Municipal de Água Branca" "Câmara Municipal de Água Bran
ca" "Câmara Municipal de Água Branca" "Câmara Municipal de Água Branca" ...
(https://www.rstudio.com/resources/cheatsheets/). Dê uma olhada na folha de
## $ dt_Ano : int 2012 2012 2012 2012 2012 2012 2012 2012 2012 2012 ...
nome Data Import Cheat Sheet. Nela você poderá encontrar, de forma gráfica, ## $ de_UOrcamentaria: chr "CÂMARA MUN. DE ÁGUA BRANCA" "CÂMARA MUN. DE ÁGUA BRANCA" "CÂMAR
informações úteis sobre algumas das funções dos pacotes readr , tibble e A MUN. DE ÁGUA BRANCA" "CÂMARA MUN. DE ÁGUA BRANCA" ...
## $ de_Funcao : chr "Legislativa" "Legislativa" "Legislativa" "Legislativa" ...
tidyr . ## $ de_Subfuncao : chr "Ação Legislativa" "Ação Legislativa" "Ação Legislativa" "Ação L
egislativa" ...
## $ de_Programa : chr "LEGISLATIVO DESENVOLVIDO" "LEGISLATIVO DESENVOLVIDO" "LEGISLATI
14.4 Importando grandes quantidades de dados VO DESENVOLVIDO" "LEGISLATIVO DESENVOLVIDO" ...
## $ de_Acao : chr "MANUT. DAS ATIVIDADES DO LEGIS LATIVO - OUTRAS DESPESAS" "MANU
Depois de termos conhecido como importar arquivos de diversos formatos, chegou o momento de T. DAS ATIVIDADES DO LEGIS LATIVO - OUTRAS DESPESAS" "MANUT. DAS ATIV. DO LEGISLATIV O - PE
conhecermos um pacote bastante importante para a leitura e escrita de grandes arquivos de dados. O pacote SSOAL E ENCARGOS" "MANUT. DAS ATIV. DO LEGISLATIV O - PESSOAL E ENCARGOS" ...
data.table foi desenvolvido para prover uma versão de alto desempenho dos data frames que conhecemos. ## $ de_CatEconomica : chr "Despesa Corrente" "Despesa Corrente" "Despesa Corrente" "Despes
a Corrente" ...
Para a importação de dados, vamos usar a função fread() do pacote data.table . Caso não o tenha ## $ de_NatDespesa : chr "Outras Despesas Correntes" "Outras Despesas Correntes" "Pessoal
instalado, faça a instalação. e Encargos Sociais" "Pessoal e Encargos Sociais" ...
## $ de_Modalidade : chr "Aplicações Diretas" "Aplicações Diretas" "Aplicações Diretas"
O arquivo que vamos trabalhar é referente a empenhos das administrações municipais paraibanas, de janeiro
"Aplicações Diretas" ...
de 2012 a dezembro de 2016, e se encontra em formato texto. Tal base de dados possui 6.150.634 ## $ cd_elemento : int 39 39 11 11 11 36 39 39 39 39 ...
observações e 25 variáveis. ## $ de_Elemento : chr "Outros Serviços de Terceiros - Pessoa Jurídica" "Outros Serviço
s de Terceiros - Pessoa Jurídica" "Vencimentos e Vantagens Fixas - Pessoal Civil" "Vencimento
Uma das primeiras vantagens da função fread() que podemos citar é a detecção automática do separador.
s e Vantagens Fixas - Pessoal Civil" ...
Vamos tentar ler o arquivo texto “sagres_municipal_2012_2016.txt” sem indicar o separador do arquivo e
## $ cd_subelemento : int 42 58 99 99 99 20 61 91 53 49 ...
verificar como a função se sai. O resultado atribuiremos à variável empenhos . ## $ de_subelemento : chr "LOCAÇÃO DE SOFTWARES" "SERVIÇOS DE PUBLICIDADE E PROPAGANDA" "S
EM SUBELEMENTO" "SEM SUBELEMENTO" ...
empenhos <- fread("sagres_municipal_2012_2016.txt") ## $ de_tipolicitacao: chr "Dispensa por Valor" "Dispensa por Valor" "Dispensa por Valor"
"Dispensa por Valor" ...
Vamos verificar a dimensão do nosso data framne. ## $ nu_Licitacao : chr "0" "0" "0" "0" ...
## $ nu_Empenho : chr "19" "27" "35" "43" ...
dim(empenhos) ## $ dt_empenho : chr "16/01/2012" "20/01/2012" "23/01/2012" "23/01/2012" ...
## $ vl_Empenho : num 500 200 622 19800 4976 ...
## $ cd_credor : chr "9164369000104" "2674135000168" "2316556000117" "2316556000117"
## [1] 6150634 25 ...
## $ no_Credor : chr "ELMAR PROCESSAMENTO DE DADOS LTDA" "RADIO COMUNITARIA DE AGUA B
Como podemos ver, as 6.150.634 linhas parecem ter sido lidas corretamente, assim como as 25 variáveis RANCA" "BANCO DO BRASIL" "BANCO DO BRASIL" ...
existentes. Vamos ver a estrutura dos dados. ## $ nu_Obra : chr "0" "0" "0" "0" ...
## $ tp_FonteRecursos: chr "NULL" "NULL" "NULL" "NULL" ...
## $ de_TipoRecursos : chr "NULL" "NULL" "NULL" "NULL" ...
str(empenhos)
## - attr(*, ".internal.selfref")=<externalptr>

As variáveis numéricas parecem ter sido reconhecidas sem problemas. Logo, podemos constatar que apenas
passando o nome do arquivo, a função fread() conseguiu importar o arquivo sem dificuldades. No entando,
se você sabe qual é o separador do arquivo, informe-o!

Assim como outras funções, a fread() também permite importar dados de uma URL ou de um arquivo
compactado.

Outro argumento interessante da função é que podemos informar qual (ou quais) colunas desejamos importar
ou qual (ou quais) desejamos descartar. Como exemplo, importe novamente o arquivo
“sagres_municipal_2012_2016.txt”, desta feita, selecione apenas as seguintes variáveis para a importação:

cd_ugestora;
de_ugestora;
 dt_Ano; Para nossos primeiros exemplos, vamos utilizar o data frame df1 , criado anteriormente. O objeto foi criado
nu_Empenho; com os seguintes dados:
dt_empenho;
vl_Empenho. df1 <- data.frame(
nome = c("João", "Pedro", "Amanda", "Fábio", "Fernanda", "Gustavo"),
Feito isso, confira se houve a importação apenas das seis variáveis selecionadas. altura = c(1.80, 1.77, 1.71, 1.65, 1.66, 1.63),
idade = c(22, 21, 18, 20, 23, 19),
É importante lembrar que a função fread() irá retornar, por padrão, um objeto do tipo data table. Caso queira
sexo = c("masculino", "masculino", "feminino", "masculino", "feminino", "masculino"),
como retorno um data frame, basta alterar o argumento data.table para FALSE . Há outros argumentos de
peso = c(78.3, 82.1, 66.5, 88.1, 58, 75.4),
grande importância para a tarefa de importação de dados disponíveis na função. Seguem alguns:
fumante = c(TRUE, FALSE, FALSE, FALSE, TRUE, FALSE),
uf = c("PB", "AL", "PE", "PE", "SP", "CE"),
Principais argumentos da função fread() . renda = c(2, 5, 10, 20, 10, NA)
)
Argumento Breve descrição

header Define se a primeira linha é um cabeçalho É verdade que já realizamos filtros utilizando a função subset() , mas utilizar a função filter() é
igualmente simples, sem contar que podemos utilizá-la conjuntamente com outras funções do pacote dplyr,
nrows Define a quantidade de linhas a ser lida
como veremos mais a diante.
na.strings Define quais valores serão considerados como ` NA Vamos realizar nosso primeiro filtro no objeto df1 , de forma a selecionar apenas aquelas observações com
dec Define o separador de decimais variável peso acima de 70.

encoding Define a codificação do arquivo (“UTF-8” e “Latin-1” são opções) filter(df1, peso > 70)

col.names Define o nome das colunas (vetor de caracteres)

nome altura idade sexo peso fumante uf renda
skip Define as linhas que devem ser ignoradas na leitura
<fctr> <dbl> <dbl> <fctr> <dbl> <lgl> <fctr> <dbl>

João 1.80 22 masculino 78.3 TRUE PB 2

15 MANIPULAÇÃO DE DADOS Pedro 1.77 21 masculino 82.1 FALSE AL 5
Nesta seção, passaremos a utilizar funções dos pacotes dplyr e tidyr, integrantes do núcleo do pacote
Fábio 1.65 20 masculino 88.1 FALSE PE 20
tidyverse. Ambos os pacotes são bastante conhecidos pelos usuários do R e possuem diversas funções
importantes para a manipulação de data frames e tibbles. Conheceremos e utilizaremos os cinco verbos mais Gustavo 1.63 19 masculino 75.4 FALSE CE NA
famosos do pacote dplyr, quais sejam:
4 rows
filter();
summarise(); Para realizar um filtro com mais de um critério, a sintaxe é igualmente simples. Vamos filtrar as observações
select(); com peso maior do que 70 e com idade menor do que 20.
mutate ();
arrange(). filter(df1, idade < 20 & peso > 70)

Em relação ao pacote tidyr, utilizaremos funções para alterar o formato dos dados, separar e combinar
nome altura idade sexo peso fumante uf renda
colunas e manipular valores ausentes.
<fctr> <dbl> <dbl> <fctr> <dbl> <lgl> <fctr> <dbl>

15.1 Manipulação de dados com os pacotes dplyr Gustavo 1.63 19 masculino 75.4 FALSE CE NA

e tidyr 1 row

15.1.1 Filtrando observações
A primeira função que utilizaremos é a função filter() do pacote dplyr. Como já podemos deduzir, a função
serve para filtrar observações. Antes de apresentar exemplos da função, vamos carregar o pacote tidyverse.
library(tidyverse)
NOTA: Podemos encontrar a função filter() também no pacote stats (Base R).
Por isso, temos que nos certificar que estamos carregando o pacote dplyr ou
utilizar a sintaxe dplyr::filter() para termos a certeza que estamos usando a
função correta.
Como exercício, filtre as observações do df1 , utilizando a função filter() , que sejam fumantes e do sexo
select(us_acidentes, contains("year"))
feminino.

## # A tibble: 200 x 2
## yearacc yearVeh
## <int> <int>
## 1 1997 1990
## 2 1997 1995
## 3 1997 1988
## 4 1997 1995
## 5 1997 1988
## 6 1997 1985
## 7 1997 1984
Filtrando observações ## 8 1997 1987
## 9 1997 1984
15.1.2 Selecionando variáveis ## 10 1997 1987
## # ... with 190 more rows
Para a extração de variáveis (colunas) de nossos dados , utilizamos a função select() , também do pacote
dplyr. Da mesma forma, podemos selecionar todas as variáveis que terminem com “t” utilizando a função
ends_with() . Segue exemplo.
Vamos aplicar exemplos utilizando as 200 primeiras observações do arquivo “us_dados_acidentes.txt”, visto
anteriormente. Segue o código para importação dos dados.
select(us_acidentes, ends_with("t"))
us_acidentes <- read_delim("us_dados_acidentes.txt", delim = "&", n_max = 200,
col_types = cols( ## # A tibble: 200 x 4
frontal = col_factor(c(1, 0)), ## dvcat weight seatbelt abcat
sex = col_factor(c("f", "m")) ## <chr> <dbl> <chr> <chr>
) ## 1 25-39 25.1 belted unavail
) ## 2 10-24 25.1 belted deploy
## 3 10-24 32.4 none unavail
Vamos selecionar as variáveis dead, airbag, frontal e ageOFocc. A forma é a seguinte: ## 4 25-39 495 belted deploy
## 5 25-39 25.1 belted unavail
select(us_acidentes, dead, airbag, frontal, ageOFocc) ## 6 40-54 25.1 belted unavail
## 7 55+ 27.1 belted unavail
## 8 55+ 27.1 none unavail
## # A tibble: 200 x 4 ## 9 10-24 813 belted unavail
## dead airbag frontal ageOFocc ## 10 10-24 813 belted unavail
## <chr> <chr> <fct> <int> ## # ... with 190 more rows
## 1 alive none 1 26
## 2 alive airbag 1 72
Podemos facilmente passar uma sequência para informar um intervalo de variáveis, por exemplo. Vamos
## 3 alive none 1 69
selecionar as variáveis da coluna 3 até a coluna 7. Basta fazermos o seguinte:
## 4 alive airbag 1 53
## 5 alive none 1 32
## 6 alive none 1 22 select(us_acidentes, c(3:7, 11))
## 7 alive none 1 22
## 8 dead none 1 32
## 9 alive none 0 40
## 10 alive none 1 18
## # ... with 190 more rows

Como podemos ver, todas as observações das quatro variáveis que informamos foram corretamente
selecionadas.

No entanto, podemos também estabelecer critérios de acordo com as características dos nomes das
variáveis. Por exemplo, vamos selecionar todas as variáveis do objeto us_acidentes que contenham year em
seu nome. Para isso, utilizaremos a função contains() como critério de seleção.
 ## # A tibble: 200 x 6 ## # A tibble: 200 x 15
## dead airbag seatbelt frontal sex abcat ## dvcat weight dead airbag seatbelt frontal sex ageOFocc yearacc
## <chr> <chr> <chr> <fct> <fct> <chr> ## <chr> <dbl> <chr> <chr> <chr> <fct> <fct> <dbl> <dbl>
## 1 alive none belted 1 f unavail ## 1 25-39 25.1 alive none belted 1 f 5.10 44.7
## 2 alive airbag belted 1 f deploy ## 2 10-24 25.1 alive airbag belted 1 f 8.49 44.7
## 3 alive none none 1 f unavail ## 3 10-24 32.4 alive none none 1 f 8.31 44.7
## 4 alive airbag belted 1 f deploy ## 4 25-39 495 alive airbag belted 1 f 7.28 44.7
## 5 alive none belted 1 f unavail ## 5 25-39 25.1 alive none belted 1 f 5.66 44.7
## 6 alive none belted 1 f unavail ## 6 40-54 25.1 alive none belted 1 f 4.69 44.7
## 7 alive none belted 1 m unavail ## 7 55+ 27.1 alive none belted 1 m 4.69 44.7
## 8 dead none none 1 m unavail ## 8 55+ 27.1 dead none none 1 m 5.66 44.7
## 9 alive none belted 0 m unavail ## 9 10-24 813 alive none belted 0 m 6.32 44.7
## 10 alive none belted 1 f unavail ## 10 10-24 813 alive none belted 1 f 4.24 44.7
## # ... with 190 more rows ## # ... with 190 more rows, and 6 more variables: yearVeh <dbl>,
## # abcat <chr>, occRole <chr>, deploy <dbl>, injSeverity <dbl>,
Como exercício, use a função select() para selecionar as colunas de 4 a 8 e a coluna 12, do objeto ## # caseid <chr>
us_acidentes .
Há uma série de outras funções variantes do verbo mutate() , como: mutate_all() e mutate_at() . Utilize a
Para mais possibilidades de utilização da função select() leia a ajuda da mesma. documentação do pacote para mais detalhes e mais possibilidades de transformação.

15.1.3 Modificando dados 15.1.4 Renomeando variáveis

Muitas vezes queremos adicionar uma nova variável, que pode ser uma operação envolvendo outras variáveis Podemos facilmente renomear as variáveis utilizando a função rename() , também do pacote dplyr . Vamos
já existentes. Para realizar essa tarefa, utilizamos a função mutate() . Vamos criar uma nova variável de renomear as variáveis do objeto us_acidentes da seguinte forma:
nome dif que será a diferenca entre yearacc e yearVeh.
sex passará a ser sexo;
mutate(us_acidentes, dif = (yearacc - yearVeh)) weight passará a ser peso;
seatbelt passará a ser cinto.

## # A tibble: 200 x 16 Basta fazer:

## dvcat weight dead airbag seatbelt frontal sex ageOFocc yearacc
## <chr> <dbl> <chr> <chr> <chr> <fct> <fct> <int> <int> rename(us_acidentes,
## 1 25-39 25.1 alive none belted 1 f 26 1997 sexo = sex,
## 2 10-24 25.1 alive airbag belted 1 f 72 1997 peso = weight,
## 3 10-24 32.4 alive none none 1 f 69 1997 cinto = seatbelt
## 4 25-39 495 alive airbag belted 1 f 53 1997 )
## 5 25-39 25.1 alive none belted 1 f 32 1997
## 6 40-54 25.1 alive none belted 1 f 22 1997
dvcat peso dead airbag cinto frontal se… ageOFocc yearacc yearVeh
## 7 55+ 27.1 alive none belted 1 m 22 1997
## 8 55+ 27.1 dead none none 1 m 32 1997 <chr> <dbl> <chr> <chr> <chr> <fctr> <fctr> <int> <int> <int>
## 9 10-24 813 alive none belted 0 m 40 1997
25-39 25.069 alive none belted 1 f 26 1997 1990
## 10 10-24 813 alive none belted 1 f 18 1997
## # ... with 190 more rows, and 7 more variables: yearVeh <int>, 10-24 25.069 alive airbag belted 1 f 72 1997 1995
## # abcat <chr>, occRole <chr>, deploy <int>, injSeverity <int>,
## # caseid <chr>, dif <int> 10-24 32.379 alive none none 1 f 69 1997 1988

25-39 495.444 alive airbag belted 1 f 53 1997 1995

Podemos ver que agora temos 16 variáveis, uma vez que a variável dif ocupa a décima sexta coluna do nosso
conjunto de dados. 25-39 25.069 alive none belted 1 f 32 1997 1988

Podemos aplicar também uma função a todas variáveis de um determinado tipo. Como exemplo, vamos 40-54 25.069 alive none belted 1 f 22 1997 1985
aplicar a raiz quadrada em todas as variáveis do tipo integer do nosso objeto.
55+ 27.078 alive none belted 1 m 22 1997 1984
mutate_if(us_acidentes, is.integer, funs(sqrt(.))) 55+ 27.078 dead none none 1 m 32 1997 1987

10-24 812.869 alive none belted 0 m 40 1997 1984

 dvcat peso dead airbag cinto frontal se… ageOFocc yearacc yearVeh ## nome peso
<chr> <dbl> <chr> <chr> <chr> <fctr> <fctr> <int> <int> <int> ## 1 João 78.3
## 2 Pedro 82.1
10-24 812.869 alive none belted 1 f 18 1997 1987 ## 3 Fábio 88.1
## 4 Gustavo 75.4
1-10 of 200 rows | 1-10 of 15 columns Previous 1 2 3 4 5 6 ... 20 Next

Veja que as variáveis foram corretamente modificadas. O resultado é o igual!

Agora vamos adicionar um terceiro passo ao nosso código, que é alterar o nome da variável peso para kg.
15.1.5 Operações utilizando pipes (%>%) Basta fazer:

Antes de passarmos para as demais funções utilizadas para a manipulação de dados, é de essencial
df1 %>%
importância conhecermos o operador pipe %>% . O pipe é uma ferramenta poderosa para realização de
filter(peso > 70) %>%
múltiplas operações em sequência. Originalmente, operações com pipes necessitam do carregamento do select(nome, peso) %>%
pacote magrittr . No entanto, os pacotes integrantes da família tidyverse já carregam automaticamente o rename(kg = peso)
operador ( %>% ).

Para entendimento de como funciona o pipe, vamos fazer um exemplo em que iremos filtrar observações do ## nome kg
objeto df1 que tenham peso maior do que 70 e selecionar as variáveis nome e peso. Para realizar essa ## 1 João 78.3
tarefa em um só comando, fazemos: ## 2 Pedro 82.1
## 3 Fábio 88.1
select(filter(df1, peso > 70), nome, peso) ## 4 Gustavo 75.4

Observe que digitamos o nome do objeto uma única vez!

## nome peso
## 1 João 78.3 Para usuários do Windows, basta digitar Ctrl+Shift+M para inserção do operador %>% no código. Para
## 2 Pedro 82.1 usuários do Mac OS, basta digitar Cmd+Shift+M .
## 3 Fábio 88.1
## 4 Gustavo 75.4 Como exercício, utilize o objeto us_acidentes (visto no item anterior) e faça as seguintes operações, na
ordem descrita, utilizando pipes:
Veja que a função select() está sendo aplicada ao resultado da função filter(df1, peso > 70) . 1. filtre as observações com a variável ageOFocc maior do que 30 e com a variável frontal igual a 1;
Para o caso acima, não é tão complicado entendermos o resultado. Porém, imagine que tenhamos que fazer 2. selecione as variáveis dvcat, weight, dead, airbag, ageOFocc, yearacc e yearVeh;
diversas operações, como agrupar, filtrar, sumarizar e selecionar. Além do código ficar bastante confuso, 3. crie uma nova coluna chamada dif que corresponde à diferença entre yearacc e yearVeh;
perdemos em produtividade. Com pipes, todo esse processo fica mais fácil. Vamos refazer a operação 4. renomeie as variáveis dvcat para impact e ageOFocc para age.
anterior de filtragem e seleção. O resultado deve ser o seguinte:

df1 %>% impact weight dead airbag age yearacc yearVeh dif
filter(peso > 70) %>% <chr> <dbl> <chr> <chr> <int> <int> <int> <int>
select(nome, peso)
10-24 25.069 alive airbag 72 1997 1995 2

## nome peso 10-24 32.379 alive none 69 1997 1988 9

## 1 João 78.3
## 2 Pedro 82.1 25-39 495.444 alive airbag 53 1997 1995 2
## 3 Fábio 88.1
25-39 25.069 alive none 32 1997 1988 9
## 4 Gustavo 75.4
55+ 27.078 dead none 32 1997 1987 10
Veja que o código ficou bem mais limpo e de fácil compreensão. Primeiro digitamos o objeto que queremos
10-24 923.996 alive airbag 67 1997 1991 6
aplicar a função filter() , depois aplicamos select() ao resultado da filtragem. As quebras de linhas são
apenas para organizar o código. Podemos também fazer: 25-39 29.081 alive none 71 1997 1990 7

df1 %>% filter(peso > 70) %>% select(nome, peso) 25-39 29.081 alive none 63 1997 1990 7

10-24 244.390 alive none 41 1997 1990 7

25-39 30.148 alive none 32 1997 1993 4

 1-10 of 71 rows Previous 1 2 3 4 5 6 ... 8 Next df1 %>%
group_by(sexo) %>%
summarise(media = mean(peso), dp_altura = sd(altura), total = n())
15.1.6 Resumindo e agrupando dados
Uma vez que conhecemos o funcionamento do operador pipe ( %>% ), vamos utilizá-lo de agora em diante. ## # A tibble: 2 x 4
Nosso próximo passo é conhecer as funções group_by() e summarise() . ## sexo media dp_altura total
## <fct> <dbl> <dbl> <int>
Vamos utilizar a função group_by() em nosso data frame df1 , já visto nos exercícios anteriores.
## 1 feminino 62.2 0.0354 2
## 2 masculino 81.0 0.0850 4
df1 %>%
group_by(sexo)
Veja que com poucos comandos temos 3 informações agrupadas por sexo, quais sejam: média do peso,
desvio padrão das alturas e total de observações.
## # A tibble: 6 x 8
## # Groups: sexo [2] Ao resumir dados, temos que, mais uma vez, ter cuidado com os valores ausentes ( NA ), uma vez que se
## nome altura idade sexo peso fumante uf renda aplicarmos a função de resumo, sem o tratamento correto, podemos obter NA como resultado. Continuemos
## <fct> <dbl> <dbl> <fct> <dbl> <lgl> <fct> <dbl> o exemplo anterior, só que adicionando uma coluna a mais para informar a média da renda (m_renda) de
## 1 João 1.80 22.0 masculino 78.3 T PB 2.00 cada um dos sexos. Temos:
## 2 Pedro 1.77 21.0 masculino 82.1 F AL 5.00
## 3 Amanda 1.71 18.0 feminino 66.5 F PE 10.0 df1 %>%
## 4 Fábio 1.65 20.0 masculino 88.1 F PE 20.0 group_by(sexo) %>%
## 5 Fernanda 1.66 23.0 feminino 58.0 T SP 10.0 summarise(media = mean(peso), dp_altura = sd(altura), total = n(), m_renda = mean(renda))
## 6 Gustavo 1.63 19.0 masculino 75.4 F CE NA

Perceba que a ordem em que os dados aparecem não é alterada, no entanto, podemos ver que há a ## # A tibble: 2 x 5
## sexo media dp_altura total m_renda
informação Groups: sexo [2] na exibição do nosso objeto, indicando a presença de dois grupos na variável
## <fct> <dbl> <dbl> <int> <dbl>
sexo. Podemos ver como a atuação da função quando usamos conjuntamente com outras funções do pacote
## 1 feminino 62.2 0.0354 2 10.0
dplyr , como a função summarise() . ## 2 masculino 81.0 0.0850 4 NA
A função summarise() trabalha com outras funções com o intuito de resumir dados, ou seja, ela recebe um
vetor como entrada e retorna um valor singular. Vamos fazer um exemplo em que desejamos saber a média Veja que temos NA no campo da média das observações do sexo masculino. Para obtermos a média
de idade das pessoas presentes no data frame df1 . No entanto, não queremos apenas essa informação, excluindo os valores ausentes, basta definir o argumento na.rm = TRUE na função mean() . Veja solução:
desejamos a média de peso dos sexos masculino e feminino.
df1 %>%
df1 %>% group_by(sexo) %>%
group_by(sexo) %>% summarise(media = mean(peso),
summarise(media = mean(peso)) dp_altura = sd(altura),
total = n(),
m_renda = mean(renda, na.rm = TRUE)
## # A tibble: 2 x 2 )
## sexo media
## <fct> <dbl>
## 1 feminino 62.2 ## # A tibble: 2 x 5
## 2 masculino 81.0 ## sexo media dp_altura total m_renda
## <fct> <dbl> <dbl> <int> <dbl>
## 1 feminino 62.2 0.0354 2 10.0
Veja que ao utilizar a função summarise() após agruparmos por sexo, a média será calculada para cada um
## 2 masculino 81.0 0.0850 4 9.00
dos sexos existentes. Facilmente podemos concluir que a média de peso do sexo masculino é de 80.975Kg,
já a do sexo feminino é de 62.250Kg.

Vamos agora adicionar um novo dado ao resultado, que é o desvio padrão das alturas e atribuirmos a uma 15.1.7 Ordenando dados
variável de nome dp_altura. Vamos tambel criar uma variável total que irá indicar o número de observações Para ordenar dados de acordo com determinados critérios, podemos usar a função arrange() do pacote
em cada um dos sexos. Fazemos: dplyr . Vamos ordenar nosso objeto df1 em ordem decrescente pela variável idade.

df1 %>%
arrange(desc(idade))
 ## nome altura idade sexo peso fumante uf renda ## nome altura idade sexo peso fumante uf renda nome1 filhos
## 1 Fernanda 1.66 23 feminino 58.0 TRUE SP 10 ## 1 João 1.80 22 masculino 78.3 TRUE PB 2 João 1
## 2 João 1.80 22 masculino 78.3 TRUE PB 2 ## 2 Pedro 1.77 21 masculino 82.1 FALSE AL 5 Pedro 0
## 3 Pedro 1.77 21 masculino 82.1 FALSE AL 5 ## 3 Amanda 1.71 18 feminino 66.5 FALSE PE 10 Amanda 1
## 4 Fábio 1.65 20 masculino 88.1 FALSE PE 20 ## 4 Fábio 1.65 20 masculino 88.1 FALSE PE 20 Fábio 0
## 5 Gustavo 1.63 19 masculino 75.4 FALSE CE NA ## 5 Fernanda 1.66 23 feminino 58.0 TRUE SP 10 Fernanda 1
## 6 Amanda 1.71 18 feminino 66.5 FALSE PE 10 ## 6 Gustavo 1.63 19 masculino 75.4 FALSE CE NA Gustavo 0
## tipo_sang cid_natal
Vamos agora agrupar por sexo e depois ordenarmos por idade. ## 1 A+ Cajazeiras
## 2 O+ Arapiraca
## 3 B- Caruaru
df1 %>%
## 4 O+ Recife
group_by(sexo) %>%
## 5 AB São Paulo
arrange(desc(idade), .by_group = TRUE)
## 6 B+ Fortaleza

## # A tibble: 6 x 8 Veja que a união só ocorreu de forma correta porque as observações do objeto df3 se referem às
## # Groups: sexo [2] observações do objeto df1 . Caso o objeto df3 estivesse ordenado de forma diferente, poderiamos ter dados
## nome altura idade sexo peso fumante uf renda de Pedro unido com dados de Amanda, por exemplo. Esse tipo de união é comum quando não temos uma
## <fct> <dbl> <dbl> <fct> <dbl> <lgl> <fct> <dbl>
chave para usar, mas temos a certeza que as observações correspondem perfeitamente. Observe que a
## 1 Fernanda 1.66 23.0 feminino 58.0 T SP 10.0
variável nome do df3 teve seu nome alterado para nome1 na união. Isso ocorreu automaticamente para
## 2 Amanda 1.71 18.0 feminino 66.5 F PE 10.0
## 3 João 1.80 22.0 masculino 78.3 T PB 2.00 evitar duplicidade de variáveis no nosso objeto resultado. A seguir, vamos ver como trabalhar melhor com
## 4 Pedro 1.77 21.0 masculino 82.1 F AL 5.00 casos como esse.
## 5 Fábio 1.65 20.0 masculino 88.1 F PE 20.0
## 6 Gustavo 1.63 19.0 masculino 75.4 F CE NA 15.1.9 União à esquerda (left join)
Veja que primeiro temos as duas observações do sexo feminino ordenadas por idade, para só então surgirem Vimos no exemplo anterior que para usar a função bind_cols() devemos ter a mesma quantidade de linhas
as do sexo masculino, também ordenadas por idade. Para que isso ocorra, devemos definir o argumento em ambos os objetos. Na união à esquerda isso não se faz necessário. Isso porque só serão unidos, ao
.by_group = TRUE . objeto à esquerda, observações que possuem a mesma chave no objeto à esquerda e à direita.

left_join(df1, df3)
15.1.8 Combinando variáveis
Para nossos exemplos de combinações de variáveis, iremos criar alguns objetos. O primeiro objeto que
## nome altura idade sexo peso fumante uf renda filhos tipo_sang
iremos criar é um data frame de nome df3 com dados complementares ao nosso data frame df1 , visto em ## 1 João 1.80 22 masculino 78.3 TRUE PB 2 1 A+
exemplos anteriores. Vamos criá-lo com os seguintes dados: ## 2 Pedro 1.77 21 masculino 82.1 FALSE AL 5 0 O+
## 3 Amanda 1.71 18 feminino 66.5 FALSE PE 10 1 B-
df3 <- data.frame( ## 4 Fábio 1.65 20 masculino 88.1 FALSE PE 20 0 O+
nome = c("João", "Pedro", "Amanda", "Fábio", "Fernanda", "Gustavo"), ## 5 Fernanda 1.66 23 feminino 58.0 TRUE SP 10 1 AB
filhos = c(1, 0, 1, 0, 1, 0), ## 6 Gustavo 1.63 19 masculino 75.4 FALSE CE NA 0 B+
tipo_sang = c("A+", "O+", "B-", "O+", "AB", "B+"), ## cid_natal
cid_natal = c("Cajazeiras", "Arapiraca", "Caruaru", "Recife", "São Paulo", "Fortaleza") ## 1 Cajazeiras
) ## 2 Arapiraca
## 3 Caruaru
A primeira função que iremos usar é a bind_cols() . Essa função faz a união de data frames com a mesma ## 4 Recife
quantidade de linhas. Recomendamos extrema cautela ao utilizar essa função, pois você deve ter certeza ## 5 São Paulo
## 6 Fortaleza
que os dados estão ordenados corretamente. Vejamos na prática!

bind_cols(df1,df3) Veja que, ao fazer a união com a função, left_join() temos apenas uma variável nome no data frame
resultado! Isso porque ao não informar nenhuma chave, a função faz a união utilizando todas as variáveis em
comum nos dois objetos. No caso, temos apenas a variável nome em comum, ou seja, apenas uma chave.

Normalmente, uma boa chave é um código único para cada observação, como CPF, matrícula, CNPJ e etc.
Por isso temos que ter bastante cuidado ao utilizá-las.
Vamos agora para um próximo exemplo, para deixar mais claro como funciona a função left_join() . Digamos que a variável (coluna) nome do data frame df4 , mostrado anteriormente, agora seja aluno.
Suponha que agora temos um data frame df4 e que não tenha dados sobre o aluno “João” e sim sobre um
outro aluno de nome “Teodoro”. Vamos visualizar nossos dados. df4

df4 <- data.frame(

## aluno filhos tipo_sang cid_natal
nome = c("Teodoro", "Pedro", "Amanda", "Fábio", "Fernanda", "Gustavo"),
## 1 Teodoro 0 0+ Natal
filhos = c(0, 0, 1, 0, 1, 0),
## 2 Pedro 0 O+ Arapiraca
tipo_sang = c("0+", "O+", "B-", "O+", "AB", "B+"),
## 3 Amanda 1 B- Caruaru
cid_natal = c("Natal", "Arapiraca", "Caruaru", "Recife", "São Paulo", "Fortaleza")
## 4 Fábio 0 O+ Recife
)
## 5 Fernanda 1 AB São Paulo
## 6 Gustavo 0 B+ Fortaleza
df4
Vamos tentar realizar a união à direita apenas passando os nomes dos data frames a serem unidos.

## nome filhos tipo_sang cid_natal

right_join(df1, df4)
## 1 Teodoro 0 0+ Natal
## 2 Pedro 0 O+ Arapiraca
## 3 Amanda 1 B- Caruaru Não conseguimos, uma vez que a função não consegue encontrar variáveis em comum. Para resolver esse
## 4 Fábio 0 O+ Recife problema, basta informar à função que a variável nome do df1 e a variável aluno, do df4 , é a nossa chave.
## 5 Fernanda 1 AB São Paulo
## 6 Gustavo 0 B+ Fortaleza right_join(df1, df4, by = c("nome" = "aluno"))

Veja que os demais alunos estão em ambos os data frames. Agora, vamos proceder uma união à esquerda e
## nome altura idade sexo peso fumante uf renda filhos tipo_sang
verificar o que ocorre! ## 1 Teodoro NA NA <NA> NA NA <NA> NA 0 0+
## 2 Pedro 1.77 21 masculino 82.1 FALSE AL 5 0 O+
left_join(df1, df4) ## 3 Amanda 1.71 18 feminino 66.5 FALSE PE 10 1 B-
## 4 Fábio 1.65 20 masculino 88.1 FALSE PE 20 0 O+
## 5 Fernanda 1.66 23 feminino 58.0 TRUE SP 10 1 AB
## nome altura idade sexo peso fumante uf renda filhos tipo_sang
## 6 Gustavo 1.63 19 masculino 75.4 FALSE CE NA 0 B+
## 1 João 1.80 22 masculino 78.3 TRUE PB 2 NA <NA>
## cid_natal
## 2 Pedro 1.77 21 masculino 82.1 FALSE AL 5 0 O+
## 1 Natal
## 3 Amanda 1.71 18 feminino 66.5 FALSE PE 10 1 B-
## 2 Arapiraca
## 4 Fábio 1.65 20 masculino 88.1 FALSE PE 20 0 O+
## 3 Caruaru
## 5 Fernanda 1.66 23 feminino 58.0 TRUE SP 10 1 AB
## 4 Recife
## 6 Gustavo 1.63 19 masculino 75.4 FALSE CE NA 0 B+
## 5 São Paulo
## cid_natal
## 6 Fortaleza
## 1 <NA>
## 2 Arapiraca
## 3 Caruaru Com o argumento correto, a junção foi realizada corretamente! Porém, observe que, com a função
## 4 Recife right_join() , a observação do objeto df1 que não encontrou correspondencia em df4 foi descartada, ou
## 5 São Paulo seja, a do aluno de nome “João”. Já o aluno “Teodoro” permaneceu no resultado.
## 6 Fortaleza
15.1.11 União interna (inner join)
Veja que os dados referentes ao aluno “Teodoro” sumiram do resultado. Isso por que o mesmo não possui
correspondência no df1 (objeto à esquerda da função). Já os dados de “João”, que não possui Para a união interna, vamos utilizar a função inner_join(). Essa união irá oferecer como resultado apenas
correspondentes no objeto df4 , foram automaticamente preenchidos com NA . Esse é o motivo da operação observações que existirem em ambos objetos. Logo, se aplicarmos a função com os data frames df1 e df4 ,
se chamar união à esquerda. as observações dos alunos “João” e “Teodoro” serão descartadas.

inner_join(df1, df4, by = c("nome" = "aluno"))

15.1.10 União à direita (right join)
A união à direita segue lógica similar. Uniremos ao objeto da direita observações que contenham
correspondência no objeto da esquerda. Neste ponto, vamos mostrar uma funcionalidade importante das
funções de união. Nem sempre temos variáveis com o mesmo nome no objeto que desejamos unir, o que
acaba por atrapalhar o trabalho da função, caso isso não seja informado. As uniões realizadas anteriormente
ocorreram sem problemas devido a presença da variável nome em ambos objetos.
 ## nome altura idade sexo peso fumante uf renda filhos tipo_sang ## nome altura idade sexo peso fumante uf renda
## 1 Pedro 1.77 21 masculino 82.1 FALSE AL 5 0 O+ ## 1 Pedro 1.77 21 masculino 82.1 FALSE AL 5
## 2 Amanda 1.71 18 feminino 66.5 FALSE PE 10 1 B- ## 2 Amanda 1.71 18 feminino 66.5 FALSE PE 10
## 3 Fábio 1.65 20 masculino 88.1 FALSE PE 20 0 O+ ## 3 Fábio 1.65 20 masculino 88.1 FALSE PE 20
## 4 Fernanda 1.66 23 feminino 58.0 TRUE SP 10 1 AB ## 4 Fernanda 1.66 23 feminino 58.0 TRUE SP 10
## 5 Gustavo 1.63 19 masculino 75.4 FALSE CE NA 0 B+ ## 5 Gustavo 1.63 19 masculino 75.4 FALSE CE NA
## cid_natal
## 1 Arapiraca Observe que não foi realizada nenhuma união, mas o retorno das observações presentes no objeto df1 que
## 2 Caruaru possuem correspondência no objeto df4 .
## 3 Recife
## 4 São Paulo Seguindo a lógica, a função anti_join() retornará as observações do objeto df1 que não possuem
## 5 Fortaleza correspondência no objeto df4 .

Veja que obtivemos cinco observações como resultado. A função inner_join() é importante para anti_join(df1, df4, by = c("nome" = "aluno"))
construirmos um conjunto de dados completo em todas as suas variáveis.

## nome altura idade sexo peso fumante uf renda

15.1.12 União total (full join) ## 1 João 1.8 22 masculino 78.3 TRUE PB 2

A união total é realizada através da função full_join()

Como já sabíamos, apenas a observação do aluno “João” não tinha correspondência. Se quisermos testar
qual ou quais observações do df4 não possuem correspondência no objeto df1 , basta invertermos a ordem
full_join(df1, df4, by = c("nome" = "aluno"))
dos argumentos da função. Temos:

## nome altura idade sexo peso fumante uf renda filhos tipo_sang anti_join(df4, df1, by = c("aluno" = "nome"))
## 1 João 1.80 22 masculino 78.3 TRUE PB 2 NA <NA>
## 2 Pedro 1.77 21 masculino 82.1 FALSE AL 5 0 O+
## 3 Amanda 1.71 18 feminino 66.5 FALSE PE 10 1 B- ## aluno filhos tipo_sang cid_natal
## 4 Fábio 1.65 20 masculino 88.1 FALSE PE 20 0 O+ ## 1 Teodoro 0 0+ Natal
## 5 Fernanda 1.66 23 feminino 58.0 TRUE SP 10 1 AB
## 6 Gustavo 1.63 19 masculino 75.4 FALSE CE NA 0 B+
## 7 Teodoro NA NA <NA> NA NA <NA> NA 0 0+ 15.1.14 Combinando observações com as funções union,
##
## 1
cid_natal
<NA>
intersect, setdiff e bind_rows
## 2 Arapiraca Nessa seção, iremos conhecer o funcionamento de funções igualmente importantes para a manipulação de
## 3 Caruaru dados. São elas:
## 4 Recife
## 5 São Paulo union()
## 6 Fortaleza setdiff()
## 7 Natal intersect()
bind_rows()

15.1.13 Diferenças de dados (semi join e anti join)

Duas funções de bastante importância para uma análise prévia antes de proceder as uniões são
semi_join() e anti_join() . Essas funções também são conhecidas por realizarem filtering join, ou seja,
elas filtram um determinado objeto com base em sua correspondência com outro objeto.

Vamos iniciar nossos exemplos aplicando a função semi_join() entre os data frames df1 e df4 .

Operação das funções setdiff, intersect e union

semi_join(df1, df4, by = c("nome" = "aluno"))
Diferentemente das funções vistas anteriormente, essas funções são úteis para operar data frames com
variáveis idênticas. Vamos criar novos dados com as mesmas variáveis do nosso objeto df1 , porém com
uma observação diferente. Esses dados serão armazenados no objeto de nome df5 .
 df5 <- data.frame( ## nome altura idade sexo peso fumante uf renda
nome = c("João", "Pedro", "Amanda", "Fábio", "Fernanda", "Raquel"), ## 1 Raquel 1.77 24 feminino 66.2 FALSE BA 8
altura = c(1.80, 1.77, 1.71, 1.65, 1.66, 1.77), ## 2 Gustavo 1.63 19 masculino 75.4 FALSE CE NA
idade = c(22, 21, 18, 20, 23, 24), ## 3 Fernanda 1.66 23 feminino 58.0 TRUE SP 10
sexo = c("masculino", "masculino", "feminino", "masculino", "feminino", "feminino"), ## 4 Fábio 1.65 20 masculino 88.1 FALSE PE 20
peso = c(78.3, 82.1, 66.5, 88.1, 58, 66.2), ## 5 Amanda 1.71 18 feminino 66.5 FALSE PE 10
fumante = c(TRUE, FALSE, FALSE, FALSE, TRUE, FALSE), ## 6 Pedro 1.77 21 masculino 82.1 FALSE AL 5
uf = c("PB", "AL", "PE", "PE", "SP", "BA"), ## 7 João 1.80 22 masculino 78.3 TRUE PB 2
renda = c(2, 5, 10, 20, 10, 8)
) Veja que ao total temos 7 observações, 5 em comum e 2 pertencentes a objetos distintos.

Uma vez com os dados, vamos utilizar a função setdiff() para verificar quais observações estão no df5 e Para finalizar, veremos um exemplo com a função bind_rows() . Para isso, vamos criar dois data frames de
que não estão no df1 . nomes df6 e df7 , como segue:

setdiff(df5, df1) df6 <- data.frame(

nome = c("João", "Pedro", "Amanda", "Fábio", "Fernanda", "Raquel"),
idade = c(22, 21, 18, 20, 23, 24),
## nome altura idade sexo peso fumante uf renda sexo = c("masculino", "masculino", "feminino", "masculino", "feminino", "feminino"),
## 1 Raquel 1.77 24 feminino 66.2 FALSE BA 8 fisica1 = c(7.8, 6.7, 5.5, 9.4, 8.1, 4),
calculo1 = c(8, 5.9, 6.4, 7.5, 7, 5),
Vemos que o resultado está correto. Apenas a informação da aluna “Raquel” não está no data frame df1 . algebra = c(6.9, 7.2, 6, 6.8, 6.5, 3),
estatistica = c(8, 8, 7, 9.5, 7, 8)
Se quisermos fazer o contrário, basta invertermos a ordem dos argumentos da função. )

setdiff(df1, df5)
df7 <- data.frame(
nome = c("Hugo", "Francisco", "Vanessa", "Jaime", "Roberta", "Tereza"),
## nome altura idade sexo peso fumante uf renda idade = c(20, 20, 19, 24, 21, 18),
## 1 Gustavo 1.63 19 masculino 75.4 FALSE CE NA sexo = c("masculino", "masculino", "feminino", "masculino", "feminino", "feminino"),
fisica1 = c(7, 7, 5.8, 6, 8.6, 6),
Dando seguimento, vamos fazer um exempo da função intersect() utilizando os mesmos dados. calculo1 = c(9.5, 6.9, 6.7, 7.5, 8, 3),
algebra = c(8.9, 4.2, 6, 7.8, 6.1, NA),
estatistica = c(8.5, 8, 7.5, 10, 7, 7)
intersect(df1, df5)
)

## nome altura idade sexo peso fumante uf renda Suponha que os dados sejam referentes a duas turmas de um curso de engenharia. Os dados do df6 se
## 1 João 1.80 22 masculino 78.3 TRUE PB 2 referem aos alunos da turma “A” e os dados do df7 se referem aos alunos da turma “B”. Você deseja unir
## 2 Pedro 1.77 21 masculino 82.1 FALSE AL 5 os dados de ambas as turmas. Basta fazer o seguinte:
## 3 Amanda 1.71 18 feminino 66.5 FALSE PE 10
## 4 Fábio 1.65 20 masculino 88.1 FALSE PE 20
bind_rows(df6, df7)
## 5 Fernanda 1.66 23 feminino 58.0 TRUE SP 10

Como o próprio nome sugere, a função retorna apenas as observações presentes em ambos data frames, ou ## nome idade sexo fisica1 calculo1 algebra estatistica
seja, a interseção! ## 1 João 22 masculino 7.8 8.0 6.9 8.0
## 2 Pedro 21 masculino 6.7 5.9 7.2 8.0
A função union() faz a união das observações existentes em ambos os objetos, removendo dados ## 3 Amanda 18 feminino 5.5 6.4 6.0 7.0
duplicados. ## 4 Fábio 20 masculino 9.4 7.5 6.8 9.5
## 5 Fernanda 23 feminino 8.1 7.0 6.5 7.0
union(df1, df5) ## 6 Raquel 24 feminino 4.0 5.0 3.0 8.0
## 7 Hugo 20 masculino 7.0 9.5 8.9 8.5
## 8 Francisco 20 masculino 7.0 6.9 4.2 8.0
## 9 Vanessa 19 feminino 5.8 6.7 6.0 7.5
## 10 Jaime 24 masculino 6.0 7.5 7.8 10.0
## 11 Roberta 21 feminino 8.6 8.0 6.1 7.0
## 12 Tereza 18 feminino 6.0 3.0 NA 7.0
Ocorre que, ao unir os dados sem um identificador, você não terá mais como distinguir a qual turma pertence Para retornar o mesmo objeto sem qualquer valor ausente, basta utilizarmos a função drop_na() . Segue
determinado aluno. Uma forma de resolver isso é criar uma lista com os objetos que deseja unir, nomear cada exemplo:
um dos elementos da lista e após unir com a função bind_rows() , desta vez definindo também o argumento
.id . Veja o exemplo. drop_na(df7)

lista_df <- list(df6, df7)

## nome idade sexo fisica1 calculo1 algebra estatistica
## 1 Hugo 20 masculino 7.0 9.5 8.9 8.5
names(lista_df) <- c("A", "B")
## 2 Francisco 20 masculino 7.0 6.9 4.2 8.0
## 3 Vanessa 19 feminino 5.8 6.7 6.0 7.5
bind_rows(lista_df, .id = "turma") ## 4 Jaime 24 masculino 6.0 7.5 7.8 10.0
## 5 Roberta 21 feminino 8.6 8.0 6.1 7.0

## turma nome idade sexo fisica1 calculo1 algebra estatistica Veja que a observação referente à aluna Tereza foi devidamente removida. Dessa forma, a função retorna
## 1 A João 22 masculino 7.8 8.0 6.9 8.0
apenas observações que não possuam nenhum valor ausente.
## 2 A Pedro 21 masculino 6.7 5.9 7.2 8.0
## 3 A Amanda 18 feminino 5.5 6.4 6.0 7.0 Ocorre que, em muitos casos, queremos a exclusão de observações que não possuam NA em apenas
## 4 A Fábio 20 masculino 9.4 7.5 6.8 9.5 algumas variáveis. Para isso, vamos selecionar as variáveis que desejamos realizar o teste. Vamos selecionar
## 5 A Fernanda 23 feminino 8.1 7.0 6.5 7.0 apenas as variáveis idade, fisica1 e estatistica.
## 6 A Raquel 24 feminino 4.0 5.0 3.0 8.0
## 7 B Hugo 20 masculino 7.0 9.5 8.9 8.5
drop_na(df7, idade, fisica1, estatistica)
## 8 B Francisco 20 masculino 7.0 6.9 4.2 8.0
## 9 B Vanessa 19 feminino 5.8 6.7 6.0 7.5
## 10 B Jaime 24 masculino 6.0 7.5 7.8 10.0 ## nome idade sexo fisica1 calculo1 algebra estatistica
## 11 B Roberta 21 feminino 8.6 8.0 6.1 7.0 ## 1 Hugo 20 masculino 7.0 9.5 8.9 8.5
## 12 B Tereza 18 feminino 6.0 3.0 NA 7.0 ## 2 Francisco 20 masculino 7.0 6.9 4.2 8.0
## 3 Vanessa 19 feminino 5.8 6.7 6.0 7.5
Após a união, vemos que agora existe uma nova variável chamada turma, informando a respectiva turma de ## 4 Jaime 24 masculino 6.0 7.5 7.8 10.0
cada um dos alunos. ## 5 Roberta 21 feminino 8.6 8.0 6.1 7.0
## 6 Tereza 18 feminino 6.0 3.0 NA 7.0

15.1.15 Manipulando valores ausentes Veja que, determinando quais as variáveis checar, todas as observações foram retornadas. Isso ocorreu
Para manipulação de valores ausentes, usaremos funções do pacote tidyr (também integrante do pacote porque nas variáveis idade, fisica1 e estatistica não temos valores ausentes.
tidyverse). Temos diversas funções do pacote básico do R que lidam muito bem com valores ausentes.
Outra função de igual importância para manipulação de valores ausentes é a função replace_na() . Tal
Podemos citar:
função permite a substituição de valores ausentes por um outro valor, seja esse numérico ou texto, por
na.omit() exemplo. Suponha que você deseja atribuir nota zero na disciplina de algebra para a aluna Tereza, basta
na.exclude() informar a variável e o valor a ser atribuído no lugar do valor ausente.
na.pass()
replace_na(df7, list(algebra = 0))
No entanto, vamos continuar aprendendo funções do pacote tidyr, uma vez que utilizaremos outras funções
do mesmo pacote nos tópicos seguintes.
## nome idade sexo fisica1 calculo1 algebra estatistica
Como exemplo, veja que no nosso data frame df7 temos um valor ausente ( NA ) na sexta observação. ## 1 Hugo 20 masculino 7.0 9.5 8.9 8.5
## 2 Francisco 20 masculino 7.0 6.9 4.2 8.0
df7 ## 3 Vanessa 19 feminino 5.8 6.7 6.0 7.5
## 4 Jaime 24 masculino 6.0 7.5 7.8 10.0
## 5 Roberta 21 feminino 8.6 8.0 6.1 7.0
## nome idade sexo fisica1 calculo1 algebra estatistica
## 6 Tereza 18 feminino 6.0 3.0 0.0 7.0
## 1 Hugo 20 masculino 7.0 9.5 8.9 8.5
## 2 Francisco 20 masculino 7.0 6.9 4.2 8.0
Veja que o valor ausente da disciplina algebra, da aluna Tereza, foi substituído por 0.0. Casou houvesse
## 3 Vanessa 19 feminino 5.8 6.7 6.0 7.5
## 4 Jaime 24 masculino 6.0 7.5 7.8 10.0 outras observações nessa variável com NA , as mesmas seriam substituídas também por 0.0.
## 5 Roberta 21 feminino 8.6 8.0 6.1 7.0
Como exercício, substitua todos os valores ausentes do objeto airquality (objeto prá-carregado do R) por
## 6 Tereza 18 feminino 6.0 3.0 NA 7.0
0.0.

15.1.16 Separando e combinando colunas

Para separação de colunas, vamos criar um novo conjunto de dados chamado df8 .
separate(df8, matricula, sep = c(4, 5),
into = c("ano_ingresso", "periodo", "ordem")
df8 <- data.frame(nome = c("Hugo", "Francisco", "Vanessa", "Jaime", "Roberta", "Tereza"), )
protocolo = c("345/2017", "654/2017", "365/2017", "777/2017", "633/2017",
"221/2017"),
matricula = c(20151809, 20142654, 20151054, 20142876, 20141439, 20142771) ## nome protocolo ano_ingresso periodo ordem
) ## 1 Hugo 345/2017 2015 1 809
df8 ## 2 Francisco 654/2017 2014 2 654
## 3 Vanessa 365/2017 2015 1 054
## 4 Jaime 777/2017 2014 2 876
## nome protocolo matricula ## 5 Roberta 633/2017 2014 1 439
## 1 Hugo 345/2017 20151809 ## 6 Tereza 221/2017 2014 2 771
## 2 Francisco 654/2017 20142654
## 3 Vanessa 365/2017 20151054
Veja que as novas variáveis foram corretamente criadas!
## 4 Jaime 777/2017 20142876
## 5 Roberta 633/2017 20141439
## 6 Tereza 221/2017 20142771 15.1.17 Alterando layout dos dados
Antes de falarmos sobre as alterações no formato dos dados, vamos inicialmente conhecer qual o formato de
Esse data frame possui dados hipotétivos de nomes de alunos, processos protocolados, e matrículas de uma
dados ideal para trabalharmos no R. Existe um formato de dados consistente para trabalharmos com a
universidade. Veja que o número do protocolo é formado por um número de ordem seguido de uma barra (“/”)
maioria dos pacotes do R, conhecido como tidy data. Esse formato de dados nos permite fazer análises
e de quatro dígitos finais que indicam o ano de protocolo. Suponha que você deseja dividir essas informações
corretas, plotar, filtrar, sumarizar e realizar, sem maiores preocupações, todas as análises vistas até então.
em duas variáveis. A primeira referente a identificação de ordem do processo e a segunda referente ao ano
do protocolo. Para fazer isso, usamos a função separate() , do pacote tidyr . Informamos o separador
através do argumento sep = e o nome das novas variáveis através do argumento into = . “Os conjuntos de dados Tidy são todos iguais, mas cada conjunto de dados
bagunçado é bagunçado a sua maneira.” Hadley Wickham (Wickham and
separate(df8, protocolo, sep = "/", into = c("id", "ano"))
Grolemund 2016)

## nome id ano matricula

## 1 Hugo 345 2017 20151809
As três características para que um conjunto de dados seja tidy data são:
## 2 Francisco 654 2017 20142654 1. Cada variável deve estar em sua própria coluna;
## 3 Vanessa 365 2017 20151054
2. Cada observação deve possuir sua própria linha;
## 4 Jaime 777 2017 20142876
3. Cada valor deve ter sua própria célula.
## 5 Roberta 633 2017 20141439
## 6 Tereza 221 2017 20142771

Veja que, após o uso da função, a variável protocolo desaparece e as novas duas variáveis são criadas com
as respectivas informações.

NOTA: Veja como mudar o comportamento da função consultando a ajuda da

mesma
Tidy data - Adaptado de (Wickham and Grolemund 2016)

Vamos repetir o mesmo processo anterior, só que dessa vez com dados numéricos. Em muitos casos, a Vamos aos exemplos!
posição ou intervalo dos números traz uma determinada informação que desejamos utilizar, seja para filtrar,
Para os nossos próximos exemplos, criaremos um data frame com o coeficiente de rendimento escolar de
plotar gráficos, agrupar dados e etc. No nosso data frame exemplo, os quatro primeiros dígitos se referem ao
alguns alunos durante três períodos. Veja que a nota de cada um dos períodos está em uma coluna
ano que o aluno ingressou na universidade, o quinto dígito se refere ao período de ingresso e os demais
específica.
dígitos são referentes à ordem de matrícula. Sabendo disso, podemos dividir a variável matrícula em três
outras, quais sejam: ano do ingresso, período e ordem de matrícula. Nesse caso, ao invés de definir um
separador específico, informamos as posições de término das variáveis. No caso da última coluna, a mesma
foi formada com os dígitos restantes. Segue exemplo:
 df9 <- data.frame(aluno = c("João", "Pedro", "Amanda", "Fábio", "Fernanda", "Raquel"), df10 <- data.frame(aluno = c("João", "João", "Pedro", "Pedro", "Amanda", "Amanda"),
P1 = c(7.6, 6.1, 7.4, 8.8, 7.3, 6.8), variavel = c("idade", "renda", "idade", "renda", "idade", "renda"),
P2 = c(7.9, 6.9, 8, 8.5, 7.7, 7.3), valor = c(22, 2, 21, 5, 18, 10)
P3 = c(8.3, 7.4, 8.2, 7.5, 8.3, 7.6) )
) df10

df9
## aluno variavel valor
## 1 João idade 22
## aluno P1 P2 P3 ## 2 João renda 2
## 1 João 7.6 7.9 8.3 ## 3 Pedro idade 21
## 2 Pedro 6.1 6.9 7.4 ## 4 Pedro renda 5
## 3 Amanda 7.4 8.0 8.2 ## 5 Amanda idade 18
## 4 Fábio 8.8 8.5 7.5 ## 6 Amanda renda 10
## 5 Fernanda 7.3 7.7 8.3
## 6 Raquel 6.8 7.3 7.6 Veja que temos nitidamente duas variáveis em uma mesma coluna: idade e renda. Como vimos, para termos
dados organizados, cada variável deve possuir sua própria coluna. Usando a função spread() , podemos
No entanto, observando bem, os períodos P1, P2, e P3 devem ser observações da variável período. Para corrigir isso facilmente.
reorganizarmos os dados para a forma tidy data, vamos utilizar a função gather() da seguinte forma.
spread(df10, variavel, valor)
gather(df9, key = "periodo", value = "cre", -aluno)

## aluno idade renda

## aluno periodo cre ## 1 Amanda 18 10
## 1 João P1 7.6 ## 2 João 22 2
## 2 Pedro P1 6.1 ## 3 Pedro 21 5
## 3 Amanda P1 7.4
## 4 Fábio P1 8.8 Podemos encarar a função spread() como uma função inversa da gather() .
## 5 Fernanda P1 7.3
## 6 Raquel P1 6.8 Como exercício, recrie o objeto df9 da forma original, aplique a função gather() e sobrescreva df9 . Feito
## 7 João P2 7.9 isso, use a função spread() para obter os dados em sua forma original.
## 8 Pedro P2 6.9
## 9 Amanda P2 8.0
##
##
10
11
Fábio
Fernanda
P2 8.5
P2 7.7
16 EXPORTANDO DADOS
## 12 Raquel P2 7.3 Nessa seção, iremos aprender a exportar e salvar dados. Recorrentemente você precisará trabalhar os
## 13 João P3 8.3 resultados obtidos com o R em outros softwares como MS Excel, MS Word, Power Point ou mesmo guardar
## 14 Pedro P3 7.4 para uso em outro momento. Os formatos que iremos aprender a exportar dados do R são os mais usuais e
## 15 Amanda P3 8.2 atendem perfeitamente aos objetivos do curso.
## 16 Fábio P3 7.5
## 17 Fernanda P3 8.3
## 18 Raquel P3 7.6 16.1 Exportando dados em CSV
Observe que devemos informar três argumentos. A primeiro deles é o key (chave), que será o nome da Assim como vimos na importação de arquivos CSV, para executar a exportação de dados em CSV nós temos
variável que irá receber as variáveis das colunas desejadas. O segundo é o value , que será o nome da algumas funções básicas do R para realizar tal procedimento, como: write.csv() , write.csv2() ,
variável que irá conter os valores referentes à cada observação da variável chave. E o terceiro corresponde a write.table() . No entanto, usaremos as funções integrantes do pacote readr, já conhecido em tópicos

seleção das colunas que desejamos transformar em observações que, nesse caso, serão: P1, P2, P3. Por anteriores e integrante da família Tidyverse.
questão de praticidade, no exemplo anterior usamos -aluno , ou seja, todas as variáveis do df9 exceto Para nossos exemplos precisaremos carregar os pacotes readr e DAAG 1, este último contém vários
aluno. Também poderíamos fazer: conjuntos de dados que vamos utilizar como exemplo.

gather(df9, key = "periodo", value = "cre", P1, P2, P3) Vamos começar carregando os pacotes necessários.

Teste o código acima e veja que o resultado será o mesmo! library(readr)

library(DAAG)
A próxima função que veremos, muito utilizada para alterar o layout dos dados, é a spread() , também do
pacote tidyr. Para nosso exemplo, vamos criar um data frame df10 .
O primeiro conjunto de dados que vamos exportar possui o nome carprice . Trata-se de um data frame com
48 linhas e 9 colunas contendo dados sobre preços de veículos americanos. Para exportarmos em CSV,
usando vírgula como separador, vamos utilizar a função write_csv() . O nome do arquivo será
exportado_01.csv. Fazemos:
write_csv(carprice, "exportado_01.csv", na = "NA")
Verifique no seu diretório de trabalho se o arquivo foi exportado corretamente. Observe que para esse caso,
usamos o argumento na = "NA" , ou seja, onde houver valor ausente será inserido NA . No entanto,
poderíamos deixar vazio o campo usando na = "" .
Outro ponto que merece destaque é que podemos informar um outro diretório (que não o de trabalho) para
escrita do arquivo. Isso facilita bastante quando queremos escrever determinados resultados separados em
pastas.
Dando continuidade, vamos utilizar a função write_delim() para gravar um arquivo CSV, dessa vez
separado por ; ao invés de vírgula. A separação de arquivos CSV com ponto e vírgula é muito utilizada em
países que possuem a vírgula como separador de decimal. Nesse exemplo, vamos usar - para os valores
ausentes ( NA ).
write_delim(carprice, "exportado_02.csv", delim = ";", na = "-")
Veja que com a função do exemplo anterior, podemos definir qualquer separador. Caso haja um dado em
texto que possua ; em seu conteúdo, a função automaticamente irá iserir aspas ao redor do conteúdo.
Para conhecer mais sobre os argumentos das funções write_csv() e write_delim() , leia o arquivo de
ajuda.
16.2 Exportando dados em TXT e TSV
Exportar dados em arquivo texto (TXT) ou em TSV é igualmente simples aos exemplos vistos anteriormente.
Para exportar dados em arquivo texto, vamos usar a função write_delim() . No exemplo seguinte, usaremos
também um dado resente no pacote DAAG de nome biomass. Porém, usaremos “|” como delimitador e, onde
houver NA , o arquivo tratá a sigla “ND”.
write_delim(biomass, "exportado_03.txt", delim = "|", na = "ND")
Para o arquivo TSV, basta usar a função write_tsv() da seguinte forma:
write_tsv(biomass, "exportado_04.tsv", na = "ND")
Obviamente, o delimitador do arquivo TSV é a tabulação.
16.3 Exportando dados em XLS e XLSX
Para proceder a exportação de dados em formato XLS ou XLSX, utilizaremos o pacote WriteXLS() . Instale-o
e faça o carregamento do mesmo.
install.packages("WriteXLS")
library(WriteXLS)
Usaremos a mesma função para arquivos XLS e XLSX. A única diferença entre a geração dos dois tipos de
arquivo é a extensão (.xls ou .xlsx). O interessante dessa função é que podemos gravar diferentes objetos em
uma mesma pasta do Excel, criando diferentes planilhas para cada conjunto de dados. Vamos exportar em
XLSX os objetos monica e carprice , ambos do pacote DAAG . O nome do arquivo será “exportado_05.xlsx”.
WriteXLS(c("monica", "carprice"), "exportado_05.xlsx",
SheetNames = c("Monica", "Car Price"))
Verifique se o arquivo foi criado corretamente.
16.4 Exportando grande volume de dados
Assim como usamos a função fread() do pacote data.table para proceder a importação de arquivos
grandes, vamos utilizar a função correspondente para a escrita de dados, também do pacote data.table() e
de nome fwrite() .
A função fwrite() é absurdamente rápida na escrita de dados. Segundo a própria documentação do pacote,
a função fwrite() consegue executar em apenas 2 segundos o que a função write.csv() (do pacote
básico do R) faz em 1 minuto. Além disso, a fwrite() é bastante flexível, podendo exportar em TXT ou CSV,
como podemos ver através dos seus argumentos.
library(data.table)
fwrite(x, file = "", append = FALSE, quote = "auto",
sep = ",", sep2 = c("","|",""),
eol = if (.Platform$OS.type=="windows") "\r\n" else "\n",
na = "", dec = ".", row.names = FALSE, col.names = TRUE,
qmethod = c("double","escape"),
logicalAsInt = FALSE, dateTimeAs = c("ISO","squash","epoch","write.csv"),
buffMB = 8L, nThread = getDTthreads(),
showProgress = getOption("datatable.showProgress"),
verbose = getOption("datatable.verbose"))
Como exercício, exporte alguns dos objetos usados nos exemplos anteriores com a função fwrite() .
16.5 Salvando objetos do R (Rds e RData)
Nessa seção, vamos conhecer os formatos de arquivo nativos do R: .Rds e .Rdata. Esses formatos são
bastante usados para salvar objetos do R de forma eficiente, uma vez que possuem foco em velocidade e
compressão. Para nossos exemplos, utilizaremos o objeto nassCDS , integrante do pacote DAAG . Trata-se de
um data frame com 26.217 observações e 15 variáveis.
Vamos salvar nosso objeto no formato .RData utilizando a função save() (Pacote básico do R) e definir o
nome do arquivo como exportado_06.RData. Basta fazer:
save(nassCDS, file = "exportado_06.RData")
Ao verificar o arquivo exportado, podemos verificar que o mesmo ocupa apenas 326KB. Apenas para termos
uma ideia do poder de compressão, o mesmo arquivo exportado em CSV ocupa 2,3MB, ou seja, mais de sete
vezes o tamanho do arquivo RData!
 NOTA: Se você deseja salvar todo o seu ambiente de trabalho em .RData, utilize
a função save.image() . Leia a ajuda da mesma para aprender o funcionamento.

17 GRÁFICOS BÁSICOS
Os pacotes gráficos do R são bastante poderosos, como o lattice , ggvis e ggplot2 (apenas para citar
Arquivo exportado no formato RData
alguns dos mais conhecidos). Há uma infinidade de pacotes no CRAN que podemos usar para plotar gráficos
Para carregar o arquivo salvo em RData, usamos a função load() . Ao utilizar essa função, o R irá carregar o mais complexos. Seguem alguns exemplos.
objeto no ambiente global com o mesmo nome que possuía quando foi salvo. Logo, se ao exportar o objeto
possuía nome x1 , ao ser importado ele terá o mesmo nome. Se não for utilizado corretamente, poderá haver
a substituição de objeto já existente no ambiente global.

NOTA: O segundo argumento da função save() não é o nome do arquivo.

Portanto, não esqueça de usar file = .

Com a função save() , podemos salvar diversos objetos ao mesmo tempo em um único arquivo .RData.

Execute o código a seguir e depois use a função load para carregar os objetos salvos.

k1 <- 30
k2 <- 32

save(k1, k2, file = "teste.RData")

rm(k1, k2) #Remove as variáveis antes do carregamento

load("teste.RData")

Uma das vantagens de salvarmos um objeto em Rds é exatamente a possibilidade de alteração do nome do
objeto no carregamento. Para salvar um objeto em .Rds, usamos a função saveRDS() . Como exemplo,
vamos criar um objeto k3 e salvá-lo em .Rds. Após isso, vamos removê-lo do nosso ambiente.

k3 <- 1:100

saveRDS(k3, file = "objeto_k3.Rds" ) No entanto, visando o objetivo do nosso curso, iremos trabalhar apenas com os gráficos básicos do R, ou
rm(k3) seja, aqueles gerados com funções carregadas por default.

Para leitura de arquivos .Rds, usamos a função readRDS() . Veja que, para termos nosso objeto no ambiente
global, devemos obrigatoriamente atribuí-lo a uma variável. Ao invés de k3 , nosso objeto agora se chamará
w3 .
w3 <- readRDS("objeto_k3.Rds")
Com isso, concluimos que, se você está salvando dados que podem ser utilizados por outras pessoas, salve
seus arquivos preferencialmente em formato .Rds. Isso evitará possíveis conflitos com nomes de objetos já
criados.
A leitura de arquivos, tanto em .RData como em .Rds, é extremamente rápida, o que torna tais formatos
bastante populares entre usuários do R.
17.1 Gráfico de dispersão
O primeiro gráfico que iremos aprender a plotar no R é o gráfico de dispersão. Esses gráficos geralmente
possuem bastante utilidade quando queremos visualizar a relação entre duas variáveis. Através de um gráfico
de dispersão podemos verificar rapidamente se há suspeitas de forte correlação entre as variáveis testadas.
Para nossos exemplos, continuaremos a utilizar dados do pacote DAAG .
Para nosso primeiro gráfico, utilizaremos dados do objeto ais . Esses dados são referentes a características
de atletas australianos e possuem variáveis sobre o sangue, peso, massa corporal e etc. No nosso exemplo,
definiremos alguns argumentos como título do gráfico, título do eixo x, título do eixo y, cor, forma e tamanho
dos pontos.
Vamos plotar a variável wt (peso em Kg) contra a variável ht (altura em cm) do nosso objeto ais .
 Códigos dos pontos usados em gráficos
plot(ais$wt, ais$ht, main = "Peso x Altura",
xlab = "Peso (Kg)", ylab = "Altura (cm)", col = "red", pch = 16, Vamos agora, utilizando os mesmos dados, incrementar um pouco mais o nosso gráfico. Vamos fazer com
cex = 1.1) que os pontos sejam diferentes de acordo com o sexo do atleta. Adicionalmente, vamos inserir uma legenda
no gráfico com a função legend() ; duas linhas com a função abline() e um grid com a função grid() .
Leia o código e verifique o que cada função executou!

sexo_graf <- factor(ais$sex, levels = c("f", "m"), labels = c("feminino", "masculino"))

plot(ais$wt, ais$ht, pch = as.integer(sexo_graf), main = "Peso x Altura",

xlab = "Peso (Kg)", ylab = "Altura (cm)", col = sexo_graf
)
legend(105, 165, legend = as.character(levels(sexo_graf)),
pch = 1:length(levels(sexo_graf)),
col = c("black", "red")
)
abline(h = 200, v = 100, lty = 2)
grid()

Descrição de alguns argumentos gráficos

Descrição Argumento

Título do gráfico main =

Título do eixo x xlab =

Título do eixo y ylab =

Altera a cor dos pontos col =

Altera o tipo de ponto do gráfico pch =

Altera o tamanho do ponto e textos do gráfico cex =

Como exercício plote um gráfico de dispersão entre a variável wt e pcBfat, ambas do objeto ais . O gráfico
Podemos alterar os símbolos dos pontos através do argumento pch . Cada código corresponde a um
deve ter as seguintes características:
determinado símbolo, que são utilizados muitas vezes para diferenciar categorias de variáveis.
a. O título deve ser: Peso x Percentual de Gordura;
b. O título do eixo x deve ser: Peso;
c. O título do eixo y deve ser: Percentual de Gordura;
d. A cor dos pontos deve ser darkgreen;
e. O símbolo dos pontos deve ter o código igual a 4 ( pch = 4 );
f. O gráfico deve possuir um grid;
g. O gráfico deve possuir uma linha pontilhada ( lty = 2 ) horizontal correspondente ao valor 32 do eixo y.
O resultado final deve ser o seguinte:

Descrição de alguns argumentos gráficos utilizados

17.2 Gráfico de barras Descrição Argumento

Título do gráfico main =

Passamos agora para o gráfico em barras, bastante utilizados com variáveis categóricas. Para construirmos
um gráfico em barras vamos utilizar a função barplot() . Título do eixo x xlab =

Continuaremos a utilizar os dados do objeto ais em nossos exemplos. A variável sport do objeto possui Título do eixo y ylab =
informações sobre as modalidades esportivas de cada um dos atletas. Vamos construir um gráfico de barras
Altera a cor das barras col =
para apresentar o número de atletas em cada um dos esportes. Para isso, vamos manipular os nossos dados
para que possamos obter a quantidade de atletas em cada esporte (usaremos o pacote dplyr ) e Altera o tamanho dos nomes das barras cex.names =
guardaremos o resultado em um objeto chamado esportes.
Altera os nomes das barras names.arg =
Após isso, plotaremos o nosso gráfico informando a variável quantidade do nosso objeto esportes, uma vez
que a função barplot necessita de um vetor ou uma matriz informando as alturas (quantidades) de cada um Define o intervalo do eixo y ylim =
dos esportes. Informaremos argumentos adicionais na função, os quais serão comentados a seguir.
Como exercício, tente plotar novamente o gráfico adicionando os seguintes argumentos: las = 2 ,
esportes <- ais %>% density = 25 , angle = 45 , col = #556B2F .
group_by(sport) %>%
summarise(qnt = n())
NOTA: Você pode alterar as cores dos gráficos através dos códigos Hex de cada
barplot(esportes$qnt, main = "Esportes dos atletas", cor. A cor vermelha possui código Hex #FF0000, por exemplo. Há uma infinidade
xlab = "Esportes", ylab = "Quantidade", ylim = c(0,40), de sites com os códigos de cada uma das cores na internet.
names.arg = esportes$sport, cex.names = 0.7, col = "lightblue")

17.3 Histograma
Para construirmos histogramas no R o procedimento é igualmente simples aos gráficos que vimos até aqui.
Assim como nos outros tipos de gráficos, adicionaremos alguns argumentos para deixar nosso gráfico mais
elegante. Vamos criar nosso gráfico com a variável pcBfat do objeto ais (pacote DAAG). A função que
iremos utilizar é a hist() do pacote básico graphics.
hist(ais$pcBfat, main = "Histograma do percentual de gordura dos atletas",
xlab = "Percentual de gordura", ylab = "Frequência", breaks = seq(5, 40, 2.5),
density = 30, angle = 45, col = "gray", labels = TRUE, ylim = c(0,50))
Um argumento bastante importante da função hist() é o breaks = . Com ele podemos definir o tamanho de
cada intervalo do histograma. No exemplo acima, usamos uma sequência de 5 a 40 com intervalos de 2.5
( breaks = seq(5, 40, 2.5) ). Você pode experimentar outros intervalos para ver como o gráfico se comporta.
Para o preenchimento das barras, foram utilizados os argumentos
density = 30, angle = 45, col = "gray" , isso fez com que o preencimentos fossem feitos com linhas
cinzas, em ângulos de 45 graus, e com densidade igual a 30. Caso você aumente a densidade, as linhas
ficarão mais próximas.
Como exercício, crie um histograma da variável lmb (massa corporal magra), também do objeto ais . Plote o
histograma sem argumentos além dos dados hist(ais$lbm) e depois faça os ajustes para melhoria da
aparência.
17.4 Gráficos de linhas
Os gráficos de linhas são muito utilizados para séries temporais como, por exemplo, o preço de uma ação em
um determinado período de tempo. Para construir nosso gráfico de linhas, usaremos o data frame de nome
SP500W90 , integrante do pacote DAAG . Não é demais lembrar que, para acessar o objeto, você deve carregar
o pacote citado.
Para construção do gráfico de linhas, vamos informar os valores do eixo x, que serão os dias e os valores do
eixo y, que será o valor do índice do respectivo dia. O argumento type = "l" informa que desejamos um
gráfico de linhas. Vamos plotar nosso gráfico e fazer alguns comentários sobre os argumentos e funções que
utilizamos.
plot(SP500W90$day, SP500W90$closing, type = "l",
main = "Índice S&P 500 - 100 dias de 1990",
xlab = "Dias", ylab = "Valor", col = "red", lwd = 1.5, axes = FALSE)
abline(h = 345, lty = 2)
axis(1, seq(0, 150, 5))
axis(2, seq(320, 360, 5))
Vários dos argumentos utilizados no gráfico acima já foram vistos nos gráficos anteriores. Nesse exemplo,
optamos por não plotar os eixos com a função plot() . Para isso, usamos o argumento axes = FALSE . Uma
vez sem os eixos, usamos a função axis() duas vezes, a primeira para inserir o eixo x e a segunda para
inserir o eixo y. Essas modificações, que podem também ser realizadas em outros tipos de gráficos, são
importantes quando queremos detalhar mais as nossas escalas.
Como exercício, tente alterar os parâmetros do gráfico ou aplicar em outro conjunto de dados.
17.5 Boxplot
Os boxplots2 são gráficos de grande importância para nos dar uma ideia de posição, dispersão, assimetria,
causas e valores atípicos (outliers). Usaremos a função boxplot() para construir o nosso gráfico.
Em relação aos dados, voltaremos a utilizar os do objeto ais (pacote DAAG ). Iremos construir um boxplot da
variável wt (peso) para cada um dos esportes.
 boxplot(wt ~ sport, data = ais, main = "Boxplot dos pesos dos atletas",
xlab = "Esportes", ylab = "Peso", las = 2, col = "gray85", cex.axis = 0.8)
Os pontos presentes nos boxplots dos esportes Netball, Row e T_Sprnt são os valores atípicos.
Nesse ponto é importante destacar que a função boxplot() pode receber uma fórmula, como o caso acima
( wt ~ sport ) ou os dados que desejamos ver a distribuição. Quando trabalhamos com uma fórmula no
argumento, necessariamente devemos definir o argumento data = , uma vez que este apontará para o objeto
que contém as variáveis da fórmula.
Poderíamos plotar um boxplot com apenas uma variável. Veja o exemplo usando a variável pcBfat do data
frame ais .
boxplot(ais$pcBfat, main = "Boxplot do percentual de gordura",
ylab = "Percentual de gordura corporal", las = 2, col = "#ff9999", cex.axis = 0.8)
Como exercício, plote a variável rcc por sexo (variável sex) dos atletas.
17.6 Gráfico de pizza
Os gráficos de pizza normalmente são utilizados quando queremos demonstrar a representatividade de cada
categoria de determinada variável na formação do total. Para o nosso exemplo, usaremos o data frame
construído a partir do objeto ais , conforme foi demonstrado no item sobre gráficos de barras.
esportes <- ais %>%
group_by(sport) %>%
summarise(qnt = n())
Dessa forma, teremos o quantitativo de atletas por esportes. Utilizando a função pie , vamos definir as
quantidades para gerar as “fatias” do gráfico e em seguida, através do argumento labels = , informar as
etiquetas do gráfico.
pie(esportes$qnt, labels = esportes$sport, main = "Esportes",
col = heat.colors(10, alpha = 0.6))
 Cotton, R. 2013. Learning R: A Step-by-Step Function Guide to Data Analysis. O’Reilly Media.
https://books.google.com.br/books?id=7dyzAAAAQBAJ (https://books.google.com.br/books?
id=7dyzAAAAQBAJ).

Gardener, M. 2012. The Essential R Reference. Wiley. https://books.google.com.br/books?id=xvF6hZ0T9ocC

(https://books.google.com.br/books?id=xvF6hZ0T9ocC).

Teetor, P. 2011a. 25 Recipes for Getting Started with R: Excerpts from the R Cookbook. O’Reilly Media.
https://books.google.com.br/books?id=cQy-1yvvq-UC (https://books.google.com.br/books?id=cQy-1yvvq-UC).

———. 2011b. R Cookbook: Proven Recipes for Data Analysis, Statistics, and Graphics. O’Reilly Media.
https://books.google.com.br/books?id=KIHuSXyhawEC (https://books.google.com.br/books?
id=KIHuSXyhawEC).

Wickham, H., and G. Grolemund. 2016. R for Data Science: Import, Tidy, Transform, Visualize, and Model
Data. O’Reilly Media. https://books.google.com.br/books?id=I6y3DQAAQBAJ
(https://books.google.com.br/books?id=I6y3DQAAQBAJ).

1. Caso não o tenha instalado, instale.↩

2. Alguns autores utilizam o termo “caixa-de-bigodes” para se referirem a esse tipo de gráfico.↩

No exemplo, usamos a função heat.colors() para construção da paleta de cores. As cores das fatias
podem ser definidas com um vetor de caracteres com os nomes ou com os códigos Hex das mesmas.

NOTA: Há pacotes específicos para geração de paletas de cores. Um desses é o

RColorBrewer . Pesquise e descubra o que melhor atende às suas necessidades.

O gráfico básico de pizza do R não são tão práticos como alguns outros vistos até aqui, mas atendem às
tarefas básicas mais comuns. Há uma série de formas de customizá-los, o que não será apresentado no
presente curso.

18 EXPLORANDO BASES DE DADOS

PÚBLICAS
Há diversos órgãos públicos que já disponibilizam, nos mais diversos formatos, suas bases de dados. O
Governo Federal do Brasil disponibiliza através do Portal de Dados Abertos (www.dados.gov.br) milhares de
bases de dados públicas. No âmbito do Tribunal de Contas do Estado da Paraíba, os dados abertos são
disponibilizados em seu próprio portal eletrônico e traz dados sobre as administrações municipais e estadual.

Durante o decorrer do nosso curso, escolheremos algumas dessas bases para realizar operações com o R
em sala de aula.

REFERÊNCIAS
Adler, J. 2012. R in a Nutshell: A Desktop Quick Reference. O’Reilly Media.
https://books.google.com.br/books?id=YK4Qb5x-hoIC (https://books.google.com.br/books?id=YK4Qb5x-hoIC).