R é uma linguagem de programação orientada a objetos, criada para quem trabalha com análise de dados e estatística de forma estruturada.
Versátil e com ampla aplicação;
Oferece ferramentas que permitem lidar com grandes conjuntos de dados, o que é muito útil em contextos atuais que envolvem big data.
Tipagem fraca.
Permite operações entre diferentes tipos de dados sem a necessidade explícita de conversão.
Por que usar o R?
Exploração e visualização de dados;
A linguagem oferece recursos avançados para criar gráficos e visualizações que ajudam a entender melhor os dados e comunicar resultados de forma clara.
Open-source.
Por ser um software de código aberto, possui uma comunidade ativa que desenvolve e compartilha pacotes, por isso, o R dispõe de uma vasta gama de aplicações e suporte colaborativo.
O que é o RStudio?
Ambiente integrado para programar em R;
O RStudio é um espaço pensado principalmente para quem usa R, reunindo tudo o que é necessário para escrever, rodar e revisar códigos com mais organização.
Facilita o dia a dia com R.
Ele traz recursos como editor de scripts, gerenciador de projetos e ferramentas para depurar o código.
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.
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 - Estruturas e Manipulações 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 várias maneiras.
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.
autor revistas ano impacto
1 Ana A 2022 2.75
2 João B 2023 1.91
3 Gabriel C 2024 5.23
4 Ana B 2025 0.87
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
autor revistas ano impacto
<chr> <chr> <dbl> <dbl>
1 Ana A 2022 2.75
2 João B 2023 1.91
3 Gabriel C 2024 5.23
4 Ana B 2025 0.87
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, data frames e até mesmo outras listas.
Parte do tidyverse, o dplyr é um pacote do R que incorpora uma gramática para transformação de dados, ou seja, fornece funções (verbos) para fazer operações com tabelas (isto é, data frames ou tibbles);
Ele permite filtrar, selecionar, organizar, transformar e resumir dados de forma encadeada. E qual a finalidade disso? um código limpo.
Principais funções (verbos)
filter(): filtra linhas (condições)
select(): seleciona colunas
mutate(): cria/edita colunas
arrange(): ordena linhas
summarise() ou reframe(): resume dados
group_by(): agrupa dados para sumarização
Operadores lógicos
Operadores Relacionais:
Igual a (==);
Diferente de (!=);
Maior que (>);
Menor que (<);
Maior ou igual a (>=);
Menor ou igual a (<=);
Pertence a (%in%).
Também podemos utilizar operadores lógicos, tais como AND, OR e NOT, representados por &, | e !, respectivamente.
Utilizando dplyr na prática
Com os nossos dados, podemos filtrar artigos a partir de 2023, calcular a média de impacto por revista e ordenar do maior para o menor.
dados |>filter(ano >=2023) |>group_by(revistas) |>summarise(media_impacto =mean(impacto)) |>arrange(desc(media_impacto))
# A tibble: 2 × 2
revistas media_impacto
<chr> <dbl>
1 C 5.23
2 B 1.39
Exportação de dados
Exportar dados é uma tarefa comum no R quando se deseja salvar resultados de análises ou compartilhar informações com outros usuários.
Acesse o arquivo main.pdf, que está dentro da pasta atividade, localizada em “tecnicas-pesquisa-economia” no repositório monitorias-ufdpar, ou clique aqui para acessá-lo diretamente.
III - Bibliometria com o R
O que é bibliometria?
Bibliometria é um campo das áreas da biblioteconomia e da ciência da informação que emprega o estudo quantitativo da produção científica, através de métodos estatísticos e matemáticos para analisar publicações acadêmicas, como artigos, livros, teses e conferências.
Exemplos de estudos bibliométricos:
Contagem de publicações:Quantos artigos sobre “sustentabilidade” foram publicados entre 2010 e 2020?
Análise de citações: Qual é o artigo mais citado sobre Inteligência Artificial?
Análise de palavras-chave: Quais são os termos mais recorrentes nas pesquisas sobre Mudanças Climáticas?
E qual a sua contribuição?
Aplicação
Descrição
Mapeamento de áreas de conhecimento
Identificar tendências, tópicos emergentes ou temas em declínio em uma disciplina.
Análise de tendências científicas
Ver como um tema ganha ou perde relevância ao longo do tempo.
Avaliação de desempenho acadêmico
Avaliar a produtividade de autores, universidades ou países (por número de publicações, citações etc.).
Identificação de redes de colaboração
Descobrir grupos de pesquisa que atuam juntos (análise de coautoria).
Tomada de decisão em políticas científicas
Ajudar agências de fomento e universidades a definir prioridades de investimento em ciência.
Pacote Bibliometrix
Assim como o dplyr, mencionado anteriormente, o bibliometrix também é um pacote do R criado para realizar análises bibliométricas completas, desde a importação dos dados até a construção de gráficos e redes científicas.
Criado por Aria e Cuccurullo (2017), além de outros colaboradores a partir de 2017.
Objetivo: fornecer uma solução open-source para análise bibliométrica e de ciência da ciência (science mapping);
Na interface do biblioshiny (biblioshiny) > Load Data > Load Bibliometrix file(s) > Arquivo exportado em .xlsx
Exercício de Fixação II
Utilizando a palavra-chave “climate change” e “income inequality”, realize a atividade proposta a seguir.
Acesse uma das bases de dados disponíveis, Web of Science ou Scopus, por meio do Portal de Periódicos da CAPES. Após obter os resultados da pesquisa, exporte o conjunto de dados em formato Plaintext (.txt), caso utilize a Web of Science, ou em formato CSV (.csv), caso utilize a Scopus.
Após importar os dados para o R, utilize a função biblioAnalysis() para gerar uma análise bibliométrica exploratória básica. Em seguida, execute biblioshiny() para abrir a interface gráfica do bibliometrix.
Referências
ARIA, M.; CUCCURULLO, C. bibliometrix: An R-tool for comprehensive science mapping analysis. Journal of informetrics, [s. l.], v. 11, n. 4, p. 959–975, 2017.
CEBALLOS, M.; CARDIEL, N. Data structure. [S. l.]: In: First Steps in R, 2013.
STAUFFER, R.; CHIMIAK-OPOKA, J.; RODRÍGUEZ-R, L. M.; SIMON, T.; ZEILEIS, A. Introduction to Programming with R. [S. l.]: Digital Science Center, Universität Innsbruck, 2025. Disponível em: https://discdown.org/rprogramming/index.html.
