Olá! Neste post usarei diversas funções do tidyverse para manipular dados que já estão presentes no R
Lembrando que neste post expliquei sobre cada uma dessas funções!
Hoje vamos combinar todas elas para manipular os dados e melhorar as análises.
Para isso, usaremos o dataset mpg embutido no tidyverse,
então começamos carregando o pacote:
library(tidyverse)Dê uma checada no que existe no data.frame, usando a função
glimpse():
glimpse(mpg)
Rows: 234
Columns: 11
$ manufacturer <chr> "audi", "audi", "audi", "audi", "audi", "audi", "audi", "audi", "audi"~
$ model <chr> "a4", "a4", "a4", "a4", "a4", "a4", "a4", "a4 quattro", "a4 quattro", ~
$ displ <dbl> 1.8, 1.8, 2.0, 2.0, 2.8, 2.8, 3.1, 1.8, 1.8, 2.0, 2.0, 2.8, 2.8, 3.1, ~
$ year <int> 1999, 1999, 2008, 2008, 1999, 1999, 2008, 1999, 1999, 2008, 2008, 1999~
$ cyl <int> 4, 4, 4, 4, 6, 6, 6, 4, 4, 4, 4, 6, 6, 6, 6, 6, 6, 8, 8, 8, 8, 8, 8, 8~
$ trans <chr> "auto(l5)", "manual(m5)", "manual(m6)", "auto(av)", "auto(l5)", "manua~
$ drv <chr> "f", "f", "f", "f", "f", "f", "f", "4", "4", "4", "4", "4", "4", "4", ~
$ cty <int> 18, 21, 20, 21, 16, 18, 18, 18, 16, 20, 19, 15, 17, 17, 15, 15, 17, 16~
$ hwy <int> 29, 29, 31, 30, 26, 26, 27, 26, 25, 28, 27, 25, 25, 25, 25, 24, 25, 23~
$ fl <chr> "p", "p", "p", "p", "p", "p", "p", "p", "p", "p", "p", "p", "p", "p", ~
$ class <chr> "compact", "compact", "compact", "compact", "compact", "compact", "com~Vemos que existem 11 colunas e 234 linhas, é um data set bem
interessante! Para saber mais a respeito desses dados, basta digitar
?mpg no console, mas aqui vai uma breve explicação:
mpg
Dados sobre a economia de combustível de carros populares de 1999 até 2008.
É possível usar a função colnames() para observar as
colunas do df:
colnames(mpg)
[1] "manufacturer" "model" "displ" "year" "cyl"
[6] "trans" "drv" "cty" "hwy" "fl"
[11] "class"Uma forma bem interessante de receber algumas estatísticas é usar a
função summary()
summary()
Essa é uma função bem generica do R base, e serve principalmente para obter um resumo com estatisticas de um objeto:
summary(mpg)
manufacturer model displ year cyl
Length:234 Length:234 Min. :1.600 Min. :1999 Min. :4.000
Class :character Class :character 1st Qu.:2.400 1st Qu.:1999 1st Qu.:4.000
Mode :character Mode :character Median :3.300 Median :2004 Median :6.000
Mean :3.472 Mean :2004 Mean :5.889
3rd Qu.:4.600 3rd Qu.:2008 3rd Qu.:8.000
Max. :7.000 Max. :2008 Max. :8.000
trans drv cty hwy fl
Length:234 Length:234 Min. : 9.00 Min. :12.00 Length:234
Class :character Class :character 1st Qu.:14.00 1st Qu.:18.00 Class :character
Mode :character Mode :character Median :17.00 Median :24.00 Mode :character
Mean :16.86 Mean :23.44
3rd Qu.:19.00 3rd Qu.:27.00
Max. :35.00 Max. :44.00
class
Length:234
Class :character
Mode :character
Perceba quanta informação recebemos com apenas uma função!
Vamos misturar algumas funções do tidyverse para obter ainda mais stats!
misturando as funções com o pipe “%>%”
mpg %>%
select(tipo_de_motor = displ,
ano = year,
galao_milhas_cidade = cty,
galao_milhas_estrada = hwy) %>%
group_by(ano) %>%
summarise(media_milhas_por_galao_cidade = mean(galao_milhas_cidade),
media_milhas_por_galao_estrada = mean(galao_milhas_estrada))Veja que interessante, parece que em média os motores passaram a percorrer menos milhas (0.3 a menos) por galão nas cidades, enquanto na estrada esse valor aumentou em 0.1:
| ano | media_gasto_galao_cidade | media_gasto_galao_estrada |
|---|---|---|
| 1999 | 17.0 | 23.4 |
| 2008 | 16.7 | 23.5 |
Perceba como dentro da função select() pudemos criar o
nome das colunas que apareceram no subset selecionado.
Sendo assim, dentro da função summarise() temos que
trabalhar com os novos nomes.
Será que existe uma relação entre o tipo do motor daquele ano e o gasto de gasolina?
mpg %>%
select(tipo_de_motor = displ,
ano = year,
galao_milhas_cidade = cty,
galao_milhas_estrada = hwy) %>%
group_by(tipo_de_motor, ano) %>%
summarise(media_milhas_por_galao_cidade = mean(galao_milhas_cidade),
media_milhas_por_galao_estrada = mean(galao_milhas_estrada))Agora agrupamos por duas colunas, primeiro por tipo do motor, segundo pelo ano:
| tipo_de_motor | ano | media_gasto_galao_cidade | media_gasto_galao_estrada |
|---|---|---|---|
| 1.6 | 1999 | 24.8 | 31.6 |
| 1.8 | 1999 | 20.7 | 29.4 |
| 1.8 | 2008 | 25.8 | 35.6 |
| 1.9 | 1999 | 32.3 | 43 |
| 2 | 1999 | 19.8 | 27.5 |
| 2 | 2008 | 20.5 | 28.7 |
| 2.2 | 1999 | 20.7 | 27.3 |
| 2.4 | 1999 | 18.8 | 26.7 |
| 2.4 | 2008 | 21.3 | 30.7 |
| 2.5 | 1999 | 18.3 | 25.5 |
| 2.5 | 1999 | 18.3 | 25.5 |
Mas nossa tabela ainda está bagunçada, vamos arrumar com um
arrange():
mpg %>%
select(tipo_de_motor = displ,
ano = year,
galao_milhas_cidade = cty,
galao_milhas_estrada = hwy) %>%
group_by(tipo_de_motor, ano) %>%
summarise(media_milhas_por_galao_cidade = mean(galao_milhas_cidade),
media_milhas_por_galao_estrada = mean(galao_milhas_estrada)) %>%
arrange((ano))Maneiro, agora que temos nosso dado bem organizado podemos separar os carros de 1999 daqueles de 2008 usando um filtro e salvar esse resultado num novo objeto:
mpg_1999 <- mpg %>%
select(tipo_de_motor = displ,
ano = year,
galao_milhas_cidade = cty,
galao_milhas_estrada = hwy) %>%
group_by(tipo_de_motor, ano) %>%
summarise(media_milhas_por_galao_cidade = mean(galao_milhas_cidade),
media_milhas_por_galao_estrada = mean(galao_milhas_estrada)) %>%
arrange((ano)) %>%
filter(ano == 1999)mpg_2008 <- mpg %>%
select(tipo_de_motor = displ,
ano = year,
galao_milhas_cidade = cty,
galao_milhas_estrada = hwy) %>%
group_by(tipo_de_motor, ano) %>%
summarise(media_milhas_por_galao_cidade = mean(galao_milhas_cidade),
media_milhas_por_galao_estrada = mean(galao_milhas_estrada)) %>%
arrange((ano)) %>%
filter(ano == 2008)Agora construímos sub sets do nosso conjunto original, o que é muito útil quando estamos realizando análises.
Dê uma olhada em ambos sub data sets e pense em maneiras de comparar esses valores.
No próximo post: Uma das formas mais fáceis de se comparar grupos de dados é usar gráficos. No próximo post usarei gráficos do ggplot para mostrar como fazer tais comparações.
Obrigado por chegar até aqui!
Me segue no twitter: @gimbgomes