Vamos retomar de onde paramos e aproveitar para relembrar. Tínhamos visto por cima o que seriam variáveis (colunas do date-frame e objetos) e vetores (objetos) para o R, mas vamos melhorar isso um pouco.
O vetor é um termo polissêmico na linguagem R. Admintindo 3 significados:
Assim, quando nos referirmos ao atomic vector estamos falando do primeiro significado, mas abreviamos como vector para não ficar enfadonho. Já para distinguir uma estrutura linear de uma matriz, também falamos que se trata de um vector (ou seja, uma matriz de uma única linha). Por fim, é o sentido literal da palavra que se aplica a todos objetos: o que inclui listas, mas que se exclui do primeiro significado. Em suma, com o tempo você se acostuma.
Certo, mas vamos relembrar isso: Um vetor atômico ( atomic vector) é o tipo mais simples de dados com o qual você pode trabalhar no R. Conforme aumentamos a dimensão (dim) do vetor, podemos incluir a mesma classe de dados ou classes distintas.
x <- c(1,2,3,4)
x <- c(1, "dois", 3, TRUE)Pois bem, vejamos então quais são os quatro principais tipos de variáveis com os quais você deve estar familiarizado: Obs. Você pode verificar a classe do objeto que está no seu environment de três formas. Primeiro, há uma abreviatura da classe do objeto quando você repousar o cursor do mouse sobre o objeto no Global Environment. A segunda maneira é usando a função str(); e, por fim, usando class().
• Numérico ( numeric): Você deve estar familiarizado com a classe dos numéricos ( numeric), que é… bem, qualquer número. O R ainda subclassifica os numéricos duplos ( doubles) ou simples ( interger), que dizem respeito apenas a maneira pela qual o R irá armazenar e representar estes números. Veja: um numérico pode incluir os decimais (double); ou somente guardar a informar sem o fracionário (interger). Obs. Note que há um falso cognato aqui! O número inteiro no português é aquele número que admite fracionamento, enquanto são os naturais que não admitem decimais.
• Caractere ( character): são objetos que armazenam dados alfanuméricos no formato de texto ( string).
• Lógico ( logical): são objetos que assumem valores de VERDADEIRO ou FALSO. Da mesma maneira como um vetor da classe character assume valores em texto ( string), você pode entender que um vetor lógico assume valores boleanos ( bolean) de verdadeiro ou falso.
• Fatores ( factor): Aqui você precisa abstrair novamente. Pense nessa classe de objetos como uma variável categórica ordenada. Se você não se lembra do que é isso, saiba que toda informação não numérica que você pode ordenar é descrita como um factor ex. primeiro, segundo, terceiro; ou, excelente, regular, péssimo. Assim, grosso modo, a classe de objetos em R que lida com dados categóricos, sejam nominais ou ordinais, são os factors.
Vamos tentar um exemplo para fixar melhor.
Imagine que você tem um vetor de texto que representa uma variável categórica que pode receber valores “yes” e “no”.
resposta <- c("yes", "no", "no", "no", "yes", "no")
print(resposta)
class(resposta)Vamos, então, usar a função factor() para ver o resultado:
resposta_f <- factor(resposta)
print(resposta_f)Perceba que não há mais aspas nos valores “yes” e “no”. Além disso, há uma nova informação: levels (níveis).
Com isso, você já pode perceber o porquê factors são vetores numéricos cujos valores são associados a um rótulo (nível/level). Há um par de informações nesta classe de dados, que é o numérico + rótulo.
Voltando à ideia de variável ordenada, cada ordem será chamada de level pelo R. Agora, talvez você se pergunte o porquê de não serem chamados de categorias, então?
Veja que tanto os character, quanto os factor admitem entradas em texto (string), o que difere um do outro é que não há ordenação na classe character. Evidentemente que é o R não difere aprioristicamente um de outro, portanto, caso você crie uma variável categórica ordinal ( factor), mas não diga ao R para interpretá-la desta forma, mesmo que esteja c(“primeiro”, “segundo”, “terceiro”), sua variável estará marcando como character. E para transformar uma variável em outra, basta você informar ao R com os comandos:
Além disso, se tentarmos transformar um vetor factor em um vetor numérico, teremos um grande problema. Veja só:
As saídas 1 e 2 que apareceram são os códigos automaticamente gerados pelo R para “yes” e “no”. O critério para atribuir os valores foi a ordem alfabética do texto que transformamos em fatores.
Agora, caso queiramos descobrir os níveis (levels) de um vetor de fatores, usamos a função levels():
levels(resposta_f)Por serem informações do rótulo, também podemos alterar os nomes dos níveis da mesma maneira que fazemos com os nomes dos elementos de um vetor:
levels(resposta_f) <- c("SIM", "no")
print(resposta_f)Voltando à criação da variável ordenada com os níveis “primeiro”, “segundo”, “terceiro”. Lembre-se que falamos que o R não reconhece esta informação como factor, salvo se você dizer para ele. Mas se lembre, também, que a ordenação é dada por default por ordem alfabética!
Então, para que o vetor de fatores c(“primeiro”, “segundo”, “terceiro”) mantivesse esta ordem, é preciso indicarmos ao R qual ordem é essa! De novo: O default é a ordenação nominal!!!
Vejamos um exemplo:
altura <- c("baixo", "medio", "medio", "baixo", "alto", "baixo", "alto")
altura_f <- factor(altura)
print(altura_f)O que aconteceu? Dado o default de ordenamento alfabético, o número 1 ficou associado ao rótulo “alto”, o número 2 a “baixo” e o 3 a “medio”. Assim, para corrigir isso e evitar equívocos na análise, temos que informar alguns parâmetros adicionais ao criar um factor!
Veja o exemplo abaixo:
altura_f <- factor(altura, ordered = T, levels <- c("baixo", "medio", "alto"))
altura_fA informação dos níveis (levels) agora está em consonância com a ideia ordenada de baixo, medio e alto. As comparações que fazem uso de operadores lógicos entre os níveis agora fazem sentido!
Falamos bastante de factors por que é uma classe de vetores em R que costuma gerar erros no código, que por vezes não são percebidos até a revisão por um terceiro. Imagine você classificar nominalmente um vetor e inverter os resultados que buscava? Fique atento a isso, pois é um elemento costumeiro de erro.
Para reforçar: Diversas vezes, quando importamos bases de dados (data frames) para nosso global environment, o R considera variáveis character como factors. Para evitarmos este problema, usamos o argumento stringAsFactors = F em diferentes funções de importação. Tudo isso será revisitado nos próximos encontros, quando aprenderemos a importar dados, mas fique aqui a advertência de que factors, ao lado de missing values e enconding são os pontos de maior confusão em R.
As listas são objetos formados por conjuntos de valores de tipos diferentes. É um caso específico de conjunto e é bem útil para raspagem de páginas web e iteração em funções.
i <- c(8192, "Universidade")
curso <- c(10, "UNIFESP", TRUE, i)É importante notar que a lista aceita todo tipo de objetos, tanto valores atômicos, quanto outras listas/conjuntos/outros objetos.
Além disso, a lista é um conjunto ordenado de valores. Assim, como no conjunto, cada valor assume uma posição na lista e é a partir desta informação que podemos utilizar/controlar a lista. A ação utilizada para isso é chamada de subscripting e é realizada selecionando a posição do valor na lista entre parênteses. Veja o exemplo abaixo:
curso[1]
nota <- curso[1]Primeiro eu coloquei um comando para que o valor na primeira posição da lista fosse mostrado. E o resultado foi o numeral 10. Na segunda linha, além de ordenar esta ação, eu guardei o resultado no objeto nota que eu criei pelo assignment. É importante perceber isso: caso você não crie um objeto para guardar alguma informação, o R só irá executar a tarefa e mostrar seu resultado.
Veremos mais abaixo a ideia de subconjunto, que faz uso da técnica desta técnica de subscripting.
Já o caminho inverso ao subscripting é a indexação, que ocorre quando eu atribuo um valor a uma posição de um objeto, por exemplo, quando eu atribuo que a posição [1,2] da matriz será 300.
a <- matrix(1:15, 5)
a
a[1,2] <- 300
aDurante nossos encontros, iremos nos focar nos dados em formato de data frames, que é um caso específico de matriz. Por esta razão, só iremos pontuar a existência de matrizes e alguns pontos que facilitam o aprendizado dos data frames.
Matrizes (matrix) são objetos com dados dispostos de maneira retangular. Lembre-se que para a matemática, matrizes são objetos de álgebra própria e que as operações matemáticas neste campo seguem as determinações da álgebra linear.
Assim, matrizes são objetos (vector) que apresentam em seu argumento as suas dimensões (largura e altura). A dimensão (length) da matriz é o número de linhas pelo número de colunas. Para preenchermos os valores de cada elemento da matriz, podemos adotar dois procedimentos: Ou por meio de indicação das linhas (“byrow = T”), ou por meio das colunas (“byrow = F”). Veja o exemplo abaixo e tente compreender o funcionamento:
matrix(1:15, byrow = T, 5)## [,1] [,2] [,3]
## [1,] 1 2 3
## [2,] 4 5 6
## [3,] 7 8 9
## [4,] 10 11 12
## [5,] 13 14 15matrix(1:15, byrow = F, 5)## [,1] [,2] [,3]
## [1,] 1 6 11
## [2,] 2 7 12
## [3,] 3 8 13
## [4,] 4 9 14
## [5,] 5 10 15Agora, vamos criar um vetor de matriz a partir de três vetores. Abaixo temos as notas das cinco disciplinas semestrais de estudantes da unifesp.
dandara <- c(10, 7, 8, 9, 10)
lamarca <- c(2, 6, 7, 6, 5)
olga <- c(9, 8, 4, 8, 9)Iremos juntar todos os indivíduos em um só vetor.
vetor_discentes <- c(dandara, lamarca, olga)E, depois, criar um vetor matriz com 5 linhas e 3 colunas, denominando turma:
turma <- matrix(vetor_discentes, byrow = FALSE, nrow = 5)
turma## [,1] [,2] [,3]
## [1,] 10 2 9
## [2,] 7 6 8
## [3,] 8 7 4
## [4,] 9 6 8
## [5,] 10 5 9Note que as colunas (variáveis) não têm nomes. Aqui utilizamos as funções rownames() e colnames() para dar nome às observações e às variáveis, respectivamente.
Caso tivéssemos um vetor de dimensão unitária ao invés de uma matriz, usaríamos a função names(). Vejamos com o exemplo abaixo.
Teremos gastos diários armazenados nos objetos (vector) gastos_semana e gastos_semana2. Além disso, vamos criar um vetor com os nomes dos dias da semana.
gastos_semana <- c(34, 20, 15, 25, 16, 18, 30)
gastos_semana2 <- c(28, 32, 10, 15, 30, 26, 28)
dias_semana <- c("segunda", "terça", "quarta", "quinta", "sexta", "sábado", "domingo")Agora, usamos a função names(). Vejamos:
names(gastos_semana) <- dias_semana
names(gastos_semana2) <- dias_semanaVocê pode ter se perguntado, e se eu criasse uma tabela (data.frame)?
df <- rbind(dias_semana, gastos_semana, gastos_semana2)
df
rm(df)Mas, neste caso, teríamos um data.frame com células organizadas, mas os nomes das variáveis seriam “V1”, “V2” …“V7” - que são default.
Então, se quisermos um data.frame com variáveis nomeadas, usamos a função names() para nomear cada item do dos vetores gastos_semana e gastos_semana2, posteriormente unimos os vetores com a função rbind() (rool bind, na tradução livre junção de linhas).
**Obs.(!) Você pode usar a função names() para verificar os nomes dados a cada variável do data.frame ou do item (no caso de um vetor de dimensão única). Veja abaixo a diferença:
names(gastos_semana)
gastos_semana
names(gastos_semana) <- c("V1", "V2", "V3", "V4", "V5", "V6", "V7")
gastos_semanaVocê terá problemas com a função rbind() caso deseje unir vetores de dimensões diferentes. Veja, um data.frame é um banco de dados com largura e altura fixas. Além disso, a função rbind coloca os vetores um sobre o outro, na ordem em que colocamos os objetos nos atributos da função. Ou seja, rbind(gastos_semana2, gastos_semana) fará um data.frame diferente de rbind(gastos_semana, gastos_semana2).
Estávamos nomeando as observações e variáveis da matriz com as funções rownames() e colnames(). Mas como no caso dos vetores, temos que criar um vetor com os nomes que serão atribuídos. Veja abaixo:
disciplinas <- c("Matemática", "História", "Geografia", "Português", "Física")
discentes <- c("dandara", "lamarca", "olga")
rownames(turma) <- disciplinas
colnames(turma) <- discentes
turma## dandara lamarca olga
## Matemática 10 2 9
## História 7 6 8
## Geografia 8 7 4
## Português 9 6 8
## Física 10 5 9Há ainda a possibilidade de nomear as observações e variáveis no momento em que criamos a Matriz. Para isso, a função matrix() tem o atributo dimnames. Veja abaixo:
turma <- matrix(vetor_discentes, byrow = F, nrow = 5, dimnames = list(disciplinas, discentes))
turma## dandara lamarca olga
## Matemática 10 2 9
## História 7 6 8
## Geografia 8 7 4
## Português 9 6 8
## Física 10 5 9Menos linhas de código, não é mesmo? Mas conhecer as diferentes funções permitem a você editar seus objetos e cria repertório nas soluções de programação que irá possuir. Lembre-se: Normalmente há mais de um modo de fazer algo.
E se você inverter linhas e colunas? O que aconteceria? Bom, o R informaria um erro, pois o vetor disciplinas é maior que o número de colunas. O mesmo vale para o caso das linhas, em que o número de discentes passa a ser inferior.
Error in dimnames(x) <- dn: comprimento de ‘dimnames’ [1] não é igual ao tamanho do array
Outras funções interessantes para trabalhar com matrizes são rowSums e colSums. Os nomes das funções são autoexplicativas.
rowSums(turma)
colSums(turma)Parecia bobagem, certo? Mas combinando as funções… temos as margens da tabela criada. Vejamos:
total_col_turma <- colSums(turma)
turma2 <- rbind(turma, total_col_turma)
total_lin_turma <- rowSums(turma2)
turma2 <- cbind(turma2, total_lin_turma)
print(turma2)Já estamos encerrando este tutorial. Mas vamos ao que mais importa agora: a criação de subconjuntos de matrizes.
Lembre-mos que usamos colchetes [] para produzirmos subconjuntos dos vetores (conjuntos).
vetor_unitário <- c(3,10,"meu texto", TRUE)
subconjunto_vetor_unitário <- vetor_unitário[3]
subconjunto_vetor_unitárioA boa notícia que o mesmo se aplica para as matrizes. A diferença é que agora os colchetes devem trazer as informações de coluna e linha. Quase como naquele jogo de batalha naval! Para matrizes (e, portanto, também para os data frames) para extrairmos um subconjunto precisamos primeiro a linha e depois a coluna, separadas por uma vírgula. Veja você:
notas_história <- turma[2, ] #selecionar somente as notas da disciplina de História, não indico a coluna
notas_dandara <- turma[ ,1] #selecionar somente as notas de dandara
nota_mat_olga <- turma[1,3] #selecionar a nota de matemática de olga
notas_mat_hist <- turma[1:2,3] #selecionar notas de matemática e história da olgaO símbolo de dois pontos indica um intervalo. Na última linha do exemplo, vocês selecionaram da linha 1 até a linha 2, além de restringir à coluna 3 (olga). Mas e se quisesse selecionar as notas de matemática e geografia, mas não de história? Ai usaríamos a função combine “c()”, veja só:
turma[c(1,3,5), 3]Perceba que a função combine está no lugar onde devemos indicar as linhas que desejamos selecionar. Caso quiséssemos selecionar dandara e olga, neste caso, a função combine deve ficar após a vírgula.
Ao invés de indicar a posição dos elementos na matriz, podemos ainda trazer o próprio valor do elemento. Veja o exemplo abaixo:
turma[ ,c("dandara", "olga")]Para os exemplos dados, parecem ser extremamente trabalhosos para um resultado ruim. Mas pense por um minuto em outro exemplo. Imagine que você deseja aferir o gasto de campanha de TODOS os candidatos nas últimas eleições (deputados estaduais, deputados federais, governadores, senadores e presidentes). Talvez seja uma centena de milhar de observações! É neste particular que o R te traz escalabilidade e velocidade para suas análises. Poderíamos criar um subconjunto com os candidatos acima ou abaixo de determinado valor.
Crie um subconjunto diferente da matriz “turma” com a qual trabalhamos.
Ok. Acho que já está pegando o jeito. Agora, imagine se você quisesse criar um subconjunto a partir de uma claúsula condicional? Por exemplo, selecionar o subconjunto de notas superiores à média de aprovação? Neste caso, não precisaríamos olhar item por item para filtrar indicando sua posição na matriz.
Para isso, usamos os operadores lógicos!!! Iremos falar deles no próximo tutorial. Por agora, basta encerrar falando um pouco sobre data frames.
A grande capacidade analítica está em realizar cálculos no interior de um banco de dados correlacionado, procurando causalidades, tendências e fazendo previsões. Para isso, devemos criar variáveis e montar um data.frame.
Um data-frame é também um objeto com dados dispostos de maneira retangular, mas diferentemente da matriz, pode apresentar valores de classes diferentes em suas colunas. Por óbvio, a matriz só admite uma classe de atomic vectors. Iremos ver como trabalhar com data-frames em breve, por enquanto basta esta definição.
Você provavelmente conseguiu fixar melhor o conteúdo que foi colocado anteriormente. Então, paramos por aqui.