CÓDIGOS ÚTEIS NO R - Introdução

---

Vamos aprender um pouco sobre o R

algumas operações básicas

3+5

[1] 8

3*5

[1] 15

3/5

[1] 0.6

3^5

[1] 243

3**5

[1] 243

a=3+5
a

[1] 8

b=3*5
b

[1] 15

a+b

[1] 23

(3+5)+(3*5)

[1] 23

3+5+3*5

[1] 23

1:10

 [1]  1  2  3  4  5  6  7  8  9 10

1:10^2

  [1]   1   2   3   4   5   6   7   8   9  10  11  12  13  14  15  16  17  18  19  20  21  22  23  24
 [25]  25  26  27  28  29  30  31  32  33  34  35  36  37  38  39  40  41  42  43  44  45  46  47  48
 [49]  49  50  51  52  53  54  55  56  57  58  59  60  61  62  63  64  65  66  67  68  69  70  71  72
 [73]  73  74  75  76  77  78  79  80  81  82  83  84  85  86  87  88  89  90  91  92  93  94  95  96
 [97]  97  98  99 100

instalando um pacote pela linha de comando

# isso é um comentário!  Use o símobolo #
# instalando o pacote psych.  
#  install.packages("psych")
# para carregar e usar o pacote  
library(psych) 
# para acessar as funcionalidades do pacote
?psych

Armazenando dados

# constante
v1 <- 3
v1

[1] 3

# vetor
v2 <- c(1,2,3)
v2

[1] 1 2 3

v3 <- c(4,5,6)
v3

[1] 4 5 6

v4 <- c(7,8,9)
v4

[1] 7 8 9

# matriz
mat1 <- matrix(c(v2,v3,v4), nrow = 3, ncol = 3)
mat1

     [,1] [,2] [,3]
[1,]    1    4    7
[2,]    2    5    8
[3,]    3    6    9

mat2 <- matrix(data=c(1,2,3,4,5,6,7,8,9),nrow = 3, ncol = 3)
mat2

     [,1] [,2] [,3]
[1,]    1    4    7
[2,]    2    5    8
[3,]    3    6    9

t(mat1)

     [,1] [,2] [,3]
[1,]    1    2    3
[2,]    4    5    6
[3,]    7    8    9

mat1==mat2

     [,1] [,2] [,3]
[1,] TRUE TRUE TRUE
[2,] TRUE TRUE TRUE
[3,] TRUE TRUE TRUE

# dataframe
data1 <- data.frame(v2,v3,v4)
data1

row.names(data1) <- c("joão", "josé", "maria")
data1

# data2 <- edit(data1)
str(data2)

'data.frame':   3 obs. of  3 variables:
 $ v2: num  1 2 3
 $ v3: num  4 5 6
 $ v4: num  7 8 9

data3 <- data.frame(row.names = c("joão", "josé", "maria"), v2,v3,v4)
data3

# acessando a variável de um dataframe.
data3$v2

[1] 1 2 3

data3$v3

[1] 4 5 6

data3$v3

[1] 4 5 6

# acessando subconjuntos [linhas , colunas]
data3[1:3,1:3]

data3[,1:3]

data3[1:3,]

data3[,]

# linhas 1 e 2 com coluna 1
data3[c(1,2),1]

[1] 1 2

# linhas 2 e 3 com colunas 1 e 2
data3[c(2,3),c(1,2)]

data3[2:3,1:2]

alguns gráficos

# vamos gerar 1000 valores com distribuição normal padrão
x1 <- rnorm(1000)
# vamos gerar 1000 valores com distribuição de poison
x2 <- rpois(1000,3)
# vamos gerar 1000 valores com distribuição de poison
x3 <- rexp(1000,3)
hist(x1)

boxplot(x1, horizontal = T)

# vamos colocar todos juntos
par(mfrow=c(2,3))  # duas linhas e 3 colunas
hist(x1)
hist(x2)

hist(x3)
boxplot(x1, horizontal = T)

boxplot(x2, horizontal = T)
boxplot(x3, horizontal = T)

par(mfrow=c(1,1))

Estatísticas descritivas e funções comuns

sum(x1)

[1] -0.8619795

prod(x1)

[1] 6.402429e-269

mean(x1)

[1] -0.0008619795

sd(x1)

[1] 0.9991667

var(x1)

[1] 0.9983341

min(x1)

[1] -2.92059

median(x1)

[1] 0.02619436

max(x1)

[1] 2.872568

range(x1)

[1] -2.920590  2.872568

summary(x1)

     Min.   1st Qu.    Median      Mean   3rd Qu.      Max. 
-2.921000 -0.648800  0.026190 -0.000862  0.671900  2.873000 

# usando o pacote psych já carregado anteriormente
describe(x1)

   vars    n mean sd median trimmed  mad   min  max range  skew kurtosis   se
X1    1 1000    0  1   0.03       0 0.98 -2.92 2.87  5.79 -0.03    -0.05 0.03

describe(x2)

   vars    n mean   sd median trimmed  mad min max range skew kurtosis   se
X1    1 1000 2.89 1.79      3    2.77 1.48   0  10    10 0.58     0.05 0.06

describe(x3)

   vars    n mean   sd median trimmed  mad min  max range skew kurtosis   se
X1    1 1000 0.33 0.32   0.24    0.28 0.25   0 2.43  2.43 2.15     7.21 0.01

normal <- x1
poison <- x2
exponencial <- x3
dados <- data.frame(normal,poison,exponencial)
describe(dados)

            vars    n mean   sd median trimmed  mad   min   max range  skew kurtosis   se
normal         1 1000 0.00 1.00   0.03    0.00 0.98 -2.92  2.87  5.79 -0.03    -0.05 0.03
poison         2 1000 2.89 1.79   3.00    2.77 1.48  0.00 10.00 10.00  0.58     0.05 0.06
exponencial    3 1000 0.33 0.32   0.24    0.28 0.25  0.00  2.43  2.43  2.15     7.21 0.01

Operadores

#### Boolean
# & and, | or, ! not
a <- seq(0, 100, by = 10)
a

 [1]   0  10  20  30  40  50  60  70  80  90 100

a[(a >= 50) & (a <= 90)]

[1] 50 60 70 80 90

a[(a < 50) | (a > 100)]

[1]  0 10 20 30 40

a[(a < 50) | !(a > 100)]

 [1]   0  10  20  30  40  50  60  70  80  90 100

a[(a >= 50) & !(a <= 90)]

[1] 100

valores ausentes (NA)

#### Missing values
mean(c(NA, 1, 2))

[1] NA

# Many functions have an na.rm argument  (NA remove)
mean(c(NA, 1, 2), na.rm = TRUE)

[1] 1.5

sum(c(NA, 1, 2))

[1] NA

sum(c(NA, 1, 2), na.rm = TRUE)

[1] 3