![\"workflow](\"https:\/\/github.com\/Joziani\/Tidyverse\/raw\/master\/imagens\/tidyverse.png\")
<\/a><\/figure>\n\n\n\nPacotes<\/h2>\n\n\n\n
O tidyverse est\u00e1 sempre se atualizado e novos pacotes podem ser adicionados ou modificados. Nesse artigo vamos falar sobre alguns dos mais famosos e que usamos com mais frequ\u00eancia. <\/p>\n\n\n\n Instalando o tidyverse teremos o seguinte: <\/p>\n\n\n\n O readr foi desenvolvido para ser um jeito r\u00e1pido e f\u00e1cil de importar dados retangulares (dados estruturados, csv, tsv e fwf) das mais diferentes fontes.<\/p>\n\n\n\n Para exemplificar vamos rodar os dados de desmatamento na Amaz\u00f4nia por estado nos anos de 2012 a 2015.<\/p>\n\n\n\n O readr l\u00ea sete formatos de arquivo com essas sete fun\u00e7\u00f5es abaixo: <\/p>\n\n\n\n read_csv() – Arquivos separados por v\u00edrgula E exporta nos seguintes formatos:<\/p>\n\n\n\n write_csv() . haven<\/strong> L\u00ea arquivos SPSS, Stata , and SAS files. Tibbles s\u00e3o data frames que for\u00e7am voc\u00ea a lidar com os problemas no in\u00edcio do projeto e desenvolver um c\u00f3digo mais limpo e expressivo. Ele n\u00e3o altera o nome ou tipo das vari\u00e1veis e aponta erros quando a vari\u00e1vel n\u00e3o existe. Aqui rodamos um exemplo usando a base de dados Iris. <\/p>\n\n\n\n As principais fun\u00e7\u00f5es do forcats servem para alterar a ordem e modificar os n\u00edveis de um fator.<\/p>\n\n\n\n Broom sumariza informa\u00e7\u00f5es-chave sobre os modelos em tibbles usando tr\u00eas fun\u00e7\u00f5es: tidy, glance e augment.<\/p>\n\n\n\n tidy<\/strong> produz um tibble onde cada linha cont\u00e9m informa\u00e7\u00f5es sobre um componente importante do modelo. Para modelos de regress\u00e3o, isso geralmente corresponde a coeficientes de regress\u00e3o. Isso pode ser \u00fatil se voc\u00ea deseja inspecionar um modelo ou criar visualiza\u00e7\u00f5es personalizadas.<\/p>\n\n\n\n glance<\/strong> devolve um tibble com exatamente uma linha de qualidade de medidas de condicionamento f\u00edsico e estat\u00edsticas relacionadas. Isso \u00e9 \u00fatil para verificar a especifica\u00e7\u00e3o incorreta do modelo e comparar muitos modelos.<\/p>\n\n\n\n augment<\/strong> adiciona colunas a um conjunto de dados, contendo informa\u00e7\u00f5es como valores ajustados, res\u00edduos ou atribui\u00e7\u00f5es de cluster. Todas as colunas adicionadas a um conjunto de dados t\u00eam “.prefixo” para impedir que as colunas existentes sejam substitu\u00eddas.<\/p>\n\n\n\n Purr contribui para a programa\u00e7\u00e3o funcional com um consistente conjunto de ferramentas que facilitam o trabalho com vetores e fun\u00e7\u00f5es<\/a>. <\/p>\n\n\n\n map(.x, .f, \u2026)<\/p>\n\n\n\n map_if(.x, .p, .f, \u2026)<\/p>\n\n\n\n map_at(.x, .at, .f, \u2026)<\/p>\n\n\n\n map_lgl(.x, .f, \u2026)<\/p>\n\n\n\n map_chr(.x, .f, \u2026)<\/p>\n\n\n\n map_int(.x, .f, \u2026)<\/p>\n\n\n\n map_dbl(.x, .f, \u2026)<\/p>\n\n\n\n map_dfr(.x, .f, \u2026, .id = NULL)<\/p>\n\n\n\n map_dfc(.x, .f, \u2026)<\/p>\n\n\n\n walk(.x, .f, \u2026)<\/p>\n\n\n\n Existem ainda muitos outros pacotes dentro do tidyverse, como o ggplot2 para visualiza\u00e7\u00e3o e cria\u00e7\u00e3o de gr\u00e1ficos, o dplyr para a manipula\u00e7\u00e3o de dados e o tidyr para organizar a base de dados de forma coesa. Mas cada um deles \u00e9 muito vasto e preferimos quebrar esse assunto em diferentes artigos. <\/p>\n\n\n\n Siga a Oper nas redes sociais! Assim voc\u00ea recebe notifica\u00e7\u00f5es sobre as novas postagens. Estamos no Instagram<\/a>, LinkedIn<\/a> e Facebook<\/a>. <\/p>\n","protected":false},"excerpt":{"rendered":" O tidyverse \u00e9 uma cole\u00e7\u00e3o opinativa de pacotes no R. Eles s\u00e3o utilizados para manipula\u00e7\u00e3o, explora\u00e7\u00e3o e visualiza\u00e7\u00e3o de dados al\u00e9m de compartilharem uma filosofia de design comum.<\/p>\n","protected":false},"author":8,"featured_media":6950,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"site-sidebar-layout":"","site-content-layout":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","theme-transparent-header-meta":"","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","spay_email":"","footnotes":""},"categories":[445],"tags":[275,276,247,277,278,181,279],"class_list":["post-6943","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ferramentas-e-tecnologias","tag-broom","tag-forcats","tag-pacote","tag-purrr","tag-readr","tag-tibbles","tag-tidyverse"],"yoast_head":"\n![\"pacotes](\"https:\/\/github.com\/Joziani\/Tidyverse\/raw\/master\/imagens\/pacotes.png\")
<\/a><\/figure>\n\n\n\nif(!require(tidyverse)){install.packages(\"tidyverse\");require(tidyverse)}\n\n## Loading required package: tidyverse\n\n## -- Attaching packages ------------------------------------------------------------------------- tidyverse 1.2.1 --\n\n## v ggplot2 3.3.1 v purrr 0.3.2\n## v tibble 2.1.3 v dplyr 0.8.3\n## v tidyr 1.0.0 v stringr 1.4.0\n## v readr 1.3.1 v forcats 0.4.0\n\n## -- Conflicts ---------------------------------------------------------------------------- tidyverse_conflicts() --\n## x dplyr::filter() masks stats::filter()\n## x dplyr::lag() masks stats::lag()\n<\/code><\/pre>\n\n\n\ntidyverse_packages()\n\n## [1] \"broom\" \"cli\" \"crayon\" \"dplyr\" \"dbplyr\" \n## [6] \"forcats\" \"ggplot2\" \"haven\" \"hms\" \"httr\" \n## [11] \"jsonlite\" \"lubridate\" \"magrittr\" \"modelr\" \"purrr\" \n## [16] \"readr\" \"readxl\\n(>=\" \"reprex\" \"rlang\" \"rstudioapi\" \n## [21] \"rvest\" \"stringr\" \"tibble\" \"tidyr\" \"xml2\" \n## [26] \"tidyverse\"\n<\/pre>\n\n\n\n
<\/a>Readr<\/h2>\n\n\n\n
![\"pacote](\"https:\/\/github.com\/Joziani\/Tidyverse\/raw\/master\/imagens\/readr.png\")
<\/a><\/figure>\n\n\n\ndados <- read_csv2(\"dados\/desmatamento_amazonia_estados_prodes_2012-2015.csv\", n_max = 10)<\/pre>\n\n\n\n
## Using ',' as decimal and '.' as grouping mark. Use read_delim() for more control.\n\n## Parsed with column specification:\n## cols(\n## Ano = col_character(),\n## Bioma = col_character(),\n## Categoria = col_character(),\n## Estado = col_character(),\n## `N\u00famero de registros` = col_double(),\n## Per\u00edodo = col_character(),\n## `\u00c1rea Desmatada (Ha)` = col_double()\n## )\n<\/code><\/pre>\n\n\n\ndados<\/pre>\n\n\n\n
## # A tibble: 10 x 7\n## Ano Bioma Categoria Estado `N\u00famero de regi~ Per\u00edodo `\u00c1rea Desmatada~\n## <chr> <chr> <chr> <chr> <dbl> <chr> <dbl>\n## 1 At\u00e9 2~ Amaz\u00f4~ Desflore~ Acre 1 31\/12\/~ 2069693.\n## 2 At\u00e9 2~ Amaz\u00f4~ Desflore~ Amap\u00e1 1 31\/12\/~ 296397.\n## 3 At\u00e9 2~ Amaz\u00f4~ Desflore~ Amazo~ 1 31\/12\/~ 3504916.\n## 4 At\u00e9 2~ Amaz\u00f4~ Desflore~ Maran~ 1 31\/12\/~ 8005248.\n## 5 At\u00e9 2~ Amaz\u00f4~ Desflore~ Mato ~ 1 31\/12\/~ 18127035.\n## 6 At\u00e9 2~ Amaz\u00f4~ Desflore~ Par\u00e1 1 31\/12\/~ 25387874.\n## 7 At\u00e9 2~ Amaz\u00f4~ Desflore~ Rond\u00f4~ 1 31\/12\/~ 8602887.\n## 8 At\u00e9 2~ Amaz\u00f4~ Desflore~ Rorai~ 1 31\/12\/~ 976429.\n## 9 At\u00e9 2~ Amaz\u00f4~ Desflore~ Tocan~ 1 31\/12\/~ 2518520.\n## 10 2013 Amaz\u00f4~ Desflore~ Acre 1 31\/12\/~ 19961.\n<\/code><\/pre>\n\n\n\nwrite_csv2(x = dados, path = \"dados\/desmatamento_amazonia_estados_prodes_2012-2015_v2.csv\")<\/pre>\n\n\n\n
<\/a>Leitura<\/h3>\n\n\n\n
read_tsv() – Arquivos separados por tabula\u00e7\u00e3o
read_delim() – Arquivos delimitados gerais
read_fwf() – Arquivos de largura fixa
read_table() – Arquivos tabulares em que as colunas s\u00e3o separadas por espa\u00e7o em branco.
read_log() – Arquivos de log da web<\/p>\n\n\n\n<\/a>Exporta\u00e7\u00e3o<\/h3>\n\n\n\n
write_csv2()
write_delim()
write_excel_csv() – Salva de csv para Excel
write_excel_csv2()
write_tsv()<\/p>\n\n\n\n<\/a>Outros arquivos<\/h3>\n\n\n\n
. readxl<\/strong> L\u00ea arquivos excel xls e.xlsx).
. DBI<\/strong> , em conjunto junto com um back-end espec\u00edfico do banco de dados (por exemplo, RMySQL , RSQLite , RPostgreSQL etc.) permite executar consultas SQL em um banco
de dados e retornar uma tabela de dados.
. Googledrive<\/strong> importa arquivos do Google Drive
. jsonlite<\/strong> L\u00ea arquivos json
. xml2<\/strong> L\u00ea arquivos XML
. httr<\/strong> L\u00ea arquivos Web APIs
. rvest<\/strong> L\u00ea arquivos HTML<\/p>\n\n\n\n<\/a>Tibble<\/h2>\n\n\n\n
![\"pacote](\"https:\/\/github.com\/Joziani\/Tidyverse\/raw\/master\/imagens\/tibble.png\")
<\/a><\/figure>\n\n\n\nhead(data.frame(iris))<\/pre>\n\n\n\n
## Sepal.Length Sepal.Width Petal.Length Petal.Width Species\n## 1 5.1 3.5 1.4 0.2 setosa\n## 2 4.9 3.0 1.4 0.2 setosa\n## 3 4.7 3.2 1.3 0.2 setosa\n## 4 4.6 3.1 1.5 0.2 setosa\n## 5 5.0 3.6 1.4 0.2 setosa\n## 6 5.4 3.9 1.7 0.4 setosa\n<\/code><\/pre>\n\n\n\nas_tibble(iris)<\/pre>\n\n\n\n
## # A tibble: 150 x 5\n## Sepal.Length Sepal.Width Petal.Length Petal.Width Species\n## <dbl> <dbl> <dbl> <dbl> <fct> \n## 1 5.1 3.5 1.4 0.2 setosa \n## 2 4.9 3 1.4 0.2 setosa \n## 3 4.7 3.2 1.3 0.2 setosa \n## 4 4.6 3.1 1.5 0.2 setosa \n## 5 5 3.6 1.4 0.2 setosa \n## 6 5.4 3.9 1.7 0.4 setosa \n## 7 4.6 3.4 1.4 0.3 setosa \n## 8 5 3.4 1.5 0.2 setosa \n## 9 4.4 2.9 1.4 0.2 setosa \n## 10 4.9 3.1 1.5 0.1 setosa \n## # ... with 140 more rows\n<\/code><\/pre>\n\n\n\n<\/a>Forcats<\/h2>\n\n\n\n
![\"pacote](\"https:\/\/github.com\/Joziani\/Tidyverse\/raw\/master\/imagens\/forcats.png\")
<\/a><\/figure>\n\n\n\nfator <- factor(c(\"a\",\"a\",\"a\",\"b\",\"b\", \"c\", \"d\", \"e\"))\n\nfct_collapse(fator, b2 = c(\"b\", \"c\"), a2 = c(\"a\", \"d\"))<\/pre>\n\n\n\n
## [1] a2 a2 a2 b2 b2 b2 a2 e \n## Levels: a2 b2 e\n<\/code><\/pre>\n\n\n\nfct_recode(fator, b2 = \"b\", b2 = \"c\", a2 = \"a\", a2 = \"d\")<\/pre>\n\n\n\n
## [1] a2 a2 a2 b2 b2 b2 a2 e \n## Levels: a2 b2 e\n<\/code><\/pre>\n\n\n\n# Transforma os n\u00edveis menos frequentes de um fator em um n\u00edvel \u201cOutros\u201d.\n\nfct_lump(fator, 2, other_level = \"Outros\")<\/pre>\n\n\n\n
## [1] a a a b b Outros Outros Outros\n## Levels: a b Outros\n<\/code><\/pre>\n\n\n\n<\/a>Broom<\/h2>\n\n\n\n
![\"pacote](\"https:\/\/github.com\/Joziani\/Tidyverse\/raw\/master\/imagens\/broom.png\")
<\/a><\/figure>\n\n\n\nif(!require(broom)){install.packages(\"broom\");require(broom)}\n\nfit <- lm(Sepal.Width ~ Petal.Length + Petal.Width, iris)\n\ntidy(fit)<\/pre>\n\n\n\n## # A tibble: 3 x 5\n## term estimate std.error statistic p.value\n## <chr> <dbl> <dbl> <dbl> <dbl>\n## 1 (Intercept) 3.59 0.0937 38.3 2.51e-78\n## 2 Petal.Length -0.257 0.0669 -3.84 1.80e- 4\n## 3 Petal.Width 0.364 0.155 2.35 2.01e- 2\n<\/code><\/pre>\n\n\n\nglance(fit)<\/pre>\n\n\n\n
## # A tibble: 1 x 11\n## r.squared adj.r.squared sigma statistic p.value df logLik AIC BIC\n## <dbl> <dbl> <dbl> <dbl> <dbl> <int> <dbl> <dbl> <dbl>\n## 1 0.213 0.202 0.389 19.9 2.24e-8 3 -69.8 148. 160.\n## # ... with 2 more variables: deviance <dbl>, df.residual <int>\n<\/code><\/pre>\n\n\n\naugment(fit, data = iris)<\/pre>\n\n\n\n
## # A tibble: 150 x 12\n## Sepal.Length Sepal.Width Petal.Length Petal.Width Species .fitted\n## <dbl> <dbl> <dbl> <dbl> <fct> <dbl>\n## 1 5.1 3.5 1.4 0.2 setosa 3.30\n## 2 4.9 3 1.4 0.2 setosa 3.30\n## 3 4.7 3.2 1.3 0.2 setosa 3.33\n## 4 4.6 3.1 1.5 0.2 setosa 3.27\n## 5 5 3.6 1.4 0.2 setosa 3.30\n## 6 5.4 3.9 1.7 0.4 setosa 3.30\n## 7 4.6 3.4 1.4 0.3 setosa 3.34\n## 8 5 3.4 1.5 0.2 setosa 3.27\n## 9 4.4 2.9 1.4 0.2 setosa 3.30\n## 10 4.9 3.1 1.5 0.1 setosa 3.24\n## # ... with 140 more rows, and 6 more variables: .se.fit <dbl>,\n## # .resid <dbl>, .hat <dbl>, .sigma <dbl>, .cooksd <dbl>,\n## # .std.resid <dbl>\n<\/code><\/pre>\n\n\n\n<\/a>Purrr<\/h2>\n\n\n\n
![\"pacote](\"https:\/\/github.com\/Joziani\/Tidyverse\/raw\/master\/imagens\/purrr.png\")
<\/a><\/figure>\n\n\n\nname <- c(\"Jon Snow\", \"Asha Greyjoy\", \"Daenerys Targaryen\", \"Eddard Stark\", \"Brienne of Tarth\",\"Melisandre\",\n \"Kevan Lannister\", \"Davos Seaworth\", \"Victarion Greyjoy\",\"Sansa Stark\")\n\n# Usando imap_chr o nome (.x) e o \u00edndice do nome (.y)\n\nimap_chr(name, ~ paste0(.y, \": \", .x))<\/pre>\n\n\n\n
## [1] \"1: Jon Snow\" \"2: Asha Greyjoy\" \n## [3] \"3: Daenerys Targaryen\" \"4: Eddard Stark\" \n## [5] \"5: Brienne of Tarth\" \"6: Melisandre\" \n## [7] \"7: Kevan Lannister\" \"8: Davos Seaworth\" \n## [9] \"9: Victarion Greyjoy\" \"10: Sansa Stark\"\n<\/code><\/pre>\n\n\n\nimap_chr(name, ~ paste0(\"Got : \", .x))<\/pre>\n\n\n\n
## [1] \"Got : Jon Snow\" \"Got : Asha Greyjoy\" \n## [3] \"Got : Daenerys Targaryen\" \"Got : Eddard Stark\" \n## [5] \"Got : Brienne of Tarth\" \"Got : Melisandre\" \n## [7] \"Got : Kevan Lannister\" \"Got : Davos Seaworth\" \n## [9] \"Got : Victarion Greyjoy\" \"Got : Sansa Stark\"\n<\/code><\/pre>\n\n\n\n<\/a>Outras Fun\u00e7\u00f5es<\/h3>\n\n\n\n