R tutorial-de-bolso
0 gostou116 visualizações
1. Este documento apresenta um tutorial simplificado do R, com instruções para importar e manipular dados em dataframes, remover linhas e colunas, tratar valores ausentes (NA), binarizar e categorizar dados, gerar sequências, concatenar colunas e citar o R. 2. São apresentadas diversas maneiras de importar dados para dataframes a partir de arquivos csv, txt ou do clipboard, além de comandos para arrumar células, remover elementos específicos e tratar valores ausentes. 3. Também são explicados comandos para binar
![7
#arrumando alguma célula no seu data.frame
fix(dados)
edit(dados)
#Removendo colunas e linhas de diferentes maneiras
#retirando colunas
dados$colunaquequerotirar<- NULL
#retirando a segunda coluna
#maneira 1
dados[2] <- NULL
#maneira 2
dados <- dados[,-2]
#maneira 3
dados <- dados[-2] #o segundo elemento em um data.frame é a
segunda #coluna
#Removendo múltiplas colunas em sequência
dados[1:2] <- list(NULL) # funciona
dados[1:2] <- NULL # não funciona!
#Retirando colunas 2 e 3. Cautela ao fazer subset de uma matrix, pois
você pode acabar tendo um vetor
dados <- dados[,-(2:3)] # é um vector
dados <- dados[,-(2:3), drop=FALSE] # ainda é um data.frame](https://image.slidesharecdn.com/r-tutorial-de-bolso-160720011802/85/R-tutorial-de-bolso-7-320.jpg)
![8
#subset
#para remover uma sequência, entre colunas 1 e 3
dados2 <- subset( dados, select = -c( 1: 3 ))
#Removendo colunas específicas, que estão em sequência
dados2 <- subset( dados, select = -c( dessacoluna : aessacoluna )
#nomes sem aspas mesmo
#Removendo colunas específicas, que não necessariamente estão em
sequência
dados2 <- subset( dados, select = -c(essacoluna, essacoluna ) ) #nome
da coluna sem aspas!
#linhas
#removendo linhas por indexação simples
#removendo a linha 1
dados = dados[-1,]
### Removendo linhas 2 e 3
dados <- dados[c(-2,-3),])
#só as que tem valor F em saocarlos
dados[dados$local=="saocarlos" & dados$h== "F",]
#só as diferentes de cinquenca em saocarlos
dados[dados$local=="saocarlos" & dados$area!= 50,]
#só as linhas que tem carrapato diferente de zero e com área maior
que 150 no paisagem saocarlos
dados[dados$paisagem=="saocarlos" &dados$carrapato != 0
&dados$areaha>150,]
#subset
#Removendo ou mantendo linhas de um determinado valor, que no
caso são os fragmentos F1
dados_f1= subset(dados, fragmento=="F1") #uso aspas, pois é factor
#Removendo ou mantendo linhas de um determinado valor, que no
caso são #valores diferentes de zero
dados_sem_zero= subset(dados, remocao!=0) #s2 subset!](https://image.slidesharecdn.com/r-tutorial-de-bolso-160720011802/85/R-tutorial-de-bolso-8-320.jpg)
![9
#which
#Removendo linhas de uma categoria específica
#data.frame dados
dados
Local Ponto Riqueza
A dentro 1
A fora 5
B dentro 3
B fora 14
C dentro 6
C fora 11
#Retirando todos os pontos de dentro
dentro=which(dados$Ponto!=”dentro”)
dentro=dados[dentro,]
Local Ponto Riqueza
A fora 5
B fora 14
C fora 11
#Sobre NA
#retirando linhas com NA da sua tabela
#maneira 1
Linhas_com_NA <- apply(dados, 1, function(x){any(is.na(x))})
#retirando linhas com NA
Dados_sem_NA<- dados[!Linhas_com_NA ,]
#maneira 2: NA.omit()
na.omit(dados)
#maneira 3: is.na()
Dados_sem_NA_para_uma_coluna<-dados[!is.na(dados$umacoluna),]](https://image.slidesharecdn.com/r-tutorial-de-bolso-160720011802/85/R-tutorial-de-bolso-9-320.jpg)
![10
#substituindo NA por 0 na sua tabela
#is.na()
dados[is.na(dados)]<-0
#Binarizando seus dados
#binarizando com ifelse
#Caso dados$palm sejam maiores ou iguais a 1, faça-os ser igual a 1,
caso contrário, faça-os serem zero!
dados$palm_bin<- ifelse(dados$palm>= 1, 1, 0)
dados$palm_bin
#binarizando com decostand
Install.packages(“vegan”)
require(vegan)
dados_bin<- decostand(dados, "pa")
# s2 Ifelse: Categorizando seus dados a partir de uma coluna
de dados contínuos
#criando a coluna
dados$F150<- NULL
#Quero separar minha coluna que contém área de fragmentos em três
#categorias: 1)”menor_que_60”: áreas com menos de 60 há, 2)
“intermediário” #áreas iguais ou maiores a 60 há e menores ou iguais a
150 e 3) #“maior_que_150” áreas maiores que 150 ha.
dados$F_150 <- ifelse(dados$A_FRAG1 < 60, "menor que60 ha",
ifelse(dados$A_FRAG1 >= 60 & dados$A_FRAG1 <=150 , "intermediario",
ifelse(dados$A_FRAG1 > 150, "maior que 150 ha", NA)))](https://image.slidesharecdn.com/r-tutorial-de-bolso-160720011802/85/R-tutorial-de-bolso-10-320.jpg)
R tutorial-de-bolso
- 1. 1 ############################# ###### # #R tutorial de bolso #Renata de Lara Muylaert #Nível “easy curious” # ###### ############################# #versão 3 de Setembro de 2015
- 2. 2 Sumário Introdução ...................................................................................................................... 5 #Escolhendo o diretório de trabalho.......................................................................... 5 #utilizando janelas ..................................................................................................... 5 #utilizando comandos............................................................................................... 5 #Inserindo dados, criando um data.frame ............................................................... 6 #maneira 1: read.csv................................................................................................. 6 #maneira 2: read.table............................................................................................. 6 #maneira 3: read.delim............................................................................................. 6 #maneira 4: clipboard .............................................................................................. 6 #arrumando alguma célula no seu data.frame................................................... 7 #Removendo colunas e linhas de diferentes maneiras .......................................... 7 #retirando colunas..................................................................................................... 7 #retirando a segunda coluna.................................................................................. 7 #subset......................................................................................................................... 8 #linhas.......................................................................................................................... 8 #removendo linhas por indexação simples........................................................... 8 #subset......................................................................................................................... 8 #which ......................................................................................................................... 9 #Sobre NA....................................................................................................................... 9 #retirando linhas com NA da sua tabela............................................................... 9 #maneira 1 .............................................................................................................. 9 #maneira 2: NA.omit() ........................................................................................... 9 #maneira 3: is.na().................................................................................................. 9 #substituindo NA por 0 na sua tabela................................................................... 10 #Binarizando seus dados............................................................................................ 10 #binarizando com ifelse.......................................................................................... 10 #binarizando com decostand............................................................................... 10 # s2 Ifelse: Categorizando seus dados a partir de uma coluna de dados contínuos....................................................................................................................... 10 #Exportando qualquer objeto como um arquivo TXT............................................ 11
- 3. 3 #Sequências................................................................................................................. 11 #gerando sequências com diferentes distribuições .......................................... 11 #Concatenando colunas em uma nova coluna................................................... 12 #Adicionando colunas na rabeira dos seus dados: .............................................. 12 #Adicionando linhas na rabeira dos seus dados: .................................................. 12 #Citando o R ................................................................................................................ 12 #Blogs e sites legais...................................................................................................... 13
- 4. 4 Agradecimentos Este tutorial foi elaborado em 2015 após algum treinamento autodidata em R e sofrimento em conjunto com meus amigos leecianos (principalmente Calebe Mendes e Maurício Vancine). Agradeço a Milton Cezar Ribeiro, Pavel Dodonov e Arleu Viana por todas as conversas e aprendizados sobre R. Marco Mello, Arleu Viana e Maurício Vancine revisaram esta versão. Licença Creative Commons O conteúdo deste guia pode ser reproduzido à vontade, desde que não seja modificado e não seja usado para fins comerciais. O guia pode ser citado utilizando meu nome (Renata de Lara Muylaert) e direcionando para o site no qual ele se encontra http://www.leec.eco.br/. Se este guia ajudar você a elaborar algum trabalho científico,por favor, mencione isso nos agradecimentos.
- 5. 5 Introdução Este tutorial simplificado é para você que precisa usar ou escolheu usar o R, ou que nunca consegue se lembrar de algumas coisinhas e fica empacado no seu data.frame. O tutorial não foi feito no formato de “.R” direto, pois queria que ele tivesse um visual mais amigável e um índice organizado. Além disso, este tutorial pode de fato ser impresso como uma versão de bolso. Em breve um tutorial nível “normal curious” será lançado na sequência deste. A ideia é que vocês possam ler o tutorial e aplicá-lo aos seus dados imediatamente. Ele não é um tutorial do tipo “example” do R e, portanto, não fornece dados a priori, o que caracteriza qualquer nível de tutorial “curious”. A ideia é que o leitor utilize os seus próprios dados e treine para memorizar os códigos, a fim de não precisar mais de um tutorial no nível “easy curious” e estar pronto para o nível “normal curious”. O data.frame imaginário básico que utilizamos tem o nome “dados”. O leitor deverá adaptá-lo aos seus dados, modificando o nome do objeto como preferir. Além disso, o leitor deve ter o mínimo discernimento sobre diferentes tipos de objetos no R e sua estrutura. Espero que gostem! Sugestões podem ser enviadas para o e-mail renatamuy@gmail.com. Bom trabalho! #Escolhendo o diretório de trabalho #o diretório é a pasta na qual se encontram os seus dados, aqueles que você precisa para trabalhar! É no diretório de trabalho que também serão criados e armazenados os arquivos de saída das análises, caso você converta os objetivos em arquivos .txt (TXT). #utilizando janelas setwd(choose.dir()) #utilizando comandos setwd("C://Users//Documents//LEEC")
- 6. 6 #Inserindo dados, criando um data.frame #maneira 1: read.csv #Esse comando irá permitir que você encontre o arquivo através de uma janela. dados<-read.csv(file.choose(), sep="", header=TRUE) #maneira 2: read.table #separado por tab e com rótulos de coluna dados<-read.table("meusdados.txt", header=T, sep="t") #maneira 3: read.delim #com nome de linhas e de colunas dessa vez... dados<- read.delim("meusdados.txt", row.names=1, header=TRUE) #maneira 4: clipboard #dados estão no bloco de notas #selecione seus dados no bloco de notas #aperte copy clicando sobre seus dados no bloco de notas #dê o comando no r dados<-read.delim("clipboard", header=TRUE) #O comando str(dados) é muito útil para ver se você importou seus dados corretamente! #Se você estiver trabalhando no seu script no Windows, aperte control+R para mandar rodar seu código. Se você estiver em um Mac, use command+enter.
- 7. 7 #arrumando alguma célula no seu data.frame fix(dados) edit(dados) #Removendo colunas e linhas de diferentes maneiras #retirando colunas dados$colunaquequerotirar<- NULL #retirando a segunda coluna #maneira 1 dados[2] <- NULL #maneira 2 dados <- dados[,-2] #maneira 3 dados <- dados[-2] #o segundo elemento em um data.frame é a segunda #coluna #Removendo múltiplas colunas em sequência dados[1:2] <- list(NULL) # funciona dados[1:2] <- NULL # não funciona! #Retirando colunas 2 e 3. Cautela ao fazer subset de uma matrix, pois você pode acabar tendo um vetor dados <- dados[,-(2:3)] # é um vector dados <- dados[,-(2:3), drop=FALSE] # ainda é um data.frame
- 8. 8 #subset #para remover uma sequência, entre colunas 1 e 3 dados2 <- subset( dados, select = -c( 1: 3 )) #Removendo colunas específicas, que estão em sequência dados2 <- subset( dados, select = -c( dessacoluna : aessacoluna ) #nomes sem aspas mesmo #Removendo colunas específicas, que não necessariamente estão em sequência dados2 <- subset( dados, select = -c(essacoluna, essacoluna ) ) #nome da coluna sem aspas! #linhas #removendo linhas por indexação simples #removendo a linha 1 dados = dados[-1,] ### Removendo linhas 2 e 3 dados <- dados[c(-2,-3),]) #só as que tem valor F em saocarlos dados[dados$local=="saocarlos" & dados$h== "F",] #só as diferentes de cinquenca em saocarlos dados[dados$local=="saocarlos" & dados$area!= 50,] #só as linhas que tem carrapato diferente de zero e com área maior que 150 no paisagem saocarlos dados[dados$paisagem=="saocarlos" &dados$carrapato != 0 &dados$areaha>150,] #subset #Removendo ou mantendo linhas de um determinado valor, que no caso são os fragmentos F1 dados_f1= subset(dados, fragmento=="F1") #uso aspas, pois é factor #Removendo ou mantendo linhas de um determinado valor, que no caso são #valores diferentes de zero dados_sem_zero= subset(dados, remocao!=0) #s2 subset!
- 9. 9 #which #Removendo linhas de uma categoria específica #data.frame dados dados Local Ponto Riqueza A dentro 1 A fora 5 B dentro 3 B fora 14 C dentro 6 C fora 11 #Retirando todos os pontos de dentro dentro=which(dados$Ponto!=”dentro”) dentro=dados[dentro,] Local Ponto Riqueza A fora 5 B fora 14 C fora 11 #Sobre NA #retirando linhas com NA da sua tabela #maneira 1 Linhas_com_NA <- apply(dados, 1, function(x){any(is.na(x))}) #retirando linhas com NA Dados_sem_NA<- dados[!Linhas_com_NA ,] #maneira 2: NA.omit() na.omit(dados) #maneira 3: is.na() Dados_sem_NA_para_uma_coluna<-dados[!is.na(dados$umacoluna),]
- 10. 10 #substituindo NA por 0 na sua tabela #is.na() dados[is.na(dados)]<-0 #Binarizando seus dados #binarizando com ifelse #Caso dados$palm sejam maiores ou iguais a 1, faça-os ser igual a 1, caso contrário, faça-os serem zero! dados$palm_bin<- ifelse(dados$palm>= 1, 1, 0) dados$palm_bin #binarizando com decostand Install.packages(“vegan”) require(vegan) dados_bin<- decostand(dados, "pa") # s2 Ifelse: Categorizando seus dados a partir de uma coluna de dados contínuos #criando a coluna dados$F150<- NULL #Quero separar minha coluna que contém área de fragmentos em três #categorias: 1)”menor_que_60”: áreas com menos de 60 há, 2) “intermediário” #áreas iguais ou maiores a 60 há e menores ou iguais a 150 e 3) #“maior_que_150” áreas maiores que 150 ha. dados$F_150 <- ifelse(dados$A_FRAG1 < 60, "menor que60 ha", ifelse(dados$A_FRAG1 >= 60 & dados$A_FRAG1 <=150 , "intermediario", ifelse(dados$A_FRAG1 > 150, "maior que 150 ha", NA)))
- 11. 11 #Exportando qualquer objeto como um arquivo TXT #quote=FALSE quer dizer “sem aspas”, ou sem aspas rs.. #append= FALSE cria um novo arquivo #sep=”” garante que haverá separação por espaço write.table(dados, file="exportei.txt", sep= " ", quote= FALSE, append= FALSE, na= "NA") #Sequências #Função seq, com os argumentos: de, até, de quanto em quanto. seq(from=0, to=10, by=0.1) #simplificada seq(0,10,0.1) #você pode usar o argumento length.out= quantos elementos terá a #sequência d=seq(0,10, length.out=13) # a sequência terá 13 elementos #gerando sequências com diferentes distribuições #gerando números, distribuição normal, com média igual a 1 e desvio igual a 1 rnorm(n=15, mean=1, sd=1) #A função runif gera uma distribuição uniforme #15 valores, mínimo podendo valer 0, máximo podendo valer 2 runif(n=15, min=0, max=2)
- 12. 12 #Concatenando colunas em uma nova coluna dados$Coisas_concatenadas<-NULL #Dados representados Local Ponto Coisas_concatenadas 1 3 NULL #concatenando dados$Coisas_concatenadas<- paste(dados$Local, dados$Ponto, sep="_") #Representação final Local Ponto Coisas_concatenadas 1 3 1_3 #Adicionando colunas na rabeira dos seus dados: Dados_com_coluna_a_mais<- cbind(dados, colunaquequeroadicionar) #Adicionando linhas na rabeira dos seus dados: Dados_com_linha_a_mais<- rbind(dados, linhaquequeroadicionar) #Citando o R citation()
- 13. 13 #Blogs e sites legais http://recologia.com.br/ http://pt.stackoverflow.com/ http://rfunction.com/ https://cantinhodor.wordpress.com/ http://www.r-bloggers.com/