mirror of
https://github.com/adambard/learnxinyminutes-docs.git
synced 2024-12-23 09:41:36 +00:00
Merge branch 'master' into patch-1
This commit is contained in:
commit
6162ab53ee
786
pt-br/r-pt.html.markdown
Normal file
786
pt-br/r-pt.html.markdown
Normal file
@ -0,0 +1,786 @@
|
||||
---
|
||||
language: R
|
||||
contributors:
|
||||
- ["e99n09", "http://github.com/e99n09"]
|
||||
- ["isomorphismes", "http://twitter.com/isomorphisms"]
|
||||
- ["kalinn", "http://github.com/kalinn"]
|
||||
translators:
|
||||
- ["Marcel Ribeiro-Dantas", "http://github.com/mribeirodantas"]
|
||||
lang: pt-br
|
||||
filename: learnr.r
|
||||
---
|
||||
|
||||
R é uma linguagem de programação estatística. Ela tem muitas bibliotecas para carregar e limpar conjuntos de dados, executar análises estatísticas e produzir gráficos. Você também pode executar comandos do `R` dentro de um documento LaTeX.
|
||||
|
||||
```r
|
||||
|
||||
# Comentários começam com o símbolo de Cerquilha, também conhecido como
|
||||
# jogo da velha
|
||||
|
||||
# Não existe um símbolo especial para comentários em várias linhas
|
||||
# mas você pode escrever várias linhas de comentários adicionando a
|
||||
# cerquilha (#) ao início de cada uma delas.
|
||||
|
||||
# No Windows e Linux, você pode usar CTRL-ENTER para executar uma linha.
|
||||
# No MacOS, o equivalente é COMMAND-ENTER
|
||||
|
||||
|
||||
|
||||
#############################################################################
|
||||
# Coisas que você pode fazer sem entender nada sobre programação
|
||||
#############################################################################
|
||||
|
||||
# Nesta seção, mostramos algumas das coisas legais que você pode fazer em
|
||||
# R sem entender nada de programação. Não se preocupe em entender tudo o
|
||||
# que o código faz. Apenas aproveite!
|
||||
|
||||
data() # navegue pelos conjuntos de dados pré-carregados
|
||||
data(rivers) # carregue este: "Comprimentos dos principais rios norte-americanos"
|
||||
ls() # observe que "rivers" apareceu na área de trabalho (workspace)
|
||||
head(rivers) # dê uma espiada no conjunto de dados
|
||||
# 735 320 325 392 524 450
|
||||
|
||||
length(rivers) # quantos rios foram medidos?
|
||||
# 141
|
||||
summary(rivers) # consulte um sumário de estatísticas básicas
|
||||
# Min. 1st Qu. Median Mean 3rd Qu. Max.
|
||||
# 135.0 310.0 425.0 591.2 680.0 3710.0
|
||||
|
||||
# faça um diagrama de ramos e folhas (uma visualização de dados semelhante a um histograma)
|
||||
stem(rivers)
|
||||
|
||||
# A vírgula está 2 dígito(s) à direita do símbolo |
|
||||
#
|
||||
# 0 | 4
|
||||
# 2 | 011223334555566667778888899900001111223333344455555666688888999
|
||||
# 4 | 111222333445566779001233344567
|
||||
# 6 | 000112233578012234468
|
||||
# 8 | 045790018
|
||||
# 10 | 04507
|
||||
# 12 | 1471
|
||||
# 14 | 56
|
||||
# 16 | 7
|
||||
# 18 | 9
|
||||
# 20 |
|
||||
# 22 | 25
|
||||
# 24 | 3
|
||||
# 26 |
|
||||
# 28 |
|
||||
# 30 |
|
||||
# 32 |
|
||||
# 34 |
|
||||
# 36 | 1
|
||||
|
||||
stem(log(rivers)) # Observe que os dados não são normais nem log-normais!
|
||||
# Tome isso, fundamentalistas da curva normal!
|
||||
|
||||
# O ponto decimal está 1 dígito(s) à esquerda do símbolo |
|
||||
#
|
||||
# 48 | 1
|
||||
# 50 |
|
||||
# 52 | 15578
|
||||
# 54 | 44571222466689
|
||||
# 56 | 023334677000124455789
|
||||
# 58 | 00122366666999933445777
|
||||
# 60 | 122445567800133459
|
||||
# 62 | 112666799035
|
||||
# 64 | 00011334581257889
|
||||
# 66 | 003683579
|
||||
# 68 | 0019156
|
||||
# 70 | 079357
|
||||
# 72 | 89
|
||||
# 74 | 84
|
||||
# 76 | 56
|
||||
# 78 | 4
|
||||
# 80 |
|
||||
# 82 | 2
|
||||
|
||||
# faça um histograma:
|
||||
hist(rivers, col="#333333", border="white", breaks=25) # brinque com estes parâmetros
|
||||
hist(log(rivers), col="#333333", border="white", breaks=25) # você fará mais gráficos mais tarde
|
||||
|
||||
# Aqui está outro conjunto de dados que vem pré-carregado. O R tem toneladas deles.
|
||||
data(discoveries)
|
||||
plot(discoveries, col="#333333", lwd=3, xlab="Ano",
|
||||
main="Número de descobertas importantes por ano")
|
||||
plot(discoveries, col="#333333", lwd=3, type = "h", xlab="Ano",
|
||||
main="Número de descobertas importantes por ano")
|
||||
|
||||
# Em vez de deixar a ordenação padrão (por ano),
|
||||
# também podemos ordenar para ver o que é mais comum:
|
||||
sort(discoveries)
|
||||
# [1] 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 2 2 2 2
|
||||
# [26] 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 3 3 3
|
||||
# [51] 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 3 4 4 4 4 4 4 4 4
|
||||
# [76] 4 4 4 4 5 5 5 5 5 5 5 6 6 6 6 6 6 7 7 7 7 8 9 10 12
|
||||
|
||||
stem(discoveries, scale=2)
|
||||
#
|
||||
# O ponto decimal está no símbolo |
|
||||
#
|
||||
# 0 | 000000000
|
||||
# 1 | 000000000000
|
||||
# 2 | 00000000000000000000000000
|
||||
# 3 | 00000000000000000000
|
||||
# 4 | 000000000000
|
||||
# 5 | 0000000
|
||||
# 6 | 000000
|
||||
# 7 | 0000
|
||||
# 8 | 0
|
||||
# 9 | 0
|
||||
# 10 | 0
|
||||
# 11 |
|
||||
# 12 | 0
|
||||
|
||||
max(discoveries)
|
||||
# 12
|
||||
summary(discoveries)
|
||||
# Min. 1st Qu. Median Mean 3rd Qu. Max.
|
||||
# 0.0 2.0 3.0 3.1 4.0 12.0
|
||||
|
||||
# Role um dado algumas vezes
|
||||
round(runif(7, min=.5, max=6.5))
|
||||
# 1 4 6 1 4 6 4
|
||||
# Seus números serão diferentes dos meus, a menos que definamos a mesma semente aleatória com o set.seed
|
||||
|
||||
# Obtenha 9 números de forma aleatória a partir de uma distribuição normal
|
||||
rnorm(9)
|
||||
# [1] 0.07528471 1.03499859 1.34809556 -0.82356087 0.61638975 -1.88757271
|
||||
# [7] -0.59975593 0.57629164 1.08455362
|
||||
|
||||
|
||||
|
||||
##################################################
|
||||
# Tipos de dados e aritmética básica
|
||||
##################################################
|
||||
|
||||
# Agora para a parte orientada a programação do tutorial.
|
||||
# Nesta seção você conhecerá os tipos de dados importantes do R:
|
||||
# integers, numerics, characters, logicals, e factors.
|
||||
# Existem outros, mas estes são o mínimo que você precisa para
|
||||
# iniciar.
|
||||
|
||||
# INTEGERS
|
||||
# Os inteiros de armazenamento longo são escritos com L
|
||||
5L # 5
|
||||
class(5L) # "integer"
|
||||
# (Experimente ?class para obter mais informações sobre a função class().)
|
||||
# Em R, todo e qualquer valor, como 5L, é considerado um vetor de comprimento 1
|
||||
length(5L) # 1
|
||||
# Você pode ter um vetor inteiro com comprimento > 1 também:
|
||||
c(4L, 5L, 8L, 3L) # 4 5 8 3
|
||||
length(c(4L, 5L, 8L, 3L)) # 4
|
||||
class(c(4L, 5L, 8L, 3L)) # "integer"
|
||||
|
||||
# NUMERICS
|
||||
# Um "numeric" é um número de ponto flutuante de precisão dupla
|
||||
5 # 5
|
||||
class(5) # "numeric"
|
||||
# De novo, tudo em R é um vetor;
|
||||
# você pode fazer um vetor numérico com mais de um elemento
|
||||
c(3,3,3,2,2,1) # 3 3 3 2 2 1
|
||||
# Você também pode usar a notação científica
|
||||
5e4 # 50000
|
||||
6.02e23 # Número de Avogadro
|
||||
1.6e-35 # Comprimento de Planck
|
||||
# Você também pode ter números infinitamente grandes ou pequenos
|
||||
class(Inf) # "numeric"
|
||||
class(-Inf) # "numeric"
|
||||
# Você pode usar "Inf", por exemplo, em integrate(dnorm, 3, Inf)
|
||||
# isso evita as tabelas de escores-Z.
|
||||
|
||||
# ARITMÉTICA BÁSICA
|
||||
# Você pode fazer aritmética com números
|
||||
# Fazer aritmética com uma mistura de números inteiros (integers) e com
|
||||
# ponto flutuante (numeric) resulta em um numeric
|
||||
10L + 66L # 76 # integer mais integer resulta em integer
|
||||
53.2 - 4 # 49.2 # numeric menos numeric resulta em numeric
|
||||
2.0 * 2L # 4 # numeric vezes integer resulta em numeric
|
||||
3L / 4 # 0.75 # integer dividido por numeric resulta em numeric
|
||||
3 %% 2 # 1 # o resto de dois numeric é um outro numeric
|
||||
# Aritmética ilegal produz um "não-é-um-número" (do inglês Not-a-Number):
|
||||
0 / 0 # NaN
|
||||
class(NaN) # "numeric"
|
||||
# Você pode fazer aritmética em dois vetores com comprimento maior que 1,
|
||||
# desde que o comprimento do vetor maior seja um múltiplo inteiro do menor
|
||||
c(1,2,3) + c(1,2,3) # 2 4 6
|
||||
# Como um único número é um vetor de comprimento um, escalares são aplicados
|
||||
# elemento a elemento com relação a vetores
|
||||
(4 * c(1,2,3) - 2) / 2 # 1 3 5
|
||||
# Exceto para escalares, tenha cuidado ao realizar aritmética em vetores com
|
||||
# comprimentos diferentes. Embora possa ser feito,
|
||||
c(1,2,3,1,2,3) * c(1,2) # 1 4 3 2 2 6
|
||||
# ter comprimentos iguais é uma prática melhor e mais fácil de ler
|
||||
c(1,2,3,1,2,3) * c(1,2,1,2,1,2)
|
||||
|
||||
# CHARACTERS
|
||||
# Não há diferença entre strings e caracteres em R
|
||||
"Horatio" # "Horatio"
|
||||
class("Horatio") # "character"
|
||||
class('H') # "character"
|
||||
# São ambos vetores de caracteres de comprimento 1
|
||||
# Aqui está um mais longo:
|
||||
c('alef', 'bet', 'gimmel', 'dalet', 'he')
|
||||
# "alef" "bet" "gimmel" "dalet" "he"
|
||||
length(c("Call","me","Ishmael")) # 3
|
||||
# Você pode utilizar expressões regulares (regex) em vetores de caracteres:
|
||||
substr("Fortuna multis dat nimis, nulli satis.", 9, 15) # "multis "
|
||||
gsub('u', 'ø', "Fortuna multis dat nimis, nulli satis.") # "Fortøna møltis dat nimis, nølli satis."
|
||||
# R tem vários vetores de caracteres embutidos:
|
||||
letters
|
||||
# [1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k" "l" "m" "n" "o" "p" "q" "r" "s"
|
||||
# [20] "t" "u" "v" "w" "x" "y" "z"
|
||||
month.abb # "Jan" "Feb" "Mar" "Apr" "May" "Jun" "Jul" "Aug" "Sep" "Oct" "Nov" "Dec"
|
||||
|
||||
# LOGICALS
|
||||
# Em R, um "logical" é um booleano
|
||||
class(TRUE) # "logical"
|
||||
class(FALSE) # "logical"
|
||||
# O comportamento deles é normal
|
||||
TRUE == TRUE # TRUE
|
||||
TRUE == FALSE # FALSE
|
||||
FALSE != FALSE # FALSE
|
||||
FALSE != TRUE # TRUE
|
||||
# Dados ausentes (NA) são logical, também
|
||||
class(NA) # "logical"
|
||||
# Use | e & para operações lógicas.
|
||||
# OR
|
||||
TRUE | FALSE # TRUE
|
||||
# AND
|
||||
TRUE & FALSE # FALSE
|
||||
# Aplicar | e & a vetores retorna operações lógicas elemento a elemento
|
||||
c(TRUE,FALSE,FALSE) | c(FALSE,TRUE,FALSE) # TRUE TRUE FALSE
|
||||
c(TRUE,FALSE,TRUE) & c(FALSE,TRUE,TRUE) # FALSE FALSE TRUE
|
||||
# Você pode testar se x é TRUE
|
||||
isTRUE(TRUE) # TRUE
|
||||
# Aqui obtemos um vetor logical com muitos elementos:
|
||||
c('Z', 'o', 'r', 'r', 'o') == "Zorro" # FALSE FALSE FALSE FALSE FALSE
|
||||
c('Z', 'o', 'r', 'r', 'o') == "Z" # TRUE FALSE FALSE FALSE FALSE
|
||||
|
||||
# FACTORS
|
||||
# A classe factor é para dados categóricos
|
||||
# Os fatores podem ser ordenados (como as avaliações de crianças) ou
|
||||
# não ordenados (como as cores)
|
||||
factor(c("azul", "azul", "verde", NA, "azul"))
|
||||
# azul azul verde <NA> azul
|
||||
# Levels: azul verde
|
||||
# Os "levels" são os valores que os dados categóricos podem assumir
|
||||
# Observe que os dados ausentes não entram nos levels
|
||||
levels(factor(c("verde", "verde", "azul", NA, "azul"))) # "azul" "verde"
|
||||
# Se um vetor de factor tem comprimento 1, seus levels também terão comprimento 1
|
||||
length(factor("green")) # 1
|
||||
length(levels(factor("green"))) # 1
|
||||
# Os fatores são comumente vistos em data frames, uma estrutura de dados que abordaremos
|
||||
# mais tarde
|
||||
data(infert) # "Infertilidade após aborto espontâneo e induzido"
|
||||
levels(infert$education) # "0-5yrs" "6-11yrs" "12+ yrs"
|
||||
|
||||
# NULL
|
||||
# "NULL" é um valor estranho; use-o para "apagar" um vetor
|
||||
class(NULL) # NULL
|
||||
parakeet = c("bico", "penas", "asas", "olhos")
|
||||
parakeet
|
||||
# [1] "bico" "penas" "asas" "olhos"
|
||||
parakeet <- NULL
|
||||
parakeet
|
||||
# NULL
|
||||
|
||||
# COERÇÃO DE TIPO
|
||||
# Coerção de tipo é quando você força um valor a assumir um tipo diferente
|
||||
as.character(c(6, 8)) # "6" "8"
|
||||
as.logical(c(1,0,1,1)) # TRUE FALSE TRUE TRUE
|
||||
# Se você colocar elementos de diferentes tipos em um vetor, coerções estranhas acontecem:
|
||||
c(TRUE, 4) # 1 4
|
||||
c("cachorro", TRUE, 4) # "cachorro" "TRUE" "4"
|
||||
as.numeric("Bilbo")
|
||||
# [1] NA
|
||||
# Warning message:
|
||||
# NAs introduced by coercion
|
||||
|
||||
# Observe também: esses são apenas os tipos de dados básicos
|
||||
# Existem muitos outros tipos de dados, como datas, séries temporais, etc.
|
||||
|
||||
|
||||
|
||||
##################################################
|
||||
# Variáveis, laços, expressões condicionais
|
||||
##################################################
|
||||
|
||||
# Uma variável é como uma caixa na qual você armazena um valor para uso posterior.
|
||||
# Chamamos isso de "atribuir" o valor à variável.
|
||||
# Ter variáveis nos permite escrever laços, funções e instruções com condição
|
||||
|
||||
# VARIÁVEIS
|
||||
# Existem muitas maneiras de atribuir valores:
|
||||
x = 5 # é possível fazer assim
|
||||
y <- "1" # mas é preferível fazer assim
|
||||
TRUE -> z # isso funciona, mas é estranho
|
||||
|
||||
# LAÇOS
|
||||
# Nós temos laços com for
|
||||
for (i in 1:4) {
|
||||
print(i)
|
||||
}
|
||||
# [1] 1
|
||||
# [1] 2
|
||||
# [1] 3
|
||||
# [1] 4
|
||||
# Nós temos laços com while
|
||||
a <- 10
|
||||
while (a > 4) {
|
||||
cat(a, "...", sep = "")
|
||||
a <- a - 1
|
||||
}
|
||||
# 10...9...8...7...6...5...
|
||||
# Tenha em mente que os laços for e while são executados lentamente em R
|
||||
# Operações em vetores inteiros (por exemplo, uma linha inteira, uma coluna inteira)
|
||||
# ou funções do tipo apply() (discutiremos mais tarde) são mais indicadas
|
||||
|
||||
# IF/ELSE
|
||||
# Novamente, bastante padrão
|
||||
if (4 > 3) {
|
||||
print("4 é maior que 3")
|
||||
} else {
|
||||
print("4 não é maior que 3")
|
||||
}
|
||||
# [1] "4 é maior que 3"
|
||||
|
||||
# FUNÇÕES
|
||||
# Definidas assim:
|
||||
jiggle <- function(x) {
|
||||
x = x + rnorm(1, sd=.1) # adicione um pouco de ruído (controlado)
|
||||
return(x)
|
||||
}
|
||||
# Chamada como qualquer outra função R:
|
||||
jiggle(5) # 5±ε. Após set.seed(2716057), jiggle(5)==5.005043
|
||||
|
||||
|
||||
|
||||
###########################################################################
|
||||
# Estruturas de dados: Vetores, matrizes, data frames e arranjos (arrays)
|
||||
###########################################################################
|
||||
|
||||
# UNIDIMENSIONAL
|
||||
|
||||
# Vamos começar do início, e com algo que você já sabe: vetores.
|
||||
vec <- c(8, 9, 10, 11)
|
||||
vec # 8 9 10 11
|
||||
# Consultamos elementos específicos utilizando colchetes
|
||||
# (Observe que R começa a contar a partir de 1)
|
||||
vec[1] # 8
|
||||
letters[18] # "r"
|
||||
LETTERS[13] # "M"
|
||||
month.name[9] # "September"
|
||||
c(6, 8, 7, 5, 3, 0, 9)[3] # 7
|
||||
# Também podemos pesquisar os índices de componentes específicos,
|
||||
which(vec %% 2 == 0) # 1 3
|
||||
# pegue apenas as primeiras ou últimas entradas no vetor,
|
||||
head(vec, 1) # 8
|
||||
tail(vec, 2) # 10 11
|
||||
# ou descubra se um determinado valor está no vetor
|
||||
any(vec == 10) # TRUE
|
||||
# Se um índice for além do comprimento de um vetor, você obterá NA:
|
||||
vec[6] # NA
|
||||
# Você pode encontrar o comprimento do seu vetor com length()
|
||||
length(vec) # 4
|
||||
# Você pode realizar operações em vetores inteiros ou subconjuntos de vetores
|
||||
vec * 4 # 32 36 40 44
|
||||
vec[2:3] * 5 # 45 50
|
||||
any(vec[2:3] == 8) # FALSE
|
||||
# e R tem muitas funções internas para sumarizar vetores
|
||||
mean(vec) # 9.5
|
||||
var(vec) # 1.666667
|
||||
sd(vec) # 1.290994
|
||||
max(vec) # 11
|
||||
min(vec) # 8
|
||||
sum(vec) # 38
|
||||
# Mais alguns recursos embutidos:
|
||||
5:15 # 5 6 7 8 9 10 11 12 13 14 15
|
||||
seq(from=0, to=31337, by=1337)
|
||||
# [1] 0 1337 2674 4011 5348 6685 8022 9359 10696 12033 13370 14707
|
||||
# [13] 16044 17381 18718 20055 21392 22729 24066 25403 26740 28077 29414 30751
|
||||
|
||||
# BIDIMENSIONAL (ELEMENTOS DA MESMA CLASSE)
|
||||
|
||||
# Você pode fazer uma matriz com entradas do mesmo tipo assim:
|
||||
mat <- matrix(nrow = 3, ncol = 2, c(1,2,3,4,5,6))
|
||||
mat
|
||||
# [,1] [,2]
|
||||
# [1,] 1 4
|
||||
# [2,] 2 5
|
||||
# [3,] 3 6
|
||||
# Ao contrário de um vetor, a classe de uma matriz é "matrix" independente do que ela contém
|
||||
class(mat) # "matrix"
|
||||
# Consulte a primeira linha
|
||||
mat[1,] # 1 4
|
||||
# Execute uma operação na primeira coluna
|
||||
3 * mat[,1] # 3 6 9
|
||||
# Consulte uma célula específica
|
||||
mat[3,2] # 6
|
||||
|
||||
# Transponha toda a matriz
|
||||
t(mat)
|
||||
# [,1] [,2] [,3]
|
||||
# [1,] 1 2 3
|
||||
# [2,] 4 5 6
|
||||
|
||||
# Multiplicação de matrizes
|
||||
mat %*% t(mat)
|
||||
# [,1] [,2] [,3]
|
||||
# [1,] 17 22 27
|
||||
# [2,] 22 29 36
|
||||
# [3,] 27 36 45
|
||||
|
||||
# cbind() une vetores em colunas para formar uma matriz
|
||||
mat2 <- cbind(1:4, c("cachorro", "gato", "passaro", "cachorro"))
|
||||
mat2
|
||||
# [,1] [,2]
|
||||
# [1,] "1" "cachorro"
|
||||
# [2,] "2" "gato"
|
||||
# [3,] "3" "passaro"
|
||||
# [4,] "4" "cachorro"
|
||||
class(mat2) # matrix
|
||||
# Mais uma vez, observe o que aconteceu!
|
||||
# Como as matrizes devem conter todas as entradas da mesma classe,
|
||||
# tudo foi convertido para a classe character
|
||||
c(class(mat2[,1]), class(mat2[,2]))
|
||||
|
||||
# rbind() une vetores linha a linha para fazer uma matriz
|
||||
mat3 <- rbind(c(1,2,4,5), c(6,7,0,4))
|
||||
mat3
|
||||
# [,1] [,2] [,3] [,4]
|
||||
# [1,] 1 2 4 5
|
||||
# [2,] 6 7 0 4
|
||||
# Ah, tudo da mesma classe. Sem coerções. Muito melhor.
|
||||
|
||||
# BIDIMENSIONAL (CLASSES DIFERENTES)
|
||||
|
||||
# Para colunas de tipos diferentes, use um data frame
|
||||
# Esta estrutura de dados é tão útil para programação estatística,
|
||||
# que uma versão dela foi adicionada ao Python através do pacote "pandas".
|
||||
|
||||
estudantes <- data.frame(c("Cedric","Fred","George","Cho","Draco","Ginny"),
|
||||
c(3,2,2,1,0,-1),
|
||||
c("H", "G", "G", "R", "S", "G"))
|
||||
names(estudantes) <- c("nome", "ano", "casa") # nomeie as colunas
|
||||
class(estudantes) # "data.frame"
|
||||
estudantes
|
||||
# nome ano casa
|
||||
# 1 Cedric 3 H
|
||||
# 2 Fred 2 G
|
||||
# 3 George 2 G
|
||||
# 4 Cho 1 R
|
||||
# 5 Draco 0 S
|
||||
# 6 Ginny -1 G
|
||||
class(estudantes$ano) # "numeric"
|
||||
class(estudantes[,3]) # "factor"
|
||||
# encontre as dimensões
|
||||
nrow(estudantes) # 6
|
||||
ncol(estudantes) # 3
|
||||
dim(estudantes) # 6 3
|
||||
# A função data.frame() converte vetores de caracteres em vetores de fator
|
||||
# por padrão; desligue isso definindo stringsAsFactors = FALSE quando
|
||||
# você criar um data frame
|
||||
?data.frame
|
||||
|
||||
# Existem muitas maneiras particulares de consultar partes de um data frame,
|
||||
# todas sutilmente diferentes
|
||||
estudantes$ano # 3 2 2 1 0 -1
|
||||
estudantes[,2] # 3 2 2 1 0 -1
|
||||
estudantes[,"ano"] # 3 2 2 1 0 -1
|
||||
|
||||
# Uma versão extendida da estrutura data.frame é a data.table
|
||||
# Se você estiver trabalhando com dados enormes ou em painel, ou precisar mesclar
|
||||
# alguns conjuntos de dados, data.table pode ser uma boa escolha. Aqui está um tour
|
||||
# relâmpago:
|
||||
install.packages("data.table") # baixe o pacote a partir do CRAN
|
||||
require(data.table) # carregue ele
|
||||
estudantes <- as.data.table(estudantes)
|
||||
estudantes # observe a saída ligeiramente diferente
|
||||
# nome ano casa
|
||||
# 1: Cedric 3 H
|
||||
# 2: Fred 2 G
|
||||
# 3: George 2 G
|
||||
# 4: Cho 1 R
|
||||
# 5: Draco 0 S
|
||||
# 6: Ginny -1 G
|
||||
estudantes[nome=="Ginny"] # Consulte estudantes com o nome == "Ginny"
|
||||
# nome ano casa
|
||||
# 1: Ginny -1 G
|
||||
estudantes[ano==2] # Consulte estudantes com o ano == 2
|
||||
# nome ano casa
|
||||
# 1: Fred 2 G
|
||||
# 2: George 2 G
|
||||
# data.table facilita a fusão de dois conjuntos de dados
|
||||
# vamos fazer outro data.table para mesclar com os alunos
|
||||
fundadores <- data.table(casa=c("G","H","R","S"),
|
||||
fundador=c("Godric","Helga","Rowena","Salazar"))
|
||||
fundadores
|
||||
# casa fundador
|
||||
# 1: G Godric
|
||||
# 2: H Helga
|
||||
# 3: R Rowena
|
||||
# 4: S Salazar
|
||||
setkey(estudantes, casa)
|
||||
setkey(fundadores, casa)
|
||||
estudantes <- fundadores[estudantes] # mescle os dois conjuntos de dados com base na "casa"
|
||||
setnames(estudantes, c("casa","nomeFundadorCasa","nomeEstudante","ano"))
|
||||
estudantes[,order(c("nome","ano","casa","nomeFundadorCasa")), with=F]
|
||||
# nomeEstudante ano casa nomeFundadorCasa
|
||||
# 1: Fred 2 G Godric
|
||||
# 2: George 2 G Godric
|
||||
# 3: Ginny -1 G Godric
|
||||
# 4: Cedric 3 H Helga
|
||||
# 5: Cho 1 R Rowena
|
||||
# 6: Draco 0 S Salazar
|
||||
|
||||
# O data.table torna as tabelas de sumário fáceis
|
||||
estudantes[,sum(ano),by=casa]
|
||||
# casa V1
|
||||
# 1: G 3
|
||||
# 2: H 3
|
||||
# 3: R 1
|
||||
# 4: S 0
|
||||
|
||||
# Para remover uma coluna de um data.frame ou data.table,
|
||||
# atribua a ela o valor NULL
|
||||
estudantes$nomeFundadorCasa <- NULL
|
||||
estudantes
|
||||
# nomeEstudante ano casa
|
||||
# 1: Fred 2 G
|
||||
# 2: George 2 G
|
||||
# 3: Ginny -1 G
|
||||
# 4: Cedric 3 H
|
||||
# 5: Cho 1 R
|
||||
# 6: Draco 0 S
|
||||
|
||||
# Remova uma linha consultando parte dos dados
|
||||
# Usando data.table:
|
||||
estudantes[nomeEstudante != "Draco"]
|
||||
# casa estudanteNome ano
|
||||
# 1: G Fred 2
|
||||
# 2: G George 2
|
||||
# 3: G Ginny -1
|
||||
# 4: H Cedric 3
|
||||
# 5: R Cho 1
|
||||
# Usando data.frame:
|
||||
estudantes <- as.data.frame(estudantes)
|
||||
estudantes[estudantes$casa != "G",]
|
||||
# casa nomeFundadorCasa nomeEstudante ano
|
||||
# 4 H Helga Cedric 3
|
||||
# 5 R Rowena Cho 1
|
||||
# 6 S Salazar Draco 0
|
||||
|
||||
# MULTIDIMENSIONAL (TODOS OS ELEMENTOS DE UM TIPO)
|
||||
|
||||
# Arranjos (arrays) criam tabelas n-dimensionais
|
||||
# Todos os elementos devem ser do mesmo tipo
|
||||
# Você pode fazer uma tabela bidimensional (como uma matriz)
|
||||
array(c(c(1,2,4,5),c(8,9,3,6)), dim=c(2,4))
|
||||
# [,1] [,2] [,3] [,4]
|
||||
# [1,] 1 4 8 3
|
||||
# [2,] 2 5 9 6
|
||||
# Você pode usar array para fazer matrizes tridimensionais também
|
||||
array(c(c(c(2,300,4),c(8,9,0)),c(c(5,60,0),c(66,7,847))), dim=c(3,2,2))
|
||||
# , , 1
|
||||
#
|
||||
# [,1] [,2]
|
||||
# [1,] 2 8
|
||||
# [2,] 300 9
|
||||
# [3,] 4 0
|
||||
#
|
||||
# , , 2
|
||||
#
|
||||
# [,1] [,2]
|
||||
# [1,] 5 66
|
||||
# [2,] 60 7
|
||||
# [3,] 0 847
|
||||
|
||||
# LISTAS (MULTIDIMENSIONAIS, POSSIVELMENTE IMPERFEITAS, DE DIFERENTES TIPOS)
|
||||
|
||||
# Finalmente, R tem listas (de vetores)
|
||||
lista1 <- list(tempo = 1:40)
|
||||
lista1$preco = c(rnorm(40,.5*lista1$tempo,4)) # aleatória
|
||||
lista1
|
||||
# Você pode obter itens na lista assim
|
||||
lista1$tempo # um modo
|
||||
lista1[["tempo"]] # um outro modo
|
||||
lista1[[1]] # e ainda um outro modo
|
||||
# [1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33
|
||||
# [34] 34 35 36 37 38 39 40
|
||||
# Você pode obter itens de uma lista como qualquer outro vetor
|
||||
lista1$preco[4]
|
||||
|
||||
# Listas não são a estrutura de dados mais eficiente para se trabalhar em R;
|
||||
# a menos que você tenha um bom motivo, você deve se ater a data.frames
|
||||
# As listas geralmente são retornadas por funções que realizam regressões lineares
|
||||
|
||||
##################################################
|
||||
# A família de funções apply()
|
||||
##################################################
|
||||
|
||||
# Lembra de mat?
|
||||
mat
|
||||
# [,1] [,2]
|
||||
# [1,] 1 4
|
||||
# [2,] 2 5
|
||||
# [3,] 3 6
|
||||
# Use apply(X, MARGIN, FUN) para aplicar a função FUN a uma matriz X
|
||||
# sobre linhas (MARGIN = 1) ou colunas (MARGIN = 2)
|
||||
# Ou seja, R faz FUN para cada linha (ou coluna) de X, muito mais rápido que um
|
||||
# laço for ou while faria
|
||||
apply(mat, MAR = 2, jiggle)
|
||||
# [,1] [,2]
|
||||
# [1,] 3 15
|
||||
# [2,] 7 19
|
||||
# [3,] 11 23
|
||||
# Outras funções: ?lappy, ?sapply
|
||||
|
||||
# Não as deixe te intimidar; todos concordam que essas funções são bem confusas
|
||||
|
||||
# O pacote plyr visa substituir (e melhorar!) a família *apply().
|
||||
install.packages("plyr")
|
||||
require(plyr)
|
||||
?plyr
|
||||
|
||||
|
||||
|
||||
#########################
|
||||
# Carregando dados
|
||||
#########################
|
||||
|
||||
# "pets.csv" é um arquivo hospedado na internet
|
||||
# (mas também poderia tranquilamente ser um arquivo no seu computador)
|
||||
require(RCurl)
|
||||
pets <- read.csv(textConnection(getURL("https://learnxinyminutes.com/docs/pets.csv")))
|
||||
pets
|
||||
head(pets, 2) # primeiras duas linhas
|
||||
tail(pets, 1) # última linha
|
||||
|
||||
# Para salvar um data frame ou matriz como um arquivo .csv:
|
||||
write.csv(pets, "pets2.csv") # para criar um novo arquivo .csv
|
||||
# Define o diretório de trabalho com setwd(), confirme em qual você está com getwd()
|
||||
|
||||
# Experimente ?read.csv e ?write.csv para obter mais informações
|
||||
|
||||
|
||||
|
||||
#########################
|
||||
# Análise estatística
|
||||
#########################
|
||||
|
||||
# Regressão linear!
|
||||
modeloLinear <- lm(preco ~ tempo, data = lista1)
|
||||
modeloLinear # imprime na tela o resultado da regressão
|
||||
# Call:
|
||||
# lm(formula = preco ~ tempo, data = lista1)
|
||||
#
|
||||
# Coefficients:
|
||||
# (Intercept) tempo
|
||||
# 0.1453 0.4943
|
||||
summary(modeloLinear) # saída mais detalhada da regressão
|
||||
# Call:
|
||||
# lm(formula = preco ~ tempo, data = lista1)
|
||||
#
|
||||
# Residuals:
|
||||
# Min 1Q Median 3Q Max
|
||||
# -8.3134 -3.0131 -0.3606 2.8016 10.3992
|
||||
#
|
||||
# Coefficients:
|
||||
# Estimate Std. Error t value Pr(>|t|)
|
||||
# (Intercept) 0.14527 1.50084 0.097 0.923
|
||||
# tempo 0.49435 0.06379 7.749 2.44e-09 ***
|
||||
# ---
|
||||
# Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
|
||||
#
|
||||
# Residual standard error: 4.657 on 38 degrees of freedom
|
||||
# Multiple R-squared: 0.6124, Adjusted R-squared: 0.6022
|
||||
# F-statistic: 60.05 on 1 and 38 DF, p-value: 2.44e-09
|
||||
coef(modeloLinear) # extrai os parâmetros estimados
|
||||
# (Intercept) tempo
|
||||
# 0.1452662 0.4943490
|
||||
summary(modeloLinear)$coefficients # um outro meio de extrair os resultados
|
||||
# Estimate Std. Error t value Pr(>|t|)
|
||||
# (Intercept) 0.1452662 1.50084246 0.09678975 9.234021e-01
|
||||
# tempo 0.4943490 0.06379348 7.74920901 2.440008e-09
|
||||
summary(modeloLinear)$coefficients[,4] # the p-values
|
||||
# (Intercept) tempo
|
||||
# 9.234021e-01 2.440008e-09
|
||||
|
||||
# MODELOS LINEARES GERAIS
|
||||
# Regressão logística
|
||||
set.seed(1)
|
||||
lista1$sucesso = rbinom(length(lista1$tempo), 1, .5) # binário aleatório
|
||||
modeloLg <- glm(sucesso ~ tempo, data = lista1,
|
||||
family=binomial(link="logit"))
|
||||
modeloLg # imprime na tela o resultado da regressão logística
|
||||
# Call: glm(formula = sucesso ~ tempo,
|
||||
# family = binomial(link = "logit"), data = lista1)
|
||||
#
|
||||
# Coefficients:
|
||||
# (Intercept) tempo
|
||||
# 0.17018 -0.01321
|
||||
#
|
||||
# Degrees of Freedom: 39 Total (i.e. Null); 38 Residual
|
||||
# Null Deviance: 55.35
|
||||
# Residual Deviance: 55.12 AIC: 59.12
|
||||
summary(modeloLg) # saída mais detalhada da regressão
|
||||
# Call:
|
||||
# glm(formula = sucesso ~ tempo,
|
||||
# family = binomial(link = "logit"), data = lista1)
|
||||
|
||||
# Deviance Residuals:
|
||||
# Min 1Q Median 3Q Max
|
||||
# -1.245 -1.118 -1.035 1.202 1.327
|
||||
#
|
||||
# Coefficients:
|
||||
# Estimate Std. Error z value Pr(>|z|)
|
||||
# (Intercept) 0.17018 0.64621 0.263 0.792
|
||||
# tempo -0.01321 0.02757 -0.479 0.632
|
||||
#
|
||||
# (Dispersion parameter for binomial family taken to be 1)
|
||||
#
|
||||
# Null deviance: 55.352 on 39 degrees of freedom
|
||||
# Residual deviance: 55.121 on 38 degrees of freedom
|
||||
# AIC: 59.121
|
||||
#
|
||||
# Number of Fisher Scoring iterations: 3
|
||||
|
||||
|
||||
#########################
|
||||
# Gráficos
|
||||
#########################
|
||||
|
||||
# FUNÇÕES DE PLOTAGEM INTEGRADAS
|
||||
# Gráficos de dispersão!
|
||||
plot(lista1$tempo, lista1$preco, main = "dados falsos")
|
||||
# Trace a linha de regressão em um gráfico existente!
|
||||
abline(modeloLinear, col = "red")
|
||||
# Obtenha uma variedade de diagnósticos legais
|
||||
plot(modeloLinear)
|
||||
# Histogramas!
|
||||
hist(rpois(n = 10000, lambda = 5), col = "thistle")
|
||||
# Gráficos de barras!
|
||||
barplot(c(1,4,5,1,2), names.arg = c("red","blue","purple","green","yellow"))
|
||||
|
||||
# GGPLOT2
|
||||
# Mas estes não são nem os mais bonitos dos gráficos no R
|
||||
# Experimente o pacote ggplot2 para gráficos diferentes e mais bonitos
|
||||
install.packages("ggplot2")
|
||||
require(ggplot2)
|
||||
?ggplot2
|
||||
pp <- ggplot(estudantes, aes(x=casa))
|
||||
pp + geom_bar()
|
||||
ll <- as.data.table(lista1)
|
||||
pp <- ggplot(ll, aes(x=tempo,preco))
|
||||
pp + geom_point()
|
||||
# ggplot2 tem uma excelente documentação (disponível em http://docs.ggplot2.org/current/)
|
||||
|
||||
|
||||
|
||||
```
|
||||
|
||||
## Como faço para obter R?
|
||||
|
||||
* Obtenha o R e uma interface gráfica para o R em [http://www.r-project.org/](http://www.r-project.org/)
|
||||
* [RStudio](http://www.rstudio.com/ide/) é uma outra interface gráfica
|
@ -4,6 +4,7 @@ contributors:
|
||||
- ["e99n09", "http://github.com/e99n09"]
|
||||
- ["isomorphismes", "http://twitter.com/isomorphisms"]
|
||||
- ["kalinn", "http://github.com/kalinn"]
|
||||
- ["mribeirodantas", "http://github.com/mribeirodantas"]
|
||||
filename: learnr.r
|
||||
---
|
||||
|
||||
@ -403,7 +404,7 @@ mat
|
||||
# [2,] 2 5
|
||||
# [3,] 3 6
|
||||
# Unlike a vector, the class of a matrix is "matrix", no matter what's in it
|
||||
class(mat) # "matrix"
|
||||
class(mat) # "matrix" "array"
|
||||
# Ask for the first row
|
||||
mat[1, ] # 1 4
|
||||
# Perform operation on the first column
|
||||
@ -476,9 +477,10 @@ class(students[,3]) # "factor"
|
||||
nrow(students) # 6
|
||||
ncol(students) # 3
|
||||
dim(students) # 6 3
|
||||
# The data.frame() function converts character vectors to factor vectors
|
||||
# by default; turn this off by setting stringsAsFactors = FALSE when
|
||||
# you create the data.frame
|
||||
# The data.frame() function used to convert character vectors to factor
|
||||
# vectors by default; This has changed in R 4.0.0. If your R version is
|
||||
# older, turn this off by setting stringsAsFactors = FALSE when you
|
||||
# create the data.frame
|
||||
?data.frame
|
||||
|
||||
# There are many twisty ways to subset data frames, all subtly unalike
|
||||
|
@ -473,7 +473,7 @@ if (0) {
|
||||
}
|
||||
|
||||
// Впрочем, объекты-обёртки и встроенные типы имеют общие прототипы,
|
||||
// поэтому вы можете расширить функционал строк, например:
|
||||
// поэтому вы можете расширить функциональность строк, например:
|
||||
String.prototype.firstCharacter = function() {
|
||||
return this.charAt(0);
|
||||
}
|
||||
|
@ -333,7 +333,7 @@ fun helloWorld(val name : String) {
|
||||
}
|
||||
|
||||
/*
|
||||
Расширения - это способ добавить новый функционал к классу.
|
||||
Расширения - это способ добавить новую функциональность к классу.
|
||||
Это то же самое, что методы расширений в C#.
|
||||
*/
|
||||
fun String.remove(c: Char): String {
|
||||
|
@ -98,7 +98,7 @@ end
|
||||
|
||||
-- Вложенные и анонимные функции являются нормой:
|
||||
function adder(x)
|
||||
-- Возращаемая функция создаётся, когда вызывается функция adder,
|
||||
-- Возвращаемая функция создаётся, когда вызывается функция adder,
|
||||
-- и запоминает значение переменной x:
|
||||
return function (y) return x + y end
|
||||
end
|
||||
@ -363,7 +363,7 @@ end
|
||||
|
||||
return M
|
||||
|
||||
-- Другой файл может использовать функционал mod.lua:
|
||||
-- Другой файл может использовать функциональность mod.lua:
|
||||
local mod = require('mod') -- Запустим файл mod.lua.
|
||||
|
||||
-- require - стандартный способ подключения модулей.
|
||||
|
@ -507,8 +507,8 @@ distance = 18; // Ссылается на "long distance" из реализац
|
||||
@end
|
||||
|
||||
// Теперь, если мы хотим создать объект Truck - грузовик, мы должны создать подкласс класса Car, что
|
||||
// изменит функционал Car и позволит вести себя подобно грузовику. Но что, если мы хотим только добавить
|
||||
// определенный функционал в уже существующий класс Car? Например - чистка автомобиля. Мы просто создадим
|
||||
// изменит функциональность Car и позволит вести себя подобно грузовику. Но что, если мы хотим только добавить
|
||||
// определенную функциональность в уже существующий класс Car? Например - чистка автомобиля. Мы просто создадим
|
||||
// категорию, которая добавит несколько методов для чистки автомобиля в класс Car:
|
||||
// @interface ИмяФайла: Car+Clean.h (ИмяБазовогоКласса+ИмяКатегории.h)
|
||||
#import "Car.h" // Убедитесь в том, что базовый класс импортирован для расширения.
|
||||
|
@ -622,7 +622,7 @@ class MyShape: Rect {
|
||||
// MARK: Прочее
|
||||
//
|
||||
|
||||
// `extension`s: Добавляет расширенный функционал к существующему типу
|
||||
// `extension`s: Добавляет расширенную функциональность к существующему типу
|
||||
|
||||
// Класс Square теперь "соответствует" протоколу `CustomStringConvertible`
|
||||
extension Square: CustomStringConvertible {
|
||||
|
File diff suppressed because it is too large
Load Diff
Loading…
Reference in New Issue
Block a user