peso <- 75
altura <- 1.70
peso[1] 75altura[1] 1.7Aula 2 – Vetores, Matrizes, Dataframes e Listas
Objetivo da Aula
Compreender e aplicar as principais estruturas de armazenamento de dados no R: vetores, matrizes, dataframes e listas.
1. Revisão: objetos no R
Na aula anterior, vimos que o R permite criar objetos para armazenar informações.
Comentário do professor
A partir deste momento, deixamos de usar o R apenas como uma calculadora simples e começamos a organizar informações em estruturas de dados.
Execute o código abaixo
2. Vetores
Vetores são estruturas que armazenam uma sequência de valores do mesmo tipo. Um vetor pode conter números, textos ou valores lógicos.
Comentário do professor
Vetores são uma das estruturas mais importantes do R. Muitas análises estatísticas começam com a criação ou manipulação de vetores.
2.1 Criando vetores
Execute este código
idades <- c(34, 45, 29)
nomes <- c("Ana", "João", "Fernanda")
respondeu <- c(TRUE, FALSE, TRUE)
idades[1] 34 45 29nomes[1] "Ana" "João" "Fernanda"respondeu[1] TRUE FALSE TRUE
Atenção
Todos os elementos de um vetor devem ser do mesmo tipo. Quando tipos diferentes são misturados, o R faz coerção automática.
Execute este código
vetor_misto <- c(10, 20, "Ana")
vetor_misto[1] "10" "20" "Ana"class(vetor_misto)[1] "character"2.2 Sequências e repetições
Execute este código
sequencia_1 <- 1:10
sequencia_2 <- seq(0, 20, by = 2)
repeticao_1 <- rep(5, times = 8)
repeticao_2 <- rep(c(1, 2, 3), times = 3)
sequencia_1 [1] 1 2 3 4 5 6 7 8 9 10sequencia_2 [1] 0 2 4 6 8 10 12 14 16 18 20repeticao_1[1] 5 5 5 5 5 5 5 5repeticao_2[1] 1 2 3 1 2 3 1 2 32.3 Operações com vetores
Comentário do professor
Quando realizamos operações matemáticas com vetores, o R aplica a operação elemento por elemento.
Execute este código
x <- c(10, 20, 30)
y <- c(1, 2, 3)
x + y[1] 11 22 33x - y[1] 9 18 27x * y[1] 10 40 90x / y[1] 10 10 10x^2[1] 100 400 9002.4 Produto escalar
O produto escalar multiplica os elementos correspondentes de dois vetores e soma os resultados.
Execute este código
a <- c(1, 2, 3)
b <- c(4, 5, 6)
a %*% b [,1]
[1,] 32
Comentário do professor
No exemplo anterior, o R calcula:
\(1 \cdot 4 + 2 \cdot 5 + 3 \cdot 6\)
2.5 Acessando posições de um vetor
No R, a primeira posição de um vetor é sempre a posição 1.
Execute este código
notas <- c(8.5, 7.0, 9.2, 6.8, 10)
notas[1][1] 8.5notas[3][1] 9.2notas[c(2, 4)][1] 7.0 6.82.6 Indexação lógica
Comentário do professor
A indexação lógica é uma das ferramentas mais úteis do R, pois permite selecionar valores a partir de condições.
Execute este código
notas <- c(8.5, 7.0, 9.2, 6.8, 10)
notas > 7[1] TRUE FALSE TRUE FALSE TRUEnotas[notas > 7][1] 8.5 9.2 10.0notas[notas >= 9][1] 9.2 10.02.7 Funções úteis para vetores
Execute este código
notas <- c(8.5, 7.0, 9.2, 6.8, 10)
sum(notas)[1] 41.5mean(notas)[1] 8.3median(notas)[1] 8.5min(notas)[1] 6.8max(notas)[1] 10length(notas)[1] 5sort(notas)[1] 6.8 7.0 8.5 9.2 10.0rev(notas)[1] 10.0 6.8 9.2 7.0 8.5summary(notas) Min. 1st Qu. Median Mean 3rd Qu. Max.
6.8 7.0 8.5 8.3 9.2 10.0 2.8 Valores ausentes: NA
Atenção
O valor NA representa ausência de informação. Muitas funções precisam do argumento na.rm = TRUE para ignorar esses valores.
Execute este código
notas_com_na <- c(8.5, NA, 7.0, 9.2, NA, 10)
is.na(notas_com_na)[1] FALSE TRUE FALSE FALSE TRUE FALSEnotas_com_na[!is.na(notas_com_na)][1] 8.5 7.0 9.2 10.0mean(notas_com_na, na.rm = TRUE)[1] 8.6753. Matrizes
Matrizes são estruturas bidimensionais, formadas por linhas e colunas.
Comentário do professor
Podemos pensar em uma matriz como uma tabela numérica. Diferentemente do dataframe, uma matriz deve armazenar dados do mesmo tipo.
3.1 Criando matrizes
Execute este código
matriz_1 <- matrix(1:9, ncol = 3)
matriz_1 [,1] [,2] [,3]
[1,] 1 4 7
[2,] 2 5 8
[3,] 3 6 9Por padrão, o R preenche a matriz por colunas.
Execute este código
matriz_2 <- matrix(1:9, ncol = 3, byrow = TRUE)
matriz_2 [,1] [,2] [,3]
[1,] 1 2 3
[2,] 4 5 6
[3,] 7 8 93.2 Dimensão de uma matriz
Execute este código
nrow(matriz_2)[1] 3ncol(matriz_2)[1] 3dim(matriz_2)[1] 3 3length(matriz_2)[1] 93.3 Acessando elementos de uma matriz
Comentário do professor
Para acessar elementos de uma matriz, usamos a estrutura [linha, coluna].
Execute este código
matriz_2 [,1] [,2] [,3]
[1,] 1 2 3
[2,] 4 5 6
[3,] 7 8 9matriz_2[1, 1][1] 1matriz_2[2, 3][1] 6matriz_2[1, ][1] 1 2 3matriz_2[, 2][1] 2 5 83.4 Alterando elementos de uma matriz
Execute este código
matriz_2[2, 2] <- 100
matriz_2 [,1] [,2] [,3]
[1,] 1 2 3
[2,] 4 100 6
[3,] 7 8 93.5 Operações com matrizes
Execute este código
A <- matrix(1:4, ncol = 2)
B <- matrix(c(2, 4, 6, 8), ncol = 2)
A [,1] [,2]
[1,] 1 3
[2,] 2 4B [,1] [,2]
[1,] 2 6
[2,] 4 8A + B [,1] [,2]
[1,] 3 9
[2,] 6 12A - B [,1] [,2]
[1,] -1 -3
[2,] -2 -4A * B [,1] [,2]
[1,] 2 18
[2,] 8 32A %*% B [,1] [,2]
[1,] 14 30
[2,] 20 44
Atenção
O operador * faz multiplicação elemento a elemento.
O operador %*% faz multiplicação matricial.
3.6 Funções úteis para matrizes
Execute este código
M <- matrix(1:9, ncol = 3, byrow = TRUE)
M [,1] [,2] [,3]
[1,] 1 2 3
[2,] 4 5 6
[3,] 7 8 9t(M) [,1] [,2] [,3]
[1,] 1 4 7
[2,] 2 5 8
[3,] 3 6 9diag(M)[1] 1 5 9rowSums(M)[1] 6 15 24colSums(M)[1] 12 15 18rowMeans(M)[1] 2 5 8colMeans(M)[1] 4 5 64. Dataframes
Dataframes são estruturas em formato de tabela. Diferentemente das matrizes, cada coluna pode ter um tipo diferente.
Comentário do professor
O dataframe é uma das estruturas mais usadas em análise de dados, pois se parece com uma planilha.
4.1 Criando um dataframe
Execute este código
pacientes <- data.frame(
nome = c("Ana", "João", "Fernanda"),
idade = c(34, 45, 29),
peso = c(68.5, 82.0, 59.3),
altura = c(1.65, 1.78, 1.60),
respondeu = c(TRUE, FALSE, TRUE)
)
pacientes4.2 Estrutura do dataframe
Execute este código
str(pacientes)'data.frame': 3 obs. of 5 variables:
$ nome : chr "Ana" "João" "Fernanda"
$ idade : num 34 45 29
$ peso : num 68.5 82 59.3
$ altura : num 1.65 1.78 1.6
$ respondeu: logi TRUE FALSE TRUEdim(pacientes)[1] 3 5nrow(pacientes)[1] 3ncol(pacientes)[1] 5names(pacientes)[1] "nome" "idade" "peso" "altura" "respondeu"4.3 Acessando colunas
Execute este código
pacientes$nome[1] "Ana" "João" "Fernanda"pacientes$idade[1] 34 45 29pacientes[, "peso"][1] 68.5 82.0 59.34.4 Acessando linhas e células
Execute este código
pacientes[1, ]pacientes[2, ]pacientes[1, "nome"][1] "Ana"pacientes[3, "peso"][1] 59.34.5 Criando uma nova coluna
Comentário do professor
Como cada coluna de um dataframe pode ser tratada como um vetor, podemos criar novas variáveis a partir de cálculos.
Execute este código
pacientes$imc <- pacientes$peso / pacientes$altura^2
pacientes4.6 Filtrando informações
Execute este código
pacientes[pacientes$idade > 30, ]pacientes[pacientes$imc >= 25, ]pacientes[pacientes$respondeu == TRUE, ]
Atenção
Em filtros lógicos, usamos == para comparação, e não =.
5. Listas
Listas são estruturas flexíveis que podem armazenar diferentes tipos de objetos.
Comentário do professor
Uma lista pode guardar vetores, matrizes, dataframes, textos, números e até outras listas.
5.1 Criando uma lista
Execute este código
minha_lista <- list(
nomes = c("Ana", "João", "Fernanda"),
notas = c(8.5, 7.0, 9.2),
matriz = matrix(1:4, ncol = 2),
dataframe = pacientes,
texto = "Exemplo de lista no R"
)
minha_lista$nomes
[1] "Ana" "João" "Fernanda"
$notas
[1] 8.5 7.0 9.2
$matriz
[,1] [,2]
[1,] 1 3
[2,] 2 4
$dataframe
nome idade peso altura respondeu imc
1 Ana 34 68.5 1.65 TRUE 25.16070
2 João 45 82.0 1.78 FALSE 25.88057
3 Fernanda 29 59.3 1.60 TRUE 23.16406
$texto
[1] "Exemplo de lista no R"5.2 Acessando elementos de uma lista
Execute este código
minha_lista$nomes[1] "Ana" "João" "Fernanda"minha_lista$notas[1] 8.5 7.0 9.2minha_lista$matriz [,1] [,2]
[1,] 1 3
[2,] 2 4minha_lista[[1]][1] "Ana" "João" "Fernanda"minha_lista[[4]]
Atenção
O operador $ acessa elementos pelo nome.
O operador [[ ]] acessa elementos pela posição.
5.3 Verificando a estrutura da lista
Execute este código
str(minha_lista)List of 5
$ nomes : chr [1:3] "Ana" "João" "Fernanda"
$ notas : num [1:3] 8.5 7 9.2
$ matriz : int [1:2, 1:2] 1 2 3 4
$ dataframe:'data.frame': 3 obs. of 6 variables:
..$ nome : chr [1:3] "Ana" "João" "Fernanda"
..$ idade : num [1:3] 34 45 29
..$ peso : num [1:3] 68.5 82 59.3
..$ altura : num [1:3] 1.65 1.78 1.6
..$ respondeu: logi [1:3] TRUE FALSE TRUE
..$ imc : num [1:3] 25.2 25.9 23.2
$ texto : chr "Exemplo de lista no R"length(minha_lista)[1] 5names(minha_lista)[1] "nomes" "notas" "matriz" "dataframe" "texto" 6. Exercícios
Exercício 1 – Vetores
Crie um vetor com os números de 1 a 100 e selecione apenas os números pares.
numeros <- 1:100
numeros_pares <- numeros[numeros %% 2 == 0]
numeros_pares [1] 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38
[20] 40 42 44 46 48 50 52 54 56 58 60 62 64 66 68 70 72 74 76
[39] 78 80 82 84 86 88 90 92 94 96 98 100
Exercício 2 – Valores ausentes
Considere o vetor abaixo e calcule a média ignorando os valores ausentes.
valores <- c(10, 20, NA, 40, NA, 50)
mean(valores, na.rm = TRUE)[1] 30
Exercício 3 – Matrizes
Crie uma matriz 3x3 com os números de 1 a 9 e calcule sua transposta.
matriz_exercicio <- matrix(1:9, ncol = 3, byrow = TRUE)
matriz_exercicio [,1] [,2] [,3]
[1,] 1 2 3
[2,] 4 5 6
[3,] 7 8 9t(matriz_exercicio) [,1] [,2] [,3]
[1,] 1 4 7
[2,] 2 5 8
[3,] 3 6 9
Exercício 4 – Dataframes
Crie um dataframe com nome, idade e nota de quatro alunos. Depois filtre apenas os alunos com nota maior ou igual a 7.
alunos <- data.frame(
nome = c("Maria", "Pedro", "Lucas", "Carla"),
idade = c(20, 22, 19, 21),
nota = c(8.5, 6.0, 7.2, 5.9)
)
alunosalunos[alunos$nota >= 7, ]
Exercício 5 – Listas
Crie uma lista contendo o dataframe alunos, o vetor de notas e uma mensagem de texto.
lista_alunos <- list(
dados = alunos,
notas = alunos$nota,
mensagem = "Lista criada com sucesso"
)
lista_alunos$dados
nome idade nota
1 Maria 20 8.5
2 Pedro 22 6.0
3 Lucas 19 7.2
4 Carla 21 5.9
$notas
[1] 8.5 6.0 7.2 5.9
$mensagem
[1] "Lista criada com sucesso"
Comentário do professor
Essas estruturas serão utilizadas em praticamente todas as próximas aulas. Por isso, é importante praticar a criação, o acesso e a manipulação desses objetos.