Relatório de Análise de Dados
Introdução
Relatório usando várias funcionalidades em R Markdown
Trabalhando em R Markdown
1. Fazendo manipulações simples
## Carregamento dos dados
mr_robot_data <- data.frame(
episode_number = 1:10,
title = c("eps1.0_hellofriend.mov", "eps1.1_ones-and-zer0es.mpeg",
"eps1.2_d3bug.mkv", "eps1.3_da3m0ns.mp4", "eps1.4_3xpl0its.wmv",
"eps1.5_br4ve-trave1er.asf", "eps1.6_v1ew-s0urce.flv",
"eps1.7_wh1ter0se.m4v", "eps1.8_m1rr0r1ng.qt", "eps1.9_zer0-day.avi"),
imdb_rating = c(9.2, 8.5, 8.8, 8.9, 8.7, 8.6, 9.0, 9.1, 8.9, 9.4),
viewers_millions = c(1.75, 1.53, 1.57, 1.65, 1.60, 1.58, 1.63, 1.70, 1.68, 1.85),
runtime_minutes = c(64, 47, 48, 49, 45, 46, 47, 50, 49, 51)
)
head(mr_robot_data)## episode_number title imdb_rating viewers_millions
## 1 1 eps1.0_hellofriend.mov 9.2 1.75
## 2 2 eps1.1_ones-and-zer0es.mpeg 8.5 1.53
## 3 3 eps1.2_d3bug.mkv 8.8 1.57
## 4 4 eps1.3_da3m0ns.mp4 8.9 1.65
## 5 5 eps1.4_3xpl0its.wmv 8.7 1.60
## 6 6 eps1.5_br4ve-trave1er.asf 8.6 1.58
## runtime_minutes
## 1 64
## 2 47
## 3 48
## 4 49
## 5 45
## 6 46# Filtrar episódios com rating acima de 9.0
high_rated_episodes <- mr_robot_data[mr_robot_data$imdb_rating > 9.0, ]
# Ordenar por número de visualizações em milhões de forma decrescente
high_rated_episodes <- high_rated_episodes[order(high_rated_episodes$viewers_millions, decreasing = TRUE), ]
# Criar uma nova variável: duração em horas
high_rated_episodes$duration_hours <- high_rated_episodes$runtime_minutes / 60
# Visualizar os dados manipulados
high_rated_episodes## episode_number title imdb_rating viewers_millions
## 10 10 eps1.9_zer0-day.avi 9.4 1.85
## 1 1 eps1.0_hellofriend.mov 9.2 1.75
## 8 8 eps1.7_wh1ter0se.m4v 9.1 1.70
## runtime_minutes duration_hours
## 10 51 0.8500000
## 1 64 1.0666667
## 8 50 0.83333332. Tabela iterativa
3. Equações Complexas usando Rmd
1. Equação do Segundo Grau
\(x = \frac{-b \pm \sqrt{b^2 - 4ac}}{2a}\)
Esta fórmula é usada para encontrar as soluções de uma equação do segundo grau. Ajuda a determinar os valores de x onde a equação atinge zero.
2. Série de Fourier
\(f(x) = a_0 + \sum_{n=1}^{\infty} \left( a_n \cos \frac{2\pi nx}{T} + b_n \sin \frac{2\pi nx}{T} \right)\)
Esta equação decompõe qualquer função periódica em uma soma de ondas senoidais e cossenoidais. Ela é útil para analisar sinais repetitivos, como ondas sonoras.
3. Equação da Onda
\(\frac{\partial^2 u}{\partial t^2} = c^2 \nabla^2 u\)
Esta equação descreve como as ondas, como som ou luz, se movem através de um espaço. Basicamente, ajuda a entender o comportamento das ondas em diferentes meios.
4. Teorema de Bayes
\(P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)}\)
O teorema de Bayes ajuda a atualizar a probabilidade de algo acontecer com base em novas informações. É muito usado em estatísticas, como para prever resultados a partir de evidência
5. Transformada de Laplace
\(\mathcal{L}\{f(t)\} = F(s) = \int_{0}^{\infty} e^{-st} f(t) \, dt\)
Esta equação transforma uma função do tempo em uma função no domínio da frequência. É muito útil para resolver equações diferenciais, especialmente em engenharia elétrica.
4. Figuras sobre Ciência de dados
5. Referências
- (Wickham and Grolemund 2016)
- (Gelman et al. 2014)
- (Hastie, Tibshirani, and Friedman 2009)
- (Manning, Raghavan, and Schütze 2008)
- (Van Der Walt, Colbert, and Varoquaux 2011)