Logística: Exercícios.

1 - Exercícios todas as semanas (até a semana 8)

2 - Entrega via Slack.

3 - Regras para entrega atrasada: perde um ponto por dia de atraso.

4 -40% da Nota Final vem destes exercícios.

Logística II: Como acompanhar as aulas de programação?

1. Leia os tutoriais.

2. Abra o RStudio e pratique com os códigos dos tutoriais.

3. Pratique com as leituras indicadas e exercícios.

Tópicos de Hoje

1. Workflow: RStudio e Scripts.

2. Como Interagir com R.

3. Pacotes em R.

4. Ajuda em R.

5. Objetos e Classes

6. Operadores Booleanos

7. Estrutura de Dados

8. Manipulação Básica de Dados.

9. Exportar e Importar Bancos de Dados.

O que é o R? Ou porquê o R?

• Software de código aberto.

• Superior (se não apenas comparável) às alternativas comerciais.

• Disponível em todas as plataformas (Unix, Windows, Linux).

• Como resultado de ser uma linguagem de dados aberta, se você fizer sua análise em R, qualquer pessoa poderá replicá-la facilmente.

• Não apenas para estatística, mas também programação de uso geral.

RStudio.

O RStudio é a principal interface gráfica do usuário (GUI) e o ambiente de desenvolvimento integrado (IDE) que facilita o uso do R.

Fonte para figura: Rochele Terman's Intro to CSS Book

Navegando no R Studio

R Via Console (Tela Inferior Esquerda)

o prompt > aparece um símbolo maior que. Copie e cole o código abaixo em seu Console e click Enter.

2+2

## [1] 4

R usa + quando o código é dividido em várias linhas e R ainda espera mais código.

# Este Código Retornará um +
incompleto <- "Eu sou um objeto incompleto

Uma linha de código geralmente não termina até que R encontre um parâmetro ou pontuação de parada apropriado que conclua algum código, como parêntese fechado fechado ), colchete ], colchete } ou aspas `

R Via Script (Tela Superior Esquerda)

Abrir um script novo clicando na aba File -> New File -> R Script

O Script envia código diretamente para o console.

command + enter (Mac) ou Ctrl + enter (PC) com o cursor na linha para rodar o script.

# Rode estas operação em um script. 
# Hashtags permite você comentar seu código. 
2^2
2*2
2/2

O que são pacotes?

• Um conjunto de funções organizadas em torno de um tema.

• As vezes provêm dados.

• Uma pasta em seu computador.

• Um sinal de bondade de outros programadores.

• São instalados apenas uma vez:

  install.packages()

• Ativados em toda sessão de R:

  library()

Pedindo ajuda via R

# Ajuda específica.
?mean  # Help para a função mean.
help(mean)
# Ajuda mais geral: busca todas as ocorrências do nome da função. 
??mean

Pedindo ajuda via Google.

• Google: nome do função/pacote + texto na mensagem de erro.

• Remova as informações específicas do usuário e dos dados primeiro!

• Veja se você consegue encontrar exemplos que produzem e não produzem o erro. Experimente o código de outras pessoas, mas tente entendê-los. Não copie e cole.

• Tende entender a solução. Copiar e Colar não resolver seu problema.

O que são objetos ?

Peça base do R. Objetos são criados atribuindo determinado dado a um determinado nome, e você pode acessá-los exatamente por nome atribuído.

Tudo que existe no R é um objeto.

Criando Objetos

(assignment operator) <-

# Variáveis Numéricas
x <- 5
y <- 7
# Variáveis de Texto.
nome <- "Tiago Ventura"

Posso usar o = para criar objetos?

Sim. Mas...

Qual o valor de x agora?

mean(x=c(5, 7))

Classes em R

Casa objeto em R possui uma Classe. Em síntese, a classe descreve qual tipo de valores esse objeto está armazenando. Principais classes:

• Character

• Numeric

• Interger

• Logical

Resumo

Descobrindo as Classes dos meus objetos.

class()

class(3)

## [1] "numeric"

class(TRUE)

## [1] "logical"

meu_numero_da_sorte= "13"
class(meu_numero_da_sorte)

## [1] "character"

class(meu_numero_da_sorte==13)

## [1] "logical"

Outra forma: is.class?

is.numeric(2)

## [1] TRUE

is.logical(TRUE)

## [1] TRUE

is.character("2")

## [1] TRUE

is.integer(1L)

## [1] TRUE

Coerção: Alterando Classes.

Classes de objetos em R também podem ser alteradas usando as funções as.class()

# Cria Objeto
num_1_5 <- c(1, 2, 3, 4, 5)
# Altera a classe
char_1_5 <- as.character(num_1_5)
# Checando
class(char_1_5)

## [1] "character"

class(num_1_5)

## [1] "numeric"

# Ou
as.numeric("25")

## [1] 25

Desafio 1.

Vamos praticar um pouco o que aprendemos até aqui. O que os comandos abaixo retornarão? Qual o resultado e porquê?

Questão 1:

install.packages(tidyverse)

Questão 2:

false <- "FALSE"
false <- as.logical(false)
class(false)

Questão 3

mean(x = sample(1:50, 5)) == mean(x) # TRUE ou FALSE

<div class="countdown" id="timer_611c3e06" style="top:0;right:0;margin:5%;padding:10px;font-size:3em;" data-warnwhen="0">
<code class="countdown-time"><span class="countdown-digits minutes">05</span><span class="countdown-digits colon">:</span><span class="countdown-digits seconds">00</span></code>
</div>

Vector

# vetor de números
X <- c(1, 2.3, 4, 5, 6.78, 6:10)
X

##  [1]  1.00  2.30  4.00  5.00  6.78  6.00  7.00  8.00  9.00 10.00

# Class
class(X)

## [1] "numeric"

# Tamanho 
length(X)

## [1] 10

Matrix

Principal característica: Retangular e Números.

# Coerce to a matrix
as.matrix(X)

##        [,1]
##  [1,]  1.00
##  [2,]  2.30
##  [3,]  4.00
##  [4,]  5.00
##  [5,]  6.78
##  [6,]  6.00
##  [7,]  7.00
##  [8,]  8.00
##  [9,]  9.00
## [10,] 10.00

# Cria uma Matrix do zero
matrix(1:10, nrow=5, ncol=2)

##      [,1] [,2]
## [1,]    1    6
## [2,]    2    7
## [3,]    3    8
## [4,]    4    9
## [5,]    5   10

List

Principal Característica: Tudo cabe dentro de uma lista e Iterável.

# coerce to a list
as.list(X)

## [[1]]
## [1] 1
## 
## [[2]]
## [1] 2.3
## 
## [[3]]
## [1] 4
## 
## [[4]]
## [1] 5
## 
## [[5]]
## [1] 6.78
## 
## [[6]]
## [1] 6
## 
## [[7]]
## [1] 7
## 
## [[8]]
## [1] 8
## 
## [[9]]
## [1] 9
## 
## [[10]]
## [1] 10

# or
lista_1 <- list(X, as.matrix(X), as.character(X))
# Visualize a lista.
str(list)

## function (...)

Data Frame.

1. Banco de dados.

2. Dados retangular.

3. Comporta colunas de classes diferentes.

4. É um planilha de excel no seu ambiente R.

5. Class básica do R, diferente de outras linguagens.

Criando um banco de dados.

# Coercing
as.data.frame(X)

##        X
## 1   1.00
## 2   2.30
## 3   4.00
## 4   5.00
## 5   6.78
## 6   6.00
## 7   7.00
## 8   8.00
## 9   9.00
## 10 10.00

# Criando Manualmente
data <- data.frame(name=c("Tiago", "Tiago"), 
                   last_name=c("Ventura", "Ventura") ,
                   school=c("UMD", "FGV"), age=c(30,32))
data

##    name last_name school age
## 1 Tiago   Ventura    UMD  30
## 2 Tiago   Ventura    FGV  32

Bancos de Dados Pré-Construídos.

#devtools::install_github("apreshill/bakeoff")
library(bakeoff) # Chamando o pacote
# O que tenho no meu ambiente?
ls()

## [1] "char_1_5"            "data"                "lista_1"            
## [4] "meu_numero_da_sorte" "nome"                "num_1_5"            
## [7] "x"                   "X"

# ativa o banco de dados
data("bakers")
ls()

## [1] "bakers"              "char_1_5"            "data"               
## [4] "lista_1"             "meu_numero_da_sorte" "nome"               
## [7] "num_1_5"             "x"                   "X"

# Examine o objeto.
class(bakers)

## [1] "tbl_df"     "tbl"        "data.frame"

str(bakers)

## tibble[,8] [120 × 8] (S3: tbl_df/tbl/data.frame)
##  $ series     : Factor w/ 10 levels "1","2","3","4",..: 1 1 1 1 1 1 1 1 1 1 ...
##  $ baker_full : chr [1:120] "Annetha Mills" "David Chambers" "Edward \"Edd\" Kimber" "Jasminder Randhawa" ...
##  $ baker      : chr [1:120] "Annetha" "David" "Edd" "Jasminder" ...
##  $ age        : num [1:120] 30 31 24 45 25 51 44 48 37 31 ...
##  $ occupation : chr [1:120] "Midwife" "Entrepreneur" "Debt collector for Yorkshire Bank" "Assistant Credit Control Manager" ...
##  $ hometown   : chr [1:120] "Essex" "Milton Keynes" "Bradford" "Birmingham" ...
##  $ baker_last : chr [1:120] "Mills" "Chambers" "Kimber" "Randhawa" ...
##  $ baker_first: chr [1:120] "Annetha" "David" "Edward" "Jasminder" ...

Acessando dados em um Data Frame

Pela Ordem da Coluna

bakers[,1] # primeira coluna

## # A tibble: 120 x 1
##    series
##    <fct> 
##  1 1     
##  2 1     
##  3 1     
##  4 1     
##  5 1     
##  6 1     
##  7 1     
##  8 1     
##  9 1     
## 10 1     
## # … with 110 more rows

Pela Nome da Coluna

bakers$age

##   [1] 30 31 24 45 25 51 44 48 37 31 31 31 40 63 19 41 31 45 25 31 40 43 63 27 45
##  [26] 21 22 27 36 43 38 28 26 50 25 31 66 51 31 37 51 30 38 37 54 20 30 35 31 69
##  [51] 39 31 32 41 42 17 60 66 38 37 53 19 41 66 37 30 49 49 35 29 32 25 23 31 61
##  [76] 37 67 46 20 28 30 26 66 50 71 46 21 29 19 52 33 42 34 29 46 30 33 36 33 47
## [101] 60 27 30 26 30 29 56 28 24 32 36 40 20 20 26 35 56 34 28 28

# Ou
bakers[,"age"]

## # A tibble: 120 x 1
##      age
##    <dbl>
##  1    30
##  2    31
##  3    24
##  4    45
##  5    25
##  6    51
##  7    44
##  8    48
##  9    37
## 10    31
## # … with 110 more rows

Pela posição da linha

bakers[1:5, ]

## # A tibble: 5 x 8
##   series baker_full   baker    age occupation    hometown baker_last baker_first
##   <fct>  <chr>        <chr>  <dbl> <chr>         <chr>    <chr>      <chr>      
## 1 1      "Annetha Mi… Annet…    30 Midwife       Essex    Mills      Annetha    
## 2 1      "David Cham… David     31 Entrepreneur  Milton … Chambers   David      
## 3 1      "Edward \"E… Edd       24 Debt collect… Bradford Kimber     Edward     
## 4 1      "Jasminder … Jasmi…    45 Assistant Cr… Birming… Randhawa   Jasminder  
## 5 1      "Jonathan S… Jonat…    25 Research Ana… St Alba… Shepherd   Jonathan

Por linha e coluna

bakers[1:5, "age"]

## # A tibble: 5 x 1
##     age
##   <dbl>
## 1    30
## 2    31
## 3    24
## 4    45
## 5    25

bakers[5:15, 3:5]

## # A tibble: 11 x 3
##    baker      age occupation                     
##    <chr>    <dbl> <chr>                          
##  1 Jonathan    25 Research Analyst               
##  2 Lea         51 Retired                        
##  3 Louise      44 Police Officer                 
##  4 Mark        48 Bus Driver                     
##  5 Miranda     37 Food buyer for Marks & Spencer 
##  6 Ruth        31 Retail manager/Housewife       
##  7 Ben         31 Graphic Designer               
##  8 Holly       31 Advertising executive          
##  9 Ian         40 Fundraiser for English Heritage
## 10 Janet       63 Teacher of Modern Languages    
## 11 Jason       19 Civil Engineering Student

Outras Funções Úteis

A classe data.frame possuí algumas funções pré-construídas bastante úteis. Alguns exemplos:

head(bakers) # Mostra primeiras cinco linhas
tail(bakers) # últimas cinco linhas
summary(bakers) # clase de cada coluna
dim(bakes) # dimensões de linha e coluna
glimpse(bakers) # outro modo de ver seus dados.

Operações Boolenas back, back, back again.

# Bakers com mais de 60 anos
bakers[bakers$age>60,]

## # A tibble: 10 x 8
##    series baker_full   baker    age occupation  hometown  baker_last baker_first
##    <fct>  <chr>        <chr>  <dbl> <chr>       <chr>     <chr>      <chr>      
##  1 2      "Janet Basu" Janet     63 Teacher of… Formby, … Basu       Janet      
##  2 3      "Brendan Ly… Brend…    63 Recruitmen… Sutton C… Lynch      Brendan    
##  3 4      "Christine … Chris…    66 Director o… Didcot, … Wallace    Christine  
##  4 5      "Diana Bear… Diana     69 Women's In… Alkingto… Beard      Diana      
##  5 5      "Norman Cal… Norman    66 Retired Na… Portknoc… Calder     Norman     
##  6 6      "Marie Camp… Marie     66 Retired     Auchtera… Campbell   Marie      
##  7 7      "Jane Beedl… Jane      61 Garden des… Beckenham Beedle     Jane       
##  8 7      "Lee Banfie… Lee       67 Pastor      Bolton    Banfield   Lee        
##  9 7      "Valerie \"… Val       66 Semi-retir… Yeovil    Stones     Valerie    
## 10 8      "Flo Atkins" Flo       71 Retired     Merseysi… Atkins     Flo

#Bakers de Londers
bakers[bakers$hometown=="London",]

## # A tibble: 8 x 8
##   series baker_full   baker    age occupation    hometown baker_last baker_first
##   <fct>  <chr>        <chr>  <dbl> <chr>         <chr>    <chr>      <chr>      
## 1 2      Robert Bill… Robert    25 Photographer  London   Billington Robert     
## 2 4      Kimberley W… Kimbe…    30 Psychologist  London   Wilson     Kimberley  
## 3 6      Mat Riley    Mat       37 Fire fighter  London   Riley      Mat        
## 4 7      Selasi Gbor… Selasi    30 Client servi… London   Gbormittah Selasi     
## 5 9      Antony Amou… Antony    30 Banker        London   Amourdoux  Antony     
## 6 9      Dan Beasley… Dan       36 Full-time pa… London   Beasley-H… Dan        
## 7 9      Manon Lagrè… Manon     26 Software pro… London   Lagrève    Manon      
## 8 9      Ruby Bhogal  Ruby      29 Project mana… London   Bhogal     Ruby

Exportando banco de dados.

Uma função importante do R consiste em exportar seus resultados, incluindo um novo banco de dados. Há diversas funções para fazer isso, a depender do formato do output que você deseja. Alguns exemplos:

• write.table() for txt
• write.csv() for csv
• write.xlsx for xlsx
• save() to export as a RData

Exportando como csv.

# make a fake data set
dfake <- data.frame(normal=rnorm(100, 0, 1), 
                    uniform=runif(100, 0, 1), 
                    pois=rpois(100, 10))
# write.function(data, name_to_be_saved)
write.csv(dfake, "dfake.csv")

Mas... Onde estão meus dados? E onde R está olhando?

O R não sabe intuitivamente onde estão seus dados. Se os dados estiverem em uma pasta especial chamada "pesquisa super secreta", temos que dizer ao R como chegar lá.

Podemos fazer isso de duas maneiras:

1. Aprenda onde seus arquivos estão.

2. Defina seu diretório de trabalho para essa pasta: todos seus outputs e inputs estarão lá.

Paths

Toda vez que o R é inicializado, ele olha para o mesmo lugar (chamado de global path), a menos que seja solicitado a ir para outro lugar.

# Onde meu R está olhando?
getwd()

## [1] "/home/venturat/Dropbox/fgv_capes_print/website/fgv_intro_css_/static/slides"

# Onde eu quero que olhe?
setwd("/home/venturat/Downloads")

Importando dados.

# Checa diretorio
getwd()

## [1] "/home/venturat/Dropbox/fgv_capes_print/website/fgv_intro_css_/static/slides"

# Ve arquivos neste diretorio.
list.files()

##  [1] "aulas-estatistica.png"             "cao.png"                          
##  [3] "code"                              "deputados_alerj.csv"              
##  [5] "dfake.csv"                         "figs"                             
##  [7] "fontsrladies.css"                  "libs"                             
##  [9] "mun_1985.csv"                      "rdd.png"                          
## [11] "slides_apis_cache"                 "slides_apis_files"                
## [13] "slides_apis.html"                  "slides_apis.Rmd"                  
## [15] "slides_aula_textos_tutorial_cache" "slides_aula_textos_tutorial.html" 
## [17] "slides_aula_textos_tutorial.Rmd"   "slides_experimentos_cache"        
## [19] "slides_experimentos_files"         "slides_experimentos_ufmg.html"    
## [21] "slides_experimentos_ufmg.pdf"      "slides_experimentos_ufmg.Rmd"     
## [23] "slides_experimentos.html"          "slides_experimentos.Rmd"          
## [25] "slides-01-cont.html"               "slides-01-cont.Rmd"               
## [27] "slides-01-intro_files"             "slides-01-intro.html"             
## [29] "slides-01-intro.Rmd"               "slides-02-intro_files"            
## [31] "slides-02-intro_II_files"          "slides-02-intro_II.html"          
## [33] "slides-02-intro_II.Rmd"            "slides-02-intro.html"             
## [35] "slides-02-intro.Rmd"               "slides-03-r_markdown.html"        
## [37] "slides-03-r_markdown.Rmd"          "slides-04-intro-tidyverse_cache"  
## [39] "slides-04-intro-tidyverse_files"   "slides-04-intro-tidyverse.html"   
## [41] "slides-04-intro-tidyverse.Rmd"     "slides-05-joins_cache"            
## [43] "slides-05-joins.html"              "slides-05-joins.Rmd"              
## [45] "slides-06-tidy_cache"              "slides-06-tidy.html"              
## [47] "slides-06-tidy.Rmd"                "slides-raspagem_cache"            
## [49] "slides-raspagem.html"              "slides-raspagem.Rmd"              
## [51] "slides-speed_dating.html"          "slides-speed_dating.Rmd"          
## [53] "slides-tidyverse-extra_cache"      "slides-tidyverse-extra.html"      
## [55] "slides-tidyverse-extra.Rmd"        "slides-visualizacao_I_cache"      
## [57] "slides-visualizacao_I_files"       "slides-visualizacao_I.html"       
## [59] "slides-visualizacao_I.Rmd"         "slides-visualizacao_II_cache"     
## [61] "slides-visualizacao_II_files"      "slides-visualizacao_II.html"      
## [63] "slides-visualizacao_II.Rmd"        "styles.css"                       
## [65] "xaringan-themer_modify.css"        "xaringan-themer.css"

# Importa os dados. 
dados <- read.csv("dfake.csv")
head(dados)

##   X     normal   uniform pois
## 1 1  1.1088054 0.1173935    9
## 2 2  0.2844622 0.8508718   13
## 3 3 -0.1293795 0.5034212    9
## 4 4 -0.1754044 0.8740060   14
## 5 5 -0.8794987 0.1786838    6
## 6 6 -0.1884141 0.1868031   11

Desafio 2

Acima, quando filtramos o banco de dados bakers, usamos a seguinte função:

bakers[bakers$age>60,]

Me explique com o máximo de detalhes o que a linha de código acima está fazendo. Porque a operação booleana está antes da virgula? Qual o output da operação booleana?

<div class="countdown" id="timer_611c3ffa" style="right:0;bottom:0;margin:5%;padding:10px;font-size:3em;" data-warnwhen="0">
<code class="countdown-time"><span class="countdown-digits minutes">05</span><span class="countdown-digits colon">:</span><span class="countdown-digits seconds">00</span></code>
</div>

Nosso plano na próxima aula

• Funções.

• Iteração via Loops.

• Controle de Fluxo.

E não esqueção de olhar os tutoriais no site!