Introdução ao

Universidade Federal do Delta do Parnaíba

André Vitor Pereira de Melo

5 de julho de 2024

Repositório

Para clonar o repositório que contém os materiais utilizados nos minicursos “Introdução ao R” e “Práticas no R” localmente, utilize o seguinte comando Git:

git clone https://github.com/drewmelo/introducao-R.git

I - Introdução Geral

O que é a linguagem R?

  • Linguagem Estatística e Computacional;
    • R é uma linguagem de programação orientada a objetos projetada para análise estatística e computacional de dados.
  • Flexibilidade e Aplicações;
    • Oferece flexibilidade, principalmente funcional, para realizar manipulações de grandes volumes de dados, sendo útil na era do big data.
  • Tipagem Fraca.
    • Permite operações entre diferentes tipos de dados sem a necessidade explícita de conversão.

Por que usar o R?

  • Visualização e Análise de Dados;
    • Esta linguagem facilita a criação de gráficos e visualizações de dados detalhados, essenciais para explorar padrões e comunicar resultados de forma clara.
  • Open-source.
    • Por ser um software de código aberto, possui uma comunidade ativa que desenvolve e compartilha pacotes, permitindo uma vasta gama de aplicações e suporte colaborativo.

O que é o RStudio?

  • Ambiente de Desenvolvimento Integrado (IDE);
    • RStudio é um ambiente de desenvolvimento integrado projetado especificamente para trabalhar com a linguagem R.
  • Suas vantagens.
    • Facilita o desenvolvimento e análise de código R com recursos como edição de scripts, gerenciamento de projetos e depuração integrada.

Passos da instalação

Visite CRAN - The Comprehensive R Archive Network e baixe a linguagem, através de um arquivo executável, para seu sistema operacional;

Visite RStudio Desktop e baixe o instalador para seu sistema operacional;

Siga as instruções fornecidas nos instaladores para completar o processo de instalação.


RStudio Cloud

Visite a Posit Cloud para acessar e utilizar o RStudio sem a necessidade de instalação local;

Necessário realizar login (através de uma conta Google, Github, entre outros) para acessar o RStudio Cloud.

Definição de Diretório

Primeiramente, através da função getwd(), podemos verificar o diretório de trabalho atual.

getwd()

Também podemos utilizar setwd() para definir um novo diretório de trabalho.

setwd("/Faculdade/Rstudio/Minicursos/Introdução ao R/introducao-r/")

E listando os arquivos no diretório de trabalho atual, temos:

list.files()

Pacotes

Os pacotes no R são coleções de funções e conjuntos de dados desenvolvidos pela comunidade.

# Instalando o pacote
install.packages("tidyverse", dependencies = TRUE)

# Ativando o pacote
library(tidyverse)

E para descarregar ou remover pacotes:

# Desativar pacotes
detach("tidyverse")

# Desinstalar pacotes
remove.packages("pacotes")

Um pouco sobre tidyverse

Um pouco sobre tidyverse

O tidyverse oferece uma alternativa aos métodos base do R para análise de dados em dados organizados de forma “arrumada” (tidy data).

library(tidyverse)
── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr     1.1.4     ✔ readr     2.1.5
✔ forcats   1.0.0     ✔ stringr   1.5.1
✔ ggplot2   3.5.1     ✔ tibble    3.2.1
✔ lubridate 1.9.3     ✔ tidyr     1.3.1
✔ purrr     1.0.2     
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag()    masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

Operador pipe

O operador pipe no R é uma ferramenta poderosa para encadear operações e facilitar a leitura e escrita de código. Existem dois operadores de pipe comuns:

  • Operador %>% (pipe do pacote magrittr)
    • O operador %>% é usado para encadear funções, passando o resultado de uma função como argumento para a próxima função.
  • Operador |> (pipe do pacote base)
    • Introduzido no R 4.1.0, o operador pipe nativo |> é uma alternativa ao operador do magrittr, oferencendo uma maneira semelhante de encadear operações.

R como calculadora

A linguagem R nos permite realizar cálculos simples e complexos, fornecendo operações aritméticas como adição, subtração, multiplicação, divisão e outras operações matemáticas.

# Operações Combinadas
(5 + 3) * 2 - 4 / 2
[1] 14
  • Potência
2^3
[1] 8

R como calculadora

  • Módulo
10 %% 3
[1] 1
  • Divisão inteira
10 %/% 3
[1] 3
  • Raiz Quadrada
sqrt(16)
[1] 4

II - Estrutura de Dados

Tipos de estruturas de dados

Na linguagem R, há várias estruturas de dados fundamentais que são usadas para armazenar e manipular informações de maneiras específicas.

  • Vetores: Unidimensionais;
  • Matrizes: Bidimensionais;
  • Data Frames: Bidimensionais;
  • Arrays: Multidimensionais;
  • Listas: Flexíveis.

Tipos de estruturas de dados

O que são vetores?

Um vetor é uma estrutura de dados que contém elementos do mesmo tipo. Pode ser numérico, de caracteres, lógico, etc.

# Vetor numérico (inteiro)
a <- c(1:5)

# Vetor de caracteres
b <- c("a", "b", "c", "d", "e")

# Vetor lógico
c <- c(T, T, F, F, T)

# Vetor númerico (números reais)
d <- c(1.12, 2.32, 3.41, 4.03, 5.98)

Principais classes de dados

  • numeric;
  • integer;
  • character;
  • logical;
  • complex;
  • raw;
  • list.

Quando se mistura diferentes tipos de dados em uma operação, o R usa uma hierarquia de coerção para determinar como converter estes dados.

logical ➡ integer ➡ numeric ➡ complex ➡ character

Por exemplo, pode-se utilizar class para verificar a classe dos dados.

class(a)
[1] "integer"
class(b)
[1] "character"
class(c)
[1] "logical"
class(d)
[1] "numeric"

Conversão de classes de dados

Também podemos converter objetos (ou vetores) de uma classe para outra. Utilizaremos o exemplo do objeto c que está como logical, para numeric.

c2 <- as.numeric(c)

c2
[1] 1 1 0 0 1

Ou, neste caso, podemos tornar o objeto a, naturalmente definido como numeric, em character.

a2 <- as.character(a)

a2
[1] "1" "2" "3" "4" "5"
  • Funções de coerção
    • Além de as.numeric() e as.character(), existem também as.integer(), as.factor(), as.complex(), entre outras.

Principais tipos de dados

  • double;
  • integer;
  • character;
  • logical;
  • complex;
  • raw;
  • list;
  • NULL;
  • closure.

Com a função typeof podemos visualizar a classe de cada vetor.

typeof(a)
[1] "integer"
typeof(b)
[1] "character"
typeof(c)
[1] "logical"
typeof(d)
[1] "double"

O que são data frames?

Os data frames são estruturas de dados fundamentais no R, muito utilizadas para armazenar conjuntos de dados tabulares, onde as colunas podem conter diferentes tipos de classes (numéricos, caracteres, lógicos, etc.).

  • Quanto a sua estrutura, temos:
    • Nome das Colunas (variáveis): Cada coluna em um data frame tem um nome que a identifica, representando seus respectivos atributos;
    • Rótulos de Linhas (observações): As linhas podem ser rotuladas para identificar cada observação de maneira única ou significativa.

O que são data frames?

Criando data frames

Podemos combinar os objetos a, b, c e d em um data frame.

base <- data.frame(
  a = a, b = b, c = c, d = d
)

base
  a b     c    d
1 1 a  TRUE 1.12
2 2 b  TRUE 2.32
3 3 c FALSE 3.41
4 4 d FALSE 4.03
5 5 e  TRUE 5.98

Criando data frames

Ou podemos criar um novo, conforme o código abaixo:

df <- data.frame(
  nome = c("Darth Vader", "Luke Skywalker", "Leia Organa", "Obi-Wan Kenobi"),
  altura = c(202, 172, 150, 182),
  massa = c(136, 77, 49, 77),
  genero = c("Masculino", "Masculino", "Feminino", "Masculino")
)

df
            nome altura massa    genero
1    Darth Vader    202   136 Masculino
2 Luke Skywalker    172    77 Masculino
3    Leia Organa    150    49  Feminino
4 Obi-Wan Kenobi    182    77 Masculino

Data frames modernizados

Tibbles são data frames modernizados, introduzidos pelo pacote tibble no tidyverse. Eles foram projetados para corrigir algumas das limitações dos data frames tradicionais e para melhorar a usabilidade.

dados <- tibble::as_tibble(df)

dados
# A tibble: 4 × 4
  nome           altura massa genero   
  <chr>           <dbl> <dbl> <chr>    
1 Darth Vader       202   136 Masculino
2 Luke Skywalker    172    77 Masculino
3 Leia Organa       150    49 Feminino 
4 Obi-Wan Kenobi    182    77 Masculino

Operações em data frames

Agora, iremos categorizar a coluna altura de dados em Muito Alto, Alto, Médio e Baixo.

porte <- c("Muito Alto", "Médio", "Baixo", "Alto")

Em seguida, tornaremos o objeto porte em fator:

porte_level <- factor(porte, levels = c("Baixo", "Médio", "Alto", "Muito Alto"),
                labels = c("Baixo", "Médio", "Alto", "Muito Alto"),
                ordered = T)

Adicionando o novo vetor criado aos dados.

dados$porte <- porte_level

dados
# A tibble: 4 × 5
  nome           altura massa genero    porte     
  <chr>           <dbl> <dbl> <chr>     <ord>     
1 Darth Vader       202   136 Masculino Muito Alto
2 Luke Skywalker    172    77 Masculino Médio     
3 Leia Organa       150    49 Feminino  Baixo     
4 Obi-Wan Kenobi    182    77 Masculino Alto

Operações em data frames

Para testarmos, podemos ordenar os dados com base na nova coluna criada, através do pacote dplyr.

dados |>
  dplyr::arrange(desc(porte))
# A tibble: 4 × 5
  nome           altura massa genero    porte     
  <chr>           <dbl> <dbl> <chr>     <ord>     
1 Darth Vader       202   136 Masculino Muito Alto
2 Obi-Wan Kenobi    182    77 Masculino Alto      
3 Luke Skywalker    172    77 Masculino Médio     
4 Leia Organa       150    49 Feminino  Baixo

Dados nativos do R

O R vem com vários conjuntos de data frames nativos, que estão disponíveis para uso imediato. Esses conjuntos de dados são fornecidos principalmente pelo pacote datasets, que é carregado automaticamente quando você inicia uma sessão R.

Você pode listar todos os conjuntos de dados disponíveis no pacote datasets usando a função data().

data(package = "datasets")
  • Principais conjuntos de dados:
    • airquality
    • mtcars
    • cars
    • iris

Criando listas

Uma lista é uma coleção ordenada de elementos que podem ser de diferentes tipos. Diferente de vetores, que só podem conter elementos de um único tipo, listas podem armazenar números, caracteres, vetores, outras listas e até funções.

lista <- list(
            dados,
            hobbies = c("Leitura", "Esportes", "Música"),
            matriz = matrix(1:9, nrow = 3, dimnames = list(c('A', 'B', 'C'),
                                                           c('A', 'B', 'C'))),
            matriz_empilhada = array(c(1:12), dim = c(2, 3, 2)),
            cars = head(cars, 5),
            mtcars = head(mtcars, 5)
          )

Criando listas

Dessa forma, a lista criada estará nesse formato:

Exportação de dados

Exportar dados é uma tarefa comum no R, especialmente quando se deseja salvar resultados de análises ou compartilhar informações com outros usuários.

1. Exportando para CSV

write.csv(dados, file = "dados/dados.csv", row.names = FALSE)

2. Exportando para Excel (xlsx)

# Ativando pacote
library(openxlsx) # Necessário instalar

write.xlsx(dados, file = "dados/dados.xlsx", rowNames = FALSE)

3. Exportando para Texto (txt)

write.table(dados, file = "dados/dados.txt", sep = "\t", row.names = FALSE)

Importação de dados

Neste caso, ao importar dados no R, estaremos carregando conjuntos de dados externos para análise, manipulação e visualização.

1. Importando para CSV

readr::read_csv(file = "dados/dados.csv")

2. Importando para Excel (xlsx)

# Ativando o pacote
library(readxl) # Necessário instalar

readxl::read_excel(path = "dados/dados.xlsx")

3. Importando para Texto (txt)

read.table(file = "dados/dados.txt", header = TRUE, sep = "\t")

Exercício de Fixação 1

Considere os seguintes vetores em R, modificados para incluir uma mistura de diferentes tipos de valores. Para cada vetor, determine qual é a classe predominante dos dados:

  • Vetor A
A <- c(TRUE, 10, 3.4, 6, 1L)
[1] "numeric"
  • Vetor B
B <- c(0, 1, 1, 0, 0)
[1] "numeric"
  • Vetor C
C <- c(NA, 8L, F, "a", 2i)
[1] "character"

III - Estrutura de Condição e Repetição

Operadores lógicos

As operações lógicas (ou booleanas), utilizadas para retornar valores TRUE ou FALSE, são fundamentais para controle de fluxo, filtragem de dados, e muitos outros aspectos da programação em R.

  • Principais Operadores Lógicos:
    • AND (& e &&);
    • OR (| e ||);
    • NOT (!).

Operadores lógicos

  • Operadores Relacionais:
    • Igual a (==);
    • Diferente de (!=);
    • Maior que (>);
    • Menor que (<);
    • Maior ou igual a (>=);
    • Menor ou igual a (<=);
    • Pertence a (%in%).

Estrutura condicional

O if é uma estrutura condicional que permite executar um bloco de código se uma condição for verdadeira. O else é opcional e permite executar um bloco de código alternativo se a condição do if for falsa.

if/else/else if

O if…else permite criar dois blocos de código:

x <- 10

if(x > 0){
  print("Número não negativo")
} else {
  print("Número negativo")
}

Use o else if para testar várias condições em sequência.

x <- 0

if (x > 0) {
  print("x é um número positivo")
} else if (x < 0) {
  print("x é um número negativo")
} else {
  print("x é zero")
}

Uso de operadores lógicos em condicionais

Os operadores lógicos são amplamente usados em estruturas condicionais, como if, else e while.

# Usando operadores lógicos em condicionais
x <- 10
y <- 5

# Condicional if
if (x > y && y > 0) {
  print("x é maior que y e y é positivo")
}

# Condicional if-else
if (x < y || y < 0) {
  print("x é menor que y ou y é negativo")
} else {
  print("Nenhuma das condições foi satisfeita")
}

Loop

Estruturas de repetição, ou loops, são fundamentais na programação para executar um bloco de código várias vezes.

  • Estrutura for
for (i in 1:5) {
  print(i)
}
[1] 1
[1] 2
[1] 3
[1] 4
[1] 5

Loop

  • Estrutura while
# Inicializando uma variável
contador <- 1

# Loop while para iterar até que a condição seja falsa
while (contador <= 5) {
  print(contador)
  contador <- contador + 1
}
[1] 1
[1] 2
[1] 3
[1] 4
[1] 5

Loop

  • Estrutura repeat
# Inicializando uma variável
contador <- 1

# Loop repeat
repeat {
  print(contador)
  contador <- contador + 1
  if (contador > 5) {
    break
  }
}
[1] 1
[1] 2
[1] 3
[1] 4
[1] 5

Condições vetorizadas

O ifelse é uma função fundamental no R que permite aplicar condições de forma vetorizada, ou seja, para cada elemento de um vetor, aplica-se uma decisão baseada em uma condição lógica.

x <- factor(sample(letters[1:5], 10, replace = TRUE))

y <- ifelse(x %in% c("a", "b", "c"), x, NA)

y
 [1] NA  3  1 NA NA  1 NA NA  2  1

Tem-se o if_else do pacote dplyr como alternativa ao ifelse do pacote base do R.

y2 <- if_else(x %in% c("a", "b", "c"), x, NA)

y2
 [1] <NA> c    a    <NA> <NA> a    <NA> <NA> b    a   
Levels: a b c d e

Diferenças entre ifelse e if_else

  • ifelse
    • Funciona bem para vetores simples, mas pode causar problemas de coerção de tipos e eficiência em grandes conjuntos de dados ou quando esses tipos são mistos, como mostrado no primeiro exemplo.
  • if_else
    • É mais seguro para uso em data frames, mantendo a coerência dos tipos de dados e evitando problemas de coerção, como mostrado no segundo exemplo.

IV - Funções

O que são funções?

Uma função é um conjunto de instruções que recebe entradas (argumentos), realiza operações específicas e retorna uma saída (valor de retorno).

Funções com condicionais

A seguir, iremos criar uma função em R para calcular o Índice de Massa Corporal (IMC) e determinar a faixa de peso (abaixo do peso, peso normal, ou acima do peso) utilizando estruturas condicionais (if, else if, else).

O IMC é calculado pela fórmula:

\[ \text{IMC} = \frac{\text{peso}}{\text{altura}^2} \]

Neste caso, \(peso\) é o peso da pessoa em quilogramas, e \(altura\) é a altura em metros.

Funções com condicionais

Definindo a Função calculo_imc:

calculo_imc <- function(peso, altura) {
  # Verifica se peso ou altura são NA
  if (is.na(peso) | is.na(altura)) {
    return(NA)
  }
  # Calcula o IMC
  imc <- peso / (altura^2)
  # Avalia o IMC e retorna a faixa de peso correspondente
  if (imc < 18.5) {
    return("Abaixo do peso")
  } else if (imc < 25) {
    return("Peso normal")
  } else {
    return("Acima do peso")
  }
}

Funções com condicionais

E então, podemos utilizá-la com base nos valores dos vetores altura e peso.

# Definindo o peso e a altura
peso <- 70
altura <- 1.68

# Calculando o IMC
imc <- calculo_imc(peso, altura)

imc
[1] "Peso normal"

Como aplicar funções aos dados?

Primeiramente, iremos instalar o pacote dados, que oferece uma versão traduzida dos conjuntos de dados listados, facilitando o acesso e a compreensão para usuários que preferem ou necessitam de informações em português.

# Instalar e carregar o pacote dados (se ainda não estiver instalado)
install.packages("dados")

library(dados)
# Armazenando dados_stars
dados <- dados::dados_starwars |> 
          dplyr::select(1:5) 
# A tibble: 5 × 5
  nome           altura massa cor_do_cabelo cor_da_pele 
  <chr>           <int> <dbl> <chr>         <chr>       
1 Luke Skywalker    172    77 Loiro         Branca clara
2 C-3PO             167    75 <NA>          Ouro        
3 R2-D2              96    32 <NA>          Branca, Azul
4 Darth Vader       202   136 Nenhum        Branca      
5 Leia Organa       150    49 Castanho      Clara

Como aplicar funções aos dados?

Neste caso, aplicaremos a função calculo_imc ao conjunto dados_starwars. Porém, será necessário tornar a altura dos personagens, que está em centímetros, em metros.

dados$altura <- dados$altura / 100

Vamos usar mapply para aplicar a função calculo_imc as colunas de massa e altura de dados.

dados$categoria_imc <- mapply(calculo_imc, dados$massa, dados$altura)
# A tibble: 5 × 6
  nome           altura massa cor_do_cabelo cor_da_pele  categoria_imc
  <chr>           <dbl> <dbl> <chr>         <chr>        <chr>        
1 Luke Skywalker   1.72    77 Loiro         Branca clara Acima do peso
2 C-3PO            1.67    75 <NA>          Ouro         Acima do peso
3 R2-D2            0.96    32 <NA>          Branca, Azul Acima do peso
4 Darth Vader      2.02   136 Nenhum        Branca       Acima do peso
5 Leia Organa      1.5     49 Castanho      Clara        Peso normal

V - Análise Estatística

Operações estatísticas

O R possui uma ampla gama de funções estatísticas, tais como média, mediana, variância, desvio padrão, e outros.

# Soma
sum(a)
[1] 15
# Média
mean(a)
[1] 3
# Mediana
median(a)
[1] 3
# Variância
var(a)
[1] 2.5
# Desvio padrão
sd(a)
[1] 1.581139

Operações estatísticas

# Quartis
quantile(a)
  0%  25%  50%  75% 100% 
   1    2    3    4    5 
# Produto
prod(a)
[1] 120
# Mínimo e máximo
min(a)
[1] 1
max(a)
[1] 5
# Intervalo 
range(a)
[1] 1 5

Resumo estatístico

O R possui uma função integrada chamada summary, que é usada para gerar um resumo estatístico básico de diferentes tipos de objetos, incluindo vetores, data frames e listas.

summary(dados)
     nome               altura          massa         cor_do_cabelo     
 Length:87          Min.   :0.660   Min.   :  15.00   Length:87         
 Class :character   1st Qu.:1.670   1st Qu.:  55.60   Class :character  
 Mode  :character   Median :1.800   Median :  79.00   Mode  :character  
                    Mean   :1.746   Mean   :  97.31                     
                    3rd Qu.:1.910   3rd Qu.:  84.50                     
                    Max.   :2.640   Max.   :1358.00                     
                    NA's   :6       NA's   :28                          
 cor_da_pele        categoria_imc     
 Length:87          Length:87         
 Class :character   Class :character  
 Mode  :character   Mode  :character

Histograma

As funções básicas do R também fornecem visualizações de distribuição das variáveis.

hist(mtcars$mpg, breaks = 10, col = "lightblue3", main = "Histograma de MPG", xlab = "MPG", ylab = "Frequência")

Boxplot

As funções básicas do R também fornecem visualizações de distribuição das variáveis.

boxplot(mtcars$mpg, main = "Boxplot de MPG", ylab = "MPG", col = "lightblue")

VI - Visualização de Dados

Introdução ao ggplot2

O ggplot2 é um dos pacotes mais populares para visualização de dados no R, criado por Hadley Wickham. Ele implementa a gramática de gráficos, permitindo a criação de visualizações complexas de forma intuitiva e flexível.

A gramática de gráficos (Grammar of Graphics) é um conceito que descreve e constrói gráficos através de componentes básicos.

Princípios básicos do ggplot2

  • Data:
    • O primeiro passo na construção de um gráfico é fornecer os dados.
  • Aesthetics (aes):
    • Especifica como os dados são mapeados visualmente
  • Geometries (geoms):
    • Define o tipo de gráfico a ser criado, como pontos, barras, linhas, caixas, etc.
  • Facets:
    • Permite dividir os dados em subgráficos baseados em uma ou mais variáveis.
  • Scales:
    • Controla a mapeamento das variáveis para as estéticas, incluindo eixos e legendas.
  • Themes:
    • Modifica a aparência geral do gráfico, como cores de fundo, fontes, etc.

Princípios básicos do ggplot2

Processo de camada (layers)

No ggplot2, é possível desenvolver gráficos camada por camada. Cada camada adiciona novos elementos ou modifica os existentes. A seguir, utilizaremos a base mtcars.

Camada de Dados e Aesthetics

p <- ggplot(data = mtcars, aes(x = wt, y = mpg))

Camada de Geometria

p <- p + geom_point()

Camada de Facets (Opcional)

p <- p + facet_wrap(~ cyl)

Camada de Facets (Opcional)

p <- p + scale_x_continuous(breaks = seq(0, 6, by = 1))

Camada de Themes (Opcional)

p <- p + theme_minimal()

ggsave

Para gráficos gerados com ggplot2, podemos salvá-los em formato png, jpeg e pdf. Neste caso, salvaremos nesses 3 formatos diretamente para a pasta figuras.

# Salvar em PNG
ggsave("figuras/figura1.png", plot = p, width = 6, height = 4, dpi = 300)

# Salvar em JPEG
ggsave("figuras/figura2.jpeg", plot = p, width = 6, height = 4)

# Salvar em PDF
ggsave("figuras/figura2.pdf", plot = p, width = 6, height = 4)

Referências

Wickham, H., Çetinkaya-Rundel, M., & Grolemund, G. (2023). R for data science. ” O’Reilly Media, Inc.”.

Wickham, H. (2016). ggplot2: Elegant Graphics for Data Analysis (2ª ed.). Springer Cham.

https://github.com/drewmelo/introducao-R