2+2

## [1] 4

4*10

## [1] 40

sqrt(16)

## [1] 4

mean(c(2,3,5,8,9,5))

## [1] 5.333333

sd(c(2,3,5,8,9,5))

## [1] 2.73252

median(c(2,3,5,8,9,5))

## [1] 5

O desenvolvimento de pacotes é o grande trunfo do R

• Grande quantidade de desenvolvedores (open-source)

• Instalando e baixando pacotes (apenas na 1ª vez)

# install.packages('ggplot2')
# install.packages('dplyr')
# install.packages('raster')
# install.packages('sf')

• Carregando pacotes (sempre que for usar)

library(ggplot2)
library(dplyr)
library(raster)
library(sf)
library(units)

• Quick-R: https://www.statmethods.net/index.html
• R Graphics Cookbook: https://r-graphics.org/
• R for Beginners: https://cran.r-project.org/doc/contrib/Paradis-rdebuts_en.pdf
• R for Data Science: https://r4ds.had.co.nz/introduction.html
• Fóruns: https://stackoverflow.com/
• R Graphics Cookbook: https://r-graphics.org/

• Vector:
  • Uma coleção com elementos de um mesmo tipo
• Matrix:
  • Um vetor bidimensional, com todos os elementos do mesmo tipo
• List:
  • Numéricos, caracteres, complexos, lógicos, funções, expressões….
• Data frame:
  • Uma tabela. Cada coluna pode ter um tipo de dado diferente.

• Qualitativas:
  • Factor
  • Character
  • Date (um tipo especial de character)
  • Logical (TRUE ou FALSE)
• Quantitativas
  • Numeric (real ou decimal)
  • Integer

mam$data
mam[2]

## Selecting by data

#Criando uma sequência
2:5

## [1] 2 3 4 5

#Criando uma sequência com passos definidos
seq(from=1, to=10, by=2)

## [1] 1 3 5 7 9

• Dentro dos colchetes, primeiro as linhas, depois as colunas [linhas,colunas]

mam[1:4,7:9]

• Selecionando variáveis pela sua posição (nº da coluna)

mam[1:2,c(7,2,3)]

• Selecionando variáveis pelo nome

mam[1:2,c('familia','lat','lon')]

• Dplyr utiliza a estrutura de pipes (%>%)
• %>% arrange (nome da coluna)

library(dplyr)
mam<-mam %>% arrange(lat)

• %>% filter (critérios)

library(dplyr)
mam<-mam %>% filter(familia=='Kogiidae')

## Selecting by nmax

• %>% select (nome da coluna)

mam<-mam %>% select(id, data)

mam%>%select(-nmin, -nmax)

## Selecting by familia

• Sumário de variáveis

summary(mam[3:8])

##       lat              lon            ordem             subordem        
##  Min.   :-34.99   Min.   :-52.08   Length:5251        Length:5251       
##  1st Qu.:-26.28   1st Qu.:-46.00   Class :character   Class :character  
##  Median :-24.77   Median :-43.21   Mode  :character   Mode  :character  
##  Mean   :-25.77   Mean   :-44.12                                        
##  3rd Qu.:-23.60   3rd Qu.:-42.07                                        
##  Max.   :-23.00   Max.   :-36.97                                        
##    familia               nmin        
##  Length:5251        Min.   :   1.00  
##  Class :character   1st Qu.:   1.00  
##  Mode  :character   Median :   2.00  
##                     Mean   :  17.89  
##                     3rd Qu.:  10.00  
##                     Max.   :1000.00

#Soma
sum(mam$nmin, na.rm=T)

## [1] 93935

#Média
mean(mam$lat)

## [1] -25.77081

#Mediana
median(mam$lat)

## [1] -24.7714

mam%>%summarise(latmedia=mean(lat),
                 nmax=sum(nmax),
                 n=n())

• %>% group_by (coluna de grupos)

mam%>%
  group_by(familia)%>%
  summarise(latmedia=mean(lat),
                 nmax=sum(nmax, na.rm=T),
                 n=n())

• Data é um tipo especial de string (texto)

mam<-mam%>%mutate(data2=as.Date(data),
                  time=as.POSIXct(data, format="%Y-%m-%d %H %M %S"))
mam$month<-format(mam$time,'%b')
mam$month<-format(mam$time,'%m')
mam$year<-format(mam$time,'%Y')
mam$week<-format(mam$time, '%Y %V')
mam$idade<-Sys.time()-mam$time

• Com o básico do R

hist(mam$lat)

• Com o ggplot

ggplot(mam,aes(x=lat))+geom_histogram()

• Título do Gráfico (ggtitle)
• Títulos dos eixos (xlab, ylab)
• Fundo branco (theme_bw)
• Cor das barras (fill)

ggplot(mam,aes(x=lat))+
  ggtitle('Distribuição da Latitude de Avistagens')+ #título do gráfico
  geom_histogram(bins=50,fill='darkgreen')+#barras em verde escuro
  theme_bw()+ #fundo branco
  xlab('Latitude')+ #título do eixo x
  ylab('Nº de Avistagens') #título do eixo y

ggplot(mam,aes(x=data2, y=nmax))+
  geom_bar(stat='sum')+#barras em verde escuro
  theme_bw()+ #fundo branco
  xlab('Data')+ #título do eixo x
  ylab('Nº de Avistagens') #título do eixo y

• Dentro do AES
  • fill
  • color
  • size

ggplot(mam,aes(x=lat, fill=familia))+
  ggtitle('Distribuição da Latitude de Avistagens')+
  geom_histogram(bins=50)+
  xlab('Latitude')+
  ylab('Nº de Avistagens')

• facet_wrap
• facet_grid

ggplot(mam,aes(x=lat))+
  ggtitle('Distribuição da Latitude de Avistagens')+ #título do gráfico
  geom_histogram(bins=50)+#barras em verde escuro
  theme_bw()+ #fundo branco
  xlab('Latitude')+ #título do eixo x
  ylab('Nº de Avistagens')+ #título do eixo y
  facet_wrap(~familia, scales='free_y')

• Excelente opção para comparar distribuições

ggplot(mam,aes(x=familia,y=lat))+
  geom_boxplot()+
  ylab('Latitude')+
  xlab(NULL)

mam_year<-mam%>%filter(!is.na(data))%>%
  group_by(month, familia)%>%
  summarise(n=sum(nmax))
                       
ggplot(mam_year,aes(x=month, y=n, fill=familia))+
  geom_bar(stat='identity')+
  theme_bw()+ 
  xlab('Data')+ 
  ylab('Nº de Avistagens')

• Será que é assim mesmo que vou fazer um mapa no R?

ggplot(mam,aes(x=lon,y=lat, color=familia, size=nmax))+
  geom_point(alpha=.3)+
  ylab('Latitude')+
  xlab('Longitude')+
  labs(size='Nº de Indivíduos',
       fill='Família')

• https://r-spatial.github.io/sf/
• Forma mais simples de lidar com dados espaciais (vetores)
• Considera a geometria como mais uma variável
• Possibilita análise e operações com as geometrias

#Carregando um shapefile
states<-read_sf('simmam/states.shp')
plot(states)

plot(states["area"])

plot(states['area'])

<<<<<<< HEAD ## Unindo os polígonos

bra<-st_union(states)
plot(bra)

• Podemos usar as coordenadas para montar um sf

mam_sf<-st_as_sf(mam, coords=c('lon','lat'), crs=4326)
plot(mam_sf)

mam_sf$distcosta<-st_distance(mam_sf,bra)
mam_sf$distkm<-as.numeric(mam_sf$distcosta)/1000

ggplot(mam_sf,aes(x=familia,y=distkm))+
  geom_boxplot()+
  xlab(NULL)+
  ylab('Distância da Costa (km)')

ggplot()+
  geom_sf(data=states)+
  geom_sf(data=mam_sf,aes(color=familia))

• coord_sf (xlim, ylim)

range(mam$lon)
range(mam$lat)
ggplot()+
  geom_sf(data=states)+
  geom_sf(data=mam_sf,aes(color=familia, size=nmax), alpha=.3)+
  coord_sf(xlim=c(-53.5, -36), ylim=c(-35.5,-23), expand=F)+
  labs(color='Familia',
       size='Nº de Indivíduos')

ggplot()+
  geom_sf(data=states)+
  coord_sf(xlim=c(-53.5, -36), ylim=c(-35.5,-23), expand=F)+
  ## calculando as densidades
  stat_density_2d(data=mam,aes(x=lon, y=lat, fill=..level..),geom='polygon',alpha=.5)+ 
  scale_fill_viridis_b() ## modificando a paleta de cores

grid<-st_make_grid(mam_sf, cellsize = 1)
ggplot()+
  geom_sf(data=states)+
  geom_sf(data=grid, alpha=0)+
  coord_sf(xlim=c(-53.5, -36), ylim=c(-35.5,-23), expand=F)

tab<-st_intersects(grid,mam_sf)
grida<-  st_sf(n = lengths(tab), geometry = st_cast(grid, "MULTIPOLYGON"))

ggplot()+
  geom_sf(data=grida%>%filter(n>0),aes(fill=log(n)))+
  geom_sf(data=states)+
  coord_sf(xlim=c(-53.5, -36), ylim=c(-35.5,-23), expand=F)+
  scale_fill_viridis_b()

bat<-raster('simmam/batimetria.tif')
plot(bat)

• Obtendo apenas a plataforma continental

# Criando um raster booleano
plat<-bat>=-200
plot(plat)

# Obtendo a profundidade
mam_sf$prof<-extract(bat, mam_sf)

# Separando dados da plataforma continental
mam_sf$plat<-extract(plat, mam_sf)

ggplot(mam_sf,aes(x=prof,fill=as.factor(plat)))+geom_histogram()