Questo documento ripercorre il documento su R denominato R for Excel.

E’ stato pubblicato su RPubs

1 Codice

Per utilizzare del codice bisogna metterlo in 3 backsticks.

Posso avere diverse opzioni:

setup: per includere qualcosa come setup,
include: può essere vero o falso

Ovviamente si può fare l’embedded del codice. Si può decidere di mettere echo in FALSE o TRUE. Una cosa molto interessante è che si possono mettere le etichette nei pezzi di codice. Ogni etichetta deve essere univoca. Probabilmente se ne vedrà l’utilizzo in seguito ma per ora ecco il risultato:

summary(cars)

##      speed           dist       
##  Min.   : 4.0   Min.   :  2.00  
##  1st Qu.:12.0   1st Qu.: 26.00  
##  Median :15.0   Median : 36.00  
##  Mean   :15.4   Mean   : 42.98  
##  3rd Qu.:19.0   3rd Qu.: 56.00  
##  Max.   :25.0   Max.   :120.00

2 Importazione file Excel

Per importare i files di Excel è possibile usare read_excel oppure utilizzando il pacchetto tidyverse possiamo trovare readr e readxl.

ca_np <- suppressMessages(
  read_csv(here("Input/Excel", "ca_np.csv"))
  )

ci_np <- suppressMessages(
  read_excel(here("Input/Excel", "ci_np.xlsx"))
  )

Possiamo successivamente vedere:

names(ca_np)

## [1] "region"    "state"     "code"      "park_name" "type"      "visitors" 
## [7] "year"

head(ca_np)

## # A tibble: 6 × 7
##   region state code  park_name                     type          visitors  year
##   <chr>  <chr> <chr> <chr>                         <chr>            <dbl> <dbl>
## 1 PW     CA    CHIS  Channel Islands National Park National Park     1200  1963
## 2 PW     CA    CHIS  Channel Islands National Park National Park     1500  1964
## 3 PW     CA    CHIS  Channel Islands National Park National Park     1600  1965
## 4 PW     CA    CHIS  Channel Islands National Park National Park      300  1966
## 5 PW     CA    CHIS  Channel Islands National Park National Park    15700  1967
## 6 PW     CA    CHIS  Channel Islands National Park National Park    31000  1968

summary(ca_np)

##     region             state               code            park_name        
##  Length:789         Length:789         Length:789         Length:789        
##  Class :character   Class :character   Class :character   Class :character  
##  Mode  :character   Mode  :character   Mode  :character   Mode  :character  
##                                                                             
##                                                                             
##                                                                             
##      type              visitors            year     
##  Length:789         Min.   :    300   Min.   :1904  
##  Class :character   1st Qu.: 111385   1st Qu.:1946  
##  Mode  :character   Median : 393219   Median :1973  
##                     Mean   : 607632   Mean   :1970  
##                     3rd Qu.: 797800   3rd Qu.:1995  
##                     Max.   :5028868   Max.   :2016

3 GGplot

Fa parte del pacchetto tidyverse. Servono:

i Dati
la geometria
- i data point
- le coordinate
- per usare dimensioni diverse si usano colori o size

Per creare un grafico a barre bisogna:

Usare ggplot2::ggplot()
I dati da usare e le variabili da mettere a grafico
Che tipo di grafico vogliamo con la geometria

grafico = ggplot(
  data = ci_np,
  aes(x=year,y=visitors)
  ) 

grafico + geom_line()

Prima di tutto customizziamo l’aesthetic con colori, stili, titoli negli assi etc.

color = or colour =: update point or line colors
fill =: update fill color for objects with areas
linetype =: update the line type (dashed, long dash, etc.)
pch =: update the point style
size =: update the element size (e.g. of points or line thickness)
alpha =: update element opacity (1 = opaque, 0 = transparent)

grafico + geom_line(
  color = "red"
)+
  geom_point(
  color = "purple",
  size=4,
  pch=17,
  alpha = 0.5
)

Per modificare la grandezza ed il colore in maniera dinamica anzichè fissa come fatto sopra, si supponga uno scatterplot

grafico + geom_point(
    aes(size = visitors,
        color = visitors),
    alpha = 0.5
  )

Interessante anche l’utilizzo di fill che modifica il colore in base al numero.

grafico + geom_col(
    aes(fill = visitors))

Posso, inoltre, utilizzare dei temi.

grafico + geom_point(aes(size = visitors,
        color = visitors),
    alpha = 0.5
  ) +
  theme_bw()

In molti casi, inoltre, è possibile modificare i titoli e le etichette degli assi. Per fare ciò si utilizza labs

grafico+ geom_line(linetype = "dotted") +
  theme_bw() +
  labs(
    x = "Anni",
    y = "Visitatori annui",
    title = "Canale Islands NP Visitation",
    subtitle = "(1963 - 2016)"
  )

Come abbiamo già visto anche in precedenza, è pure possibile sovrapporre grafici compatibili

grafico+
 geom_col(fill = "gray",
           color = "grey") +
  geom_line(color = "red")

Nel caso si abbiano multiple serie, è possibile letteralmente raggrupparle per avere grafici multipli all’interno dello stesso

grafico2 <- ggplot(
  data = ca_np, 
  aes(x = year, y = visitors,group = park_name)
  )

grafico2 + geom_line()

In teoria, dentro geom_line posso usare un color = park_name ma mi restituisce errore…

Per creare grafici multipli devo usare il faceting.

grafico2+geom_line(show.legend = FALSE) +
  theme_light() + 
  labs(x = "year", y = "annual visitors") +
  facet_wrap(~ park_name, nrow = 2)

Infine si possono salvare i grafici con ggsave(here("figures", "np_graph.jpg"), dpi = 180, width = 8, height = 7)

4 Tabelle Pivot con dplyr

Il pacchetto dplyr permette di elaborare i dati in modo molto efficiente e di creare delle tabelle pivot.

OTTIMO CHEATSHEET qui

In questo caso utilizziamo i file lobsters dove le prime righe sono “rumore” rispetto ai dati. Le prime tre righe sono metadati e le informazioni iniziano dalla riga 5.

lobsters <- read_xlsx(here("Input/Excel","lobsters.xlsx"), skip=4)

Una volta importata la base dati, abbiamo usato summary per avere una descrizione del dataset. Questa funzione, però, ignora i campi testuali e quindi utilizzo il macchetto skimr.

skimmata <- skim(lobsters)
skimmata

Data summary
Name	lobsters
Number of rows	2893
Number of columns	7
_______________________
Column type frequency:
character	3
numeric	4
________________________
Group variables	None

Variable type: character

skim_variable	complete_rate	min	max	n_unique
date	1	6	7	28
site	1	4	4	5
replicate	1	1	1	4

Variable type: numeric

skim_variable	n_missing	complete_rate	mean	sd	p0	p25	p50	p75	p100	hist
year	0	1	2014.70	1.19	2012	2014	2015	2016	2016	▂▂▃▇▆
month	0	1	8.04	0.19	8	8	8	8	9	▇▁▁▁▁
transect	0	1	3.72	2.30	1	2	3	5	9	▇▅▃▂▂
size_mm	5	1	71.38	14.75	18	62	72	81	165	▁▇▆▁▁

Supponiamo ci venga chiesto come la dimensione media del lobster sia cambiata per ogni sito durante il tempo.

Per fare ciò usiamo group_by e summarize. E’ sempre importante eliminare gli NA se non necessari:

siteyear_summary <- lobsters %>%
  group_by(site, year) %>%
  summarize(
    count_by_siteyear =  n(), 
    mean_size_mm = mean(size_mm, na.rm=TRUE), 
    sd_size_mm = sd(size_mm, na.rm=TRUE)
  )

## `summarise()` has grouped output by 'site'. You can override using the
## `.groups` argument.

siteyear_summary

## # A tibble: 25 × 5
## # Groups:   site [5]
##    site   year count_by_siteyear mean_size_mm sd_size_mm
##    <chr> <dbl>             <int>        <dbl>      <dbl>
##  1 aque   2012                38         71        10.2 
##  2 aque   2013                32         72.1      12.3 
##  3 aque   2014               100         76.9       9.32
##  4 aque   2015                83         68.5      12.6 
##  5 aque   2016                48         68.7      12.5 
##  6 carp   2012                78         74.4      14.6 
##  7 carp   2013                93         76.6       8.71
##  8 carp   2014                79         79.1       8.57
##  9 carp   2015                90         70.7      14.6 
## 10 carp   2016               231         68.9      12.5 
## # … with 15 more rows

Adesso vogliamo mettere questa variabile in una tabella fatta meglio. Per questo utilizziamo kable

siteyear_summary %>%
  kable()

site	year	count_by_siteyear	mean_size_mm	sd_size_mm
aque	2012	38	71.00000	10.150223
aque	2013	32	72.12500	12.262584
aque	2014	100	76.92000	9.321074
aque	2015	83	68.45783	12.555536
aque	2016	48	68.68750	12.510687
carp	2012	78	74.35897	14.616282
carp	2013	93	76.56989	8.709562
carp	2014	79	79.08974	8.569329
carp	2015	90	70.65556	14.646517
carp	2016	231	68.90476	12.470122
ivee	2012	26	66.07692	12.092719
ivee	2013	40	73.77500	7.640941
ivee	2014	132	76.02273	17.860984
ivee	2015	361	69.80332	17.470534
ivee	2016	193	71.61658	13.450454
mohk	2012	83	77.25301	10.587433
mohk	2013	15	71.86667	10.190098
mohk	2014	36	75.75000	10.038142
mohk	2015	296	59.19932	16.770357
mohk	2016	210	63.01286	11.875763
napl	2012	6	73.00000	11.747340
napl	2013	63	75.31746	12.989854
napl	2014	163	79.51572	9.556531
napl	2015	270	78.24074	12.438899
napl	2016	127	74.39370	10.732060

Vediamo anche la situazione con il codice inline che sarebbe molto interessante per vedere, ad esempio, quante righe ha il nostro dataframe: 2893.

Nessuno ci vieta di mettere a grafico la variabile così ottenuta. Questa volta metto color all’interno della aesthetic in modo da vedere curve con colori differenti.

Prova a mettere e togliere il comando delle palette. Ecco alcuni nomi: in questo sito

siteyear_summary %>% ggplot(
  aes(
    x=year, y=mean_size_mm, color = site
  )
) + labs(
  x = "Anno",
  y = "Media",
  title = "Media per anno"
)+geom_line()+
  scale_color_paletteer_d("RColorBrewer::RdGy")

ggsave(here("Output/OutputExcel", "lobsters-line.png"))

## Saving 7 x 5 in image

Altre interessantissime funzioni di dplyr sono:

mutate
select

Mutate serve per aggiungere informazioni

lobsters_detailed <- lobsters %>%
  mutate(size_m = size_mm / 1000, 
         millenia = 2000,
         observer = "Allison Horst")

Select per fare select in stile SQL ma senza FILTRO.

lobsters_detailed %>%
  select(date, site, size_m)

## # A tibble: 2,893 × 3
##    date    site  size_m
##    <chr>   <chr>  <dbl>
##  1 8/20/12 ivee   0.07 
##  2 8/20/12 ivee   0.06 
##  3 8/20/12 ivee   0.065
##  4 8/20/12 ivee   0.07 
##  5 8/20/12 ivee   0.085
##  6 8/20/12 ivee   0.06 
##  7 8/20/12 ivee   0.065
##  8 8/20/12 ivee   0.067
##  9 8/20/12 ivee   0.07 
## 10 8/20/12 ivee   0.085
## # … with 2,883 more rows

5 Tidying

In questa sezione impariamo a rimodellare i dataframe, a separare ed unire le variabili e trovare e modificare i pattern di stringa.

Qui andremo ad analizzare: - tidyr::pivot_wider() e tidyr::pivot_longer() per rimodellare i data frames - janitor::clean_names() per rendere i titoli di colonna più maneggiabili - tidyr::unite() e tidyr::separate() per merge or separate informazioni da differenti colonne - Trovare e modificare una stringa con le funzioni stringr

Prima di tutto iniziamo a leggere il file che mi interessa:

inverts <- read_excel(here("Input/Excel", "inverts.xlsx"))

A questo punto tidyr::pivot_longer funziona come lo unpivot di powerquery. Si veda prima il dataframe quali dati contiene:

head(inverts)

## # A tibble: 6 × 6
##   month site  common_name              `2016` `2017` `2018`
##   <chr> <chr> <chr>                     <dbl>  <dbl>  <dbl>
## 1 7     abur  california cone snail       451     28    762
## 2 7     abur  california spiny lobster     17     17     16
## 3 7     abur  orange cup coral             24     24     24
## 4 7     abur  purple urchin                48     48     48
## 5 7     abur  rock scallop                 16     16     16
## 6 7     ahnd  california cone snail        27     24     24

A questo punto il contenuto degli anni viene messo in riga anzichè colonna proprio come un unpivot:

inverts_long <- pivot_longer(data = inverts, 
                                    cols = '2016':'2018',
                                    names_to = "year",
                                    values_to = "sp_count")

Si faccia attenzione al fatto che l’anno non viene automaticamente convertito in numerico. Questo perchè prima era un’intestazione ovvero un testo. Per accertarsene:

class(inverts_long$year)

## [1] "character"

Quindi posso modificarla con dyplr

inverts_long <- inverts_long %>% 
  mutate(year = as.numeric(year))
class(inverts_long$year)

## [1] "numeric"

L’esatto contrario ovvero il pivottare in colonna si fa con il pivot_wider:

inverts_wide <- inverts_long %>% 
  pivot_wider(names_from = common_name, 
              values_from = sp_count)

La funzione janitor::clean_names serve per pulire i nomi di colonna. Il pacchetto janitor è un ottimo pacchetto di pulizia:

janitor::clean_names(): update column headers to a case of your choosing
- default: lower_snake_case
- snake produces snake_case (the default)
- lower_camel or small_camel produces lowerCamel
- upper_camel or big_camel produces UpperCamel
- screaming_snake or all_caps produces ALL_CAPS
- lower_upper produces lowerUPPER
- upper_lower produces UPPERlower
janitor::get_dupes(): see all rows that are duplicates within variables you choose
janitor::remove_empty(): remove empty rows and/or columns
janitor::adorn_*(): jazz up tables

Alcuni esempi del clean_names:

inverts_wide <- inverts_wide %>% 
  clean_names("upper_camel")
names(inverts_wide)

## [1] "Month"                  "Site"                   "Year"                  
## [4] "CaliforniaConeSnail"    "CaliforniaSpinyLobster" "OrangeCupCoral"        
## [7] "PurpleUrchin"           "RockScallop"

A questo punto arriviamo a tidyr::unite e tidyr::separate

Ecco unite:

inverts_unite <- inverts_long %>% 
  unite(
    col = "site_year", # Il nome della nuova colonna
    c(site, year), # Le colonne da unire
    sep = "_") # Il separatore

Ecco separate:

inverts_sep <- inverts_unite %>% 
  tidyr::separate(
    site_year, 
    into = c("my_site", "my_year"), sep = "_")

Ultima funzione è modificare una stringa in base ad un pattern.

ca_abbr <- inverts %>% 
  mutate(
    common_name = 
      str_replace(common_name, 
              pattern = "california", 
              replacement = "CA")
  )

5.1 Filter e Join

In questa sezione andiamo ad analizzare

La funzione filter() e la sua pagina di riferimento
Le funzioni *_join() e pagina di riferimento
La possibilità di fare belle tabelel con kable()

Mentre le funzione filter() è simile ai filtri su Excel, la funzione *_join()* è l’evoluzione dei cerca.vert di Excel.

Come sempre, iniziamo a leggere le basi dati:

fish <- read_csv(here("Input/Excel", "fish.csv"))

## Rows: 45 Columns: 4
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (2): site, common_name
## dbl (2): year, total_count
## 
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.

kelp_abur <- read_excel(here("Input/Excel", "kelp_fronds.xlsx"), sheet = "abur")

Abituiamoci a esplorare sempre i dati con queste funzioni:

names(fish)

## [1] "year"        "site"        "common_name" "total_count"

summary(fish)

##       year          site           common_name         total_count   
##  Min.   :2016   Length:45          Length:45          Min.   : 1.00  
##  1st Qu.:2016   Class :character   Class :character   1st Qu.: 1.00  
##  Median :2017   Mode  :character   Mode  :character   Median : 2.00  
##  Mean   :2017                                         Mean   :11.36  
##  3rd Qu.:2018                                         3rd Qu.: 8.00  
##  Max.   :2018                                         Max.   :64.00

head(fish)

## # A tibble: 6 × 4
##    year site  common_name     total_count
##   <dbl> <chr> <chr>                 <dbl>
## 1  2016 abur  black surfperch           2
## 2  2016 abur  blacksmith                1
## 3  2016 abur  garibaldi                 1
## 4  2016 abur  rock wrasse               2
## 5  2016 abur  senorita                 58
## 6  2016 aque  black surfperch           1

tail(fish)

## # A tibble: 6 × 4
##    year site  common_name     total_count
##   <dbl> <chr> <chr>                 <dbl>
## 1  2018 aque  senorita                 36
## 2  2018 mohk  black surfperch          32
## 3  2018 mohk  blacksmith               31
## 4  2018 mohk  garibaldi                10
## 5  2018 mohk  rock wrasse               4
## 6  2018 mohk  senorita                  4

Filter serve per filtrare la base dati e dirgli cosa voglio e cosa voglio escludere.

5.1.1 Filtri singoli su testo e numeri

Supponiamo di volere solo i common_fish denominati garibaldi

fish_garibaldi <- fish %>% 
  filter(  common_name == "garibaldi")

Le clausole per i numeri sono le solite degli altri linguaggi:

fish_over50 <- fish %>% 
  filter(total_count>=50)

Ovviamente posso utilizzare sia clausole di tipo OR sia di tipo AND.

5.1.2 Clausola OR

Vediamo la OR; è possibile esprimere la OR con un |:

fish_3sp <- fish %>% 
  filter(common_name == "garibaldi" | 
           common_name == "blacksmith" | 
           common_name == "black surfperch")

Un’alternativa è l’utilizzo dell’operatore %in%.

fish_2sp_in <- fish %>% 
  filter(common_name %in% c("garibaldi","blacksmith"))

5.1.3 Clausola AND

Ci sono diverse metodologie per fare degli AND.

Separare con una virgola;
Utilizzare l’operatore &
Mettere in coda due o più filters

fish %>% filter(year == 2018, site=="aque")

## # A tibble: 5 × 4
##    year site  common_name     total_count
##   <dbl> <chr> <chr>                 <dbl>
## 1  2018 aque  black surfperch           2
## 2  2018 aque  blacksmith                1
## 3  2018 aque  garibaldi                 1
## 4  2018 aque  rock wrasse               4
## 5  2018 aque  senorita                 36

fish %>% filter(year==2018 & site=="aque")

## # A tibble: 5 × 4
##    year site  common_name     total_count
##   <dbl> <chr> <chr>                 <dbl>
## 1  2018 aque  black surfperch           2
## 2  2018 aque  blacksmith                1
## 3  2018 aque  garibaldi                 1
## 4  2018 aque  rock wrasse               4
## 5  2018 aque  senorita                 36

fish %>% filter(year==2018) %>% filter(site=="aque")

## # A tibble: 5 × 4
##    year site  common_name     total_count
##   <dbl> <chr> <chr>                 <dbl>
## 1  2018 aque  black surfperch           2
## 2  2018 aque  blacksmith                1
## 3  2018 aque  garibaldi                 1
## 4  2018 aque  rock wrasse               4
## 5  2018 aque  senorita                 36

5.2 Selezione con String detect

Può essere necessario selezionare un campo con un pattern di stringa anzichè una stringa precisa. A tal fine è utile stringr::str_detect()

fish %>% 
  filter(str_detect(common_name, pattern = "black"))

## # A tibble: 18 × 4
##     year site  common_name     total_count
##    <dbl> <chr> <chr>                 <dbl>
##  1  2016 abur  black surfperch           2
##  2  2016 abur  blacksmith                1
##  3  2016 aque  black surfperch           1
##  4  2016 aque  blacksmith                1
##  5  2016 mohk  black surfperch           1
##  6  2016 mohk  blacksmith                1
##  7  2017 abur  black surfperch           4
##  8  2017 abur  blacksmith                1
##  9  2017 aque  black surfperch           1
## 10  2017 aque  blacksmith                1
## 11  2017 mohk  black surfperch          50
## 12  2017 mohk  blacksmith                8
## 13  2018 abur  black surfperch           1
## 14  2018 abur  blacksmith                1
## 15  2018 aque  black surfperch           2
## 16  2018 aque  blacksmith                1
## 17  2018 mohk  black surfperch          32
## 18  2018 mohk  blacksmith               31

5.3 Tipologie di Join

Esistono diversi tipi di join che corrispondono a dei cerca.vert tra i quali:

left_join()
right_join()
full_join()
inner_join()

abur_kelp_fish <- fish_over50 %>% 
  full_join(fish, by = c("year", "site"))
abur_kelp_fish

## # A tibble: 50 × 6
##     year site  common_name.x total_count.x common_name.y   total_count.y
##    <dbl> <chr> <chr>                 <dbl> <chr>                   <dbl>
##  1  2016 abur  senorita                 58 black surfperch             2
##  2  2016 abur  senorita                 58 blacksmith                  1
##  3  2016 abur  senorita                 58 garibaldi                   1
##  4  2016 abur  senorita                 58 rock wrasse                 2
##  5  2016 abur  senorita                 58 senorita                   58
##  6  2016 aque  senorita                 57 black surfperch             1
##  7  2016 aque  senorita                 57 blacksmith                  1
##  8  2016 aque  senorita                 57 garibaldi                   1
##  9  2016 aque  senorita                 57 rock wrasse                 1
## 10  2016 aque  senorita                 57 senorita                   57
## # … with 40 more rows

Interessante mettere tutti questi comandi all’interno di un’unica istruzione:

my_fish_join <- fish %>% 
  filter(year == 2017, site == "abur") %>% 
  left_join(abur_kelp_fish, by = c("year", "site")) %>% 
  mutate(fish_per_frond = total_count/100 )
my_fish_join

## # A tibble: 50 × 9
##     year site  common_name     total_c…¹ commo…² total…³ commo…⁴ total…⁵ fish_…⁶
##    <dbl> <chr> <chr>               <dbl> <chr>     <dbl> <chr>     <dbl>   <dbl>
##  1  2017 abur  black surfperch         4 rock w…      57 black …       4    0.04
##  2  2017 abur  black surfperch         4 rock w…      57 blacks…       1    0.04
##  3  2017 abur  black surfperch         4 rock w…      57 gariba…       1    0.04
##  4  2017 abur  black surfperch         4 rock w…      57 rock w…      57    0.04
##  5  2017 abur  black surfperch         4 rock w…      57 senori…      64    0.04
##  6  2017 abur  black surfperch         4 senori…      64 black …       4    0.04
##  7  2017 abur  black surfperch         4 senori…      64 blacks…       1    0.04
##  8  2017 abur  black surfperch         4 senori…      64 gariba…       1    0.04
##  9  2017 abur  black surfperch         4 senori…      64 rock w…      57    0.04
## 10  2017 abur  black surfperch         4 senori…      64 senori…      64    0.04
## # … with 40 more rows, and abbreviated variable names ¹total_count,
## #   ²common_name.x, ³total_count.x, ⁴common_name.y, ⁵total_count.y,
## #   ⁶fish_per_frond

6 Kable

E’ molto importante avere delle tabelle ben formattate. A questo proposito ci viene in aiuto kableExtra.

Prendo il risultato di prima e lo inserisco in una tabella ben formattata:

my_fish_join %>% 
  kbl() %>%
  kable_classic_2(full_width = F)

year	site	common_name	total_count	common_name.x	total_count.x	common_name.y	total_count.y	fish_per_frond
2017	abur	black surfperch	4	rock wrasse	57	black surfperch	4	0.04
2017	abur	black surfperch	4	rock wrasse	57	blacksmith	1	0.04
2017	abur	black surfperch	4	rock wrasse	57	garibaldi	1	0.04
2017	abur	black surfperch	4	rock wrasse	57	rock wrasse	57	0.04
2017	abur	black surfperch	4	rock wrasse	57	senorita	64	0.04
2017	abur	black surfperch	4	senorita	64	black surfperch	4	0.04
2017	abur	black surfperch	4	senorita	64	blacksmith	1	0.04
2017	abur	black surfperch	4	senorita	64	garibaldi	1	0.04
2017	abur	black surfperch	4	senorita	64	rock wrasse	57	0.04
2017	abur	black surfperch	4	senorita	64	senorita	64	0.04
2017	abur	blacksmith	1	rock wrasse	57	black surfperch	4	0.01
2017	abur	blacksmith	1	rock wrasse	57	blacksmith	1	0.01
2017	abur	blacksmith	1	rock wrasse	57	garibaldi	1	0.01
2017	abur	blacksmith	1	rock wrasse	57	rock wrasse	57	0.01
2017	abur	blacksmith	1	rock wrasse	57	senorita	64	0.01
2017	abur	blacksmith	1	senorita	64	black surfperch	4	0.01
2017	abur	blacksmith	1	senorita	64	blacksmith	1	0.01
2017	abur	blacksmith	1	senorita	64	garibaldi	1	0.01
2017	abur	blacksmith	1	senorita	64	rock wrasse	57	0.01
2017	abur	blacksmith	1	senorita	64	senorita	64	0.01
2017	abur	garibaldi	1	rock wrasse	57	black surfperch	4	0.01
2017	abur	garibaldi	1	rock wrasse	57	blacksmith	1	0.01
2017	abur	garibaldi	1	rock wrasse	57	garibaldi	1	0.01
2017	abur	garibaldi	1	rock wrasse	57	rock wrasse	57	0.01
2017	abur	garibaldi	1	rock wrasse	57	senorita	64	0.01
2017	abur	garibaldi	1	senorita	64	black surfperch	4	0.01
2017	abur	garibaldi	1	senorita	64	blacksmith	1	0.01
2017	abur	garibaldi	1	senorita	64	garibaldi	1	0.01
2017	abur	garibaldi	1	senorita	64	rock wrasse	57	0.01
2017	abur	garibaldi	1	senorita	64	senorita	64	0.01
2017	abur	rock wrasse	57	rock wrasse	57	black surfperch	4	0.57
2017	abur	rock wrasse	57	rock wrasse	57	blacksmith	1	0.57
2017	abur	rock wrasse	57	rock wrasse	57	garibaldi	1	0.57
2017	abur	rock wrasse	57	rock wrasse	57	rock wrasse	57	0.57
2017	abur	rock wrasse	57	rock wrasse	57	senorita	64	0.57
2017	abur	rock wrasse	57	senorita	64	black surfperch	4	0.57
2017	abur	rock wrasse	57	senorita	64	blacksmith	1	0.57
2017	abur	rock wrasse	57	senorita	64	garibaldi	1	0.57
2017	abur	rock wrasse	57	senorita	64	rock wrasse	57	0.57
2017	abur	rock wrasse	57	senorita	64	senorita	64	0.57
2017	abur	senorita	64	rock wrasse	57	black surfperch	4	0.64
2017	abur	senorita	64	rock wrasse	57	blacksmith	1	0.64
2017	abur	senorita	64	rock wrasse	57	garibaldi	1	0.64
2017	abur	senorita	64	rock wrasse	57	rock wrasse	57	0.64
2017	abur	senorita	64	rock wrasse	57	senorita	64	0.64
2017	abur	senorita	64	senorita	64	black surfperch	4	0.64
2017	abur	senorita	64	senorita	64	blacksmith	1	0.64
2017	abur	senorita	64	senorita	64	garibaldi	1	0.64
2017	abur	senorita	64	senorita	64	rock wrasse	57	0.64
2017	abur	senorita	64	senorita	64	senorita	64	0.64

IMPORTANTE: questo documento spiega come fare delle ottime tabelle in kable

7 Collaborazione

Porca miseria!! Il pacchetto reprex() serve per creare un esempio del codice del quale trovare una soluzione sul web.

Seleziona del codice
Vai in console e digita reprex()
Viene generato del codice di esempio da copiare/incollare

Excel con R

Vittorio Zuccalà

2022-08-26