R para Ciência de Dados:

Exploração e Visualização de Dados

Departamento de Estatística
Instituto de Matemática e Estatística
Universidade Federal da Bahia
 Preparando o ambiente
Durante o curso
• Usaremos nas aulas: posit.cloud.
• Recomendamos instalar e usar R com versão pelo menos 4.1:
cran.r-project.org.
• usaremos o framework tidyverse:
• Instalação: install.packages("tidyverse")

Na sua casa
• IDE recomendadas: RStudio e VSCode.
• Caso você queira usar o VSCode, instale a extensão da linguagem R:
REditorSupport.
• Outras linguagens interessantes: python e julia.
• python: linguagem interpretada de próposito geral, contemporânea do
R, simples e fácil de aprender.
• julia: linguagem interpretada para análise de dados, lançada em
2012, promete simplicidade e velocidade.
A linguagem R
 A linguagem R

A precursora da linguagem R: S.
• R é uma linguagem derivada do S.
• S foi desenvolvido em fortran por John Chambers em 1976 no
Bell Labs.
• S foi desenvolvido para ser um ambiente de análise estatística.
• Filosofia do S: permitir que usuários possam analisar dados usando
estatística com pouco conhecimento de programação.
História da linguagem R
• Em 1991, Ross Ihaka e Robert Gentleman criaram o R na Nova
Zelândia.
• Em 1996, Ross e Robert liberam o R sob a licença “GNU General
License”, o que tornou o R um software livre.
• Em 1997, The Core Group é criado para melhorar e controlar o
código fonte do R.
 Motivos para usar R

• Constante melhoramento e atualização.

• Portabilidade (roda em praticamente todos os sistemas
operacionais).
• Grande comunidade de desenvolvedores que adicionam
novas capacidades ao R através de pacotes.
• Gráficos de maneira relativamente simples.
• Interatividade.
• Um grande comunidade de usuários (especialmente útil
para resolução de problemas).
 Onde estudar fora de aula?

Livros
• Nível cheguei agora aqui: zen do R.
• Nível Iniciante: R Tutorial na W3Schools.
• Nível Iniciante: Hands-On Programming with R.
• Nível Intermediário: R for Data Science.
• Nível Avançado: Advanced R.
Em pt-br
• Curso R: material.curso-r.com.
• ecoR: ecor.ib.usp.br.
 O que você pode fazer quando estiver em
apuros?

• consultar a documentação do R:
help(mean)
?mean
• Peça ajuda a um programador mais experiente.
• Consulte o pt.stackoverflow.com.
• Use ferramentas de busca como o google e duckduckgo.com.
log("G")

• Na ferramenta de busca, pesquise por

Error in log("G"): non-numeric argument to
mathematical function
 Operações básicas

Soma Divisão
1 + 1 3 / 2
## [1] 2 ## [1] 1.5
Substração Potenciação
2 - 1 2ˆ3
## [1] 1 ## [1] 8
Multiplicação
3 * 3
## [1] 9
 Operações básicas
Exercício

Qual o resultado das seguintes operações?

1 5.32 + 7.99
2 5.55 - 10
3 3.33 * 5.12
4 1 / 4.55
5 5ˆ1.23
 Pacotes na linguagem R

• códigos criados pela comunidade

• disponibilizados principalmente na plataforma cran.r-project.org

instalação:
install.packages(pacman)

carregando pacotes
Pacotes precisam estar instalados
library(pacman)
 Carregando pacotes com pacman

• Se os pacotes estão instalados: pacman carrega os pacotes

• Se os pacotes não estão instalados: pacman instala e depois carrega
os pacotes
• Omite mensagens dos pacotes
• Pacote separados por vírgula
p_load(glue, readxl, writexl, janitor, gt, ggthemes, readODS,
patchwork, tidyverse)
 Funções na linguagem R

Função: é uma ação e tem os seguinte componentes na ordem:

• nome da função
• parênteses
• argumentos posicionais
• argumentos nomeados

nome da função parênteses argumentos posicionais argumentos nomeados parênteses

z }| { z}|{ z }| { z }| { z}|{
nome_funcao ( valor1, valor2, nome1 = valor3, nome2 = valor4 )

example:
read_xlsx('dados/brutos/casas.xlsx', sheet=1)
 Funções na linguagem R
Exercício

• Obtenha ajuda para mean usando a função help.

• Calcule o logaritmo de 10 na base 3 usando a função log.
• Leia o conjunto de dados ENEM 2022 (cada pessoa tem sua cidade)
usando a função read_xlsx do pacote readxl.
 Os dados no R

• Tipo de dados: caracter (character), número real (double),

número inteiro (integer), número complexo (complex) e lógico
(logical).
• Estrutura de dados: atomic vector (a estrutura de dados mais
básicA no R), matrix, array, list e data.frame (tibble no
tidyverse).
• Estrutura de dados Homogênea: vector, matrix e array.
• array é uma estrutura de dados multidimensional para armazenar
sequências de matrizes (ou sequência de arrays). Para detalhes sobre
array, consulte Arrays in R.
• Estrutura de dados Heterôgenea: list e data.frame (tibble
no tidyverse).
 Tipo de dados no R

Número inteiro Número lógico ou valor booleano

class(1L) class(TRUE)
## [1] "integer" ## [1] "logical"
Número real Caracter ou string
class(1.2) class("Gilberto")
## [1] "numeric" ## [1] "character"
Número complexo
class(1 + 1i)
## [1] "complex"
 Estrutura de dados homogênea

Vetor
• Agrupamento de valores de mesmo tipo em um único objeto.
• Criação de vetor:
• c(...)
• vector('<tipo de dados>', <comprimento do vetor>)
• seq(from = a, to = b, by = c).

Vetor de caracteres
vetor_nomes <- c("Gilberto", "Sassi")
vetor_nomes

## [1] "Gilberto" "Sassi"

vetor_texto_vazio <- vector("character", 3)
vetor_texto_vazio

## [1] "" "" ""

 Vetores

Vetor de números reais

vetor_numerico <- c(0.2, 1.35)
vetor_numerico

## [1] 0.20 1.35

vetor_vazio <- vector("double", 3)
vetor_vazio

## [1] 0 0 0
vetor_seq <- seq(from = 1, to = 3.5, by = 0.5)
vetor_seq

## [1] 1.0 1.5 2.0 2.5 3.0 3.5

 Vetores

Vetor de números inteiros

vetor_inteiros <- c(1L, 2L)
vetor_inteiros

## [1] 1 2
vetor_inteiros_vazio <- vector("integer", 3)
vetor_inteiros_vazio

## [1] 0 0 0
 Vetores

Vetor lógico
vetor_logico <- c(TRUE, FALSE)
vetor_logico

## [1] TRUE FALSE

vetor_logico_vazio <- vector("logical", 3)
vetor_logico_vazio

## [1] FALSE FALSE FALSE

 Estrutura de dados homogênea

Matriz
• Agrupamento de valores de mesmo tipo em um único objeto de
dimensão 2.
• Criação de matriz:
• matrix(..., nrow = <integer>, ncol = <integer>)
• cbind e rbind
• diag(<vector>)

Matriz de caracteres
matriz_texto <- matrix(c("a", "b", "c", "d"), nrow = 2)
matriz_texto

## [,1] [,2]
## [1,] "a" "c"
## [2,] "b" "d"
 Matriz

Matriz de números reais

matriz_num_real <- diag(c(1.1, 2.3, 3.3))
matriz_num_real

## [,1] [,2] [,3]

## [1,] 1.1 0.0 0.0
## [2,] 0.0 2.3 0.0
## [3,] 0.0 0.0 3.3
 Matriz
Matriz de inteiros
matriz_inteiros <- cbind(c(1L, 2L), c(3L, 4L), nrow = 2)
matriz_inteiros

## nrow
## [1,] 1 3 2
## [2,] 2 4 2
Matriz de valores lógicos
matriz_logica <- rbind(
c(TRUE, FALSE),
c(TRUE, TRUE)
)
matriz_logica

## [,1] [,2]
## [1,] TRUE FALSE
## [2,] TRUE TRUE
 Matriz
Exercício

Crie as seguintes matrizes e vetores:

 
João Joana
1
Josué Joaquina

1 0 0
2 0 2.5 0
0 0 3.1

3 TRUE TRUE FALSE

4 0, 1 0, 2 0, 3 0, 4 0, 5
 Operações com vetores

Operações com vetores númericos (double, integer e complex).

• Operações básicas (operação, substração, multiplicação e divisão )
realizada em cada elemento do vetor.
• Slicing: extrair parte de um vetor

Slicing
Selecionando todos os elementos entre o primeiro e o quinto.
letras <- c("a", "b", "c", "d", "e", "f", "g", "h", "i")
letras[1:5]

## [1] "a" "b" "c" "d" "e"

 Operações com vetores

Adição (vetores númericos)

vetor_1 <- 1:5
vetor_2 <- 6:10
vetor_1 - vetor_2

## [1] -5 -5 -5 -5 -5
Substração (vetores numéricos)
vetor_1 <- 1:5
vetor_2 <- 6:10
vetor_1 - vetor_2

## [1] -5 -5 -5 -5 -5
 Operadores com vetores

Multiplicação (vetores numéricos)

vetor_1 <- 1:5
vetor_2 <- 6:10
vetor_1 * vetor_2

## [1] 6 14 24 36 50
Divisão (vetores numéricos)
vetor_1 <- 1:5
vetor_2 <- 6:10
vetor_1 / vetor_2

## [1] 0.1666667 0.2857143 0.3750000 0.4444444 0.5000000

 Operações com vetores
Exercício

Realize as seguintes operações envolvendo vetores:

1 1 2 3
+ 0, 1 0, 05 0, 33

2 1 2 3
− 0, 1 0, 05 0, 33

3 1 2 3 ∗ 0, 1 0, 05 0, 33



4 1 2 3 / 0, 1 0, 05 0, 33
 Operações com matrizes

Operações com matrizes númericas (double, integer e complex).

• Operações básicas: adição, substração, multiplicação e divisão
(realizadas em cada elemento das matrizes).
• Outras operações elementares:
• Multiplicação de matrizes (vide multiplicação de matrizes): A %*% B
• Inversão de matrizes (vide inversão de matrizes): solve(A)
• Matriz transposta (vide matriz transposta): t(A)
• Determinante (vide determinante de uma matriz): det(A)
• Solução de sistema de equações lineares (vide sistema de equações
lineares): solve(A, b)
 Operadores com matrizes

Exemplo
Cada pessoa de uma equipe de quatro pessoas divide a administração de
duas regiões (A e B) conforme as matrizes abaixo:
Postos de venda da região A
postos_regiao_a <- rbind(
c(2, 4), # primeira linha
c(1, 5) # segunda linha
)

Postos de venda da região B

postos_regiao_b <- cbind(
c(23, 44), # primeira coluna
c(19, 12) # segunda coluna
)
 Operações com matrizes

Soma de duas matrizes

Número total de postos de venda administrados por cada pessoa.
postos <- postos_regiao_a + postos_regiao_b
postos

## [,1] [,2]
## [1,] 25 23
## [2,] 45 17
 Operações com matrizes

Subtração de matrizes
Número de postos de venda da região A, conhecendo o total de número de
postos e o número de postos de venda região B.
# postos de venda da região A
postos_regiao_a <- postos - postos_regiao_b
postos_regiao_a

## [,1] [,2]
## [1,] 2 4
## [2,] 1 5
 Operações com matrizes

Suponha que cada pessoa consiga vender um determinado número de

produtos por posto de venda conforme a matriz abaixo.
produtos_pessoa <- rbind(
c(4, 2),
c(1, 3)
)

A quantidade de produtos vendidos por pessoa na região A é dado por:

vendas_regiao_a <- postos_regiao_a * produtos_pessoa
vendas_regiao_a

## [,1] [,2]
## [1,] 8 8
## [2,] 1 15
 Operações com matrizes

Imagine que temos o número de produtos vendidos por pessoa na região A

e sabemos o número de postos de cada pessoa na equipe na região A.
Então, podemos descobrir o número de produtos vendidos por um posto
para cada pessoa.
vendas_regiao_a / postos_regiao_a

## [,1] [,2]
## [1,] 4 2
## [2,] 1 3
 Outras operações importantes com
matrizes

Código em R Descrição da operação

A %o% B produto diádico A · B T
crossprod(A, B) A · BT
crossprod(A) A · AT
diag(x) retorna uma matrix diagonal
com diagonal igual a x
diag(A) retorna um vetor com a
diagona de A
diag(k) retorna uma matriz diagona de
ordem k
 Operações com matrizes
Exercício

Realizei as seguinte operações envolvendo as matrizes:

   
1 0 0, 1 0
1 +
2 0, 5  0 0, 5
1 0 0, 1 0
2 −
 2 0, 5  0 0, 5 
1 0 0, 1 0
3 ·
2 0, 5 0 0, 5
   
1 0 0, 1 0
4 /
2 0, 5 0 0, 5
 Estrutura de dados heterogênea
Lista

• Agrupamento de valores de tipos diversos e estrutura de dados.

• Criação de listas: list(...) e vector("list", <comprimento
da lista>).
lista_info <- list(pedido_id = 8001406,
nome = "Fulano",
sobrenome = "de Tal",
cpf = "12345678900",
itens = list(list(descricao = "Ferrari",
frete = 0,
valor = 500000),
list(descricao = "Dolly",
frete = 1.5,
valor = 3.90)))
 Lista
Exercício

Crie uma lista, chamada informacoes_pessoais com os seguintes

campos:
• nome: seu nome
• idade: sua idade
• informacao_profissional: uma lista com os seguintes campos:
• escolaridade: escolaridade
• profissao: variável qualitativa com os valores possíveis:
funcionário público, funcionário da iniciativa privada,
estudante e desempregado
• matriz: inclua uma matriz de números reais de dimensão 2 × 2
 Estrutura de dados heterogênea
data frame (tibble)
• Agrupamento de dados em tabela, onde: cada coluna é uma variável;
cada linha é uma observação. Usamos a tabela tidy:
• Cada variável em uma única coluna
• Cada unidade observacional em uma única linha
• Criação de tibble: tibble(...) e tribble(....).
tibble (data frame)
df <- tibble(
nome = c("João", "Josué", "Joaquim", "José"),
idade = c(20, 21, 23, 32)
)
glimpse(df)

## Rows: 4
## Columns: 2
## $ nome <chr> "João", "Josué", "Joaquim", "José"
## $ idade <dbl> 20, 21, 23, 32
 Operações em data frame

Operações em um tibble
Algumas funções úteis depois de aprender a carregar os dados no R.

Código em R Descrição
head() Mostra as primeiras linhas de um tibble
tail() Mostra as últimas linhas de um tibble
glimpse() Impressão de informações básicas dos dados
add_case() ou add_row() Adiciona uma nova observação
head(df, n = 2)

## # A tibble: 2 x 2
## nome idade
## <chr> <dbl>
## 1 João 20
## 2 Josué 21
df <- add_case(df, nome = "Josefina", idade = 31)

tail(df, n = 2)

## # A tibble: 2 x 2
## nome idade
## <chr> <dbl>
## 1 José 32
## 2 Josefina 31
 data frame
Exercício
Realize as seguintes operações no dataset iris (disponível no R):
• imprima um resumo sobre o dataset iris
• pegue as 5 primeiras linhas de iris
• pegue as 5 últimas linhas de iris
• adicione Fulano de 30 anos ao tibble df para obter o seguinte
dataset:

nome idade
João 20
Josué 21
Joaquim 23
José 32
Josefina 31
Fulano 30
 Operações com listas
Concatenação de listas
lista_1 <- list("a", "b")
lista_2 <- list(1, 2)
lista_final <- c(lista_1, lista_2)
lista_final

## [[1]]
## [1] "a"
##
## [[2]]
## [1] "b"
##
## [[3]]
## [1] 1
##
## [[4]]
## [1] 2
 Operações com listas
Slicing a lista
lista_final[1:2]

## [[1]]
## [1] "a"
##
## [[2]]
## [1] "b"
Acessando elemento pela ordem
# Acessando o segundo elemento da lista d.
lista_final[[2]]

## [1] "b"
Acessando elemento usando $
lista <- list(elemento_1 = 1, elemento_2 = "docente")
lista$elemento_2

## [1] "docente"
 Operações com listas

Slicing uma lista com ["nome"]

lista <- list(elemento_1 = 1, elemento_2 = "docente",
elemento_3 = list("olá"))
lista["elemento_3"] # funciona como slicing

## $elemento_3
## $elemento_3[[1]]
## [1] "olá"
Obtendo os nomes dos elementos em um lista
lista <- list(c(1, 2, 3), elemento_1 = 1, elemento_2 = "docente",
elemento_3 = list("olá"))
names(lista)

## [1] "" "elemento_1" "elemento_2" "elemento_3"

 Listas
Exercício

Recupe e imprima as seguintes informações da lista

informacoes_pessoais:
• os três primeiros campos de informacoes_pessoais
• os nomes dos campos de informacoes_pessoais
• campo nome de informacoes_pessoais
• o terceiro campo de informacoes_pessoais
 Valores especiais em R

Função para
Valor Descrição O que é identificar
NA Not Available Valor faltante. is.na()
NaN Not a Number Resultado do is.nan()
cálculo indefinido.
Inf Infinito Valor que excede is.inf()
o valor máximo
que sua máquina
aguenta.
NULL Nulo Valor indefinido is.null()
de expressões e
funções (diferente
de NaN e NA)
 Parênteses 1: guia de estilo no R

O nome de um objeto precisa ter um significado. O nome deve indicar e

deixar claro o que este objeto é ou faz.
• Use a convenção do R:
• Use apenas letras minúsculas, números e underscore (comece sempre
com letras minúsculas).
• Nomes de objetos precisam ser substantivos e precisam descrever o
que este objeto é ou faz (seja conciso, direto e significativo).
• Evite ao máximo os nomes que já são usados ( buit-in ) do R.Por
exemplo: c.
• Coloque espaço depois da vírgula.
• Não coloque espaço antes nem depois de parênteses. Exceção:
Coloque um espaço () antes e depois de if, for ou while, e coloque
um espaço depois de ().
• Coloque espaço entre operadores básicos: +, -, *, == e outros.
Exceção: ˆ.

Para mais detalhes, consulte: guia de estilo do tidyverse.

 Parênteses 2: estrutura de diretórios

Mantenha uma estrutura (organização) consistente de diretórios em seus

projetos.
• Sugestão de estrutura:
• dados: diretório para armazenar seus conjuntos de dados.
• brutos: dados brutos.
• processados: dados processados.
• scripts: código fonte do seu projeto.
• figuras: figuras criadas no seu projeto.
• output: outros arquivos que não são figuras.
• legado: arquivos da versão anterior do projeto.
• notas: notas de reuniões e afins.
• relatorio (ou artigos): documento final de seu projeto.
• documentos: livros, artigos e qualquer coisa que são referências em
seu projeto.
Para mais detalhes, consulte esse guia do curso-r: diretórios e .Rproj.
Carregando dados no R
 Carregando dados no R

Leitura de arquivos no formato xlsx ou xls

• Pacote: readxl do tidyverse (instale com o comando
install.packages('readxl'))
• Parêmetros das funções read_xls (para ler arquivos .xls) e
read_xlsx (para ler arquivos .xlsx):
• path: caminho até o arquivo.
• sheet: especifica a planilha do arquivo que será lida.
• range: especifica uma área de uma planilha para leitura. Por exemplo:
B3:E15.
• col_names: Argumento lógico com valor padrão igual a TRUE. Indica
se a primeira linha tem o nome das variáveis.

Para mais detalhes, consulte a documentação oficial do tidyverse:

documentação de read_xl.
 Carregando dados no R

Leitura de arquivos no formato xlsx ou xls

library(tidyverse)
library(readxl)
dados_iris <- read_xlsx("dados/brutos/iris.xlsx")

glimpse(dados_iris)

## Rows: 150
## Columns: 5
## $ comprimento_sepala <dbl> 5.1, 4.9, 4.7, 4.6, 5.0, 5.4, 4.6, 5.0, 4
## $ largura_sepala <dbl> 3.5, 3.0, 3.2, 3.1, 3.6, 3.9, 3.4, 3.4, 2
## $ comprimento_petala <dbl> 1.4, 1.4, 1.3, 1.5, 1.4, 1.7, 1.4, 1.5, 1
## $ largura_petala <dbl> 0.2, 0.2, 0.2, 0.2, 0.2, 0.4, 0.3, 0.2, 0
## $ especies <chr> "setosa", "setosa", "setosa", "setosa", "
 Carregando dados no R

As formatações dos arquivos csv

csv: comma separated values (valores separados por coluna).
O separador (caracter usado para separar colunas) varia em diferentes sistemas
de medidas.

• No sistema métrico:
• As casas decimais são separadas por ,
• O agrupamento de milhar é marcada por .
• As colunas dos arquivos de texto são separadas por ;
• No sistema imperial inglês (UK e USA):
• As casas decimais são separadas por .
• O agrupamento de milhar é marcada por ,
• As colunas dos arquivos de texto são separadas por ,

Preste atenção em como o seus dados estão armazenados!

 Carregando dados no R

Leitura de arquivos no formato csv

• Pacote: readr do tidyverse (instale com o comando
install.packages('readr')).
• Parêmetros das funções read_csv (sistema imperial inglês) e
read_csv2 (sistema métrico):
• path: caminho até o arquivo.

Para mais detalhes, consulte a documentação oficial do tidyverse:

documentação de read_r.
Leitura de arquivos no formato csv
dados_mtcarros <- read_csv2("dados/brutos/mtcarros.csv")
glimpse(dados_mtcarros)

## Rows: 32
## Columns: 11
## $ milhas_por_galao <dbl> 21.0, 21.0, 22.8, 21.4, 18.7, 18.1,
## $ cilindros <dbl> 6, 6, 4, 6, 8, 6, 8, 4, 4, 6, 6, 8,
## $ cilindrada <dbl> 160.0, 160.0, 108.0, 258.0, 360.0,
## $ cavalos_forca <dbl> 110, 110, 93, 110, 175, 105, 245, 6
## $ eixo <dbl> 3.90, 3.90, 3.85, 3.08, 3.15, 2.76,
## $ peso <dbl> 2.620, 2.875, 2.320, 3.215, 3.440,
## $ velocidade <dbl> 16.46, 17.02, 18.61, 19.44, 17.02,
## $ forma <dbl> 0, 0, 1, 1, 0, 1, 0, 1, 1, 1, 1, 0,
## $ transmissao <dbl> 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0,
## $ marchas <dbl> 4, 4, 4, 3, 3, 3, 3, 4, 4, 4, 4, 3,
## $ carburadores <dbl> 4, 4, 1, 1, 2, 1, 4, 2, 2, 4, 4, 3,
 Carregandos dados no R

Leitura de arquivos no formato ods

• Pacote: readODS (instale com o comando
install.packages('readODS')).
• Parêmetros das funções read_ods:
• path: caminho até o arquivo.
• sheet: especifica a planilha do arquivo que será lida.
• range: especifica uma área de uma planilha para leitura. Por exemplo:
B3:E15.
• col_names: Argumento lógico com valor padrão igual a TRUE. Indica
se a primeira linha tem o nome das variáveis.
Para mais detalhes, consulte a documentação do readODS: documentação
de readODS.
 Carregando dados no R

Leitura de arquivos no formato ods

dados_dentes <- read_ods("dados/brutos/crescimento_dentes.ods")

glimpse(dados_dentes)

## Rows: 60
## Columns: 3
## $ comprimento <dbl> 4.2, 11.5, 7.3, 5.8, 6.4, 10.0, 11.2, 11
## $ suplemento <chr> "Vitamina C", "Vitamina C", "Vitamina C"
## $ dose <dbl> 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5, 0.5,
 Carregando dados no R
Exercício

• Leia os dados do ENEM de sua cidade no formato .xlsx (coloque o

arquivo na pasta dados/brutos).
• Leia os dados do ENEM de sua cidade no formato .csv (coloque o
arquivo na pasta dados/brutos).
• Leia o arquivo crescimento_dentes.ods (o arquivo já está na
pasta dados/brutos).
Salvando dados no R
 Salvando dados no R

Salvar no formato .csv (sistema métrico)

write_csv2 é parte do pacote readr.
write_csv2(dados_dentes, file = "dados/processados/nome.csv")

Salvar no formato .xlsx

write_xlsx é parte do pacote writexl.
write_xlsx(dados_dentes, path = "dados/processados/nome.xlsx")

Salvar no formato ods

write_ods é parte do pacote readODS.
write_ods(dados_toothgrowth, path = "dados/processados/nome.ods")
 Salvando dados no R
Exercício

1 Salve o objeto milhas do pacote dados como milhas.ods na pasta

output do seu projeto.
2 Salve o objeto diamante do pacote dados como diamante.csv na
pasta output do seu projeto.
3 Salve o objeto velho_fiel do pacote dados como
velho_fiel.xlsx na pasta output do seu projeto.
O operador pipe
|>
 O operador pipe
|>

O valor resultante da expressão do lado esquerdo vira primeiro argumento

da função do lado direito.
Principal vantagem: simplifica a leitura e a documentação de funções
compostas.

Executar
f(x, y)

é exatamente a mesma coisa que executar

x |> f(y)
log(sqrt(sum(xˆ2)))

é exatamente a mesma coisa que executar

xˆ2 |> sum() |> sqrt() |> log()
 |>
Fazendo um bolo

Exemplo adaptado de 6.1 O operador pipe.

Para cozinhar o bolo precisamos usar as seguintes funções:

• acrescente(lugar, algo)
• misture(algo)
• asse(algo)
 |>
Fazendo um bolo
• Passo 1:
acrescente(
"tigela vazia",
"farinha"
)

• Passo2:
acrescente(
acrescente(
"tigela vazia",
"farinha"
),
"ovos"
)
 • Passo3:
acrescente(
acrescente(
acrescente(
"tigela vazia",
"farinha"
),
"ovos"
),
"leite"
)
 • Passo4:
acrescente(
acrescente(
acrescente(
acrescente(
"tigela vazia",
"farinha"
),
"ovos"
),
"leite"
),
"fermento"
)
 • Passo 5:
misture(
acrescente(
acrescente(
acrescente(
acrescente(
"tigela vazia",
"farinha"
),
"ovos"
),
"leite"
),
"fermento"
)
)
 • Passo 6:
asse(
misture(
acrescente(
acrescente(
acrescente(
acrescente(
"tigela vazia",
"farinha"
),
"ovos"
),
"leite"
),
"fermento"
)
)
)
Usando o operador |>.

acrescente("tigela vazia", "farinha") |>

acrescente("ovos") |>
acrescente("leite") |>
acrescente("fermento") |>
misture() |>
asse()
Estatística Descritiva no R
 Estatística Descritiva no R
Gráficos e Tabelas
Alguns conceitos básicos
• População: todos os elementos ou indivíduos alvo do estudo.
• Amostra: parte da população.
• Parâmetro: característica numérica da população. Usamos letras
gregas para denotar parâmetros populacionais.
• Estatística: função ou cálculo da amostra
• Estimativa: característica numérica da amostra, obtida da estatística
computada na amostra. Em geral, usamos uma estimativa para
estimar o parâmetro populacional.
• Variável: característica mensurável comum a todos os elementos da
população.
• Usamos letras maiúsculas do alfabeto latino para representar uma
variável.
• Usamos letras minúsculas do alfabeto latino para representar o valor
observado da variável em um elemento da amostra.
Exemplo:
• População: todos os eleitores nas eleições gerais de 2022.
• Amostra: 3.500 pessoas abordadas pelo datafolha.
• Variável: candidato a presidente de cada pessoa.
• Parâmetro: porcentagem de pessoas que escolhem Lula como
presidente entre todos os eleitores.
• Estatística: porcentagem de pessoas que escolhem o lula
• Estimativa: porcentagem de pessoas que escolhem Lula como
presidente entre todos os eleitores da amostra de 3.500 pessoas
entrevistas pelo datafolha.
 Classificação de variáveis

Variável

Quantitativa Quantitativa
Valores categóricos (texto) Valores numéricos

Ordinal Nominal Discreta

Com hierarquia Sem hierarquia Números inteiros Contínua
entre categorias entre categorias Exemplo: Número reais
Exemplo: Exemplo: Número de filhos Exemplo:
Escolaridade Gênero Salário
Figura 1: Classficação de variáveis.
 Tabela de frequências
Variável qualitativa

A primeira coisa que fazemos é contar!

X frequência frequência relativa porcentagem

B1 n1 f1 100 · f1 %
B2 n2 f2 100 · f2 %
.. .. .. ..
. . . .
Bk nk fk 100 · fk %
Total n 1 100%

Em que n é o tamanho da amostra.

 Tabela de frequências
Variável qualitativa
• Pacote: tabyl, adorn_totals e adorn_pct_formatting do
janitor (instale com o comando
install.packages('janitor')).
• tabyl: cria a tabela de distribuição de frequências e tem os seguintes
parâmetros:
• dat: data frame ou vetor com os valores da variável que desejamos
tabular.
• var1: nome da primeira variável.
• var2: nome da segunda variável (opcional).
• adorn_totals: adiciona uma linha com os totais de cada coluna
• adorn_pct_formatting: acrescenta o sinal de porcentagem e tem o
seguinte parâmetro:
• digits: o número de casas decimais depois da vírgula
• rename (do pacote dplyr) muda os nomes das colunas para
português no seguinte formato:
• "novo nome" = "velho nome"

Para mais detalhes, consulte a documentação oficial do janitor:

documentação de tabyl.
 Tabela de frequências
Variável qualitativa
tab <- tabyl(dados_iris, especies) |>
adorn_totals() |>
adorn_pct_formatting(digits = 2) |>
rename(
"Espécies" = especies,
"Frequência" = n,
"Porcentagem" = percent
)
tab

## Espécies Frequência Porcentagem

## setosa 50 33.33%
## versicolor 50 33.33%
## virginica 50 33.33%
## Total 150 100.00%
 Tabela de frequências
Variável qualitativa
Exercício

Para o conjunto de dados ENEM 2022 (cada pessoa tem sua cidade) ,
construa a tabela de frequências para as seguintes variáveis:
• tp_sexo: gênero que a pessoa se identifica (segundo classificação
usada pelo IBGE)
• tp_cor_raca: raça (segundo classificação usada pelo IBGE)
 Tabela de frequências
Variável quantitativa discreta

Muito semelhante a tabela de frequências para variáveis qualitativas.

X frequência frequência relativa porcentagem

x1 n1 f1 100 · f1 %
x2 n2 f2 100 · f2 %
.. .. .. ..
. . . .
xk nk fk 100 · fk %
Total n 1 100%

Em que n é o tamanho da amostra e {x1 , . . . , xk } são os números que são

valores únicos de X na amostra.
 Tabela de frequências
Variável quantitativa discreta
tab <- tabyl(dados_mtcarros, carburadores) |>
adorn_totals() |>
adorn_pct_formatting(digits = 2) |>
rename(
"Carburadores" = carburadores,
"Frequência" = n,
"Porcentagem" = percent
)
tab

## Carburadores Frequência Porcentagem

## 1 7 21.88%
## 2 10 31.25%
## 3 3 9.38%
## 4 10 31.25%
## 6 1 3.12%
## 8 1 3.12%
## Total 32 100.00%
 Tabela de frequências
Variável quantitativa discreta
Exercício

Para os dados do ENEM 2022 (cada pessoa tem sua cidade), construa a
tabela de frequências para a variável q005: número de pessoas que moram
na casa da(o) candidata(o).
 Tabela de frequências
Variável quantitativa contínua

X: variável quantitativa contínua

Tabela 6: Tabela de frequências para a variável quantitativa contínua.

Frequência
X Frequência relativa Porcentagem
n1
[l0 , l1 ) n1 f1 = n1 +···+nk p1 = f1 · 100
n2
[l1 , l2 ) n2 f2 = n1 +···+nk p2 = f2 · 100
.. .. .. ..
. . . .
nk
[lk−1 , lk ] nk fk = n1 +···+nk pk = fk · 100
 • menor valor de X = l0 ≤ l1 ≤ · · · ≤ lk−1 ≤ lk = maior valor de X
• ni é número de valores de X entre li−1 e li
• l0 , l1 , . . . , lk quebram o suporte da variável X (breakpoints).
• l0 , l1 , · · · , lk são escolhidos de acordo com a teoria por trás da análise
de dados
Recomendações:
• use l0 , l1 , · · · , lk igualmente espaçados
• e use a regra de Sturges para determinar o valor de k:
• k = 1 + log 2(n) onde n é tamanho da amostra
• Se 1 + log 2(n) não é um número inteiro, usamos k = ⌈1 + log 2(n)⌉.
 Tabela de frequências
Variável quantitativa contínua

Primeiro agrupamos os valores em faixas usando a regra de Sturges.

k <- ceiling(1 + log(nrow(dados_iris)))
dados_iris2 <- mutate(
dados_iris,
comprimento_sepala_int = cut(
comprimento_sepala,
breaks = k,
include.lowest = TRUE,
right = FALSE
)
)
 Tabela de frequências
Variável quantitativa contínua

Agora podemos contar a frequência de cada intervalo.

tabyl(dados_iris2, comprimento_sepala_int) |>
adorn_totals() |>
adorn_pct_formatting(digits = 2) |>
rename(
"Comprimento de sépala" = comprimento_sepala_int,
"Frequência absoluta" = n,
"Porcentagem" = percent
)
## Comprimento de sépala Frequência absoluta Porcentagem
## [4.3,4.81) 16 10.67%
## [4.81,5.33) 30 20.00%
## [5.33,5.84) 34 22.67%
## [5.84,6.36) 28 18.67%
## [6.36,6.87) 25 16.67%
## [6.87,7.39) 10 6.67%
## [7.39,7.9] 7 4.67%
## Total 150 100.00%
 Tabela de frequência
Variável quantitativa contínua
Exercício

Para o conjunto de dados do ENEM (cada pessoa tem sua cidade),

construa as seguintes tabelas de frequências:
• nu_nota_mt (nota da prova em matemática): l0 , l1 , . . . , lk são
igualmente espaços com lk − lk−1 = 100
• nu_nota_cn (nota da prova de ciências humanas): use a regra de
Sturges
 Gráficos no R

• Pacote: ggplot2
• Permite gráficos personalizados com uma sintaxe simples e rápida, e
iterativa por camadas.
• Começamos com um camada com os dados ggplot(dados), e
vamos adicionando as camadas de anotações, e sumários estatísticos.
• Usa a gramática de gráficos proposta por Leland Wilkinson: Grammar
of Graphics.
• Ideia desta gramática: delinear os atributos estéticos das figuras
geométricas (incluindo transformações nos dados e mudança no
sistema de coordenadas).
Para mais detalhes, você pode consultar ggplot2: elegant graphics for
data analysis e documentação do ggplot2
 Gráficos no R

Estrutura básica de ggplot2

ggplot(data = <data possible tibble>) +
<Geom functions>(mapping = aes(<MAPPINGS>)) +
<outras camadas>

Você pode usar diversos temas e extensões que a comunidade cria e criou
para melhorar a aparência e facilitar a construção de ggplot2.
Lista com extensões do ggplot2: extensões do ggplot2.

Indicação de extensões:
• Temas adicionais para o pacote ggplot2: ggthemes.
• Gráfico de matriz de correlação: ggcorrplot.
• Gráfico quantil-quantil: qqplotr.
 Gráficos no R

Gráfico de barras no ggplot2

• função: geom_bar(). Para porcentagem: geom_bar(x =
<variável no eixo x>, y = ..prop.. * 100).
• Argumentos adicionais:
• fill: mudar a cor do preenchimento das figuras geométricas.
• color: mudar a cor da figura geométrica.
• Rótulos dos eixos
• Mudar os rótulos: labs(x = <rótulo do eixo x>, y = <rótulo
do eixo y>).
• Trocar o eixo-x pelo eixo-y: coord_flip().
 Gráfico de barras
Variável qualitativa
Gráfico de barras para a variável qualitativa especies do conjunto de
dados iris.xlsx.
ggplot(dados_iris) +
geom_bar(mapping = aes(especies), fill = "blue") +
labs(x = "Espécies", y = "Frequência") +
theme_minimal()
50

40

30
Frequência

20

10

setosa versicolor virginica

Espécies
 Gráfico de barras
Variável qualitativa
Exercício

Para o conjunto de dados ENEM 2022 (cada pessoa tem sua cidade),
construa o gráfico de barras para as seguintes variáveis:
• tp_sexo: gênero que a pessoa se identifica (segundo classificação do
IBGE)
• tp_cor_raca: raça autodeclarada (segundo classificação do IBGE)
 Tabela de frequências
Variável quantitativa discreta

De maneira similar, podemos contar quantas vezes cada valor de uma

variável quantitativa discreta foi amostrado.

X frequência frequência relativa porcentagem

x1 n1 f1 100 · f1 %
x2 n2 f2 100 · f2 %
x3 n3 f3 100 · f3 %
.. .. .. ..
. . . .
xk nk fk 100 · fk %
Total n 1 100%

Em que n é o tamanho da amostra.

 Tabela de frequências
Variável quantitativa discreta

Vamos construir a tabela de distribuição de frequências para a variável

quantitativa discreta carburadores do conjunto de dados mtcarros.
tab <- tabyl(dados_mtcarros, carburadores) |>
adorn_totals() |>
adorn_pct_formatting(digits = 2) |>
rename(
"Número de carburadores" = carburadores,
"Frequência (absoluta)" = n,
"Porcentagem" = percent
)
tab
## Número de carburadores Frequência (absoluta) Porcentagem
## 1 7 21.88%
## 2 10 31.25%
## 3 3 9.38%
## 4 10 31.25%
## 6 1 3.12%
## 8 1 3.12%
## Total 32 100.00%
 Gráfico de barras
Variável quantitativa discreta

Gráfico de barras para a variável quantitativa discreta carburadores do

conjunto de dados mtcarros.csv.

• after_stat(prop) retorna a frequência relativa ou proporção de um valor

(ou categoria) de uma variável.
• after_stat(count) retorna a frequência absoluta de um valor (ou
categoria) de uma variável.

ggplot(dados_mtcarros) +
geom_bar(
mapping = aes(carburadores, after_stat(100 * prop)),
fill = "#002f81"
) +
labs(x = "Número de carburadores", y = "Porcentagem") +
theme_minimal()
 30

20
Porcentagem

10

2 4 6 8
Número de carburadores
 Gráfico de barras
Variável quantitativa discreta
Exercício

• Para a variável q005 do conjunto de dados ENEM 2022 (cada pessoa

tem sua cidade), construa o gráfico de barras onde o eixo y é a
frequência absoluta.
• Para a variável q005 do conjunto de dados ENEM 2022 (cada pessoa
tem sua cidade), construa o gráfico de barras onde o eixo y é a
frequência relativa.
• Para a variável q005 do conjunto de dados ENEM 2022 (cada pessoa
tem sua cidade), construa o gráfico de barras onde o eixo y é a
porcentagem.
 Histograma

Para variávieis quantitativas contínuas, geralmente não construímos

gráficos de barras, e sim uma figura geométrica chamada de histograma.
• O histograma é um gráfico de barras contíguas em que a área de cada
barra é igual à frequência relativa.
• Cada faixa de valor [li−1 , li ), i = 1, . . . , n, será representada por um
barra com área fi , i = 1, . . . , n.
• Como cada barra terá área igual a fi e base li − li−1 , e a altura de
cada barra será li −lfii−1 .
• l −lfi é denominada de densidade de frequência.
i i−1
• Podemos usar os seguintes parâmetros (obrigatório o uso de
apenas um deles):
• bins: número de intervalos no histograma (usando, por exemplo, a
regra de Sturges)
• binwidth: tamanho (ou largura) dos intervalos
• breaks: os limites de cada intervalo
 Histograma

Figura 2: Representação de uma única barra de um histograma.

Denside de frequência

fi
· li − li−1
fi
li −li−1 li −li−1

Variável contínua
li − li−1
 Histograma

ggplot(dados_iris) +
geom_histogram(
aes(x = comprimento_sepala, y = after_stat(density)),
bins = k,
fill = "#002f81"
) +
theme_minimal() +
labs(
x = "Comprimento de Sépala",
y = "Densidade de Frequência"
)
 0.4

0.3
Densidade de Frequência

0.2

0.1

0.0

4 5 6 7 8
Comprimento de Sépala
 Histograma
Exercício

• Para a variável nu_nota_mt do conjunto de dados ENEM 2022 (cada

pessoa tem sua cidade), construa o histograma onde os intervalos tem
o mesmo tamanho igual a 100.
• Para a variável nu_nota_cn do conjunto de dados ENEM 2022 (cada
pessoa tem sua cidade), construa o histograma usando a regra de
Sturge.
Medidas resumo
 Medidas resumo
Variável quantitativa
A ideia é encontrar um ou alguns valores que sintetizem todos os valores.

Medidas de posição (tendência central)

A ideia é encontrar um valor que representa bem todos os valores.
x + · · · + xn
• Média: x = 1 .
n
• Mediana: valor que divide a sequência ordenada de valores em duas partes iguais.

Medidas de dispersão

A ideia é medir a homogeneidade dos valores.

(x1 − X )2 + · · · + (xn − X )2
• Variância: s 2 = .
√ n−1
• Desvio padrão: s = s 2 (mesma unidade dos dados).
s
• Coeficiente de variação cv = · 100% (adimensional, ou seja, “sem unidade”).
x
 Medidas resumo: exemplo

Podemos usar a função summarise do pacote dplyr (incluso no pacote

tidyverse).
dados_iris |>
summarise(
media = mean(comprimento_sepala),
mediana = median(comprimento_sepala),
dp = sd(comprimento_sepala),
cv = dp / media
)

## # A tibble: 1 x 4
## media mediana dp cv
## <dbl> <dbl> <dbl> <dbl>
## 1 5.84 5.8 0.828 0.142
 Medidas resumo: exemplo
Podemos usar a função group_by para calcular medidas resumo por
categorias de uma variável qualitativa.
tabela <- dados_iris |>
group_by(especies) |>
summarise(
media = mean(comprimento_sepala),
mediana = median(comprimento_sepala),
dp = sd(comprimento_sepala),
cv = dp / media
)
tabela

## # A tibble: 3 x 5
## especies media mediana dp cv
## <chr> <dbl> <dbl> <dbl> <dbl>
## 1 setosa 5.01 5 0.352 0.0704
## 2 versicolor 5.94 5.9 0.516 0.0870
## 3 virginica 6.59 6.5 0.636 0.0965
 Medidas de resumo
Exercício

• Calcule média, mediana, o desvio padrão e coeficiente de variação

para a variável nu_nota_mt do conjunto de dados ENEM 2022 (cada
pessoa tem sua cidade) por gênero (tp_sexo).
• Calcule média, mediana, o desvio padrão e coeficiente de variação
para a variável nu_nota_cn do conjunto de dados ENEM 2022 (cada
pessoa tem sua cidade) por gênero (tp_sexo).
• Calcule média, mediana, o desvio padrão e coeficiente de variação
para a variável nu_nota_mt do conjunto de dados ENEM 2022 (cada
pessoa tem sua cidade) por raça (tp_cor_raca).
• Calcule média, mediana, o desvio padrão e coeficiente de variação
para a variável nu_nota_cn do conjunto de dados ENEM 2022 (cada
pessoa tem sua cidade) por raça (tp_cor_raca).
 Quantis

Ideia
q(p) é um valor que satisfaz;
• 100 · p% das observações é no máximo q(p)
• 100 · (1 − p)% das observações é no mínimo q(1 − p)

Alguns quantis especiais

• Primeiro quartil: q1 = q(0, 25)
• Primeiro quartil: q2 = q(0, 5)
• Primeiro quartil: q3 = q(0, 75)
 Quantis
dados_iris |>
group_by(especies) |>
summarise(
q1 = quantile(comprimento_sepala, 0.25),
q2 = quantile(comprimento_sepala, 0.5),
q3 = quantile(comprimento_sepala, 0.75),
frequencia = n()
)

## # A tibble: 3 x 5
## especies q1 q2 q3 frequencia
## <chr> <dbl> <dbl> <dbl> <int>
## 1 setosa 4.8 5 5.2 50
## 2 versicolor 5.6 5.9 6.3 50
## 3 virginica 6.22 6.5 6.9 50
n() calcula a frequência de cada valor de uma variável qualitativa.
 Quantis
Exercício
• Calcule o primeiro quartil, segundo quartil e o terceiro quartil para a
variável nu_nota_mt do conjunto de dados ENEM 2022 (cada pessoa
tem sua cidade) por gênero (tp_sexo). Inclua uma coluna com a
frequência da variável tp_sexo.
• Calcule o primeiro quartil, segundo quartil e o terceiro quartil para a
variável nu_nota_cn do conjunto de dados ENEM 2022 (cada pessoa
tem sua cidade) por gênero (tp_sexo). Inclua uma coluna com a
frequência da variável tp_sexo.
• Calcule o primeiro quartil, segundo quartil e o terceiro quartil para a
variável nu_nota_mt do conjunto de dados ENEM 2022 (cada pessoa
tem sua cidade) por raça (tp_cor_raca). Inclua uma coluna com a
frequência da variável tp_cor_raca.
• Calcule o primeiro quartil, segundo quartil e o terceiro quartil para a
variável nu_nota_cn do conjunto de dados ENEM 2022 (cada pessoa
tem sua cidade) por raça (tp_cor_raca). Inclua uma coluna com a
frequência da variável tp_cor_raca.
Diagrama de caixa
 Diagrama de caixa (ou boxplot)
Medida de dispersão: distância entre q3 e q1
Diferença de quartis: dq = q3 − q1
 Diagrama de caixa (ou boxplot)

Assimetria à direita ou positiva:

• frequências diminuem à direita no histograma
• q2 perto q1 : q2 − q1 < q3 − q2

Assimetria à esquerda ou negativa: frequências diminuem à esquerda

no histograma
• frequências diminuem à direita no histograma
• q2 perto q3 : q2 − q1 > q3 − q2
 Diagrama de caixa (ou boxplot)
Assimetria
Assimetria à direita ou positiva Assimetria à direira ou positiva
Densidade de
frequência

X
X

Assimetria à esquerda ou negativa Assimetria à esquerda ou negativa

Densidade de
frequência

X
X

Simetria Simetria
Densidade de
frequência

X
Diagrama de caixa (ou boxplot)
 Diagrama de caixa (ou boxplot)

ggplot(dados_iris) +
geom_boxplot(aes(x = "", y = comprimento_sepala)) +
labs(x = "", y = "Comprimento de Sépala") +
theme_minimal()
 Comprimento de Sépala

5
6
7
8
 Gráficos lado a lado com patchwork

• patchwork permite que colocar gráficos lado a lado com

• +: figuras ao lado
• \: figuras embaixo
• Para mais detahes, visite a documentação do patchwork
sepala <- ggplot(dados_iris) +
geom_boxplot(aes(x = "", y = comprimento_sepala)) +
labs(x = "", y = "Comprimento de Sépala") +
ylim(c(0, 10)) +
theme_minimal()
petala <- ggplot(dados_iris) +
geom_boxplot(aes(x = "", y = comprimento_petala)) +
labs(x = "", y = "Comprimento de Pétala") +
ylim(c(0, 10)) +
theme_minimal()
sepala + petala
 Comprimento de Sépala

0.0
2.5
5.0
7.5
10.0

Comprimento de Pétala

0.0
2.5
5.0
7.5
10.0
 Diagrama de caixa
Exercício

Para o conjunto de dados ENEM 2022 (cada pessoa tem sua cidade),
construa o diagrama de caixa para as variáveis nu_nota_mt e
nu_nota_cn e os coloque lado a lado usando o pacote patchwork.
Associação entre duas variáveis
 Gráficos
Duas variáveis
Ideia: estudar a associação entre duas variáveis quantitativas.
Associação positiva Associação negativa Associação nula
y

x x x
 Gráfico de dispersão

ggplot(dados_iris) +
geom_point(aes(comprimento_petala, comprimento_sepala)) +
labs(
x = "Comprimento de pétala",
y = "Comprimento de sépala"
) +
theme_minimal()
 8

7
Comprimento de sépala

2 4 6
Comprimento de pétala
 Gráfico de dispersão
Exercício

Para o conjunto de dados ENEM 2022 (cada pessoa tem sua cidade),
construa o gráfico de dispersão entre as variáveis nu_nota_mt e
nu_nota_cn.
Inclua o argumento nomeado alpha = 0.1 na função geom_point para
incluir opacidade no gráfico de dispersão. Isso ajuda quando temos
amostra de tamanho médio e grande.
 Associação entre duas variáveis qualitativas
Ideia
Sejam X e Y duas variáveis qualitativas com os seguintes valores possíveis:
• X : A1 , · · · , Ar
• Y : B1 , · · · , Bs
Desejamos estudar a associação entre X e Y .

Associação entre X e Y
Suponha que Ai tenha porcentagem 100 · fi · %. Então, X e Y são:
• não associados: se ao conhecermos o valor de Y para um elemento
da população, continuamos com a porcentagem 100 · fi % deste
elemento ter valor de X igual a Ai
• associados: se ao conhecermos o valor de Y para um elemento da
população, alteramos a porcentagem 100 · fi% deste elemento ter
valor de X igual a Ai
 Associação entre duas variáveis qualitativas
Gráfico de barras

Vamos checar a associação entre fundacao_tipo e geral_condicao.

dados_casas <- read_xlsx("dados/brutos/casas.xlsx")
ggplot(dados_casas) +
geom_bar(aes(x = fundacao_tipo, fill = geral_condicao),
position = "fill") +
labs(x = "Tipo de fundação da casa", y = "Porcentagem",
fill = "Condição geral") +
scale_y_continuous(labels = scales::percent) +
theme_minimal()
 100%

75%

Condição geral
abaixo da média
acima da média
Porcentagem

boa
excelente
50%
média
muito boa
muito ruim
regular
ruim

25%

0%

bloco de concreto concreto derrramado laje madeira pedra tijolo e telha

Tipo de fundação da casa
 Associação entre duas variáveis qualitativas
Gráfico de barras

Podemos agrupar as barras por grupos para analisar a associação entre

duas variáveis qualitativas.
dados_casas <- read_xlsx("dados/brutos/casas.xlsx")
ggplot(dados_casas) +
geom_bar(aes(x = fundacao_tipo, fill = geral_condicao),
position = "dodge") +
labs(x = "Tipo de fundação da casa", y = "Frequência",
fill = "Condição geral") +
theme_minimal()
 900

Condição geral
abaixo da média
acima da média
boa
Frequência

600
excelente
média
muito boa
muito ruim
regular
ruim

300

bloco de concreto concreto derrramado laje madeira pedra tijolo e telha

Tipo de fundação da casa
 Associação entre duas variáveis qualitativas
Gráfico de barras
Exercício

• Verifique se existe associação entre as variáveis q006 e tp_cor_raca

do conjunto de dados ENEM 2022 (cada pessoa tem sua cidade)
usando gráfico de gráficos usando o position=fill.
• Verifique se existe associação entre as variáveis q006 e tp_sexo do
conjunto de dados ENEM 2022 (cada pessoa tem sua cidade) usando
gráfico de gráficos usando o position=dodge.
 Comparação de medianas usando
Diagrama de caixa

Podemos comparar medianas de diferentes grupos usando o diagrama de

caixa.
ggplot(dados_iris) +
geom_boxplot(aes(x = especies, y = comprimento_sepala)) +
labs(x = "Espécies", y = "Comprimento de Sépala") +
theme_minimal()
 8

7
Comprimento de Sépala

setosa versicolor virginica

Espécies
 Comparação de medianas usando
Diagrama de caixa
Exercício

• Para o conjunto de dados ENEM 2022 (cada pessoa tem sua cidade),
compare a variável nu_nota_mt por raça (tp_cor_raca).
• Para o conjunto de dados ENEM 2022 (cada pessoa tem sua cidade),
compare a variável nu_nota_cn por raça (tp_cor_raca).
• Coloque os dois gráficos acima lado a lado usando o pacote
patchwork.
Tabelas usando o pacote gt
 Salvando tabelas com o pacote gt

Vamos usar o pacote gt para customizar a apresentação de uma tabela.

A ideia do pacote gt é melhorar apresentação por camadas.

Para mais detalhes, visite documentação do pacote gt

 Salvando tabelas com o pacote gt

Vamos usar um exemplo para ensinar como usar o pacote gt.

tab <- dados_iris |>
group_by(especies) |>
summarise(
m_petala = mean(comprimento_petala),
dp_petala = sd(comprimento_petala),
q1_petala = quantile(comprimento_petala, probs = 0.25),
q2_petala = quantile(comprimento_petala, probs = 0.5),
q3_petala = quantile(comprimento_petala, probs = 0.75),
cv_petala = dp_petala / m_petala
)
tab
## # A tibble: 3 x 7
## especies m_petala dp_petala q1_petala q2_petala q3_petala cv_petala
## <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 setosa 1.46 0.174 1.4 1.5 1.58 11.9
## 2 versicolor 4.26 0.470 4 4.35 4.6 11.0
## 3 virginica 5.55 0.552 5.1 5.55 5.88 9.94
 Salvando tabelas com o pacote gt

Cabeçalho da tabela: legenda e sub-legenda da tabela.

• tab_header: permite incluir legenda (title) e sub-legenda na
tabela (subtitle)
• gtsave: permite salvar objeto gtnos formatos .html, .tex e .docx.
• md: permite formatação usando a sintaxe markdown.
• Para mais detalhes sobre markdown, consulte cheatsheet do markdown
gt_tab <- gt(tab) |>
tab_header(
title = md("**Comprimento de pétala**"),
subtitle = md("_Algumas estatísticas descritivas_")
)
gtsave(gt_tab, "output/tabela.html")
gtsave(gt_tab, "output/tabela.tex")
gtsave(gt_tab, "output/tabela.docx")
 Salvando tabelas com o pacote gt
Exercício

1 Calcule a média, o desvio padrão, o primeiro quartil, o segundo quartil

e o terceiro quartil para a variável nu_nota_mt por raça
(tp_cor_raca) do conjunto de dados ENEM 2022 (cada pessoa tem
sua cidade) e salve o resultado em objeto tab.
2 Crie um objeto gt com nome gt_tab a partir da tabela em tab.
3 Inclua uma legenda com o texto “Nota em matemática por raça” e
sublegenda “Edição 2021” com a função tab_header.
 Salvando tabelas com o pacote gt

• tab_source: inclusão de _fonte de dados_dentes

gt_tab <- gt_tab |>
tab_source_note(
source_note = md("**Fonte:** Elboração própria.")
)
gt_tab
 Comprimento de pétala
Algumas estatísticas descritivas

especies m_petala dp_petala q1_petala q2_petala q3_petala cv_petala

setosa 1.462 0.1736640 1.4 1.50 1.575 11.878522
versicolor 4.260 0.4699110 4.0 4.35 4.600 11.030774
virginica 5.552 0.5518947 5.1 5.55 5.875 9.940466

Fonte: Elboração própria.

 Salvando tabelas com o pacote gt
Exercício

Inclua fonte de dados usando a função tab_source_note como texto

“Fonte: elaboração própria.” no objeto gt_tab.
 Rótulo (legenda) para grupo de linhas

tab_row_group: permite colocar um rótulo para um grupo de linhas.

gt_tab <- gt_tab |>
tab_row_group(
rows = c(1, 3),
label = md("_Espécies principais_")
)
gt_tab
 Comprimento de pétala
Algumas estatísticas descritivas

especies m_petala dp_petala q1_petala q2_petala q3_petala cv_petala

Espécies principais
setosa 1.462 0.1736640 1.4 1.50 1.575 11.878522
virginica 5.552 0.5518947 5.1 5.55 5.875 9.940466
versicolor 4.260 0.4699110 4.0 4.35 4.600 11.030774

Fonte: Elboração própria.

 Rótulo (legenda) para grupo de linhas
Exercício

Inclua um rótulo para as linhas pardas e pretas com o texto “negras” no

objeto gt_tab.
 Rótulo (legenda) para grupo de colunas

tab_spanner: permite rótulo para grupo de colunas.

gt_tab <- gt_tab |>
tab_spanner(
columns = c(
q1_petala,
q2_petala,
q3_petala
),
label = "Quantis"
) |>
tab_spanner(
columns = c(dp_petala, cv_petala),
label = "Dispersão"
)
gt_tab
 Comprimento de pétala
Algumas estatísticas descritivas

Dispersão Quantis
especies m_petala dp_petala cv_petala q1_petala q2_petala q3_petala
Espécies principais
setosa 1.462 0.1736640 11.878522 1.4 1.50 1.575
virginica 5.552 0.5518947 9.940466 5.1 5.55 5.875
versicolor 4.260 0.4699110 11.030774 4.0 4.35 4.600

Fonte: Elboração própria.

 Rótulo (legenda) para grupo de colunas
Exercício

Inclua um rótulo pra as colunas do primeiro quartil, segundo quartil e

terceiro quartil com o texto “Quartis” no objeto gt_tab.
 Movendo as colunas na tabela
• cols_move_to_start: move uma ou mais colunas para o início da
tabela.
• cols_move_to_end: move uma ou mais colunas para o fim da
tabela.
• cols_move: move uma ou mais colunas para depois um determinada
coluna.
gt_tab <- gt_tab |>
cols_move_to_start(
columns = c(especies, dp_petala, cv_petala)
) |>
cols_move_to_end(
columns = m_petala
) |>
cols_move(
after = cv_petala,
columns = c(q1_petala, q2_petala, q3_petala)
)
gt_tab
 Comprimento de pétala
Algumas estatísticas descritivas

Dispersão Quantis
especies dp_petala cv_petala q1_petala q2_petala q3_petala m_petala
Espécies principais
setosa 0.1736640 11.878522 1.4 1.50 1.575 1.462
virginica 0.5518947 9.940466 5.1 5.55 5.875 5.552
versicolor 0.4699110 11.030774 4.0 4.35 4.600 4.260

Fonte: Elboração própria.

 Movendo as colunas na tabela
Exercício

Deixe as colunas de gt_tab na seguinte ordem: raça, média, primeiro

quartil, segundo quartil, terceiro quartil e desvio padrão usando as funções
cols_move_to_start, cols_move e cols_move_to_end.
 Atualizando as colunas

cols_label: permite atualizar os rótulos das colunas.

gt_tab <- gt_tab |>
cols_label(
especies = md("**Espécies**"),
dp_petala = "Desvio padrão",
cv_petala = "Coeficiente de variação",
q1_petala = md("*Q1*"),
q2_petala = md("*Q2*"),
q3_petala = md("*Q3*"),
m_petala = "Média"
)
gt_tab
 Comprimento de pétala
Algumas estatísticas descritivas

Dispersão Quantis
Espécies Desvio padrão CV Q1 Q2 Q3 Média
Espécies principais
setosa 0.1736640 11.878522 1.4 1.50 1.575 1.462
virginica 0.5518947 9.940466 5.1 5.55 5.875 5.552
versicolor 0.4699110 11.030774 4.0 4.35 4.600 4.260
Fonte: Elboração própria.
 Atualizando as colunas
Exercício

Para o objeto gt_tab, garante que as colunas tenham os seguintes nomes:

Raça, Média, Desvio padrão, Primeiro quartil, Segundo quartil e Terceiro
quartil.
 Formatação de valores
fmt_number: formatação de valores numéricos de uma ou mais colunas.
gt_tab <- gt_tab |>
fmt_number(
columns = c(
dp_petala, q1_petala, q2_petala,
q3_petala, m_petala
),
decimals = 2,
dec_mark = ",",
sep_mark = "."
) |>
fmt_number(
columns = cv_petala,
decimals = 2,
dec_mark = ",",
sep_mark = ".",
patter = "{x} \\%"
)
gt_tab
 Comprimento de pétala
Algumas estatísticas descritivas

Dispersão Quantis
Espécies Desvio padrão CV Q1 Q2 Q3 Média
Espécies principais
setosa 0, 17 11, 88 1, 40 1, 50 1, 58 1, 46
virginica 0, 55 9, 94 5, 10 5, 55 5, 88 5, 55
versicolor 0, 47 11, 03 4, 00 4, 35 4, 60 4, 26
Fonte: Elboração própria.
 Formatação de valores
Exercício

No objeto gt_tab, para as colunas numéricas coloque “,” para o

separador de casa decimal e “.” para o agrupador de milhar.