Exercício - Semana 2

library(tidyverse)

Warning: pacote 'dplyr' foi compilado no R versão 4.4.1

── 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

library(dplyr)

eggproduction  <- readr::read_csv('https://raw.githubusercontent.com/rfordatascience/tidytuesday/master/data/2023/2023-04-11/egg-production.csv')

Rows: 220 Columns: 6
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr  (3): prod_type, prod_process, source
dbl  (2): n_hens, n_eggs
date (1): observed_month

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

## **Exercício 1 - removendo colunas de um conjunto de dados**

clean <- select(eggproduction, -source)

## **Exercício 2 - selecionando variáveis numéricas de um conjunto de dados**

num <- select_if(eggproduction, is.numeric)

## **Exercício 3 - criando subconjuntos a partir de um conjunto de dados**

hatching_eggs <- filter(eggproduction, prod_type == "hatching eggs")
table_eggs <- filter(eggproduction, prod_type == "table eggs")

## **Exercício 4 - criando subconjuntos a partir de fatores específicos dentro do conjunto de dados**

# Criar um dataset só com table eggs e todos os processos (all)

table_eggs.all <- filter(eggproduction, prod_type %in% c("table eggs", "all"))

## **Exercício 5 - mudando nome das variáveis**

novos_nomes <- rename(eggproduction, Mês_observado = observed_month, Tipo_de_produto = prod_type, Processo = prod_process, n_galinhas = n_hens, n_ovos = n_eggs, fonte = source)

## **Exercício 6 - mudando nomes de fatores dentro de variáveis específicas**

# Mudar os nomes dos fatores para português
eggproduction_factor <- mutate_if(novos_nomes, is.character, as.factor)
str(eggproduction_factor)

tibble [220 × 6] (S3: tbl_df/tbl/data.frame)
 $ Mês_observado  : Date[1:220], format: "2016-07-31" "2016-08-31" ...
 $ Tipo_de_produto: Factor w/ 2 levels "hatching eggs",..: 1 1 1 1 1 1 1 1 1 1 ...
 $ Processo       : Factor w/ 3 levels "all","cage-free (non-organic)",..: 1 1 1 1 1 1 1 1 1 1 ...
 $ n_galinhas     : num [1:220] 57975000 57595000 57161000 56857000 57116000 ...
 $ n_ovos         : num [1:220] 1.15e+09 1.14e+09 1.09e+09 1.13e+09 1.10e+09 ...
 $ fonte          : Factor w/ 108 levels "ChicEggs-01-21-2020.pdf",..: 37 39 46 52 4 8 10 14 19 25 ...

new.rename <- mutate(eggproduction_factor, Tipo_de_produto = recode(Tipo_de_produto, hatching_eggs = "ovos para chocar", table_eggs = "ovos de mesa"), Processo = recode(Processo, all = "todos"))

## **Exercício 7 - criando nova variável a partir da combinação de variáveis pré-existentes**

# Criar uma nova variável chamada ‘produtividade’ com a razão entre número de ovos (n_eggs) e número de galinhas (n_hens)

final <- mutate(new.rename, Produtividade = (`n_ovos` / `n_galinhas`))

Exercício 1 - removendo colunas de um conjunto de dados

Remover a última coluna do dataset (a coluna chamada source)

clean <- select(eggproduction, -source)

Exercício 2 - selecionando variáveis numéricas de um conjunto de dados

Selecionar apenas as variáveis numéricas

num <- select_if(eggproduction, is.numeric)

Exercício 3 - criando subconjuntos a partir de um conjunto de dados

Criar um dataset só com hatching e outro dataset apenas com table eggs

hatching_eggs <- filter(eggproduction, prod_type == “hatching eggs”) table_eggs <- filter(eggproduction, prod_type == “table eggs”)

Exercício 4 - criando subconjuntos a partir de fatores específicos dentro do conjunto de dados

Criar um dataset só com table eggs e todos os processos (all)

table_eggs.all <- filter(eggproduction, prod_type %in% c(“table eggs”, “all”))

Exercício 5 - mudando nome das variáveis

Mudar os nomes das variáveis para português

novos_nomes <- rename(eggproduction, Mês_observado = observed_month, Tipo_de_produto = prod_type, Processo = prod_process, n_galinhas = n_hens, n_ovos = n_eggs, fonte = source)

Exercício 6 - mudando nomes de fatores dentro de variáveis específicas

Mudar os nomes dos fatores para português

eggproduction_factor <- mutate_if(novos_nomes, is.character, as.factor) str(eggproduction_factor) new.rename <- mutate(eggproduction_factor, Tipo_de_produto = recode(Tipo_de_produto, hatching_eggs = “ovos para chocar”, table_eggs = “ovos de mesa”), Processo = recode(Processo, all = “todos”))

Exercício 7 - criando nova variável a partir da combinação de variáveis pré-existentes

Criar uma nova variável chamada ‘produtividade’ com a razão entre número de ovos (n_eggs) e número de galinhas (n_hens)

final <- mutate(new.rename, Produtividade = (n_ovos / n_galinhas))