Duas variáveis qualitativas

Aqui vamos fazer uma análise com duas variáveis qualitativas

Passo 1 - Importação de dados

library(readxl)
Familias <- read_excel("C:/Users/mtbor/Downloads/Base_de_dados-master/Familias.xls")
View(Familias)
head(Familias)

## # A tibble: 6 x 6
##   familia local       p.a.p   instr                tam renda
##     <dbl> <chr>       <chr>   <chr>              <dbl> <dbl>
## 1       1 Monte Verde Não usa Ensino médio           4  10.3
## 2       2 Monte Verde Não usa Ensino médio           4  15.4
## 3       3 Monte Verde Usa     Ensino fundamental     4   9.6
## 4       4 Monte Verde Não usa Ensino fundamental     5   5.5
## 5       5 Monte Verde Usa     Ensino médio           4   9  
## 6       6 Monte Verde Usa     Sem Instrução          1   2.4

library(readxl)
SERVPRO_2018_1 <- read_excel("C:/Users/mtbor/Downloads/Base_de_dados-master/SERVPRO_2018_1.xlsx")
View(SERVPRO_2018_1)
head(SERVPRO_2018_1)

## # A tibble: 6 x 9
##      id grau_pagamento  sexo  raca casado idade anos_trabalho desempenho salário
##   <dbl>          <dbl> <dbl> <dbl>  <dbl> <dbl>         <dbl>      <dbl>   <dbl>
## 1     1              1     1     1      0    NA           0.5          2     890
## 2     2              1     1     0      0    25           2.4          3    1100
## 3     3              2     1     0      0    23           3.6          7    1070
## 4     4              1     0     1      0    26           1.9          3    1190
## 5     5              2     1     0      1    22           3.4          6    1290
## 6     6              1     1     1      1    23           2.8          4    1010

Passo 2 - Transformação de dados

SERVPRO_2018_1$sexo <- ifelse(SERVPRO_2018_1$sexo==0, "Masculino", "Feminino")
SERVPRO_2018_1$raca <- ifelse(SERVPRO_2018_1$raca==1, "Minoria", "Nao Minoria")
SERVPRO_2018_1$casado <- ifelse(SERVPRO_2018_1$casado==1,"casado_a","solteiro_a")
SERVPRO_2018_1$grau_pagamento <- ifelse(SERVPRO_2018_1==1,"Junior",
                                 ifelse(SERVPRO_2018_1$grau_pagamento==2,"Pleno","Senior"))

Passo 3 - Apresentando o operador pipe

prop.table(table(SERVPRO_2018_1$grau_pagamento))*100

## 
##    Junior     Pleno    Senior 
##  4.633307 29.308975 66.057718

round(prop.table(table(SERVPRO_2018_1$grau_pagamento))*100,2)

## 
## Junior  Pleno Senior 
##   4.63  29.31  66.06

library(dplyr)

## 
## Attaching package: 'dplyr'

## The following objects are masked from 'package:stats':
## 
##     filter, lag

## The following objects are masked from 'package:base':
## 
##     intersect, setdiff, setequal, union

SERVPRO_2018_1 %>% pull(grau_pagamento) %>% table()

## .
## Junior  Pleno Senior 
##    175   1107   2495

SERVPRO_2018_1 %>% pull(grau_pagamento) %>% 
  table() %>% prop.table() %>% round(2)

## .
## Junior  Pleno Senior 
##   0.05   0.29   0.66

SERVPRO_2018_1 %>% pull(grau_pagamento) %>% 
  table() %>% barplot()

Passo 4 - Tabelas

library(flextable)
Familias %>% select(local,p.a.p) %>% table() %>% data.frame() %>% flextable()

# Tabela em num relativos - linha
Familias %>% select(local,p.a.p) %>% 
  table() %>% prop.table(1)*100

##                     p.a.p
## local                 Não usa      Usa
##   Encosta do Morro   32.43243 67.56757
##   Monte Verde        45.00000 55.00000
##   Parque da Figueira 27.90698 72.09302

# Tabela em num relativos - coluna
Familias %>% select(local,p.a.p) %>% 
  table() %>% prop.table(2)*100

##                     p.a.p
## local                 Não usa      Usa
##   Encosta do Morro   28.57143 32.05128
##   Monte Verde        42.85714 28.20513
##   Parque da Figueira 28.57143 39.74359