Explore seu primeiro conjunto de dados
prof.DaviRocha
30 de outubro de 2018
Olá, sou o Prof. Davi Rocha. Gostaria de mostrar para você como é fácil verificar a estrutura e explorar dados no R. Vamos lá!
Explorando um conjunto de dados no R
Vamos primeiro carregar todos os pacotes necessários para nossa breve exploração.
library(dplyr)
library(nycflights13)Vamos analisar os dados sobre voos contidos no pacote nycflights13 (Wickham 2018). Especificamente, este pacote contém cinco conjuntos de dados salvos como “data frame” com informações sobre todos os voos domésticos partindo da cidade de Nova York em 2013, de Newark Liberty International (EWR), John F. Kennedy International (JFK) ou LaGuardia (LGA):
- flights: informação sobre todos os 336.776 voos
- airlines: tradução de dois códigos e nomes de operadoras IATA (16 no total)
- planes: informações de construção sobre cada um dos 3.322 aviões usados
- weather: dados meteorológicos de hora em hora (cerca de 8705 observações) para cada um dos três aeroportos de Nova York
- airports: nomes e localizações de aeroportos
Vamos explorar os dados contidos no dataframe flights
flights data frame
Basta digitar o comando abaixo e será exibido parte desse dataframe.
flights## # A tibble: 336,776 x 19
## year month day dep_time sched_dep_time dep_delay arr_time
## <int> <int> <int> <int> <int> <dbl> <int>
## 1 2013 1 1 517 515 2 830
## 2 2013 1 1 533 529 4 850
## 3 2013 1 1 542 540 2 923
## 4 2013 1 1 544 545 -1 1004
## 5 2013 1 1 554 600 -6 812
## 6 2013 1 1 554 558 -4 740
## 7 2013 1 1 555 600 -5 913
## 8 2013 1 1 557 600 -3 709
## 9 2013 1 1 557 600 -3 838
## 10 2013 1 1 558 600 -2 753
## # ... with 336,766 more rows, and 12 more variables: sched_arr_time <int>,
## # arr_delay <dbl>, carrier <chr>, flight <int>, tailnum <chr>,
## # origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>, hour <dbl>,
## # minute <dbl>, time_hour <dttm>A saída desse comando informa várias coisas, como:
- Esse dataframe tem 336.776 linhas
- Há 19 colunas correspondentes a 19 variáveis descrevendo cada observação year, day, dep_time, sched_dep_time, dep_delay, arr_time são colunas diferentes, em outras palavras variáveis, desse conjunto de dados. Temos então as primeiras 10 linhas de observações correspondentes a 10 vôos.
- Há ainda mais 12 variáveis que não cabem nessa tela
Explorando mais um pouco
Entre as muitas maneiras de se ter uma ideia dos dados contidos em um dataframe, como flights, apresentamos uma função e um operador que podem ajudar a explorar os dados:
- função glimpse( ) carregada via pacote dplyr que tem como argumento um dataframe.
- função head ( ) que exibe as 5 primeiras linhas do dataframe.
- operador $ para visualizar uma única variável do dataframe.
Vamos verificar como algumas dessas funções trabalha:
glimpse:
glimpse(flights)## Observations: 336,776
## Variables: 19
## $ year <int> 2013, 2013, 2013, 2013, 2013, 2013, 2013, 2013,...
## $ month <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,...
## $ day <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,...
## $ dep_time <int> 517, 533, 542, 544, 554, 554, 555, 557, 557, 55...
## $ sched_dep_time <int> 515, 529, 540, 545, 600, 558, 600, 600, 600, 60...
## $ dep_delay <dbl> 2, 4, 2, -1, -6, -4, -5, -3, -3, -2, -2, -2, -2...
## $ arr_time <int> 830, 850, 923, 1004, 812, 740, 913, 709, 838, 7...
## $ sched_arr_time <int> 819, 830, 850, 1022, 837, 728, 854, 723, 846, 7...
## $ arr_delay <dbl> 11, 20, 33, -18, -25, 12, 19, -14, -8, 8, -2, -...
## $ carrier <chr> "UA", "UA", "AA", "B6", "DL", "UA", "B6", "EV",...
## $ flight <int> 1545, 1714, 1141, 725, 461, 1696, 507, 5708, 79...
## $ tailnum <chr> "N14228", "N24211", "N619AA", "N804JB", "N668DN...
## $ origin <chr> "EWR", "LGA", "JFK", "JFK", "LGA", "EWR", "EWR"...
## $ dest <chr> "IAH", "IAH", "MIA", "BQN", "ATL", "ORD", "FLL"...
## $ air_time <dbl> 227, 227, 160, 183, 116, 150, 158, 53, 140, 138...
## $ distance <dbl> 1400, 1416, 1089, 1576, 762, 719, 1065, 229, 94...
## $ hour <dbl> 5, 5, 5, 5, 6, 5, 6, 6, 6, 6, 6, 6, 6, 6, 6, 5,...
## $ minute <dbl> 15, 29, 40, 45, 0, 58, 0, 0, 0, 0, 0, 0, 0, 0, ...
## $ time_hour <dttm> 2013-01-01 05:00:00, 2013-01-01 05:00:00, 2013...A tabela acima gerou varias informações sobre os nossos dados. Por exemplo, mostra que as váriaveis year, month e day são números inteiros e que a variável carrier é uma variável caracter ou string
$: Usando essa a função podemos acessar as colunas do dataframe como vetores. Vamos combinar ela com a função head() para acessar só os 5 primeiros valores da variavel origin:
head(flights$origin)## [1] "EWR" "LGA" "JFK" "JFK" "LGA" "EWR"Acho que ficou claro que mesmo com pouco código é possivel acessar e tirar importantes informações de um dataframe no R.
** Keep calm and analysing data! **