Na aula do dia 25/08/2023, vimos como carregar um pacote, ler um banco de dados e excluir conlunas.
OBS: Um asterisco antes e depois de um trecho faz com que ele fique em itálico. Já dois asteriscos, antes e depois de um trecho, faz com que ele fique em negrito.
# Lendo o pacote:
library(titanic)Warning: package 'titanic' was built under R version 4.2.3# atribuindo titanic_train para o objeto dados
dados <- titanic_train
# excluindo colunas
dados$PassengerId <- NULL
dados$Ticket <- NULL
dados$Cabin <- NULL
dados$Name <- NULLNa aula do dia 01/09/2023, aprendemos a ler um banco de dados externo.
library(readxl)Warning: package 'readxl' was built under R version 4.2.3dados_titanic <- read_excel("C:/Users/18304197731/Downloads/dados_titanic.xlsx")
dados_titanic$Nome<-NULL# Vendo a estrutura dos dados
str(dados_titanic)tibble [891 × 8] (S3: tbl_df/tbl/data.frame)
$ Sobreviveu : num [1:891] 0 1 1 1 0 0 0 0 1 1 ...
$ Classe : num [1:891] 3 1 3 1 3 3 1 3 3 2 ...
$ Sexo : chr [1:891] "male" "female" "female" "female" ...
$ Idade : num [1:891] 22 38 26 35 35 NA 54 2 27 14 ...
$ N_irmaos_conjuges: num [1:891] 1 1 0 1 0 0 0 3 0 1 ...
$ N_pais_filhos : num [1:891] 0 0 0 0 0 0 0 1 2 0 ...
$ Tarifa : num [1:891] 7.25 71.28 7.92 53.1 8.05 ...
$ Porto : chr [1:891] "S" "C" "S" "S" ...# Transformando para fator
dados_titanic$Sobreviveu<- as.factor(dados_titanic$Sobreviveu)
dados_titanic$Classe<-as.factor(dados_titanic$Classe)
dados_titanic$Porto<-as.factor(dados_titanic$Porto)
dados_titanic$Sexo<-as.factor(dados_titanic$Sexo)levels(dados_titanic$Sobreviveu)[1] "0" "1"levels(dados_titanic$Sobreviveu) <- c("Não", "Sim")
levels(dados_titanic$Classe)[1] "1" "2" "3"levels(dados_titanic$Classe)<- c("Primeira", "Segunda", "Terceira")
levels(dados_titanic$Sexo)[1] "female" "male" levels(dados_titanic$Sexo)<- c("Feminino", "Masculino")colnames(dados_titanic)[1] "Sobreviveu" "Classe" "Sexo"
[4] "Idade" "N_irmaos_conjuges" "N_pais_filhos"
[7] "Tarifa" "Porto" colnames(dados_titanic)[8] <- "Porto_de_Embarque"# substiruir {r} por {r, output=F} faz com que a saída do código não apareça no relatório, pois é muito grande.
dados_titanic$Faixa_Etaria<-cut(dados_titanic$Idade,c(0,18,65,200))
dados_titanic$Faixa_Etaria
dados_titanic$Faixa_Etaria
levels(dados_titanic$Faixa_Etaria)<-c("Até 18 anos", "Maior que 18 anos e até 65 anos", "Maior que 65 anos")Vamos trabalhar com a variável classe econômica. Vamos construir uma tabela de distribuição de frequências. Conclui-se que a maioria dos passageiros pertencia à terceira classe (55,1%) e a minoria à segunda classe (20,7%). Ver figura 1.
library(summarytools) #chamando o pacoteWarning: package 'summarytools' was built under R version 4.2.3freq(dados_titanic$Classe) #como queremos fazer uma tabela de distribuição de frequência, usamos a função "freq"Frequencies
dados_titanic$Classe
Type: Factor
Freq % Valid % Valid Cum. % Total % Total Cum.
-------------- ------ --------- -------------- --------- --------------
Primeira 216 24.24 24.24 24.24 24.24
Segunda 184 20.65 44.89 20.65 44.89
Terceira 491 55.11 100.00 55.11 100.00
<NA> 0 0.00 100.00
Total 891 100.00 100.00 100.00 100.00# % Valid= frequência relativa (porcentagem)
# % Valis cum.= frequencia relativa acumulada (soma das porcenagens)
# diferença entre % Valid e % Total: a % valid considera apenas as pessoas que tem informação; a % total considera os passageiros que não possuem informação (os N/A). Ou seja, só haverá diferença quando houver presença de N/A.# importante deixar o cursor dentro desse chuck e clicar em addins, clicar em ggplot2 builder, se pedir pra instalar algo instale
library(ggplot2)Warning: package 'ggplot2' was built under R version 4.2.3ggplot(dados_titanic) +
aes(x = Classe) +
geom_bar(fill = "#ED73E3") +
labs(x = "Classe Econômica",
y = "Frequência", title = "Figura 1", caption = "Fonte: Autora") +
theme_minimal() +
theme(plot.title = element_text(face = "bold.italic", hjust = 0.5))
# CTRL + SHIFT + C= Torna toda a área selecionada como comentário
#Para mudar a ordem das categorias de classe econômica:
# dados_titanic$Classe<-factor(dados_titanic$Classe, levels=c("Terceira", "Segunda", "Primeira"))
# factor(dados_titanic)
#eu não preciso fazer todo o caminho através do Addins para mudar algo do grafico. eu posso alterar apenas ali dentro do codigo que gerou o grafico.
# para mudar a cor, vou no console e escrevo colors(), aparecerá uma lista de cores.
# para saber como é cada cor (pois n da pra saber pelo nome), copie todas as opçoes de cores que apareceu e cole em um arquivo novo, irá aparecer todas os nomes das cores coloridos A idade média dos passageiros foi de 29,70 anos (dp=14,53 anos), com mediana igual a 28 anos. A variável pode ser classificada como assimetrica à direita (positiva) e heterogênea (CV>0,30). Por ser uma variável univariada quantitativa, podemos plotar em histograma, em gráfico de densidade e em boxplot (o gráfico em linha não é recomendado pois a idade nao e algo que varia com o tempo nesse caso).
library(summarytools)#ferramenta pra acessar a "biblioteca" de dados
descr(dados_titanic$Idade)#chamando o pacote $ chamando a variávelDescriptive Statistics
dados_titanic$Idade
N: 891
Idade
----------------- --------
Mean 29.70
Std.Dev 14.53
Min 0.42
Q1 20.00
Median 28.00
Q3 38.00
Max 80.00
MAD 13.34
IQR 17.88
CV 0.49
Skewness 0.39
SE.Skewness 0.09
Kurtosis 0.16
N.Valid 714.00
Pct.Valid 80.13library(dplyr)Warning: package 'dplyr' was built under R version 4.2.3
Attaching package: 'dplyr'The following objects are masked from 'package:stats':
filter, lagThe following objects are masked from 'package:base':
intersect, setdiff, setequal, unionlibrary(ggplot2)
dados_titanic %>%
filter(!is.na(Idade)) %>%
ggplot() +
aes(x = Idade) +
geom_histogram(bins = 30L, fill = "#ED73E3") +
labs(x = "Idade (em anos)",
y = "Frequência Absoluta", title = "Distribuição da Variável Idade") +
theme_gray()
library(dplyr)
library(ggplot2)
dados_titanic %>%
filter(!is.na(Idade)) %>%
ggplot() +
aes(x = Idade) +
geom_density(fill = "#ED73E3") +
labs(x = "Idade (em anos)",
y = "Densidade", title = "Figura 3") +
theme_gray()
library(dplyr)
library(ggplot2)
dados_titanic %>%
filter(!is.na(Idade)) %>%
ggplot() +
aes(y = Idade) +
geom_boxplot(fill = "#ED73E3", width = 0.35) +
labs(x = "",
y = "Idade (em anos)", title = "Figura 4") +
theme_gray() + xlim(c(-1,1))
Será que existe relação entre a classe econômica e a sobrevivência ao desastre do Titanic? - Variável explicativa: classe econômica - Variável resposta: sobrevivência A tabela abaixo mostra que, dos passageiros da primeira classe, 37% deles não sobreviveram, sendo este percentual maior na segunda (52,7%) e terceira (75,8%) classes.
library(summarytools)
ctable(dados_titanic$Classe, dados_titanic$Sobreviveu)Cross-Tabulation, Row Proportions
Classe * Sobreviveu
Data Frame: dados_titanic
---------- ------------ ------------- ------------- --------------
Sobreviveu Não Sim Total
Classe
Primeira 80 (37.0%) 136 (63.0%) 216 (100.0%)
Segunda 97 (52.7%) 87 (47.3%) 184 (100.0%)
Terceira 372 (75.8%) 119 (24.2%) 491 (100.0%)
Total 549 (61.6%) 342 (38.4%) 891 (100.0%)
---------- ------------ ------------- ------------- --------------library(ggplot2)
ggplot(dados_titanic) +
aes(x = Classe, fill = Sobreviveu) +
geom_bar(position = "dodge") +
scale_fill_brewer(palette = "Set1",
direction = 1) +
labs(x = "Classe econômica", y = "Frequência absoluta", title = "Figura 5: Relação entre Classe econômica e desfecho do passageiro") +
theme_minimal()
library(ggplot2)
ggplot(dados_titanic) +
aes(x = Classe, fill = Sobreviveu) +
geom_bar(position = "fill") +
scale_fill_brewer(palette = "Set1",
direction = 1) +
labs(x = "Classe econômica", y = "Frequência relativa", title = "Figura 6: Relação entre classe econômica e desfecho do passageiro") +
theme_minimal()
Existe correlação entre o número de filhos? Pais a bordo e a idade do passageiro? Ao analisar o coeficiente de correlação de Spearman, observamos uma correlção fraca e negativa (rho = -0.25).
library(ggplot2)
ggplot(dados_titanic) +
aes(x = Idade, y = N_pais_filhos) +
geom_point(shape = "circle", size = 1.5,
colour = "#0C4C8A") +
geom_smooth(span = 1L) +
labs(x = "Idade (anos)", y = "Número de Pais - Filhos",
title = "Figura 7: Correlação entre o número de Pais - Filhos e idade dos passageiros") +
theme_gray()`geom_smooth()` using method = 'loess' and formula = 'y ~ x'Warning: Removed 177 rows containing non-finite values (`stat_smooth()`).Warning: Removed 177 rows containing missing values (`geom_point()`).
cor(dados_titanic$Idade , dados_titanic$N_pais_filhos , use = "complete.obs" , method = "spearman")[1] -0.2542121Existe relação entre a idade do passageiro e sua sobrevivência? A partir da estatística, podemos observar que ambos os grupos apresentaram medianas iguais a 28 anos (IQR = 18 anos para grupo “Não” e 17 anos para grupo “Sim”). Quanto à assimetria, ambas as distribuiçãos foram assimétricas positivas. A idade possui distribuição heterogênea em ambos os defechos. Cv > 0.30
library(summarytools)
with(dados_titanic, stby(Idade, Sobreviveu, descr))Descriptive Statistics
Idade by Sobreviveu
Data Frame: dados_titanic
N: 549
Não Sim
----------------- -------- --------
Mean 30.63 28.34
Std.Dev 14.17 14.95
Min 1.00 0.42
Q1 21.00 19.00
Median 28.00 28.00
Q3 39.00 36.00
Max 74.00 80.00
MAD 11.86 13.34
IQR 18.00 17.00
CV 0.46 0.53
Skewness 0.58 0.18
SE.Skewness 0.12 0.14
Kurtosis 0.25 -0.10
N.Valid 424.00 290.00
Pct.Valid 77.23 84.80library(dplyr)
library(ggplot2)
dados_titanic %>%
filter(!is.na(Idade)) %>%
ggplot() +
aes(x = "", y = Idade, fill = Sobreviveu) +
geom_boxplot() +
scale_fill_brewer(palette = "Set1",
direction = 1) +
labs(x = " ", y = "Idade (anos)", title = "Figura 8: Distribuição da idade segundo o desfecho dos passageiros ") +
theme_gray()
# Aula 4
# Tabela Descritiva com dados filtrados
A tabela 1 abaixo apresenta as características dos passageiros a bordo do Titanic. Podemos observar que 62% dos passageiros não sobreviveram ao acidente. Quanto a classe ecônomica, a maioria pertencia a terceira classe, representando 55% dos passageiros. 65% eram do sexo masculino e a idade mediana doi de 28 anos (IQR = 20- 38 anos). Quanto ao número de pais ou filhos a bordo, 76% dos passageiros não tinham esse tipo de acompanhante.
#Criando a tabela com os dados filtrados
# Filtrando as variáveis que usamos nas nossas perguntas-foco
library(gtsummary)Warning: package 'gtsummary' was built under R version 4.2.3dados2<- dados_titanic[, c("Sobreviveu",
"Classe",
"Sexo",
"Idade",
"N_pais_filhos", "Tarifa")]
tbl_summary(dados2, label = list (Sobreviveu ~ "sobreviventes",
Classe ~ "Classe econômica",
N_pais_filhos ~ "Número de pais/filhos"),
missing_text = "Sem informação") %>%
modify_header(label ~ "**variável**") %>%
modify_caption("Tabela 1. Características dos passageiros do Titanic.") %>% bold_labels() %>% italicize_levels()| variável | N = 8911 |
|---|---|
| sobreviventes | |
| Não | 549 (62%) |
| Sim | 342 (38%) |
| Classe econômica | |
| Primeira | 216 (24%) |
| Segunda | 184 (21%) |
| Terceira | 491 (55%) |
| Sexo | |
| Feminino | 314 (35%) |
| Masculino | 577 (65%) |
| Idade | 28 (20, 38) |
| Sem informação | 177 |
| Número de pais/filhos | |
| 0 | 678 (76%) |
| 1 | 118 (13%) |
| 2 | 80 (9.0%) |
| 3 | 5 (0.6%) |
| 4 | 4 (0.4%) |
| 5 | 5 (0.6%) |
| 6 | 1 (0.1%) |
| Tarifa | 14 (8, 31) |
| 1 n (%); Median (IQR) | |
#bold_labels é para deixar em negrito as categorias e italicize_levels é para deixar os resultados/opções das categorias em itálico