• Entrada: tabela arrumada (tidy)
  • cada linha é um observação ou caso
  • cada coluna é uma variável
• Usaremos a biblioteca dplyr
• Operadores: filter, arrange, select, mutate, summarise, group_by, inner_join

Seleciona linhas de acordo com critério. Original:

dados <- read.csv('data/tamanhos.txt')
dados

dados %>% filter(versao == 1)

dados %>% filter(versao == 1)

dados %>% filter(versao == 1 | versao == 2)

(Use | para ou (or), & para e (and))

Ordena de acordo o valor de uma ou mais colunas. Original: dados

# ordena por classe e versao
dados %>% arrange(classe, versao)

# ordem decrescente de tamanho
dados %>% arrange(desc(tamanho))

dados %>%
  filter(versao == 3) %>%
  arrange(desc(TLOC))

Seleciona colunas. Original:

dados %>% select(classe, tamanho)

(veja a documentação para descobrir mais opções)

dados %>% rename(linhas = tamanho)

Cria colunas computadas. Original:

dados %>% mutate(x = tamanho / versao)

Combina todos os valores de uma coluna em um único valor (ex.: máximo, mínimo, soma, média…). Original:

dados %>% summarise(x = max(tamanho), y = min(tamanho))

Agrupa os dados de acordo com o valor de uma ou mais colunas.

dados %>% group_by(versao)

dados %>% group_by(versao)

dados %>%
  group_by(versao) %>%
  summarise(total = sum(tamanho))

A operação de inner join junta duas tabelas que se relacionam através de uma ou mais colunas. Primeiramente vamos carregar outra tabela:

versoes <- read.csv('data/versoes.txt')

Note que ambas as tabelas (dados e versoes) possuem uma coluna versao. A partir dessa coluna podemos saber, por exemplo, as informações dos arquivos para cada ano.

dados %>%
  inner_join(versoes, by = "versao")

versoes %>%
  inner_join(dados, by = "versao")

Exemplo: qual o maior tamanho de arquivo em cada ano?

versoes %>%
  inner_join(dados, by = "versao") %>%
  group_by(ano) %>%
  summarise(tamMaximo = max(tamanho))

Para pesquisar:

• Como fazer a junção de duas tabelas se as colunas possuem nomes diferentes (ex.: versao e num_versao)
• Veja funções relacionadas: left_join, full_join e outras

Tabelas de contingência contam o número de vezes que determinadas combinações de valores de variáveis aparecem nos dados.

x <- versoes %>% inner_join(dados, by = "versao")
table(x$ano, x$classe)

##       
##        Config.java Tela.java
##   2002           2         2
##   2003           1         1

A função xtabs faz a mesma coisa da função table, com uma sintaxe diferente:

xtabs(~ ano + classe, data=x)

##       classe
## ano    Config.java Tela.java
##   2002           2         2
##   2003           1         1

Também é possível combinar group_by e summarise para obter o mesmo efeito.

• R for Data Science: Data transformation
• Data Transformation Cheat Sheet
• https://cran.rstudio.com/web/packages/dplyr/vignettes/introduction.html