Apostila r, Teses de Teoria e Análise de Antena. Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)
marciel_rodrigues
marciel_rodrigues25 de Julho de 2015

Apostila r, Teses de Teoria e Análise de Antena. Centro Federal de Educação Tecnológica Celso Suckow da Fonseca (CEFET/RJ)

PDF (1 MB)
53 páginas
1000+Número de visitas
Descrição
apostila R
20pontos
Pontos de download necessários para baixar
este documento
baixar o documento
Pré-visualização3 páginas / 53
Esta é apenas uma pré-visualização
3 shown on 53 pages
baixar o documento
Esta é apenas uma pré-visualização
3 shown on 53 pages
baixar o documento
Esta é apenas uma pré-visualização
3 shown on 53 pages
baixar o documento
Esta é apenas uma pré-visualização
3 shown on 53 pages
baixar o documento

Instituto Nacional de Pesquisas da Amazônia

Programa de Pós Graduação em Ecologia

Introdução ao uso do programa R

Victor Lemes Landeiro

Instituto Nacional de Pesquisas da Amazônia

Coordenação de Pesquisas em Ecologia

[email protected]

The R Project for Statistical Computing

Quaisquer críticas ou sugestões para melhorar a qualidade desta apostila podem ser enviadas para

Victor Landeiro, [email protected]

29 de março de 2011

1

Conteúdo Nota sobre o uso desta apostila: ........................................................................................................ 1

Como Instalar o R ............................................................................................................................... 1 Windows ......................................................................................................................................... 1

A cara do R: ........................................................................................................................................ 1 Noções gerais sobre o R .................................................................................................................... 2 O workspace do R (área de trabalho). ............................................................................................... 2 Pacotes do R ...................................................................................................................................... 3

Como usar um pacote do R ............................................................................................................ 3 Como citar o R, ou um pacote do R em publicações ..................................................................... 3

Uso inicial do R ..................................................................................................................................... 4 O R como calculadora ........................................................................................................................ 4 Funções do R...................................................................................................................................... 4 Como acessar a ajuda do R (help) ..................................................................................................... 4 Usando algumas funções ................................................................................................................... 5 Objetos do R (O que são?): ................................................................................................................ 6 Demonstrações ................................................................................................................................... 6 > demo(image) .................................................................................................................................... 6 Como criar objetos .............................................................................................................................. 6

Objetos vetores com valores numéricos ........................................................................................ 6 Objetos vetores com caracteres (letras, variáveis categóricas). .................................................... 6

Operações com vetores ...................................................................................................................... 7 Acessar valores dentro de um objeto [colchetes] ........................................................................... 7

Transformar dados ............................................................................................................................. 8 Listar e remover objetos salvos .......................................................................................................... 8 Gerar seqüências (usando : ou usando seq) ..................................................................................... 8

: (dois pontos) ................................................................................................................................. 8 seq .................................................................................................................................................. 8

Gerar repetições (rep) ........................................................................................................................ 8 rep ................................................................................................................................................... 8

Gerar dados aleatórios ....................................................................................................................... 9 runif (Gerar dados aleatórios com distribuição uniforme) .............................................................. 9 rnorm (Gerar dados aleatórios com distribuição normal) ............................................................... 9

Fazer amostras aleatórias .................................................................................................................. 9 A função sample ............................................................................................................................. 9

Ordenar e atribuir postos (ranks) aos dados................................................................................... 10 funções: sort, order e rank ................................................................................................................ 10

sort ................................................................................................................................................ 10 order.............................................................................................................................................. 10 rank ............................................................................................................................................... 11 Relembrando o que é o workspace .............................................................................................. 11

Exercícios com operações básicas .................................................................................................. 11 Script do R ........................................................................................................................................... 12

Usar o script do R para digitar os comandos ................................................................................... 12 Exercícios com o script do R ............................................................................................................ 13

Gráficos do R ...................................................................................................................................... 13 PLOTS .............................................................................................................................................. 13 Gráficos de barras ............................................................................................................................ 14 Gráficos de pizza .............................................................................................................................. 14 Gráfico de pontos (gráficos de dispersão) ........................................................................................ 14

Gráficos com variáveis numéricas ................................................................................................ 14 Alterando a aparência do gráfico ...................................................................................................... 14

Adicionando linhas a um gráfico de pontos .................................................................................. 15 Adicionar mais pontos ao gráfico ................................................................................................. 15

Gráficos com variáveis explanatórias que são categóricas. ............................................................ 16 Inserir texto em gráficos ................................................................................................................... 17 Dividir a janela dos gráficos .............................................................................................................. 17 Salvar os gráficos ............................................................................................................................. 18 Resumo sobre gráficos ..................................................................................................................... 18

Exercícios com gráficos .................................................................................................................... 18 Manejo de dados ................................................................................................................................. 20

Importar conjunto de dados para o R ............................................................................................... 20

2

Procurar os dados dentro do computador ........................................................................................ 21 Transformar vetores em matrizes e data frames .............................................................................. 21 Acessar partes da tabela de dados (matrizes ou dataframes) ......................................................... 21 Operações usando dataframes ........................................................................................................ 22

Ordenar a tabela ........................................................................................................................... 22 Calcular a média de uma linha ou de uma coluna ....................................................................... 22 Somar linhas e somar colunas ..................................................................................................... 23 Medias das linhas e colunas ........................................................................................................ 23

Exemplo com dados reais ................................................................................................................ 23 As funções aggregate e by ............................................................................................................... 26 Transpor uma tabela de dados ......................................................................................................... 26

Comandos de lógica ........................................................................................................................... 26 Opções para manipular conjunto de dados. ..................................................................................... 26

which ............................................................................................................................................. 27 ifelse.............................................................................................................................................. 27

Exercícios com dataframes e comandos de lógica: ....................................................................... 27 Criar Funções (programação) ........................................................................................................... 28

Sintaxe para escrever funções ......................................................................................................... 28 Criando uma função (function) ......................................................................................................... 29

Comando function ......................................................................................................................... 29 O comando for .............................................................................................................................. 31

Diferença entre criar uma função e escrever um código ............................................................... 33 Exemplos: Criar funções para calcular índices de diversidade .................................................... 34 Exemplos: Criar funções para calcular matrizes de similaridade ................................................. 36

Exercícios de criar funções: .............................................................................................................. 38 Estatística ............................................................................................................................................ 39

Estatística descritiva ......................................................................................................................... 39 Média aritmética ........................................................................................................................... 39 Variância e o Desvio Padrão ........................................................................................................ 39 Quartis e mediana ........................................................................................................................ 39

Estatística univariada ........................................................................................................................ 40 Regressão Linear Simples............................................................................................................ 40 Regressão Múltipla ....................................................................................................................... 41 Teste-t e teste-t pareado .............................................................................................................. 41

Análise de Variância (Anova) ........................................................................................................... 42 Árvore de regressão ......................................................................................................................... 43 Estatística multivariada ..................................................................................................................... 44

Transformações e padronizações de dados ................................................................................ 44 Índices de associação/similaridade/dissimilaridade/distância ...................................................... 44

Ordenações: ..................................................................................................................................... 45 Análise de componentes principais (PCA) ................................................................................... 45 Análise de Coordenadas Principais (PCoA) ................................................................................. 46 Escalonamento Multimenssional Não Métrico (NMDS) ............................................................... 47 Análise de Correspondência Canônica (CCA) ............................................................................. 47 Análise de Redundância (RDA) .................................................................................................... 48

Classificações (Análises de Cluster) ................................................................................................ 48 Cluster hierárquico ........................................................................................................................ 48 Cluster aglomerativo (UPGMA e outros) ...................................................................................... 48 Ward‘s Minimum Variance Clustering .......................................................................................... 49 Correlação cofenética ................................................................................................................... 49 Árvore de regressão multivariada ................................................................................................. 49

1

Nota sobre o uso desta apostila: O objetivo desta apostila é fazer uma breve introdução ao uso do programa R (R Development Core Team

2010). Seu intuito não é ensinar estatística. O formato como esta apostila foi escrita foi planejado para que a

apostila seja usada durante disciplinas básicas de introdução ao R (principalmente para pessoas que nunca

usaram o R) acompanhados de um professor e monitores. Porem isso não impede que você utilize a apostila

sozinho em seus estudos.

O ideal para aprender a usar o R é "usá-lo!". Então, a melhor forma de se familiarizar com os comandos

do R é ler um texto introdutório (como esta apostila) e ao mesmo tempo ir digitando os comandos no R e

observando os resultados, gráficos, etc. Apenas ler esta apostila talvez não o ajude a fazer progressos no seu

aprendizado do R, acompanhe-a fazendo os cálculos no R. Ler os manuais disponíveis na página do R como

o "An introduction to R" que vem com o R e o "Simple R" de John Verzani

[http://www.math.csi.cuny.edu/Statistics/R/simpleR/printable/simpleR.pdf], pode ser de grande ajuda no começo.

Outro manual bem curto (49 páginas) e fácil de entender é o The R Guide de W. J. Owen disponível em

http://www.mathcs.richmond.edu/~wowen/TheRGuide.pdf. Na página do R também existem vários manuais em

português, caso não goste de ler em inglês. Aprender a usar o R pode ser difícil e trabalhoso, mas lembre-se, o

investimento será para você!

John Chambers (2008, pp. v) escreveu no prefácio de seu livro: "Será que é proveitoso gastar tempo para

desenvolver e estender habilidades em programação? Sim, porque o investimento pode "contribuir" com sua

habilidade em formular questões e na confiança que você terá nas respostas". Para os biólogos/ecólogos, veja

também no site do ecólogo Nicholas J. Gotelli alguns conselhos para ser um bom pesquisador e para querer

aprender a usar o R: http://www.uvm.edu/~ngotelli/GradAdvice.html.

Nesta apostila as notas e explicações estão em letra arial, os comandos do R estão em letra Courier

New. Os resultados dos comandos não aparecem na apostila, vocês devem conferir o resultado no R.

Portanto, use os comandos em Courier New para ir acompanhando a apostila no R.

No R o sinal # (quadrado, jogo-da-velha) é usado para inserir comentários, é o mesmo que dizer: "a partir

do # existem apenas comentários". O R não lê o que vem após o #. No decorrer desta apostila existem vários

comentários após um sinal #, explicando o que foi feito.

Ao longo da apostila você precisará de alguns arquivos de dados que podem ser baixados no site

http://ppbio.inpa.gov.br/Port/public/disciplinas. Os arquivos estão em formato .txt (p. ex. macac.txt)

Como Instalar o R O R é um software livre para computação estatística e construção de gráficos que pode ser baixado e

distribuído gratuitamente de acordo com a licença GNU.

O R está disponível para as plataformas UNIX, Windows e MacOS.

Windows Para baixar o R para o Windows entre no site do R www.r-project.org

Clique em CRAN (Comprehensive R Archive Network)

Escolha o espelho de sua preferência (CRAN mirrors)

Clique em Windows 95 or later

Clique em base e salve o arquivo do R para Windows. Depois é só executar o arquivo.

A cara do R:

O R possui uma janela com algumas poucas opções para você se divertir clicando (veja figura abaixo). As

análises feitas no R são digitadas diretamente na linha de comandos (i.e. você tem controle total sobre o que

será feito). Na "linha de comandos" você irá digitar os comandos e funções que deseja usar.

2

O sinal > (sinal de maior) indica o prompt e quer dizer que o R está pronto para receber comandos. Em

alguns casos um sinal de + aparecerá no lugar do prompt, isso indica que ficou faltando algo na linha de

comandos anterior (isso acontece quando houve um erro, ou quando a finalização do comando só ocorrerá nas

próximas linhas). Se tiver errado pressione Esc para retornar ao prompt normal > e sumir com o sinal de

+. Note que na apostila, no começo de cada linha com os comandos do R há um sinal do prompt, >, e em

alguns casos um sinal de +, não digite estes sinais.

Os comandos que você digita aparecem em vermelho e o output do R aparece em azul. Após digitar os

comandos tecle Enter para que eles sejam executados!

Noções gerais sobre o R

Para usar o R é necessário conhecer e digitar comandos. Alguns usuários acostumados com outros

programas notarão de início a falta de "menus" (opções para clicar). Na medida em que utilizam o

programa, os usuários (ou boa parte deles) tendem a preferir o mecanismo de comandos, pois é mais

flexível e com mais recursos. Algumas pessoas desenvolveram módulos de ―clique-clique‖ para o R, como o

R-commander. Porem, eu acredito que ao usar um módulo de ―clique-clique‖ perdemos a chance de

aprender uma das maiores potencialidades e virtudes do R, que é a programação. Clicando você não

aprende a linguagem R! Nós iremos começar a apostila apenas usando comandos e funções já prontas no

R. Conforme a familiaridade com a linguagem aumenta veremos, na parte final da apostila, como criar e

escrever nossas próprias funções.

O R é case-sensitive, isto é, ele diferencia letras maiúsculas de minúsculas, portanto A é diferente de a. O

separador de casas decimais é ponto ".". A vírgula é usada para separar argumentos (informações). Não é

recomendado o uso de acentos em palavras (qualquer nome que for salvar em um computador, não só no R,

evite usar acentos. Acentos são comandos usados em programação e podem causar erros, por exemplo, em

documentos do word e excel).

O workspace do R (área de trabalho).

A cada vez que você abre o R ele inicia uma "área de trabalho" (workspace). Neste workspace você fará

suas análises, gráficos, etc. Ao final, tudo que foi feito durante uma sessão de uso do R pode ser mantido

salvando o workspace (área de trabalho). Sempre que for usar o R em um trabalho, antes de tudo, abra o R

e salve um workspace do R na pasta do trabalho em questão e abra o R usando o icone que apareceu na

pasta. Isso irá facilitar sua vida, pois não será necessário ficar alterando o diretório de trabalho. No caso do uso

desta apostila salve um workspace na pasta que usará para seu estudo (está pasta será o seu diretório de

trabalho). Ao salvar o workspace irá aparecer um ícone do R na pasta, a partir do qual você irá abrir o R.

Para salvar o workspace abra o R vá em "File" e clique em "Save workspace" e salve-o na pasta desejada

(diretório), não é necessário nomear o arquivo (não salve mais de um workspace na mesma pasta). Feche o

3 R e abra-o novamente, mas agora clicando no ícone que apareceu na pasta escolhida, faça os exercícios e no

final apenas feche o R, irá aparecer uma caixa perguntando se deseja salvar o trabalho.

Abra o R e salve um workspace na pasta que você usará para estudar esta apostila.

Pacotes do R

O R é um programa leve (ocupa pouco espaço e memória) e geralmente roda rápido, até em computadores

não muito bons. Isso porque ao instalarmos o R apenas as configurações mínimas para seu funcionamento

básico são instaladas (pacotes que vem na instalação ―base”). Para realizar tarefas mais complicadas pode ser

necessário instalar pacotes adicionais (packages). Um pacote bastante utilizado em ecologia é o vegan,

vegetation analysis, criado e mantido por Jari Oksanen (Oksanen et al. 2011). Para instalar um pacote vá ao

site do R (www.r-project.org), clique em CRAN, escolha o espelho e clique em packages, uma lista com uma

grande quantidade de pacotes está disponível. Clique no pacote que deseja e depois clique em windows

binary e salve o arquivo. Abra o R e clique em Packages, depois em Install Package(s) from local zip files e

selecione o arquivo do pacote que você baixou. Baixe e instale o pacote vegan.

O R também pode conectar-se diretamente à internet. Desta forma é possível, instalar e atualizar pacotes

sem que seja necessário acessar a página do R. Dependendo da sua conexão com a internet é necessário

especificar as configurações de proxy da sua rede. Por exemplo, no Instituto Nacional de Pesquisas da

Amazônia é necessário digitar a seguinte linha de comandos para poder acessar a internet com o R.

> Sys.setenv("HTTP_PROXY"="http://proxy.inpa.gov.br:3128")

Para instalar um pacote direto do R digite, por exemplo:

> install.packages("vegan") ## É necessário estar conectado!

Como usar um pacote do R

Não basta apenas instalar um pacote. Para usá-lo é necessário "carregar" o pacote sempre que você abrir

o R e for usá-lo. Use a função library para rodar um pacote. Por exemplo: Digite library(vegan)

na linha de comandos do R.

> library(vegan) # Após isso as funcionalidades do vegan estarão prontas para serem

usadas. Lembre-se que sempre que abrir o R será necessário carregar o pacote novamente.

Como citar o R, ou um pacote do R em publicações

No R existe um comando que mostra como citar o R ou um de seus pacotes. Veja como fazer:

> citation() # Mostra como citar o R

To cite R in publications use:

R Development Core Team (2011). R: A language and environment for statistical computing. R Foundation

for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0, URL http://www.R-project.org/.

Veja que na parte com o nome dos autores aparece "R development core team", isso está correto, cite o R

desta forma. Algumas pessoas não sabem disso e citam o R com autor Anônimo, isto tira o crédito do time.

Para citar um pacote, por exemplo o vegan, basta colocar o nome do pacote entre aspas.

> citation("vegan")

To cite package ‗vegan‘ in publications use: Jari Oksanen, F. Guillaume Blanchet, Roeland Kindt, Pierre Legendre, R. B. O'Hara, Gavin L. Simpson, Peter Solymos, M. Henry H. Stevens and Helene Wagner (2011). vegan: Community Ecology Package. R package version 1.17-6. http://CRAN.R-project.org/package=vegan

4

Uso inicial do R

O R como calculadora

O forma de uso mais básica do R é usá-lo como calculadora. Os operadores matemáticos básicos são:

+ para soma, - subtração, * multiplicação, / divisão e ^ exponenciação. Digite as seguintes operações na

linha de comandos do R:

> 2+2

> 2*2

> 2/2

> 2-2

> 2^2

Use parênteses para separar partes dos cálculos, por exemplo, para fazer a conta 4+16, dividido por 4,

elevado ao quadrado:

> ((4+16)/4)^2

Funções do R

O R tem diversas funções que podemos usar para fazer os cálculos desejados. O uso básico de uma

função é escrever o nome da função e colocar os argumentos entre parênteses, por exemplo:

função(argumentos). função especifica qual função irá usar e argumentos especifica os

argumentos que serão avaliados pela função. Não se assuste com esses nomes, com um pouco de pratica eles

se tornarão triviais.

Antes de usar uma função precisamos aprender como usá-la. Para isso vamos aprender como abrir e usar

os arquivos de ajuda do R.

Como acessar a ajuda do R (help)

Em diversos casos você irá querer fazer uma analise cujo nome da função você ainda não conhece. Nestes

casos existem três formas básicas para descobrir uma função que faça aquilo que você deseja. A primeira é

pesquisar entro do R usando palavras chave usando a função help.search(). Por exemplo, vamos

tentar descobrir como calcular logaritmos no R.

> help.search("logaritmo")

Veja que o R não encontrou nenhuma função, pois o R é desenvolvido em língua inglesa, portanto,

precisamos buscar ajuda usando palavras em inglês.

> help.search("Logarithms")

Com esse comando o R irá procurar, dentro dos arquivos de help, possíveis funções para calcular

logaritmos. Uma janela irá se abrir contendo possíveis funções.

Nas versões mais recentes do Ra função help.search() pode ser substituída por apenas ?? (duas

interrogações)

> ??logarithms

Também é possível buscar ajuda na internet, no site do R, com a função RSiteSearch()

> RSiteSearch("logarithms")# abre uma página na internet, mas só funcionará se seu

computador estiver conectado à internet.

Para ver os arquivos de ajuda do R use o comando help(nome.da.função) ou

?nome.da.funcão. Por exemplo, vamos ver o help da função log:

> help(log) # abre o help sobre log

5

ou simplesmente

>?log

Geralmente, o arquivo de help do R possui 10 tópicos básicos:

1 - Description - faz um resumo geral sobre o uso da função

2 - Usage - mostra como a função deve ser utilizada e quais argumentos podem ser especificados

3 - Arguments - explica o que é cada um dos argumentos

4 - Details - explica alguns detalhes sobre o uso e aplicação da função (geralmente poucos)

5 - Value - mostra o que sai no output após usar a função (os resultados)

6 - Note - notas sobre a função

7 - Authors - lista os autores da função (quem escreveu os códigos em R)

8 - References - referências para os métodos usados

9 - Seealso - mostra outras funções relacionadas que podem ser consultadas

10 - Examples - exemplos do uso da função. Copie e cole os exemplos no R para ver como funciona

Quando for usar uma função pela primeira vez será no help que você aprenderá a usá-la. Os tópicos Usage

e Arguments são os mais importantes, pois mostram como os argumentos devem ser inseridos na função

(Usage) e caso não saiba o que é algum desses argumentos existe uma explicação para cada um deles

(Arguments).

Inicialmente, muitas pessoas têm dificuldade em entender o help do R e dizem que ele é R é ruim. Porém,

com a prática os usuários percebem que help possui tudo que você precisa saber. Nada a mais nem nada a

menos que o necessário. É fundamental aprender a usar o help para um bom uso do R.

Usando algumas funções Por exemplo, use a função sqrt que é a função para calcular a raiz quadrada. Não se esqueça de olhar o

help para aprender sobre os detalhes das funções. Alem disso você já começa a se familiarizar com o arquivo

de help.

> sqrt(9) # Tira a raiz quadrada dos argumentos entre parênteses, no caso 9

> sqrt(3*3^2) # raiz quadrada de 27

> sqrt((3*3)^2) # raiz quadrada de 81

> prod é a função para multiplicação

> prod(2,2) # O mesmo que 2x2

> prod(2,2,3,4) # 2x2x3x4

log é a função para calcular o logaritmo

> log(3) # log natural de 3

> log(3,10)# log de 3 na base 10

> log10(3)# o mesmo que acima! log 3 na base 10

abs é a função para pegar os valores em módulo

> abs(3-9) # abs = modulo, |3-9|

Para fazer o fatorial de algum número use factorial()

> factorial(4) #4 fatorial (4!)

Mais adiante veremos muitas outras funções e comandos do R.

6

Objetos do R (O que são?):

O que são os Objetos do R? Existem muitos tipos de objetos no R que só passamos a conhecê-los bem

com o passar do tempo. Por enquanto vamos aprender os tipos básicos de objetos.

a) vetores: uma seqüência de valores numéricos ou de caracteres (letras, palavras).

b) matrizes: coleção de vetores em linhas e colunas, todos os vetores dever ser do mesmo tipo (numérico

ou de caracteres).

c) dataframe: O mesmo que uma matriz, mas aceita vetores de tipos diferentes (numérico e caracteres).

Geralmente nós guardamos nossos dados em objetos do tipo data frame, pois sempre temos variáveis

numéricas e variáveis categóricas (por exemplo, largura do rio e nome do rio, respectivamente).

d) listas: conjunto de vetores, dataframes ou de matrizes. Não precisam ter o mesmo comprimento, é a

forma que a maioria das funções retorna os resultados.

e) funções: as funções criadas para fazer diversos cálculos também são objetos do R.

No decorrer da apostila você verá exemplos de cada um destes objetos.

Para uma leitura mais aprofundada sobre os tipos de objetos e definições da linguagem R leia o manual "R

language definition" e o "An introduction to R" páginas 7 a 12, ambos disponíveis no menu "HELP", "Manuais

em PDF". Clique em help no menu do R e em Manuais (em PDF) para abrir os arquivos.

Demonstrações Algumas funções do R possuem demonstrações de uso. Estas demonstrações podem ser vistas

usando a função demo(). Vamos ver algumas demonstrações de gráficos que podem ser feitos no R. Digite

o seguinte na linha de comandos:

> demo(graphics) # Vai aparecer uma mensagem pedindo que você tecle Enter para

prosseguir, depois clique na janela do gráfico para ir passando os exemplos.

> demo(persp)

> demo(image)

Como criar objetos

Objetos vetores com valores numéricos

Vamos criar um conjunto de dados de contém o número de espécies de aves (riqueza) coletadas em 10

locais. As riquezas são 22, 28, 37, 34, 13, 24, 39, 5, 33, 32.

> aves<-c(22,28,37,34,13,24,39,5,33,32)

O comando <- (sinal de menor e sinal de menos) significa assinalar (assign). Indica que tudo que vem

após este comando será salvo com o nome que vem antes. É o mesmo que dizer "salve os dados a seguir com

o nome de aves".

A letra c significa concatenar (colocar junto). Entenda como "agrupe os dados entre parênteses dentro do

objeto que será criado" neste caso no objeto aves.

Para ver os valores (o conteúdo de um objeto), basta digitar o nome do objeto na linha de comandos.

> aves

A função length fornece o número de observações (n) dentro do objeto.

> length(aves)

Objetos vetores com caracteres (letras, variáveis categóricas).

Também podemos criar objetos que contêm letras ou palavras ao invés de números. Porem, as letras ou

palavras devem vir entre aspas " ".

> letras<-c("a","b","c","da","edw")

7

> letras

> palavras<-c("Manaus","Boa Vista","Belém","Brasília")

> palavras

Crie um objeto "misto", com letras e com números. Funciona? Esses números realmente são números?

Note a presença de aspas, isso indica que os números foram convertidos em caracteres. Evite criar vetores

"mistos", a menos que tenha certeza do que está fazendo.

Operações com vetores Podemos fazer diversas operações usando o objeto aves, criado acima.

> max(aves) #valor máximo contido no objeto aves

> min(aves) #valor mínimo

> sum(aves) #Soma dos valores de aves

> aves^2 #…

> aves/10

Agora vamos usar o que já sabemos para calcular a média dos dados das aves.

> n.aves<-length(aves) # número de observações (n)

> media.aves<-sum(aves)/n.aves #média

Para ver os resultados basta digitar o nome dos objetos que você salvou

> n.aves # para ver o número de observações (n)

> media.aves # para ver a média

Você não ficará surpreso em saber que o R já tem uma função pronta para calcular a média.

> mean(aves)

Acessar valores dentro de um objeto [colchetes]

Caso queira acessar apenas um valor do conjunto de dados use colchetes []. Isto é possível porque o R

salva os objetos como vetores, ou seja, a sequencia na qual você incluiu os dados é preservada. Por exemplo,

vamos acessar o quinto valor do objeto aves.

> aves[5] # Qual o quinto valor de aves?

> palavras[3] # Qual a terceira palavra?

Para acessar mais de um valor use c para concatenar dentro dos colchetes [c(1,3,...)]:

> aves[c(5,8,10)] # acessa o quinto, oitavo e décimo valores

Para excluir um valor, ex: o primeiro, use:

> aves[-1] # note que o valor 22, o primeiro do objeto aves, foi excluído

Caso tenha digitado um valor errado e queira corrigir o valor, especifique a posição do valor e o novo valor.

Por exemplo, o primeiro valor de aves é 22, caso estivesse errado, ex: deveria ser 100, basta alterarmos o valor

da seguinte maneira.

> aves[1]<-100 # O primeiro valor de aves deve ser 100

> aves

> aves[1]<-22 # Vamos voltar ao valor antigo

8

Transformar dados Em alguns casos é necessário, ou recomendado, que você transforme seus dados antes de fazer suas

análises. Transformações comumente utilizadas são log e raiz quadrada.

> sqrt(aves) #Raiz quadrada dos valores de aves

> log10(aves) #log(aves) na base 10, apenas

> log(aves) # logaritmo natural de aves

Para salvar os dados transformados dê um nome ao resultado. Por exemplo:

> aves.log<-log10(aves) # salva um objeto com os valores de aves em log

Listar e remover objetos salvos

Para listar os objetos que já foram salvos use ls() que significa listar.

> ls()

Para remover objetos use rm() para remover o que está entre parênteses.

> rm(aves.log)

> aves.log # você verá a mensagem:

Error: object "aves.log" not found

Gerar seqüências (usando : ou usando seq)

: (dois pontos)

Dois pontos " : " é usado para gerar seqüências de um em um, por exemplo a seqüência de 1 a 10:

> 1:10 # O comando : é usado para especificar seqüências.

> 5:16 # Aqui a seqüência vai de 5 a 16

seq

A função seq é usada para gerar seqüências especificando os intervalos.

Vamos criar uma seqüência de 1 a 10 pegando valores de 2 em 2.

> seq(1,10,2) #seq é a função para gerar seqüências, o default é em intervalos de 1.

A função seq funciona assim:

seq(from = 1, to = 10, by = 2 ), seqüência(de um, a dez, em intervalos de 2)

> seq(1,100,5) #seqüência de 1 a 100 em intervalos de 5

> seq(0.01,1,0.02)

Gerar repetições (rep)

rep

Vamos usar a função rep para repetir algo n vezes.

> rep(5,10) # repete o valor 5 dez vezes

A função rep funciona assim:

9

rep(x, times=y) # rep(repita x, y vezes) # onde x é o valor ou conjunto de valores que deve ser

repetido, e times é o número de vezes)

> rep(2,5)

> rep("a",5) # repete a letra "a" 5 vezes

> rep(1:4,2) # repete a seqüência de 1 a 4 duas vezes

> rep(1:4,each=2) # note a diferença ao usar o comando each=2

> rep(c("A","B"),5) # repete A e B cinco vezes.

> rep(c("A","B"),each=5) # repete A e B cinco vezes.

> rep(c("Três","Dois","Sete","Quatro"),c(3,2,7,4)) # Veja que neste

caso a primeira parte do comando indica as palavras que devem ser repetidas e a segunda parte indica quantas

vezes cada palavra deve ser repetida.

Gerar dados aleatórios

runif (Gerar dados aleatórios com distribuição uniforme)

> runif(n, min=0, max=1)# gera uma distr ibuição uniforme com n valores,

começando em min e terminando em max.

> runif(200,80,100) # gera 200 valores que vão de um mínimo de 80 até um

máximo de 100

> temp<-runif(200,80,100)

> hist(temp) # Faz um histograma de freqüências dos valores

rnorm (Gerar dados aleatórios com distribuição normal)

> rnorm(n, mean=0, sd=1)# gera n valores com distribuição uniforme, com

média 0 e desvio padrão 1.

> rnorm(200,0,1) # 200 valores com média 0 e desvio padrão 1

> temp2<-rnorm(200,8,10) # 200 valores com média 8 e desvio padrão 10

> hist(temp2) # Faz um histograma de frequências dos valores

Veja o help da função ?Distributions para conhecer outras formar de gerar dados aleatórios com

diferentes distribuições.

Fazer amostras aleatórias

A função sample

A função sample é utilizada para realizar amostras aleatórias e funciona assim:

sample(x, size=1, replace = FALSE)# onde x é o conjunto de dados do qual as

amostras serão retiradas, size é o número de amostras e replace é onde você indica se a amostra deve

ser feita com reposição (TRUE) ou sem reposição (FALSE).

> sample(1:10,5) # tira 5 amostras com valores entre 1 e 10

Como não especificamos o argumento replace o padrão é considerar que a amostra é sem reposição

(= FALSE).

> sample(1:10,15) # erro, amostra maior que o conjunto de valores, temos 10 valores (1 a 10)

portanto não é possível retirar 15 valores sem repetir nenhum!

> sample(1:10,15,replace=TRUE) # agora sim!

10

Com a função sample nós podemos criar varios processos de amostragem aleatória. Por exemplo,

vamos criar uma moeda e "jogá-la" para ver quantas caras e quantas coroas saem em 10 jogadas.

> moeda<-c("CARA","COROA") # primeiro criamos a moeda

> sample(moeda,10)

#ops! Esqueci de colocar replace=TRUE

> sample(moeda,10,replace=TRUE) # agora sim 

Ordenar e atribuir postos (ranks) aos dados

funções: sort, order e rank

Primeiro vamos criar um vetor desordenado para servir de exemplo:

> exemplo<-sample(1:100,10) # amostra ao acaso 10 valores entre 1 e 100

> exemplo # veja que os valores não estão em ordem. Talvez com muita sorte os seus valores

estejam.

[1] 94 27 89 82 24 51 2 54 37 38 # seus valores serão diferentes

sort

A função sort coloca os valores de um objeto em ordem crescente ou em ordem decrescente.

> sort(exemplo) # para colocar em ordem crescente

[1] 2 24 27 37 38 51 54 82 89 94

> sort(exemplo, decreasing=TRUE) # para colocar em ordem decrescente

[1] 94 89 82 54 51 38 37 27 24 2

order

A função order retorna a posição original de cada valor do objeto "exemplo" caso os valores do objeto

"exemplo" sejam colocados em ordem.

> order(exemplo) #

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

Note que o primeiro valor acima é 7, isso indica que se quisermos colocar o objeto "exemplo" em ordem

crescente o primeiro valor deverá ser o sétimo valor do "exemplo", que é o valor 2 (o menor deles). Na

sequência devemos colocar o quinto valor do objeto "exemplo", que é 24, depois o segundo, depois o nono…

até que objeto "exemplo" fique em ordem crescente.

> order(exemplo,decreasing=TRUE)

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

Vamos ver outro exemplo.

> valores<-sample(seq(1,100,10))

> valores

> order(valores)

Agora vamos usar a informação da ordem e colocar os valores em ordem crescente e decrescente.

> valores[order(valores)]

> valores[order(valores,decreasing=TRUE)]

11

É importante entender o comando order, pois ele é muito usado para colocar uma planilha de dados

seguindo a ordem de alguma de suas variáveis. Veremos como fazer isso mais adiante.

rank

A função rank atribui postos aos valores de um objeto.

> exemplo ## apenas para relembrar os valores do exemplo

[1] 94 27 89 82 24 51 2 54 37 38

Agora vamos ver o rank destes valores

> rank(exemplo) # Para atribuir postos (ranks) aos valores do exemplo

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

Veja que 94 é o maior valor do exemplo, portanto recebe o maior rank, no caso 10.

Relembrando o que é o workspace O workspace é a área de trabalho do R, quando salvamos um workspace em uma pasta e o abrirmos a

partir dela o R imediatamente reconhecerá o endereço da pasta como sendo seu diretório de trabalho. Para

conferir o diretório de trabalho use o comando abaixo:

> getwd()

> [1] "C:/Documents and Settings/Victor Landeiro/My Documents"

Caso o diretório que aparecer não for o da pasta que está usando para a apostila salve seu workspace na

pasta da apostila. Para isso clique em File (Arquivo) e depois em ―Save workspace‖ (―Salvar área de trabalho‖),

escolha a pasta que quer e salve. OBS:1) não é necessário dar nome ao arquivo 2) não salve mais de um

workspace na mesma pasta.

Exercícios com operações básicas 1- Suponha que você marcou o tempo que leva para chegar a cada uma de suas parcelas no campo.

Os tempos em minutos foram: 18, 14, 14, 15, 14, 34, 16, 17, 21, 26. Passe estes valores para o R, chame o

objeto de tempo. Usando funções do R ache o tempo máximo, mínimo e o tempo médio que você levou

gasta para chegar em suas parcelas.

1.1- Ops, o valor 34 foi um erro, ele na verdade é 15. Sem digitar tudo novamente, e usando colchetes [

], mude o valor e calcule novamente o tempo médio.

2- Você consegue prever o resultado dos comandos abaixo? Caso não consiga, execute os comandos e

veja o resultado:

x<-c(1,3,5,7,9)

y<-c(2,3,5,7,11,13)

a) x+1

b)y*2

c)length(x) e length(y)

d) x + y

e) y[3]

f) y[-3]

3. Use as funções union, intersect e setdiff para encontrar a união, o intersecto e as

diferenças entre os conjuntos A e B. Aprenda no help como utilizar estas funções.

A 1 2 3 4 5

B 4 5 6 7

12

4. Calcule a velocidade média de um objeto que percorreu 150 km em 2.5 horas. Formula:

vm = d/t

5. Calcule |2 3 -3

2 |. Módulo de 2

3 -3

2

6. Suponha que você coletou 10 amostras em duas reservas, as 5 primeiras amostras foram na reserva

A e as 5 ultimas na reserva B. Use a função rep para criar um objeto chamado locais que contenha 5 letras

A seguidas por cinco letras B.

7. Suponha que você deseje jogar na mega-sena, mas não sabe quais números jogar, use a função

sample do R para escolher seis números para você. Lembre que a mega-sena tem valores de 1 a 60.

8. Crie uma sequencia de dados de 1 a 30 apenas com números impares. Use a função seq().

9. Einstein disse que Deus não joga dados, mas o R joga! Simule o resultado de 25 jogadas de um

dado. ?sample.

10. Crie um objeto com estes dados: 9 0 10 13 15 17 18 17 22 11 15 e chame-o de temp.

Agora faça as seguintes transformações com esses dados: 1) raiz quadrada de temp, 2) log natural de

temp, 3) log(x+1) de temp, 4) eleve os valores de temp ao quadrado.

11. Crie um objeto chamado info que contem seu nome, idade, altura, peso, email e telefone.

12. Feche o R usando a função q(): Ao fechar aparecerá uma pergunta se deseja ou não salvar

Workspace, diga que sim. Abra o R novamente e confira se seus objetos ainda estão salvos usando o

comando ls().

Script do R

Usar o script do R para digitar os comandos Uma maneira que otimiza o uso do R e que poupa muito tempo é usar um script (um arquivo .txt) para

digitar seus comandos. Neste caso, os comandos não são digitados diretamente na linha de comandos e sim

em um editor de texto (por exemplo: R editor, notepad, tinn-R). Um script do R é apenas um arquivo .txt onde

você digitará todos os comandos e análises. Eu uso o R editor, que já vem com o R e é bem simples de usar.

Ao usar um script você pode facilmente fazer alterações e correções em seus comandos, pois salvando o

script você poderá refazer rapidamente suas análises, por exemplo, caso algum revisor de um de seus artigos

solicite uma mudança em uma de suas analises ou em um de seus gráficos.

Daqui em diante use o script para fazer os cálculos e exercícios da apostila. No final da disciplina você

entregará o seu script como parte da nota da disciplina. Para criar um script clique em File no menu do R e

clique em New script. Uma janela será aberta (veja figura abaixo). O script aparece com o nome de ―R Editor‖

(editor do R) e a extensão do arquivo é .R. Ou seja, para salver o seu script após digitar seus comandos dê um

nome ao arquivo e inclua a extensão .R no final do nome (p. ex. analises.R).

13

Digite 3+3 no script e aperte Ctrl+R. O 3*3 será enviado para a linha de comandos do R e o resultado

aparecerá na tela. Para fazer outro comando aperte Enter para passar para a linha de baixo e escreva outro

comando (cada comando deve ser digitado em uma linha diferente). No script você também pode inserir

observações sobre o que foi feito, usando # para indicar a presença de um comentário. Por exemplo:

> x<-sample(1:10,20,replace=TRUE) # Comentários: Aqui eu criei um objeto chamado

x composto por 20 valores entre 1 e 10 amostrados ao acaso. O replace=TRUE indica que a amostragem foi

feita com reposição.

> mean(x) # Aqui eu uso a função mean para calcular a média de x.

Exercícios com o script do R

1- Digite alguns comandos, que você aprendeu até aqui, em um novo script. Por exemplo: crie objetos,

sequências, operações e insira comentários para lembrar o que foi feito. Ao terminar salve o script. Para salvar

clique no "disquete" que aparece nos menus do R (veja figura acima), salve o script na pasta do curso, dê o

nome que quiser usando a extensão .R para salvar (ex: meuScript.R) Feche o script, mas não feche o R. Para

abrir o script novamente clique em File e em Open script selecione o script salvo para abri-lo.

2- Crie um objeto que contenha quatro palavras. Use a função sample para fazer uma amostra de

1000 valores desse objeto. Descubra como usar a função table para saber quantas vezes cada palavra

foi sorteada. ?table OBS: a página de help irá conter muitas informações que você ainda não sabe o

que é.

Gráficos do R

PLOTS

Produzir gráficos de qualidade é uma ótima forma para apresentar e explorar dados. Os gráficos mais

comuns são os gráficos de barras, pizza e de pontos (gráfico de dispersão).

14

Gráficos de barras

Para fazer gráficos de barras no R a função é barplot.

> barplot(sample(10:100,10))

Veja os exemplos de gráficos de barras:

> example(barplot)## clique na janela do gráfico para ir passando os exemplos.

Gráficos de pizza

Para fazer gráficos de pizza a função pie.

> pie(c(1,5,7,10))

Veja os exemplos de gráficos de pizza

> example(pie)

Gráfico de pontos (gráficos de dispersão)

Gráficos com variáveis numéricas

Primeiro vamos inserir os dados de duas variáveis numéricas. Lembre que a forma mais simples de

inserir dados no R é usando a função de concatenar dados "c".

> y<-c(110,120,90,70,50,80,40,40,50,30)

> x<-1:10

y geralmente é a letra usada em livros texto para indicar a variável resposta, a que aparece no eixo Y.

Apesar de não ser uma norma, colocar a variável resposta no eixo y (vertical) dos gráficos é um consenso

entre a maioria dos estatísticos, daí a letra y para dados resposta. x é chamada de variável independente e

aparece no eixo x (horizontal).

É extremamente simples fazer um gráfico de pontos de y contra x no R. A função utilizada é plot() e

precisa de apenas dois argumentos: o primeiro é o nome da variável do eixo X, o segundo é o da variável

do eixo Y.

> plot(x,y)

Você também pode dizer se quer um gráfico de linhas, de pontos, ou de ambos:

> plot(x,y,type=”p”)

> plot(x,y,type=”l”)

> plot(x,y,type=”b”)

Ou dizer que não quer plotar nada no gráfico usando ―n‖

> plot(x,y,type=”n”)

Alterando a aparência do gráfico

Para a proposta de apenas explorar os dados, o gráfico acima geralmente é o que você precisa. Mas

em publicações é necessário saber melhorar a aparência do gráfico. Sempre é bom ter nomes informativos

nos eixos (no R a opção default de nome das legendas é o próprio nome das variáveis). Suponha então que

queremos mudar o nome da variável do eixo x para "Variável explanatória". Para isso, o argumento xlab

("x label") é utilizado. Use as setas do teclado para voltar ao comando anterior e coloque uma "vírgula" após

o y e depois da vírgula coloque o comando da legenda do eixo x (xlab="Variável

explanatória")

> plot(x,y, xlab="Var explanatória")

15

Você pode alterar a legenda do eixo y da mesma forma, porem usando ylab. Use as setas e coloque

o argumento da legenda do eixo y.

> plot(x,y,xlab="Var explanatória",ylab="Var resposta")

Também é fácil mudar os símbolos do gráfico, neste momento você está usando a opção default, que é

a "bolinha vazia" (pch=1). Se você deseja que o símbolo seja um "x" use pch=4. Use a seta para cima

pra inserir o argumento pch.

> plot(x,y,xlab="Var explanatória",ylab="Var resposta" ,pch=4)

Use outros valores (de 1 a 25) para ver outros símbolos.

Para ver todas as opções de símbolo de uma vez digite:

> plot(1:25, pch=1:25)

> text(1:25,(1:25)-0.9)

Para colocar título no gráfico uso o argumento main:

> plot(x,y,xlab="Var explanatória",ylab="Var resposta" ,pch=4,

main="Título do gráfico")

Adicionando linhas a um gráfico de pontos

A função utilizada para inserir linhas é abline().

Vamos usar a função abline para inserir uma linha que mostra a média dos dados do eixo Y:

> abline(h=mean(y)) ## o h é de horizontal. Fará uma linha na horizontal que passa

pela média de y.

Para passar uma linha que passa pela média de x

> abline(v=mean(x)) ## o v é de vertical

Vamos passar uma linha que passa pelo sétimo valor do eixo x e mudar a cor da linha

> abline(v=7, col="red")# pode escrever o nome da cor ou números (abaixo)

Também é possível inserir as duas linhas ao mesmo tempo:

> plot(x,y)

> abline(h=mean(y), v=mean(x),col=4)

Com cores diferentes

> abline(h=mean(y), v=mean(x),col=c(2,4))

Adicionar mais pontos ao gráfico

Em alguns casos podemos querer inserir pontos de outro local no mesmo gráfico, usando símbolos

diferentes para o novo local. Suponha que temos novos valores da variável resposta e da variável

explanatória, coletados em outro local, e queremos adicionar estes valores no gráfico. Os valores são

v<-c(3,4,6,8,9) ## novos valores da variável explanatória

w<-c(80,50,60,60,70) ## novos valores da variável resposta

Para adicionar estes pontos ao gráfico, basta usar a função points(), e usar uma cor diferente

para diferenciar.

Primeiro vamos refazer o gráfico com x e y e depois adicionar os novos pontos.

> plot(x,y)

> points(v,w,col="blue")

16

Gráficos com variáveis explanatórias que são categóricas.

Variáveis categóricas são fatores com dois ou mais níveis (você verá isso no curso de estatística). Por

exemplo, sexo é um fator com dois níveis (macho e fêmea). Podemos criar uma variável que indica o sexo

como isto:

> sex<-c("macho","fêmea")

A variável categórica é o fator sexo e os dois níveis são "macho" e "fêmea". Em princípio, os níveis do

fator podem ser nomes ou números (1 para macho e 2 para fêmea). Use sempre nomes para facilitar.

Vamos supor que os 5 primeiros valores da nossa variável y eram machos e os 5 últimos eram fêmeas

e criar a variável que informa isso.

>_sexo<-c("Ma","Ma","Ma","Ma","Ma","Fe","Fe","Fe","Fe",

+ "Fe") # Não digite o sinal de +

Para parecer um exemplo mais real vamos supor que y são valores de peso, para isso vamos apenas

salvar um objeto chamado peso que é igual a y.

> peso<-y # peso é igual a y

> peso

Agora vamos fazer o gráfico:

> plot(sexo,peso)

Observe que o comando não funcionou, deu erro! Isso ocorreu porque não informamos que sexo é um

fator. Vamos verificar o que o R acha que é a variável sexo.

> is(sexo)

Veja que o R trata a variável sexo como sendo um "vetor de caracteres". Mas nós sabemos que sexo é

o nosso fator, então precisamos dar esta informação ao R. A função factor, transforma o vetor de

caracteres em fator.

> factor(sexo)

Veja que o R mostra os "valores" e depois mostra os níveis do fator.

Agora podemos fazer o nosso gráfico adequadamente:

> plot(factor(sexo),peso)

Você também pode salvar a variável sexo já como um fator.

> sexo.f<-factor(sexo)

Gráficos do tipo boxplot são bons quando o número de observações (de dados) é muito grande. Neste

caso, um gráfico com pontos seria melhor, pois podemos ver quantas observações foram utilizadas para

produzir o gráfico.

Para fazer um gráfico de pontos quando uma variável é categórica precisamos usar a função

stripchart.

> stripchart(peso~sexo) # faz o gráfico, mas na horizontal

> stripchart(peso~sexo,vertical=TRUE) # agora o gráfico está na vertical,

porém os pontos aparecem nas extremidades. TRUE pode ser abreviado para apenas T.

> stripchart(peso~sexo,vertical=T,at=c(1.3,1.7)) # agora os pontos

estão centralizados, pois com o argumento at, nós especificamos a localização dos pontos no eixo X.

Note que agora só há um problema. Eram cinco fêmeas e no gráfico aparecem apenas 4. Isso ocorreu

porque duas fêmeas tinham o mesmo peso. Para melhorar o gráfico é necessário usar o argumento

method="stack", para que os pontos não fiquem sobrepostos.

> stripchart(peso~sexo,vertical=T,at=c(1.5,1.7),

17

method="stack") # os pontos não estão mais totalmente sobrepostos, mas um símbolo ainda

está sobre o outro. Usando o argumento offset conseguimos separá-los.

>_stripchart(peso~sexo,vertical=T,at=c(1.3,1.7),method= +

"stack",offset=1) ## Não digite o sinal de +

Inserir texto em gráficos

Para inserir textos em gráficos a função é text

Ela funciona assim:

text(cooX,cooY,"texto")

Neste caso cooX e cooY indicam as coordenadas do eixo X e do eixo Y onde o texto deverá ser

inserido. Vamos criar um gráfico simples:

> plot(1:10,1:10)

Agora vamos adicionar "seu nome" no gráfico nas coordenadas 6 e 7. Isso indica que seu nome ficará

na posição 6 do eixo X e na posição 7 do eixo Y.

> text(6,7,"Seu.Nome")

Para inserir duas palavras:

> text(c(2,3),c(8,6),c("nome","sobrenome"))

Ou seja, a primeira palavra ficará na posição 2-8 e a segunda palavra ficará na posição 3-6.

Também é possível adicionar texto aos gráficos usando a função locator(n). O n indica o número

de pontos que você deseja indicar no gráfico. A função locator permite que você clique no gráfico com

o mouse e adicione o texto na posição desejada.

> plot(1:10,1:10)

> text(locator(1),"Texto") # clique com o mouse na posição desejada no gráfico

Para mais de um texto:

> plot(1:10,1:10)

> text(locator(3),c("texto 1","texto 2","texto 3"))

Dividir a janela dos gráficos

Em alguns casos em que se deseja comparar dois ou mais gráficos é possível dividir a janela de gráficos do

R. A função par controla diversas características dos gráficos. Sempre que quiser melhorar algum aspecto

de seu gráfico consulte o help da função par (?par) e descubra o argumento necessário.

Para dividir a janela de gráficos o comando é:

par(mfrow=c(nl,nc)) # nl indica o número de linhas e nc o número de colunas que a

janela deverá ter. Primeiro vamos dividir a janela em duas colunas.

> par(mfrow=c(1,2)) # uma linha e duas colunas

> plot(1)

> plot(2)

Agora vamos dividir a janela em duas linhas e uma coluna:

> par(mfrow=c(2,1))

> plot(1)

> plot(2)

18 Agora vamos dividir a janela em duas linhas e duas colunas (para plotar 4 gráficos)

> par(mfrow=c(2,2))

> plot(1)

> plot(2)

> plot(3)

> plot(4)

Salvar os gráficos

Existem diversas opções para salvar os gráficos do R. A mais simples é clicar com o botão direito do

mouse sobre o gráfico e depois em "save as metafile". Para que usa o editor de texto LATEX e sabe o que é

um arquivo postscript também existe esta opção com o "save as postSscript".

Também é possível salvar os gráficos em PDF, JPEG, BMP, PNG ou outros formatos.

Para salvar em pdf ou outros formatos clique sobre o gráfico e depois clique em Arquivo e em salvar

como. Escolha a opção que deseja salvar.

Resumo sobre gráficos

Plot: plot(xaxis,yaxis) faz um gráfico de pontos se x é uma variável contínua e um boxplot se

x é uma variável categórica (se é um fator).

Lines: lines(x,y) traça uma linha reta de acordo com as coordenadas fornecidas. É possível

mudar o tipo e a cor das linhas usando os argumentos lty para o tipo e col para a cor.

Points: points(x,y) adiciona mais pontos em um gráfico. É possível colocar os novos pontos com

símbolo diferente, usando o argumento pch=2 ou pch="H".

stripchart: é uma função que faz gráficos de pontos, com a qual é possível separar pontos

coincidentes.

Cores: Gráficos em preto e branco são bons na maioria dos casos, mas cores podem ser mudadas

usando col="red" (escrevendo o nome da cor) ou col=2 (usando números).

O comando abaixo mostra os números que especificam algumas cores

> pie(rep(1,30),col=rainbow(30))

par: a função par é utilizada para alterar diversos aspectos dos gráficos, dentre eles, dividir a janela

para que caiba mais de um gráfico.

Exercícios com gráficos

1- Um biólogo foi ao campo e contou o número de sapos em 20 locais. Ele também anotou a umidade e

a temperatura em cada local. Faça dois gráficos de pontos para mostrar a relação do número de sapos com

as variáveis temperatura e umidade. Use a função par() para dividir a janela em duas.

Os dados são:

sapos 6-5-10-11-26-16-17-37-18-21-22-15-24-25-29-31-32-13-39-40

umid 62-24-21-30-34-36-41-48-56-74-57-46-58-61-68-76-79-33-85-86

temp 31-23-28-30-15-16-24-27-18-10-17-13-25-22-34-12-29-35-26-19

2- Um biólogo interessado em saber se o número de aves está relacionado ao número de uma

determinada espécie de árvore realizou amostras em 10 locais. Os valores obtidos foram:

aves<-c(22,28,37,34,13,24,39,5,33,32)

arvores<-c(25,26,40,30,10,20,35,8,35,28)

19

Faça um gráfico que mostra a relação entre o número de aves e o número de árvores.

Um colega coletou mais dados sobre aves e árvores, em outra área, que podemos aproveitar. Os dados

são: árvores2 (6,17,18,11,6,15,20,16,12,15),.

arvores2<-c(6,17,18,11,6,15,20,16,12,15)

aves2<-c(7,15,12,14,4,14,16,60,13,16)

Inclua estes novos pontos no gráfico com um símbolo diferente e cor azul.

Junte o seu arquivo de aves com o arquivo de aves do seu amigo, para que fique em um arquivo

completo: aves.c<-c(aves,aves2). Faça o mesmo para árvores.

3- Os dados do exercício anterior foram coletados em regiões diferentes (você coletou no local A e seu

amigo no local B). Inclua esta informação no R, use a função rep se quiser facilitar.

Faça um gráfico para ver qual região tem mais aves e outro para ver qual tem mais árvores. Lembre

que local deve ser um fator para fazer o gráfico. Use função stripchart.

stripchart(aves.c~locais, vertical=TRUE, pch=c(16,17))

Existem locais com o mesmo número de aves, e no gráfico estes pontos apareceram sobrepostos. Faça

o gráfico sem pontos sobrepostos:

4 - Existem milhares de outros comandos para alterar a aparência de gráficos, veja esta página do help

(?par) para ver alguns comandos sobre como alterar a aparência de gráficos. Não se preocupe se você ficar

confuso sobre as opções do help(par), apenas praticando você irá começar a dominar estes comandos.

5 – Repita o gráfico do exercício 2 acima e faça as seguintes modificações.

Coloque um título no gráfico

Use Bolinhas cheias e azuis como símbolo.

Coloque as legendas no eixo-x e no eixo-y. Por exemplo: ―Número de aves‖

O padrão do R é fazer uma ―caixa‖ entorno do gráfico, faça uma alteração para que apareça apenas as

linhas do eixo-x e do eixo-y. veja bty em ?par

6 – Faça um gráfico igual ao gráfico abaixo: Use a função plot, a função points e a função lines.

7 – Use a função rnorm para gerar dois conjuntos de dados aleatórios com 100 valores e faça um

gráfico plotando um dos conjuntos contra o outro.

20

Manejo de dados Nesta sessão veremos como importar, exportar, alterar e manejar um arquivo de dados dentro do R.

Acessar partes de um conjunto de dados é uma tarefa rotineira dentro do R e da análise de dados em geral.

Por exemplo, em diversos casos teremos que selecionar linhas ou colunas dentro de uma planilha, ou em

outros casos precisaremos agregar linhas ou colunas. Veremos como fazer coisas desse tipo nesta sessão.

Importar conjunto de dados para o R Passe a tabela abaixo (locais, abundância de macacos e de árvores frutificando) para o Excel e salve-a (na

pasta do curso) em formato de "texto separado por tabulações" (No Excel clique em "salvar como" e em texto

(separado por tabulações)). Salve com o nome de amostras.txt.

Amostra reserva macacos frutas

A1 A 22 25

A2 A 28 26

A3 A 37 40

A4 A 34 30

A5 A 13 10

A6 A 24 20

A7 A 39 35

A8 A 5 8

A9 A 33 35

A10 A 32 28

B1 B 7 6

B2 B 15 17

B3 B 12 18

B4 B 14 11

B5 B 4 6

B6 B 14 15

B7 B 16 20

B8 B 60 16

B9 B 13 12

B10 B 16 15

Note que esta tabela contém variáveis numéricas e categóricas, portanto este é um exemplo de objeto do

tipo dataframe. Para importar a tabelas para o R a função é read.table.

> read.table("amostras.txt",header=TRUE)

O argumento header=TRUE informa que os dados possuem cabeçalho, ou seja, a primeira linha

contém os nomes dos atributos (variáveis) e a primeira coluna possui o nome das amostras.

Não se esqueça de salvar os dados, não basta importar, é preciso salvar também.

> macac<-read.table("amostras.txt",header=TRUE)

Para ver os dados digite o nome do arquivo.

> macac

O objeto macac é um objeto do tipo dataframe. Isso quer dizer que macac é um objeto que possui

linhas e colunas (observações nas linhas e variáveis (atributos) nas colunas).

21

Procurar os dados dentro do computador Caso você não lembre o nome do arquivo de dados que deseja importar existe a opção de procurar os

dados no computador com a função file.choose():

> macac<-read.table(file.choose(),header=T)# encontre o arquivo macac.txt

Você também pode conferir se um determinado arquivo de dados existe no seu diretório:

> file.exists("macac.txt")

Transformar vetores em matrizes e data frames

Além de importar tabelas, existe opções juntar vetores em um arquivo dataframe ou matriz. Para criar uma

matriz use cbind (colum bind) ou rbind (row bind). Vamos ver como funciona. Vamos criar três vetores e

depois juntá-los em uma matriz.

> aa<-c(1,3,5,7,9)

> bb<-c(5,6,3,8,9)

> cc<-c("a","a","b","a","b")

> cbind(aa,bb) # junta os vetores em colunas

> rbind(aa,bb) # junta os vetores em linhas

Lembre que matrizes podem conter apenas valores numéricos ou de caracteres. Por isso, se juntarmos o

vetor cc, nossa matriz será transformada em valores de caracteres.

> cbind(aa,bb,cc) # junta os vetores em colunas, mas transforma números em

caracteres.

Para criar uma dataframe com valores numéricos e de caracteres use a função data.frame:

> data.frame(aa,bb,cc)

> data.frame(aa,bb,cc) # agora temos números e letras.

Acessar partes da tabela de dados (matrizes ou dataframes)

Agora vamos aprender a selecionar (extrair) apenas partes do nosso conjunto de dados macac usando

[] colchetes. O uso de colchetes funciona assim: [linhas, colunas], onde está escrito linhas

você especifica as linhas desejadas, na maioria dos casos cada linha indica uma unidade amostral. Onde está

escrito colunas, você pode especificar as colunas (atributos) que deseja selecionar. Veja abaixo:

> macac [,1] # extrai a primeira coluna e todas as linhas

> macac[,2] # extrai a segunda coluna e todas as linhas

> macac[1,] # extrai a primeira linha e todas as colunas

> macac[3,3] # extrai a terceira linha e a terceira coluna, 1 valor

> macac[1,3] # extrai o valor da primeira linha e terceira coluna

> macac[c(1:5),c(2,3)] # extrais somente as linhas 1 a 5 e as colunas 2 e 3

Existem outras duas maneiras de extrair dados de uma dataframe. Uma é usando a função attach(),

que torna as variáveis acessíveis apenas digitando o nome delas na linha de comandos

22

Digite macacos na linha de comandos e veja o que acontece!

> macacos

Error: object "macacos" not found

Agora use a função attach, digite macacos novamente e veja o que acontece.

> attach(macac)

> macacos # agora os dados macacos está disponível

> frutas # para ver o número de arvores frutificando

> reserva # para ver as reservas

> plot(macacos,frutas)

IMPORTANTE: A função attach apesar de parecer "uma mão na roda" pode ser problemática. Se

"atacharmos" duas dataframes, e elas tiverem variáveis com o mesmo nome, é "perigoso" usarmos por engano

a variável errada. Se você usar a função attach é seguro "desatachar" o objeto imediatamente após o seu

uso. Para isso use detach().

> detach(macac)

macacos # macacos não está mais disponível

Uma melhor forma de acessar colunas pelo nome é usar o comando cifrão $, e não usar a função

attach(). O uso é basicamente o seguinte dados$variável (dados especifica o conjunto de dados

e variável a variável que deseja extrair). Por exemplo, para extrair os dados de macacos de use:

> macac$macacos

Ou então usar colchetes e o nome da variável:

> macac[,"macacos"]

Vamos fazer o gráfico de macacos X frutas usando $.

> plot(macac$frutas,macac$macacos)

Faça o gráfico de frutas X macacos usando colchetes ao invés de usar $.

Operações usando dataframes

Ordenar a tabela

Os dados de macac estão dispostos na ordem em que foram coletados. Em alguns casos podemos querer

colocá-los em outra ordem. Por exemplo, na ordem crescente de quantidade de árvores frutificando. Para isso

use a função order.

> macac[order(macac$futas),] # ordena os dados macac pela ordem de frutas

# para colocar em ordem decrescente use o argumento decreasing=TRUE

Calcular a média de uma linha ou de uma coluna

Podemos calcular a média de cada coluna da dataframe usando.

> mean(macac[,"macacos"])# média de macacos ou use

> mean(macac$macacos)

> mean(macac) # média de cada coluna

Repare que resultado para reservas foi NA e em seguida apareceu uma mensagem de aviso. NA indica

Non Available, pois não é possível calcular a média de variáveis categóricas.

Acima nós calculamos a média de macacos, mas sem considerar a reserva onde as amostras foram

coletadas. O que fazer para calcular a média de macacos em cada reserva? Basta selecionar as linhas

correspondentes a cada reserva.

comentários (0)
Até o momento nenhum comentário
Seja o primeiro a comentar!
Esta é apenas uma pré-visualização
3 shown on 53 pages
baixar o documento