Probabilidade e Estatística - Aula 1
Rogério de Oliveira
2021-03-07
Probabilidade, Estatística e Introdução ao R
Aqui você entenderá a importância da estatística e da probabilidade para análise de dados e irá aprender como empregar o R para extrair importantes informações sobre os dados. Você iniciará pelos comandos e estruturas básicas da linguagem como variáveis, atribuições e operações aritméticas. É esperado que você já tenha alguma familiaridade com linguagens de programação. Você aprenderá como acessar grandes conjuntos de dados, a fazer seleções de instâncias e atributos de interesse, e obter estatísticas básicas sobre esses dados.
Introdução
Probabilidade e estatística são uma base importante para diferentes os campos da ciência da computação, engenharias, tecnologia da informação e ciências, humanas e biológicas etc. são também a base do que atualmente chamamos Ciência de Dados, com intersecções com o aprendizado de máquina, inteligência artificial e muitas outras áreas. São conceitos fundamentais para compreendermos quaisquer conjuntos de dados e que envolvem estatística descritiva de dados, uso de amostras, análise de distribuições, correlação e além de técnicas de inferência, como regressão e teste de hipóteses, instrumentos úteis, se não essenciais, para a tomada de decisões.
Para aplicarmos esses conceitos você irá empregar a linguagem R. R é uma linguagem de código aberto (open source) com uma série de recursos para Análise de Dados, incluindo funções estatísticas e de visualização dos dados, e de amplo uso no mercado em diversas áreas.
Introdução ao R
Aqui você terá uma introdução à linguagem R e ao ambiente R Studio. É esperado que você tenha nesse ponto já tenha familiaridade com alguma linguagem de programa (Python, C++, Java) e editores de programação. Assim faremos uma introdução baseada em exemplos, assumindo que você já tem os conceitos básicos como variáveis, tipos de dados, atribuição, controles de fluxo em programas etc.
Você pode nesse ponto preferir acessar outros materiais da internet com cursos, vídeo aulas etc. e você pode ficar a vontade para buscar outras formas para se familiarizar com a linguagem R.
Acessando o RStudio
Neste curso você pode empregar o RStudio Cloud é um ambiente em nuvem, gratuíto, para o desenvolvimento de aplicações. Se prefirir o uso de um ambiente local acesse R Project e RStudio fazendo a instalação do R e depois do RStudio.
Semelhante a outros editores de linguagem de programação você encontra no RStudio uma barra de opções (arquivo, edit, code, view, …) e áreas de trabalho:
- Uma área para edição dos programas
- Uma console para comandos e saídas dos programas
- Uma área de arquivos, plots etc.
- Uma área de objetos, onde você pode inspecionar o estado de suas variáveis
Help
Antes de começar, o R fornece documentação extensa. Por exemplo, inserindo ?C ou help(c) no prompt da console exibe a documentação da função c em R.
help(table)## starting httpd help server ... doneE se você não tiver certeza do nome da função pode realizar uma pesquisa com a função apropos.
apropos('nova')## [1] "anova" "manova" "power.anova.test" "stat.anova"
## [5] "summary.manova"Aritmética com R
Em sua forma mais básica, R pode ser usado como uma calculadora simples empregando os operadores +, -, *, /, ^ (potência) ou %% (módulo).
E você pode executar esses comandos na console:
# Uma adição
5 + 3 ## [1] 8# Uma subtração
5 - 3 ## [1] 2# Uma multiplicação
3 * 5## [1] 15# Uma divisão
( 5 + 5 ) / 2 ## [1] 5Atribuição de variável
Uma variável, como em outras linguagens, permite que você armazene um valor ou um objeto e empregar o nome dessa variável para acesso aos valores armazenados. Os valores são atribuídos com <-, ou indiferentemente, com = (a partir de todas as versões mais recentes de R). Prefira empregar o =.
# São equivalentes
my_var1 <- 4
my_var2 = 4O R implementa, tipos fracos, a exemplo do Python em que o tipo da variável é definido dinamicamente sem a necessidade de declaração da variável.
Os valores podem ser exibidos automaticamente a partir do nome da variável. Mas somente a última saída é exibida.
my_var1 ## [1] 4my_var2 ## [1] 4Ou você pode optar pelo print dos valores.
print(my_var1)## [1] 4print(my_var2) ## [1] 4Observe que o R é sensível a maiúsculas e minúsculas! Assim:
My_var = 5
my_var = 4
print(My_var == my_var)## [1] FALSETipos de dados básicos em R
Alguns dos tipos mais básicos são:
my_numeric = 42.55
my_text = "algum texto"
my_caracter = 'a'
my_logical = TRUE # Boolean
sprintf("Valores = %s , %s , %s , %d", my_numeric, my_text, my_caracter, my_logical)## [1] "Valores = 42.55 , algum texto , a , 1"sprintf("Tipos = %s , %s , %s , %s", class(my_numeric), class(my_text), class(my_caracter), class(my_logical))## [1] "Tipos = numeric , character , character , logical"Aspas simples ou duplas são usadas indiferentemente. O comando sprintf permite a formatação da saída em C-Style e o comando class pode ser empregado para exibir a classe ou tipo de dado.
Vetores
Um tipo de dado essencial em R são os vetores. Lembre-se, o R é uma linguagem para trabalhar com coleções de dados, e a coleção mais simples são os vetores. Para criar esses vetores você pode empregar o comando c( ), que significa combine, e são estruturas bastante semelhantes as listas em Python (embora não possuam os mesmos métodos).
vetor_numerico = c(1, 2, 3)
vetor_caracter = c("a", "b", "c")
vetor_mix = c(1, 'a', TRUE)
cat('Tipos = ', class(vetor_numerico), class(vetor_caracter), class(vetor_mix))## Tipos = numeric character characterhelp(cat)Como você pode ver acima os vetores podem ter vários tipos de dados e assumem o tipo mais abrangente. O comando cat( ) ‘Concatenate and Print’ é empregado aqui para exibir os tipos de dados como alternativa ao print() e sprintf() usados anteriormente.
Como nos arrays de outras liguagens os vetores são listas ordenadas e indexadas e você pode acessar e alterar os valores referenciando o índice dos elementos.
cat('Antes: ', vetor_numerico, '\n')## Antes: 1 2 3vetor_numerico[2] = 99
cat('Depois: ', vetor_numerico, '\n')## Depois: 1 99 3for (i in 1:3) cat('\n', vetor_numerico[i]) ##
## 1
## 99
## 3Você deve notar que os índices começam por 1 (diferentemente de listas em Python que iniciam com 0), e abaixo você encontra algumas formas que serão úteis para inicializar vetores.
x = c(1,-2,3)
y = seq(1,10,0.5)
z = c(1:10)
t = rep(c(1,2),each=3) # bem sofisticado aqui... :-)
cat('x= ', x, '\ny= ', y, '\nz= ', z, '\nt= ', t)## x= 1 -2 3
## y= 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6 6.5 7 7.5 8 8.5 9 9.5 10
## z= 1 2 3 4 5 6 7 8 9 10
## t= 1 1 1 2 2 2O R, muito mais orientado a trabalhar com coleções de dados que com variáveis simples, permite que uma série de funções sejam aplicadas diretamente às coleções sem a necessidade de iterações (loops), sendo assim mais próximo do comportamento de listas em Python do que o que seria como seria comum em arrays de C++ ou Java.
Assim, no lugar de:
x = seq(1,10,1)
cat('Antes ', x)## Antes 1 2 3 4 5 6 7 8 9 10for (i in 1:10){ # C++ e Java arrays funcionam desse modo
x[i] = x[i] + 1
}
cat('\nDepois ', x)##
## Depois 2 3 4 5 6 7 8 9 10 11Você pode simplesmente pode escrever:
x = seq(1,10,1)
cat('Antes ', x)## Antes 1 2 3 4 5 6 7 8 9 10x = x + 1 # em R a operação + é feita para todos elementos da coleção sem a necessidade das iterações
cat('\nDepois ', x)##
## Depois 2 3 4 5 6 7 8 9 10 11E de modo análogo outras operações:
x = seq(1,10,1)
cat('Antes ', x)## Antes 1 2 3 4 5 6 7 8 9 10cat('\nDepois... \n')##
## Depois...print(2*x)## [1] 2 4 6 8 10 12 14 16 18 20print(x+1)## [1] 2 3 4 5 6 7 8 9 10 11print(sum(x))## [1] 55print(max(x), min(x))## [1] 10print(sqrt(x))## [1] 1.000000 1.414214 1.732051 2.000000 2.236068 2.449490 2.645751 2.828427
## [9] 3.000000 3.162278O que se aplica também para funções lógicas:
x = seq(1,10,1)
print(x > 5)## [1] FALSE FALSE FALSE FALSE FALSE TRUE TRUE TRUE TRUE TRUEo que fornece uma forma bastante prática para você fazer a seleção de valores em uma coleção:
x = seq(1,10,1)
L = x > 5 # vetor lógico selecionando os índices que correspondem a valores > 5
print(x[L])## [1] 6 7 8 9 10Matrizes e Arrays
Matrizes e Arrays também podem ser criados. As matrizes são coleções de 2 dimensões, enquanto os arrays são generalizações de matrizes para mais (ou menos) de 2 dimensões. Mas essas estruturas serão pouco empregadas aqui, sendo muito mais frequente o uso de vetores.
X = matrix(c(1,2,3,4,5,6),nrow=2,ncol=3); X # Uma matriz 2x3## [,1] [,2] [,3]
## [1,] 1 3 5
## [2,] 2 4 6X = array(c(1,2,3,4,5,6,7,8,9,10,1,1),dim=c(3,2,2)); X # Um array: 2 matrizes 3x2## , , 1
##
## [,1] [,2]
## [1,] 1 4
## [2,] 2 5
## [3,] 3 6
##
## , , 2
##
## [,1] [,2]
## [1,] 7 10
## [2,] 8 1
## [3,] 9 1Fatores
Para lidar com medições nas escalas nominais e ordinais o R fornece vetores de tipo fator. Um fator é uma variável que pode assumir apenas um número discreto (finito) de valores distintos (os levels). Para criar um fator você pode aplicar a função factor a um vetor de qualquer classe:
# gender com 5 "male" e 10 "female"
gender = c(rep("male",5), rep("female", 10))
sprintf(gender, '\n', class(gender) , '\n') # como vetor## [1] "male" "male" "male" "male" "male" "female" "female" "female"
## [9] "female" "female" "female" "female" "female" "female" "female"gender = factor(gender) # como factor
sprintf(as.character(gender), '\n', class(gender) , '\n')## [1] "male" "male" "male" "male" "male" "female" "female" "female"
## [9] "female" "female" "female" "female" "female" "female" "female"# factor faz com que os valores sejam armazenados internamente 1=female, 2=male internally (ordem alfabética) e o R tratará gender como uma variável nominal e não como caracteres!
cat(gender, '\n')## 2 2 2 2 2 1 1 1 1 1 1 1 1 1 1summary(gender)## female male
## 10 5O uso de fatores envolve uma série detalhes e por hora é suficiente você saber que existem essas coleções que criam valores nominais e ordinais.
rating = c(rep("large",1), rep("medium",2), rep("small",3))
rating = ordered(rating)
print(rating)## [1] large medium medium small small small
## Levels: large < medium < smallCaracteres
Vale a pena também você olhar algumas funções úteis para a manipulação de caracteres em R como a conversão para caracteres, a concatenação de strings e substrings:
x = as.character(3.14) # converte para caracteres
cat(x, class(x), '\n') ## 3.14 charactery = paste('Universidade','Presbiteriana','Mackenzie') # concatena strings
print(y)## [1] "Universidade Presbiteriana Mackenzie"print( substr (y, start = 14, stop = 26) ) # substring## [1] "Presbiteriana"Input pelo teclado
Você pode fazer a entrada de dados pelo teclado pode ser feita através do comando readline, o que é equivalente ao comando input do Python.
nome = readline(prompt="Entre com seu nome: ")## Entre com seu nome:idade = as.numeric(readline(prompt="Entre com sua idade: "))## Entre com sua idade:cat('nome: ', nome, 'idade: ', idade, '\n')## nome: idade: NAEstruturas de controle de fluxo
Estruturas e controle de fluxo como for, while, if são bastante análogas às outras linguagens inclusive na sintaxe:
if(cond) expr
if(cond) cons.expr else alt.expr
for(var in seq) expr
while(cond) expr
repeat expr
break
nextVocê pode ver alguns exemplos abaixo, mas vamos deixar para você explorar melhor esses comandos sugerindo que você comece pelo help('for').
for(i in 1:5) print(1:i)## [1] 1
## [1] 1 2
## [1] 1 2 3
## [1] 1 2 3 4
## [1] 1 2 3 4 5for(n in c(2,5,10,20,50)) {
x = stats::rnorm(n)
cat(n, ": ", sum(x^2), "\n", sep = "")
}## 2: 0.546778
## 5: 3.565513
## 10: 4.602444
## 20: 23.80547
## 50: 64.89254f = factor(sample(letters[1:5], 10, replace = TRUE))
for(i in unique(f)) print(i)## [1] "c"
## [1] "e"
## [1] "d"
## [1] "b"
## [1] "a"a = 5; b = 6
if (a < b) print('menor') else print('maior')## [1] "menor"E você pode empregar {} para definir blocos de instruções que são executadas em conjunto.
Pacotes
Existem muitos pacotes que implementam funcionalidades adicionais ao R e você empregará alguns deles ao longo do curso. Você deve empregar o comando library() para ‘importar’ as funcionalidades de uma biblioteca já instalada. Caso o pacote ainda não tenha sido instalado você deverá usar o install.packages(), mas este último comando, em geral, precisa ser feito uma única vez no seu ambiente.
# install.packages('ggplot2') # comentado aqui
library(ggplot2)O comando acima instala e importa um pacote bastante popular para gráficos e visualização de dados em R.
Outros recursos
O R possui ainda muito mais recursos do quê você aprendeu aqui, como recursos para orientação a objetos, suporte a operações em arquivos etc. Mas o aprendizado de uma linguagem, assim como aprender uma língua, não pode ser feito de uma única vez e requer o uso e a prática, e aqui você tem mais do que o suficiente para prosseguir no uso do R. E você ainda pode acessar a documentação do R.
Dataframes
Uma das formas mais comuns de tratarmos dados em R são os dataframes. O dataframes são tabelas de dados semelhantes às que você encontra em um banco de dados relacional (SQL). Eles são uma lista ou coleção de vetores de igual comprimento.
nr = c(1, 2, 3)
nome = c("Ana", "Adriana", "Daniel")
estudante = c(TRUE, FALSE, TRUE)
idade = c(15, 18, 17)
df = data.frame (nr, nome, estudante, idade)
print(df)## nr nome estudante idade
## 1 1 Ana TRUE 15
## 2 2 Adriana FALSE 18
## 3 3 Daniel TRUE 17Vetor de Coluna
De modo semelhante ao SQL você pode referenciar os atributos (as colunas) a partir do nome da coluna como vetores.
print(df$nome)## [1] "Ana" "Adriana" "Daniel"print(df$idade)## [1] 15 18 17Note que em R empregamos o símbolo ‘$’ referenciar o atributo no lugar de ‘.’, como é empregado em geral para fazer referências de objetos.
Cada atributo sendo um vetor você pode aplicar todas as funções que são aplicáveis a vetores para esses atributos, e você pode ver algumas das funções que empregamos anteriormente aqui:
sprintf('Idade mínima: %d', min(df$idade))## [1] "Idade mínima: 15"sprintf('Idade média: %.2f', mean(df$idade))## [1] "Idade média: 16.67"print('Antes: ')## [1] "Antes: "print(df)## nr nome estudante idade
## 1 1 Ana TRUE 15
## 2 2 Adriana FALSE 18
## 3 3 Daniel TRUE 17# Somando 1 na idade
df$idade = df$idade + 1
print('Depois: ')## [1] "Depois: "print(df)## nr nome estudante idade
## 1 1 Ana TRUE 16
## 2 2 Adriana FALSE 19
## 3 3 Daniel TRUE 18Ou ainda operações lógicas:
print(df$idade >= 18)## [1] FALSE TRUE TRUEVocê verá como empregar isso abaixo para a seleção de linhas de uma tabela.
Selecionando dados de um dataframe
Uma das operações mais importantes sobre os dados é a seleção de dados de interesse. Você pode estar interessado somente em algumas linhas do seu conjunto de dado como ‘os alunos mais de 18 anos’, ‘os clientes do estado de São Paulo’, ‘os produtos com preço abaixo de …’ determinado valor, ou ainda querer selecionar somente alguns atributos do conjunto de dados.
Nos exemplos a seguir vamos empregar o mtcars um dos datasets built-in do R. Mais adiante você aprenderá como importar dados de fontes próprias.
Características dos dados
Os comandos abaixo permitem explorar a estrutura básica de um dataset, como o número de linhas, colunas, tipos de dados etc. e você provavelmente começará uma exploração de dados por esses comandos para entender a estrutura dos dados em mãos antes de selecionar e analisar de fato os dados.
Você pode executar cada um dos comandos em separado para exibir suas saídas.
# execute cada um dos comandos isoladamente
head(mtcars) # cabeçalho do dataframe## mpg cyl disp hp drat wt qsec vs am gear carb
## Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4
## Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4
## Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1
## Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1
## Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2
## Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1tail(mtcars) # final do dataframe## mpg cyl disp hp drat wt qsec vs am gear carb
## Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.7 0 1 5 2
## Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.9 1 1 5 2
## Ford Pantera L 15.8 8 351.0 264 4.22 3.170 14.5 0 1 5 4
## Ferrari Dino 19.7 6 145.0 175 3.62 2.770 15.5 0 1 5 6
## Maserati Bora 15.0 8 301.0 335 3.54 3.570 14.6 0 1 5 8
## Volvo 142E 21.4 4 121.0 109 4.11 2.780 18.6 1 1 4 2dim(mtcars) # Dimensões## [1] 32 11ncol(mtcars) # nr de colunas## [1] 11nrow(mtcars) # nr de linhas## [1] 32names(mtcars) # nome das colunas## [1] "mpg" "cyl" "disp" "hp" "drat" "wt" "qsec" "vs" "am" "gear"
## [11] "carb"rownames(mtcars) # nome das linhas ## [1] "Mazda RX4" "Mazda RX4 Wag" "Datsun 710"
## [4] "Hornet 4 Drive" "Hornet Sportabout" "Valiant"
## [7] "Duster 360" "Merc 240D" "Merc 230"
## [10] "Merc 280" "Merc 280C" "Merc 450SE"
## [13] "Merc 450SL" "Merc 450SLC" "Cadillac Fleetwood"
## [16] "Lincoln Continental" "Chrysler Imperial" "Fiat 128"
## [19] "Honda Civic" "Toyota Corolla" "Toyota Corona"
## [22] "Dodge Challenger" "AMC Javelin" "Camaro Z28"
## [25] "Pontiac Firebird" "Fiat X1-9" "Porsche 914-2"
## [28] "Lotus Europa" "Ford Pantera L" "Ferrari Dino"
## [31] "Maserati Bora" "Volvo 142E"str(mtcars) # Estrutura dos dados, como exibido no RStudio na janela superior direita## 'data.frame': 32 obs. of 11 variables:
## $ mpg : num 21 21 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 ...
## $ cyl : num 6 6 4 6 8 6 8 4 4 6 ...
## $ disp: num 160 160 108 258 360 ...
## $ hp : num 110 110 93 110 175 105 245 62 95 123 ...
## $ drat: num 3.9 3.9 3.85 3.08 3.15 2.76 3.21 3.69 3.92 3.92 ...
## $ wt : num 2.62 2.88 2.32 3.21 3.44 ...
## $ qsec: num 16.5 17 18.6 19.4 17 ...
## $ vs : num 0 0 1 1 0 1 0 1 1 1 ...
## $ am : num 1 1 1 0 0 0 0 0 0 0 ...
## $ gear: num 4 4 4 3 3 3 3 4 4 4 ...
## $ carb: num 4 4 1 1 2 1 4 2 2 4 ...summary(mtcars) # Summary statistics## mpg cyl disp hp
## Min. :10.40 Min. :4.000 Min. : 71.1 Min. : 52.0
## 1st Qu.:15.43 1st Qu.:4.000 1st Qu.:120.8 1st Qu.: 96.5
## Median :19.20 Median :6.000 Median :196.3 Median :123.0
## Mean :20.09 Mean :6.188 Mean :230.7 Mean :146.7
## 3rd Qu.:22.80 3rd Qu.:8.000 3rd Qu.:326.0 3rd Qu.:180.0
## Max. :33.90 Max. :8.000 Max. :472.0 Max. :335.0
## drat wt qsec vs
## Min. :2.760 Min. :1.513 Min. :14.50 Min. :0.0000
## 1st Qu.:3.080 1st Qu.:2.581 1st Qu.:16.89 1st Qu.:0.0000
## Median :3.695 Median :3.325 Median :17.71 Median :0.0000
## Mean :3.597 Mean :3.217 Mean :17.85 Mean :0.4375
## 3rd Qu.:3.920 3rd Qu.:3.610 3rd Qu.:18.90 3rd Qu.:1.0000
## Max. :4.930 Max. :5.424 Max. :22.90 Max. :1.0000
## am gear carb
## Min. :0.0000 Min. :3.000 Min. :1.000
## 1st Qu.:0.0000 1st Qu.:3.000 1st Qu.:2.000
## Median :0.0000 Median :4.000 Median :2.000
## Mean :0.4062 Mean :3.688 Mean :2.812
## 3rd Qu.:1.0000 3rd Qu.:4.000 3rd Qu.:4.000
## Max. :1.0000 Max. :5.000 Max. :8.000Seleção de Linhas e Colunas
Sendo uma estrutura de duas dimensões os dados de um dataframe podem ser referenciados do seguinte modo:
dataframe [ linhas , colunas ]Onde linhas e colunas podem conter uma ou mais posições (uma seleção de dados). É comum também nos referirmos à seleção de dados como ‘slice’ (fatias) de dados.
A seleção de colunas pode ser feita referenciando o nome ou a posição dos atributos. E você deve notar a vírgula indicando que, neste caso, não há nenhum filtro para linhas. Você deve executar isoladamente cada um dos comandos abaixo para exibir as saídas. As 3 seleções de mtcars produzem a mesma seleção de atributos.
# execute cada um dos comandos isoladamente
print(names(mtcars)) ## [1] "mpg" "cyl" "disp" "hp" "drat" "wt" "qsec" "vs" "am" "gear"
## [11] "carb"mtcars[ , c('cyl','disp','hp')] ## cyl disp hp
## Mazda RX4 6 160.0 110
## Mazda RX4 Wag 6 160.0 110
## Datsun 710 4 108.0 93
## Hornet 4 Drive 6 258.0 110
## Hornet Sportabout 8 360.0 175
## Valiant 6 225.0 105
## Duster 360 8 360.0 245
## Merc 240D 4 146.7 62
## Merc 230 4 140.8 95
## Merc 280 6 167.6 123
## Merc 280C 6 167.6 123
## Merc 450SE 8 275.8 180
## Merc 450SL 8 275.8 180
## Merc 450SLC 8 275.8 180
## Cadillac Fleetwood 8 472.0 205
## Lincoln Continental 8 460.0 215
## Chrysler Imperial 8 440.0 230
## Fiat 128 4 78.7 66
## Honda Civic 4 75.7 52
## Toyota Corolla 4 71.1 65
## Toyota Corona 4 120.1 97
## Dodge Challenger 8 318.0 150
## AMC Javelin 8 304.0 150
## Camaro Z28 8 350.0 245
## Pontiac Firebird 8 400.0 175
## Fiat X1-9 4 79.0 66
## Porsche 914-2 4 120.3 91
## Lotus Europa 4 95.1 113
## Ford Pantera L 8 351.0 264
## Ferrari Dino 6 145.0 175
## Maserati Bora 8 301.0 335
## Volvo 142E 4 121.0 109mtcars[ , c(2,3,4)] ## cyl disp hp
## Mazda RX4 6 160.0 110
## Mazda RX4 Wag 6 160.0 110
## Datsun 710 4 108.0 93
## Hornet 4 Drive 6 258.0 110
## Hornet Sportabout 8 360.0 175
## Valiant 6 225.0 105
## Duster 360 8 360.0 245
## Merc 240D 4 146.7 62
## Merc 230 4 140.8 95
## Merc 280 6 167.6 123
## Merc 280C 6 167.6 123
## Merc 450SE 8 275.8 180
## Merc 450SL 8 275.8 180
## Merc 450SLC 8 275.8 180
## Cadillac Fleetwood 8 472.0 205
## Lincoln Continental 8 460.0 215
## Chrysler Imperial 8 440.0 230
## Fiat 128 4 78.7 66
## Honda Civic 4 75.7 52
## Toyota Corolla 4 71.1 65
## Toyota Corona 4 120.1 97
## Dodge Challenger 8 318.0 150
## AMC Javelin 8 304.0 150
## Camaro Z28 8 350.0 245
## Pontiac Firebird 8 400.0 175
## Fiat X1-9 4 79.0 66
## Porsche 914-2 4 120.3 91
## Lotus Europa 4 95.1 113
## Ford Pantera L 8 351.0 264
## Ferrari Dino 6 145.0 175
## Maserati Bora 8 301.0 335
## Volvo 142E 4 121.0 109mtcars[ , c(2:4)] ## cyl disp hp
## Mazda RX4 6 160.0 110
## Mazda RX4 Wag 6 160.0 110
## Datsun 710 4 108.0 93
## Hornet 4 Drive 6 258.0 110
## Hornet Sportabout 8 360.0 175
## Valiant 6 225.0 105
## Duster 360 8 360.0 245
## Merc 240D 4 146.7 62
## Merc 230 4 140.8 95
## Merc 280 6 167.6 123
## Merc 280C 6 167.6 123
## Merc 450SE 8 275.8 180
## Merc 450SL 8 275.8 180
## Merc 450SLC 8 275.8 180
## Cadillac Fleetwood 8 472.0 205
## Lincoln Continental 8 460.0 215
## Chrysler Imperial 8 440.0 230
## Fiat 128 4 78.7 66
## Honda Civic 4 75.7 52
## Toyota Corolla 4 71.1 65
## Toyota Corona 4 120.1 97
## Dodge Challenger 8 318.0 150
## AMC Javelin 8 304.0 150
## Camaro Z28 8 350.0 245
## Pontiac Firebird 8 400.0 175
## Fiat X1-9 4 79.0 66
## Porsche 914-2 4 120.3 91
## Lotus Europa 4 95.1 113
## Ford Pantera L 8 351.0 264
## Ferrari Dino 6 145.0 175
## Maserati Bora 8 301.0 335
## Volvo 142E 4 121.0 109A seleção de linhas pode ser feita indicando-se a posição da linha ou, o que é mais interessante, um predicado de seleção.
# execute cada um dos comandos isoladamente
mtcars[ 1:6, ] # equivalente a head(mtcars)## mpg cyl disp hp drat wt qsec vs am gear carb
## Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4
## Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4
## Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1
## Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1
## Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2
## Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1mtcars[ mtcars$cyl > 6, ] # exibe somente veículos com mais de 6 cilindros## mpg cyl disp hp drat wt qsec vs am gear carb
## Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2
## Duster 360 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4
## Merc 450SE 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3
## Merc 450SL 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3
## Merc 450SLC 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3
## Cadillac Fleetwood 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3 4
## Lincoln Continental 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3 4
## Chrysler Imperial 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3 4
## Dodge Challenger 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3 2
## AMC Javelin 15.2 8 304.0 150 3.15 3.435 17.30 0 0 3 2
## Camaro Z28 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3 4
## Pontiac Firebird 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3 2
## Ford Pantera L 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5 4
## Maserati Bora 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5 8Você pode agora combinar a seleção de linhas e colunas para trazer quaisquer ‘fatias’ de seu interesse dos dados.
# execute cada um dos comandos isoladamente
mtcars[ mtcars$cyl > 6 & mtcars$am == 1, c('cyl','mpg','am') ] # exibe somente veículos com mais de 6 cilindros e transmissão am## cyl mpg am
## Ford Pantera L 8 15.8 1
## Maserati Bora 8 15.0 1Ou ainda selecionar um único vetor de dados desse modo:
# execute cada um dos comandos isoladamente
mtcars[ mtcars$cyl > 6 & mtcars$am == 1, ]$hp # exibe somente o vetor de valores hp para veículos com mais de 6 cilindros e transmissão am## [1] 264 335Como a seleção de dados de um dataframe retorna também um dataframe, você pode empregar a seleção para produzir dataframes próprios com os seus dados de interesse.
# execute cada um dos comandos isoladamente
my_mtcars = mtcars[ mtcars$cyl > 6 & mtcars$am == 1, c('cyl','mpg','am') ]
head(my_mtcars)## cyl mpg am
## Ford Pantera L 8 15.8 1
## Maserati Bora 8 15.0 1nrow(my_mtcars)## [1] 2summary(my_mtcars)## cyl mpg am
## Min. :8 Min. :15.0 Min. :1
## 1st Qu.:8 1st Qu.:15.2 1st Qu.:1
## Median :8 Median :15.4 Median :1
## Mean :8 Mean :15.4 Mean :1
## 3rd Qu.:8 3rd Qu.:15.6 3rd Qu.:1
## Max. :8 Max. :15.8 Max. :1print( my_mtcars[ my_mtcars$mpg > 15, ]) # todos os comandos aplicáveis a um dataframe são aplicáveis em my_mtcars## cyl mpg am
## Ford Pantera L 8 15.8 1Importando um dataframe
O R permite importar dataframes de diferentes fontes de dados como bases SQL, arquivos .xlsx, .csv, .json etc. sendo necessário para alguns tipos de dados pacotes específicos para as funções e por hora vamos nos limitar a empregar arquivos com extensão .csv.
Você poderá fazer acesso a eles indicando uma url de origem dos dados um diretório local na sua máquina. Se estiver empregando o RStudio.Cloud, lembre-se que sua máquina R encontra-se na nuvem e para o acesso ‘local’ é necessário o upload do arquivo.
surveys = read.csv("https://github.com/csc-training/da-with-r/raw/master/DataFiles/portal_data_joined.csv")
head(surveys) ## record_id month day year plot_id species_id sex hindfoot_length weight
## 1 1 7 16 1977 2 NL M 32 NA
## 2 72 8 19 1977 2 NL M 31 NA
## 3 224 9 13 1977 2 NL NA NA
## 4 266 10 16 1977 2 NL NA NA
## 5 349 11 12 1977 2 NL NA NA
## 6 363 11 12 1977 2 NL NA NA
## genus species taxa plot_type
## 1 Neotoma albigula Rodent Control
## 2 Neotoma albigula Rodent Control
## 3 Neotoma albigula Rodent Control
## 4 Neotoma albigula Rodent Control
## 5 Neotoma albigula Rodent Control
## 6 Neotoma albigula Rodent Controlsummary(surveys) ## record_id month day year plot_id
## Min. : 1 Min. : 1.000 Min. : 1.0 Min. :1977 Min. : 1.00
## 1st Qu.: 8964 1st Qu.: 4.000 1st Qu.: 9.0 1st Qu.:1984 1st Qu.: 5.00
## Median :17762 Median : 6.000 Median :16.0 Median :1990 Median :11.00
## Mean :17804 Mean : 6.474 Mean :16.1 Mean :1990 Mean :11.34
## 3rd Qu.:26655 3rd Qu.:10.000 3rd Qu.:23.0 3rd Qu.:1997 3rd Qu.:17.00
## Max. :35548 Max. :12.000 Max. :31.0 Max. :2002 Max. :24.00
##
## species_id sex hindfoot_length weight
## Length:34786 Length:34786 Min. : 2.00 Min. : 4.00
## Class :character Class :character 1st Qu.:21.00 1st Qu.: 20.00
## Mode :character Mode :character Median :32.00 Median : 37.00
## Mean :29.29 Mean : 42.67
## 3rd Qu.:36.00 3rd Qu.: 48.00
## Max. :70.00 Max. :280.00
## NA's :3348 NA's :2503
## genus species taxa plot_type
## Length:34786 Length:34786 Length:34786 Length:34786
## Class :character Class :character Class :character Class :character
## Mode :character Mode :character Mode :character Mode :character
##
##
##
## Referências
Devore, Jay L. Probabilidade e Estatística para Engenharia e Ciências. Trad. Solange Aparecida Visconte. Cengage, 2018.
Navarro, Danielle, Learning Statistics with R, disponível em: https://learningstatisticswithr.com/ ( LSR version 0.6 (pdf) ). Acesso: 26/02/2021.
Wickham, H., Grolemund, G. R for Data Science. O’Reilly Media, Inc., 2016.