Introdução ao Software R

CEDE - UFMG
Dezembro – 2016

Universidade Federal de Minas Gerais

1
Conteúdo

• Módulo I: Introdução

• Módulo II: Estrutura de dados

• Módulo III: Loops e condições

• Módulo IV: Importando e exportando arquivo texto

• Módulo V: Funções

2
Módulo I: Conceitos Básicos

3
Introdução

4
Baixando e Instalando o R.

• Link para o site oficial do R: [Link].

Download

1. Clique no link CRAN (Comprehensive R Archive Network) na seção

Download, Packages;
2. Escolha um repositório, por exemplo, UFPR;
3. Escolha o link de acordo com o sistema operacional do seu computador,
(Ex.: Windows);
4. Escolha a opção base, pois as demais são para desenvolvimento de pacotes
R;
5. Finalmente clique para baixar o R.

A instalação do R pode ser realizada escolhendo sempre as configurações

padrões.

5
Pacotes, manual e demonstrações

• A versão base do R possui uma coleção enorme de funções:

• Modelos Estatísticos
• Algoritmos Computacionais
• Métodos Matemáticas
• Visualização de Dados

6
Pacotes, manual e demonstrações

• A versão base do R possui uma coleção enorme de funções:

• Modelos Estatísticos
• Algoritmos Computacionais
• Métodos Matemáticas
• Visualização de Dados

Mas as vezes não é suficiente =/!

6
Pacotes, manual e demonstrações

• A versão base do R possui uma coleção enorme de funções:

• Modelos Estatísticos
• Algoritmos Computacionais
• Métodos Matemáticas
• Visualização de Dados

Mas as vezes não é suficiente =/!

Pacotes!

6
Pacotes

• Assim como alguns softwares estatísticos, o R também é extensível através

de ”módulos”. Em R estes módulos são chamados de pacotes, bibliotecas
ou packages.

Pacotes
Uma coleção de funções que podem ser escritas em R, C++, Fortran e C e
que são chamadas diretamente de dentro do R.

• Um pacote inclui: as funções, dados para exemplificar as funcionalidades

do pacote, arquivo com ajuda (help) para cada função, e uma descrição do
pacote.
• Qualquer pessoa pode desenvolver seus pacotes e então submeter ao
CRAN, disponibilizar através do GitHub ou standalone.

7
Pacotes

• As funcionalidades do R, podem ser ampliadas carregando estes pacotes,

tornando um software ainda mais poderoso, capaz de realizar inúmeras
tarefas:
• Análise multivariada;
• Análise Bayesiana;
• Manipulação de dados;
• Gráficos a nível de publicação;
• Big Data, Deep Learning;
• Processamento de imagens.

8
Exemplos de pacotes

Alguns pacotes

• maptools: Funções para leitura, exportação e manipulação de estruturas

espaciais.
• cluster: Funções para análise de clusters.
• ggplot2: Criação de gráficos elegantes.
• rmarkdown: criação de documentos (dinâmicos) em PDF, Word, HTML.
• nlme: Modelos lineares e não-lineares de efeitos mistos.

• O R possui mais de ???? pacotes, e milhares de funções.

9
Instalando pacotes

• Para instalar um pacote do R que já esteja no CRAN basta usar o

comando:

> [Link]('ggplot2')

• Além da opção de comando, também podemos instalar pacotes utilizando

os menus do R (Pacotes -> Instalar pacotes), ou do RStudio (Tools ->
Install Packages ...).
• Temos também a opção de instalar pacotes a partir de arquivos .zip ou
[Link] (Pacotes -> Instalar pacotes a partir de zip locais) ou utilizando o
Rstudio (Tools -> Install Packages ... -> Install From)

10
Carregando pacotes

• Uma vez que o pacote foi instalado não há mais a necessidade de instalar
sempre que for utilizar as suas funcionalidades, basta carregar o pacote
com os comandos: library() ou require().

> library(cluster) # ou
> require(cluster)

11
Help?

• Para conhecer quais as funções disponíveis no pacote, faça:

> help(package = "survey")

• Para pedir ajuda de uma determinada função:

> ?glm #forma mais comum de acessar o manual da função

> help("glm")

• Obtendo ajuda na internet:

> [Link]("[Link]")

12
Help?

• Procurando por alguma função, mas esqueci o nome:

> apropos("lm")
> ??lm #??: procurar em todos os pacotes instalados no R

• Para todas as outras coisas existe o Google!

• Para algumas demonstrações da capacidade gráfica do R:

> demo(graphics)
> demo(persp)
> demo(Hershey)
> demo(plotmath)

13
Linguagem compilada vs interpretada

Compilada ou interpretada?

14
Linguagem compilada vs interpretada

Compilada ou interpretada?

• Essencialmente o R é uma linguagem de programação interpretada.

14
Linguagem compilada vs interpretada

Compilada ou interpretada?

• Essencialmente o R é uma linguagem de programação interpretada.

• Porém...

14
Linguagem compilada vs interpretada

Compilada ou interpretada?

• Essencialmente o R é uma linguagem de programação interpretada.

• Porém...
• É mais correto vê-lo como uma interface para código compilado.

14
Linguagem compilada vs interpretada

Compilada ou interpretada?

• Essencialmente o R é uma linguagem de programação interpretada.

• Porém...
• É mais correto vê-lo como uma interface para código compilado.
• As principais rotinas são executadas em código compilado (.C, .Call.,
.Internal, .Primitive)

14
Ambiente R

15
Interface R

16
IDE Rstudio

17
IDE Rstudio

18
Outras IDE’s

IDE’s para o R

19
Outras IDE’s

IDE’s para o R

• Emacs Speaks Statistics - ESS

• StatET: plugin para o Eclipse.
• TINN-R

19
Manipulação simples no prompt

A forma mais direta de interagir com o R é através das linhas de comandos.

• Os comandos são digitados no prompt >.

• Continuação da linha é indicado por +.
• Para submeter os comandos pressione Enter.
• Para inserir vários comandos na mesma linha, utilize ;.

Manipulação simples no prompt

> 2 + 3
> 1 - 8
> 4 * 5
> 3 / 5
> 2 ^ 3
( 20+7 )2
Use os parênteses para calcular expressões, por exemplo, 3
.

> ((20 + 7)/3)^2

[1] 81

20
Manipulação simples no prompt

• O R ignora os espaços em brancos excessivos.

• String/caracteres devem ser inseridos entre aspas simples ou dupla: ’ ’ ou
””

> 18 / 3
[1] 6

> 25 *
+
+ 5
[1] 125

> "Eu sou uma

+ string quebrada e entre aspas duplas"
[1] "Eu sou uma\nstring quebrada e entre aspas duplas"

• Note o símbolo de quebra de linha \n.

• Note o símbolo + que indica a continuação do comando.

21
Criando objetos/variáveis

Princípio 1: Tudo que existe no R é um objeto.

• Para atribuir valores a obejtos, basta usar o operador <-, o qual é a

combinação do operador < com −. Como alternativa, podemos utilizar o
operador =.

> objeto1 <- 3*9

> objeto2 = 8+2

• Visualizar o valor armazenado em um objeto, basta digitar o nome do

objeto no prompt então apertar Enter. Ou usar a função print(), ou
ainda entre parênteses (objeto1)

> objeto1
[1] 27

> print(objeto1)
[1] 27

22
Case-sensitive

• Assim como a maioria das linguagens de programação o R também é

sensível à letras minúsculas e maiúsculas.

> (foo <- "todas as letras sao minusculas")

[1] "todas as letras sao minusculas"

> (FOO <- "todas as letras sao maiusculas")

[1] "todas as letras sao maiusculas"

23
Comentários

• Comentários em R podem ser inseridos depois do caractere #. Desta

forma, qualquer comando após o caractere # não será executado.
• Ex.

> 4*2
[1] 8

> #2*2 Olá eu sou um comentário =)

24
Agora é a sua vez

25
Criando um objeto

Volume de um tubo
Seja um tubo com raio de 10 cm, com 1,5 metros de comprimento e com uma
espessura de 1 cm. Qual o volume deste cubo?

26
Criando um objeto

Volume de um tubo
Seja um tubo com raio de 10 cm, com 1,5 metros de comprimento e com uma
espessura de 1 cm. Qual o volume deste cubo?

Dica

Volume = π × raio2 × altura

π = 3.14

26
Criando um objeto

Volume de um tubo
Seja um tubo com raio de 10 cm, com 70 cm de comprimento e com uma
espessura de 1 cm. Qual o volume deste cubo?

> raio <- 10

> espessura <- 1
> comprimento <- 70
> volume <- pi*(raio - espessura)^2*comprimento #calcula o volume do cubo
> volume
[1] 17812.83

27
Criando um objeto

Volume de um tubo
Seja um tubo com raio de 10 cm, com 70 cm de comprimento e com uma
espessura de 1 cm. Qual o volume deste cubo?

> raio <- 10

> espessura <- 1
> comprimento <- 70
> volume <- pi*(raio - espessura)^2*comprimento #calcula o volume do cubo
> volume
[1] 17812.83

• Notaram alguma coisa diferente no cálculo do volume?

27
Criando um objeto

Volume de um tubo
Seja um tubo com raio de 10 cm, com 70 cm de comprimento e com uma
espessura de 1 cm. Qual o volume deste cubo?

> raio <- 10

> espessura <- 1
> comprimento <- 70
> volume <- pi*(raio - espessura)^2*comprimento #calcula o volume do cubo
> volume
[1] 17812.83

• Notaram alguma coisa diferente no cálculo do volume?

• Onde o objeto π foi declarado?

27
Criando um objeto

Volume de um tubo
Seja um tubo com raio de 10 cm, com 70 cm de comprimento e com uma
espessura de 1 cm. Qual o volume deste cubo?

> raio <- 10

> espessura <- 1
> comprimento <- 70
> volume <- pi*(raio - espessura)^2*comprimento #calcula o volume do cubo
> volume
[1] 17812.83

• Notaram alguma coisa diferente no cálculo do volume?

• Onde o objeto π foi declarado?
• O R armazena algumas quantidades importantes.

27
Constantes armazenadas no R

> pi
[1] 3.141593

> letters
[1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k" "l" "m" "n" "o" "p" "q" "r" "s" "t"
[21] "u" "v" "w" "x" "y" "z"

> LETTERS
[1] "A" "B" "C" "D" "E" "F" "G" "H" "I" "J" "K" "L" "M" "N" "O" "P" "Q" "R" "S" "T"
[21] "U" "V" "W" "X" "Y" "Z"

> [Link]
[1] "Jan" "Feb" "Mar" "Apr" "May" "Jun" "Jul" "Aug" "Sep" "Oct" "Nov" "Dec"

> [Link]
[1] "January" "February" "March" "April" "May" "June"
[7] "July" "August" "September" "October" "November" "December"

> Inf
[1] Inf

28
Operadores lógicos

29
Operadores lógicos

Operadores lógicos: são operados binários para realização de testes entre duas
variáveis (objetos). Estas operações retornam o valor TRUE (1) ou FALSE (0).

Operadores Descrição
< Menor que
<= Menor ou igual a
> Maior que
>= Maior ou igual a
== Igual a
!= Diferente de
!x Não x
x | y x OU y
x & y xEy
Table 1: Tabela de operadores lógicos.

30
Usando os operadores lógicos

Exemplos:
> x <- 10 #atribuindo o valor 10 ao objeto x
> y <- 20 #atribuindo o valor 20 ao objeto y
> x < y #x é menor que y?
> x < x #x é menor que x?
> x <= x #x é menor igual que x?
> x > y #x é maior que x?
> x >= y #x é maior igual que x?
> x == y #x é igual a y?
> x != y #x é diferente de y?

Dica
Note que há um espaço em branco entre os operadores lógicos. Estes espaços
não são obrigatórios, porém tornam o código mais legível.

31
Agora é a sua vez

32
Agora é a sua vez

Teste lógico com string

Crie dois objetos em R: um que amarzene a primeira letra do seu primeiro
nome e outro com a primeira letra do seu segundo nome. Agore compare estes
objetos usando alguns dos operadores lógicos. Por exemplo o operador <=.

33
Agora é a sua vez

Teste lógico com string

Crie dois objetos em R: um que amarzene a primeira letra do seu primeiro
nome e outro com a primeira letra do seu segundo nome. Agore compare estes
objetos usando alguns dos operadores lógicos. Por exemplo o operador <=.

> #Luís Gustavo

> primeira_letra_do_meu_primeiro_nome <- 'L'
> [Link] <- 'G'
> primeira_letra_do_meu_primeiro_nome <= [Link]

33
Agora é a sua vez

Teste lógico com string

Crie dois objetos em R: um que amarzene a primeira letra do seu primeiro
nome e outro com a primeira letra do seu segundo nome. Agore compare estes
objetos usando alguns dos operadores lógicos. Por exemplo o operador <=.

> #Luís Gustavo

> primeira_letra_do_meu_primeiro_nome <- 'L'
> [Link] <- 'G'
> primeira_letra_do_meu_primeiro_nome <= [Link]

Assimilando

• Strings são tratadas com aspas.

• O nome do objeto pode ser tão longo quanto você queira.
• Podemos usar os caracteres _ e . nos nomes dos objetos.
• Não podem iniciar o números: 1luis < − 2.

33
Classes de objetos

34
Classes de objetos

• Em uma análise estatística existem diferentes tipos de dados: numéricos,

categóricos, ordinais, univariados, bivariados, multivariados, etc.
• R possui diferentes classes para acomodar estas diferentes natureza dos
dados.

Classes

• numeric(): números com casas decimais (double). Ex.: 2.1.

• integer(): números inteiros. Ex.: 5L.
• logical(): TRUE ou FALSE.
• character(): caracteres/strings. Ex.: ”Hello!”

35
Classe: numeric()

• Para saber a classe de um objeto devemos utilizar a função class(). É

recomendado ler o help das funções que iremos aprender neste
treinamento. ?class().

> x <- 12.5

> class(x)
[1] "numeric"

> y <- 10
> class(y)
[1] "numeric"

> ?class()
> ?numeric()

• Podemos declarar um vetor da classe númerico usando a função

numeric(). Mais adiante iremos entender o conceito de vetor.

> vetor_numerico <- numeric(length = 10)

36
Classe: integer()

• Para criar um objeto da classe integer devemos utilizar o operador L.

> inteiro <- 50L

> class(inteiro)
[1] "integer"

> ?integer()

37
Classe: logical()

• Objetos da classe logical podem ser obtidos através da comparação entre

variáveis (objetos) e assumem apenas os valores TRUE (T) ou FALSE (F).

> logico <- 2 < 3 #dois é menor que três?

> class(logico)
[1] "logical"

> (logico <- F) #posso sobrescrever o objeto

[1] FALSE

• Operadores lógicos também podem ser aplicados a objetos da classe

logical.

> u <- TRUE; v <- FALSE #criando objetos

> u & v #u E v
> u | v #u OU v
> !v #negação de v

38
Classe: character()

• character(): objetos do tipo character são utilizados para representar

{strings} no R. Ou seja, variáveis de natureza textual.

> nome <- "Gov. Valadares" #criando objeto

> class(nome) #classe do objeto nome
[1] "character"

> toupper(nome) #todas maiusculas

[1] "GOV. VALADARES"

> tolower(nome) #todas minusculas

[1] "gov. valadares"

39
Classe: character()

• No R existe uma infinidade de funções para manipular strings, além de

conseguir interpretar as famosas expressões regulares.

Algumas funções para string

• paste(): concatena strings.

• grep(): números inteiros. Ex.: 5L.
• gsub(): TRUE ou FALSE.
• substr(): caracteres/strings. Ex.: ”Hello!”

> gv_uf <- paste('Gov. Valadares', 'MG', sep = ' - ')

> gv_uf <- sub(" +", " ", gv_uf)
> gv_longo <- gsub(pattern = 'Gov.', replacement = 'Governador', x = gv_uf)
> posicao <- regexpr(pattern = ' - ', text = gv_longo)
> gv_sem_uf <- substr(x = gv_longo, start = 1, stop = posicao - 1)

40
Classes de objetos

• As funções do tipo [Link] são utilizadas para atribuir uma classe ao

objeto. Ou seja, elas tentam forçar um obejto ser da classe CLASSE.
• Já as funções [Link] testam se o objeto é da classe CLASSE. Neste
caso, o retorno desta função um objeto da classe logical().
> [Link](pi)
[1] 3

> [Link](3.14)
[1] FALSE

> [Link]("5.45")
[1] 5

> [Link]("Minas Gerais")

[1] NA

> [Link]("Brasil")
[1] FALSE

> [Link](TRUE)
[1] 1

41
Agora é a sua vez

42
Agora é a sua vez

Teste lógico com string

• Faça time <- 'Democr56ata'

• Qual a classe do objeto time?
• Utilize a função substr() para obter o número que está no objeto time e
atribua este valor em um outro objeto. Ex.: numero <- substr(???).
• Qual a classe do objeto numero? Transforme-o para a classe adequada.

43
Agora é a sua vez

Teste lógico com string

• Faça time <- 'Democr56ata'

• Qual a classe do objeto time?
• Utilize a função substr() para obter o número que está no objeto time e
atribua este valor em um outro objeto. Ex.: numero <- substr(???).
• Qual a classe do objeto numero? Transforme-o para a classe adequada.

> time <- 'Democr56ata'

> class(time)
> numero <- [Link](substr(time, 7, 8))
> class(numero)

43
Módulo II: Estrutura de dados

44
Estrutura de dados

• Até este momento estamos apenas trabalhando com objetos escalares, ou

seja, com um único valor. Agora em diante iremos conhecer estruturas de
armazenamento de dados em R.
• Dados: são as informações obtidas de uma unidade experimental ou
observacional.
• Exemplo: ‘Estes são tubos de aços produzidos na empresa XYZ com
espessura de 1 cm e comprimento 80 cm.’

> dados
id fabricante espessura comprimento
1 0001 XYZ 1.000 80.001
2 0002 ABC 0.988 79.999
3 0003 KML 1.001 81.001

45
Estrutura de dados

No R existem várias estruturas para armazenar dados. Desde de dados que

podem ser modelados em uma tabela, quando dados de de natureza textual ou
espacial. Abaixo é listado as estruturas mais comuns para iniciar na linguagem
R.

• Vetores: c(), estrutura unidimensional;

• Matrizes: matrix(), estrutura bidimensional;

• Arranjos (arrays): array(), é uma generalização de matriz, por exemplo,

um cubo;

• Listas: list(), a estrutura de dados mais genérica do R;

• Data frames: [Link](), caso especial de uma lista;

46
Vetores

• vetores: um vetor é um sequência de dados do mesmo tipo ou classe. Ou

seja, um vetor só pode conter valores númericos, ou lógicos, ou de
caracteres.
• Atenção: nunca um vetor será composto por um valor numérico e lógico
ao mesmo tempo.
• Exemplo: usando a função c() para criar um vetor. Esta função tem
como argumento os elementos que irão compor o nosso vetor, e sua tarefa
é concatenar todos os elementos em um único objeto.
> ([Link] <- c(1, 3, 1, 9))
[1] 1 3 1 9

> ([Link] <- c(T, TRUE, FALSE, T))

[1] TRUE TRUE FALSE TRUE

> ([Link] <- c('a', 'cc', 'dd'))

[1] "a" "cc" "dd"

> ?c()

• Tarefa: encontra a classe de cada um dos objetos criados acima.

47
Vetores: atributos

• Estas novas estruturas possuem alguns atributos que são de nosso

interesse. Por exemplo, sua classe, comprimento do vetor, nomes de cada
posição do vetor, etc.
• Para sabermos a classe de um objeto, já sabemos que basta aplicar a
função class() no objeto.
• O comprimento de um vetor, ou quantos elementos este vetor possui,
pode ser obtido através da função length().

> length([Link])
[1] 4

> ?length #consulte o help desta função

48
Vetores: atributos

• O atributo de nomes de cada elemento pode ser acessado com a função

names().

> xx <- c(1, 2, 3)

> names(xx) #atributo vazio
NULL

> names(xx) <- c('Posicão 1', 'Posição 2', 'Posição 3')

> xx
Posicão 1 Posição 2 Posição 3
1 2 3

49
Combinando vetores

• Podemos combinar/concatenar vetores usando a mesma função c().

• Exemplo: vamos combinar os vetores vet1 e vet2 e armazenar em um
terceiro objeto vet3.

> vet1 <- c( 10, 20, 30, 40)

> vet2 <- c( 60, 70, 80, 90, 100, 110)
> (vet3 <- c(vet1, vet2))
[1] 10 20 30 40 60 70 80 90 100 110

• Tarefa: tente c(vet2, vet1).

50
Criando vetores longos

• A entrada de dados diretamente no R não é recomendada, porém em

alguns momentos é necessário criar alguns vetores grandes. Abaixo
listamos algumas funções:

Funções rep() e seq()

• rep(): replica os valores passados para a função.

• seq(): cria uma sequência, sendo possível controlar a que passo a
sequência cresce.
• : atalho para função seq(), quando queremos criar uma sequência que é
incrementada por uma unidade.

> rep(x = c(1, 2, 3), each = 3)

[1] 1 1 1 2 2 2 3 3 3

> rep(x = c(1, 2, 3), times = 3)

[1] 1 2 3 1 2 3 1 2 3

• each = XX, indica que cada elemento será repetido XX vezes.

• times = XX, indica que o vetor será repetido XX vezes.
51
Criando vetores longos

• Criando um vetor usando a função seq().

> seq(from = 10, to = 110, by = 10) #lembra do vet3 <- c(vet1, vet2) ?
[1] 10 20 30 40 50 60 70 80 90 100 110

> seq(from = 0, to = 1, [Link] = 10)

[1] 0.0000000 0.1111111 0.2222222 0.3333333 0.4444444 0.5555556 0.6666667 0.7777778
[9] 0.8888889 1.0000000

• A função seq(), cria um vetor que inicia from = INICIO e termina to =

FIM.
• by = XX, indica que a sequência será construída de XX em XX.
• [Link] = XX, indica que o vetor terá exatamente o comprimento
igual a XX.

52
Agora é a sua vez

53
Agora é a sua vez

Operações com vetores

• Experimente digitar no R:
• x <- 1:5; y <- c(2:4, 1, 2)
• x == seq(1, 5, by = 1)
• x < y

54
Agora é a sua vez

Operações com vetores

• Experimente digitar no R:
• x <- 1:5; y <- c(2:4, 1, 2)
• x == seq(1, 5, by = 1)
• x < y

O que aconteceu?

54
Operações com vetores

• O R também é conhecido por ser uma linguagem vetorizada. Por exemplo,

no exercício anterior, quando comparamos x < y, o teste foi realizado
para todo o vetor. Com isso, cada elemento do vetor x foi comparado com
o seu respectivo par do vetor y.
• Outras operações também podem ser executadas, por exemplo:

> a <- 1:5; b <- 3:7

> a + b #somando elemento a elemento
> a - b #subtraindo elemento a elemento
> a * b #multiplicando elemento a elemento
> a / b #dividindo elemento a elemento
> a ^ b #exponeciando elemento a elemento

• Note que o resultado é sempre um vetor de mesmo comprimento que os

vetores a e b.
• E se os vetores tivessem comprimentos diferentes?

55
Operações com vetores

• Atenção: quando realizamos as mesmas operações anteriores, porém com

vetores de comprimentos diferentes.

> u <- c(10, 20, 30)

> v <- 1:9
> u + v
[1] 11 22 33 14 25 36 17 28 39

> w <- 1:10

> u + w
Warning in u + w: longer object length is not a multiple of shorter object length
[1] 11 22 33 14 25 36 17 28 39 20

56
Acessando elementos do vetor

• O acesso aos elementos de um vetor é realizado através do operador

colchetes: [ ].

vetor[INDICE]

• Por exemplo, para acessar o índice (posição) 4 do vetor x, basta fazer x[4]
> x <- 10:1
> x[4]
[1] 7

• Índice negativo: quando o sinal negativo é usado na frente do índice, o

resultado é um vetor com o membro referente a este índice removido do
vetor:

vetor[-INDICE]
> x[-4]
[1] 10 9 8 6 5 4 3 2 1

57
Acessando elementos do vetor

Nota: o vetor resultado da consulta pode ser armazenado e utilizado em outras

análises, ou seja, a saída (output) do R também pode ser utilizada como dados
de entrada!

> novo_x <- x[-5]

> length(x)
[1] 10

> length(novo_x)
[1] 9

58
Acessando elementos do vetor

• Uma forma ainda mais interessante de acessar elementos de um vetor é

utilizando os operadores lógicos.
• Esta forma também é chamada de filtro. Lembra que ao realizar uma
operação lógica sobre um vetor, nós temos como output um outro vetor de
TRUE e FALSE.
• Suponha que temos um vetor de idades e queremos selecionar apenas as
idades acima de 35 anos.

> idade <- c(34, 27, 20, 28, 32, 43, 31, 18, 45, 36)
> idade > 35
[1] FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE TRUE TRUE

• Alguma sugestão?

59
Acessando elementos do vetor

• Uma forma ainda mais interessante de acessar elementos de um vetor é

utilizando os operadores lógicos.
• Esta forma também é chamada de filtro. Lembra que ao realizar uma
operação lógica sobre um vetor, nós temos como output um outro vetor de
TRUE e FALSE.
• Suponha que temos um vetor de idades e queremos selecionar apenas as
idades acima de 35 anos.

> idade <- c(34, 27, 20, 28, 32, 43, 31, 18, 45, 36)
> idade > 35
[1] FALSE FALSE FALSE FALSE FALSE TRUE FALSE FALSE TRUE TRUE

• Alguma sugestão?

• Basta fazermos vetor[operacao_logica].

> idade[idade > 35]

[1] 43 45 36

59
Agora é a sua vez

60
Agora é a sua vez

Acessando vetores.

• Temos o vetor altura com a altura de 15 mulheres. Queremos criar mais

três vetores:
• Um com as mulheres com altura menor ou igual a 160.
• Um com as mulheres com altura maior que 160 e menor ou igual a 170.
• Um com as mulheres com altura maior que 170.

• Remover a altura 180 do vetor altura.

> altura <- c(150, 152, 145, 157, 167, 172, 175, 170, 165, 177, 162, 180, 160, 155, 147)

61
Agora é a sua vez

Acessando vetores.

• Temos o vetor altura com a altura de 15 mulheres. Queremos criar mais

três vetores:
• Um com as mulheres com altura menor ou igual a 160.
• Um com as mulheres com altura maior que 160 e menor ou igual a 170.
• Um com as mulheres com altura maior que 170.

• Remover a altura 180 do vetor altura.

> altura <- c(150, 152, 145, 157, 167, 172, 175, 170, 165, 177, 162, 180, 160, 155, 147)

> altura <- c(150, 152, 145, 157, 167, 172, 175, 170, 165, 177, 162, 180, 160, 155, 147)
> menor160 <- altura[altura <= 160]
> entre160e170 <- altura[altura > 160 & altura <= 170]
> maior170 <- altura[altura > 170]
>
> #removendo 180
> altura[altura != 180]
[1] 150 152 145 157 167 172 175 170 165 177 162 160 155 147

61
Vetores: funções

Algumas funções que são aplicadas sobre vetores

• mean(x): média
• sd(x): desvio padrão
• min(x): mínimo
• max(x): máximo
• range(x): vetor com mínimo e máximo
• sum(x): soma todos os elementos
• exp(x): exponencia todos os elementos
• sqrt(x): raiz quadrada
• log(x): logarítmo natural

62
Matrizes

• matriz: é uma coleção de vetores lado a lado, em que cada vetor tem
exatamente o mesmo comprimento e são da mesma classe. Cada linha ou
coluna de uma matriz individualmente será um vetor.
• Exemplo de uma matriz com 2 linhas e 3 colunas:

[ ]
2 4 3
A=
1 5 7

63
Matrizes

• matriz: é uma coleção de vetores lado a lado, em que cada vetor tem
exatamente o mesmo comprimento e são da mesma classe. Cada linha ou
coluna de uma matriz individualmente será um vetor.
• Exemplo de uma matriz com 2 linhas e 3 colunas:

[ ]
2 4 3
A=
1 5 7

• Representando esta matriz no R:

> A <- matrix(

+ c(2,4,3,1,5,7), # elementos de dados
+ nrow = 2, # numero de linhas
+ ncol = 3, # numero de colunas
+ byrow = TRUE) # preencher matriz pelas linhas
> A
[,1] [,2] [,3]
[1,] 2 4 3
[2,] 1 5 7

63
Acessando elementos de uma matriz

• O elemento na linha m da coluna n da matriz A pode ser acessado pela

expressão A[m,n]:
> A[2, 3] # elemento na linha 2, coluna 3
[1] 7

• A linha m inteira de A pode ser extraída por A[m, ]

> A[2, ] # acessando a linha 2 completa
[1] 1 5 7

• A coluna n inteira de A pode ser extraída por A[, n]

> A[, 3] # acessando a coluna 3 completa
[1] 3 7

• Podemos também extrair mais de uma linha ou coluna por vez:

> A[, c(1, 3)] # as colunas 1 e 3
[,1] [,2]
[1,] 2 3
[2,] 1 7

64
Matriz: atributos

• As matrizes também possuem seus atributos: nomes das linhas, nomes das
colunas, número de linha e colunas.
• rownames(): atribui e acessa os nomes das linhas
• colnames(): atribui e acessa os nomes das colunas
• nrow(): retorna o número de linhas da matriz
• ncol(): retorna o número de colunas da matriz
• dim(): retorna o número de linhas e colunas da matriz
> dim(A)
[1] 2 3

> nrow(A)
[1] 2

> ncol(A)
[1] 3

> rownames(A) <- letters[1:nrow(A)]

> colnames(A) <- LETTERS[1:ncol(A)]
> A
A B C
a 2 4 3
b 1 5 7
65
Combinando matrizes

• Assim como os vetores, as matrizes também pode ser

concatenadas/combinadas usando as funções:
• cbind(): concatena matrizes lado a lado, ou por colunas
• rbind(): concatena matrizes empilhando-as, ou por linhas
• Ambas funções podem concatenar vetores e então resultar em uma matriz,
como no exemplo abaixo.

> Segunda <- c(23, 29, 27, 28, 25)

> Terça <- c(21, 24, 29, 31, 21)
> Quarta <- c(24, 26, 25, 27, 31)
> Quinta <- c(21, 27, 32, 21, 21)
> Sexta <- c(22, 33, 27, 24, 33)
> Sábado <- c(30, 28, 25, 24, 20)
> Domingo <- c(21, 21, 20, 30, 26)
>
> dias_uteis <- cbind(Segunda, Terça, Quarta, Quinta, Sexta)
> final_de_semana <- cbind(Sábado, Domingo)

66
Combinando matrizes

• Agora vamos concatenar as duas matrizes com a função cbind():

> dias_uteis
Segunda Terça Quarta Quinta Sexta
[1,] 23 21 24 21 22
[2,] 29 24 26 27 33
[3,] 27 29 25 32 27
[4,] 28 31 27 21 24
[5,] 25 21 31 21 33

> final_de_semana
Sábado Domingo
[1,] 30 21
[2,] 28 21
[3,] 25 20
[4,] 24 30
[5,] 20 26

> (mes <- cbind(dias_uteis, final_de_semana))

Segunda Terça Quarta Quinta Sexta Sábado Domingo
[1,] 23 21 24 21 22 30 21
[2,] 29 24 26 27 33 28 21
[3,] 27 29 25 32 27 25 20
[4,] 28 31 27 21 24 24 30
[5,] 25 21 31 21 33 20 26
67
Combinando matrizes

• Podemos concaternar (empilhar) usando a função rbind():

> matriz1 <- matrix(1:8, nrow = 2, ncol = 4)

> matriz2 <- matrix(1:16, nrow = 4, ncol = 4)
> (matriz_rbind <- rbind(matriz1, matriz2))
[,1] [,2] [,3] [,4]
[1,] 1 3 5 7
[2,] 2 4 6 8
[3,] 1 5 9 13
[4,] 2 6 10 14
[5,] 3 7 11 15
[6,] 4 8 12 16

68
Acessando matrizes: rownames() e colnames()

• A matrizes também podem ser acessadas usando os nomes das linhas e

colunas:

> rownames(mes) <- paste('Semana', 1:nrow(mes), sep = '')

> mes['Semana1', ] #o output desta consulta é um vetor
Segunda Terça Quarta Quinta Sexta Sábado Domingo
23 21 24 21 22 30 21

> mes[1:2, 'Quinta']

Semana1 Semana2
21 27

> mes[c('Semana1', 'Semana3'), c('Terça', 'Quarta')]

Terça Quarta
Semana1 21 24
Semana3 29 25

69
Agora é a sua vez

70
Agora é a sua vez

Acessando matrizes

• Considere a matriz mes e calcule:

• A média da coluna Quarta.
• A desvio-padrão da Semana3.
• A média de cada uma dos dias da semana.

• Dica: colMeans()

> mean(mes[, 'Quarta'])

[1] 26.6

> sd(mes['Semana3', ])
[1] 3.735289

> colMeans(mes)
Segunda Terça Quarta Quinta Sexta Sábado Domingo
26.4 25.2 26.6 24.4 27.8 25.4 23.6

71
Matrizes: funções

Algumas funções que são aplicadas sobre matrizes

• Todas as funções que são aplicadas em vetores.

• colMeans(x): média de cada coluna
• rowMeans(x): média de cada linha
• colSums(x): soma de cada coluna
• rowSums(x): soma de cada linha

72
Listas: list()

• Lista é a estrutura de dados mais genérica do R, pois ela comporta vetores

e matrizes de diferentes classes.

> num <- c(2, 3, 5)

> car <- letters[1:5]
> logi <- c(TRUE, FALSE, TRUE, FALSE, FALSE)
> x <- list(num, car, logi, 10)
> x
[[1]]
[1] 2 3 5

[[2]]
[1] "a" "b" "c" "d" "e"

[[3]]
[1] TRUE FALSE TRUE FALSE FALSE

[[4]]
[1] 10

• Note que os vetores são de classes e tamanhos diferentes.

73
Acessando elementos de uma lista

• Para acessar uma parte da lista usa-se o operador colchetes simples [ ].

> x[2]
[[1]]
[1] "a" "b" "c" "d" "e"

> class(x[2])
[1] "list"

• Note que usar o colchetes simples, o objeto retornado é da classe list().

• Para acessar os valores armazenados em uma posição da lista temos que
usar os colchetes duplos [[ ]]

> x[[2]]
[1] "a" "b" "c" "d" "e"

> class(x[[2]])
[1] "character"

74
Acessando elementos de uma lista

• Podemos modificar seu conteúdo diretamente:

> x[[2]][1] <- "WW"

> x[[2]]
[1] "WW" "b" "c" "d" "e"

> car
[1] "a" "b" "c" "d" "e"

• Note que o vetor car foi apenas utilizado para construir a lista x, com isso
ao alterar x, não estamos alterando os valores de car.

75
Nomes de membros de listas

• Podemos atribuir nomes aos membros de uma lista.

> compras <- list(pc = c("notebook", "desktop"), ano = c(1998, 2005, 200
> compras
$pc
[1] "notebook" "desktop"

$ano
[1] 1998 2005 2008 2012

> names(compras) #nome de cada elemento da lista

[1] "pc" "ano"

• Note o símbolo $ no output acima. Este mesmo símbolo pode ser

utilizado para acessar uma posicão da lista.

> compras$pc
[1] "notebook" "desktop"

76
Outras formas de acessar uma lista

• Usando o nome para acessar:

> compras[["pc"]]
[1] "notebook" "desktop"

• Usando um vetor para acessar multiplas posições:

> x[c(1, 3)]

[[1]]
[1] 2 3 5

[[2]]
[1] TRUE FALSE TRUE FALSE FALSE

77
Outras formas de acessar uma lista

• Atribuindo nomes ao membros da lista:

> names(x)
NULL

> names(x) <- c('numeros', 'caractere', 'logico', 'escalar')

> x[c('numeros', 'caractere')]
$numeros
[1] 2 3 5

$caractere
[1] "WW" "b" "c" "d" "e"

78
Data frames: [Link]()

• Um data frame é uma lista de vetores de igual comprimento.

> nomes <- c('Joao', 'Lara', 'Manoel', 'Pedro', 'Denise')

> idade <- c(30, 43, 21, 34, 25)
> sexo <- c('M', 'F', 'M', 'M', 'M')
> (df <- [Link](nomes, idade, sexo, stringsAsFactors = F))
nomes idade sexo
1 Joao 30 M
2 Lara 43 F
3 Manoel 21 M
4 Pedro 34 M
5 Denise 25 M

79
Acessando [Link]

• Como [Link] é um caso especial de uma lista, logo todas as formas

de acessar uma lista podem ser usadas com um [Link].

> df$nomes #acessando direto os elementos

[1] "Joao" "Lara" "Manoel" "Pedro" "Denise"

> df[['nomes']] #acessando direto os elementos

[1] "Joao" "Lara" "Manoel" "Pedro" "Denise"

> df['nomes'] #acessando uma coluna, tente class(df['nomes'])

nomes
1 Joao
2 Lara
3 Manoel
4 Pedro
5 Denise

80
Acessando [Link]

• Podemos usar também a mesma forma de acessar matrizes.

> df[, 1] #acessando a coluna 1

[1] "Joao" "Lara" "Manoel" "Pedro" "Denise"

> df[, 'nomes'] #acessando a coluna nome

[1] "Joao" "Lara" "Manoel" "Pedro" "Denise"

> df[2, ] #acessando a linha 2

nomes idade sexo
2 Lara 43 F

> df[2:4, 2:3] #linhas 2,3,4 e colunas 2 e 3

idade sexo
2 43 F
3 21 M
4 34 M

81
[Link]: funções

Algumas funções que são aplicadas sobre [Link]

• head(x): aprensenta as primeiras 6 linhas

• str(x): estrutura do [Link]
• summary(x): resumo do [Link]

82
[Link]: funções

> head(df)
nomes idade sexo
1 Joao 30 M
2 Lara 43 F
3 Manoel 21 M
4 Pedro 34 M
5 Denise 25 M

> str(df)
'[Link]': 5 obs. of 3 variables:
$ nomes: chr "Joao" "Lara" "Manoel" "Pedro" ...
$ idade: num 30 43 21 34 25
$ sexo : chr "M" "F" "M" "M" ...

> summary(df)
nomes idade sexo
Length:5 Min. :21.0 Length:5
Class :character 1st Qu.:25.0 Class :character
Mode :character Median :30.0 Mode :character
Mean :30.6
3rd Qu.:34.0
Max. :43.0

83
Agora é a sua vez

84
Agora é a sua vez

Trabalhando com [Link]

• Carregue o [Link] mtcars usando a função data(mtcars).

• ?mtcars conheça a base de dados.
• Utilize as funções str(), summary() e head().
• Cacule a média para cada uma das colunas.

85
Módulo III: Loops e condições

86
Loops: for()

• Loops são replicações de uma mesma tarefa para diferentes valores.

• O R possui três opções de loops: for, while, repeat
• Sintaxe:

Estrutura do for
for(var in seq) {
tarefa que depende de var
...
}

• A ideia é que o valor do objeto var vai variar de acordo com vetor seq.
Por exemplo:
> for(i in 1:3) {
+ print(i)
+ }
[1] 1
[1] 2
[1] 3

87
Loops: for()

• Exemplo calculando o desvio-padrão de cada variável do mtcars.

> desvio <- numeric(ncol(mtcars)) #definindo um vetor numerico

> for(cc in 1:ncol(mtcars)) {
+ desvio[cc] <- sd(mtcars[, cc])
+ }

• Ou, podemos passar um vetor de caracteres.

> desvio2 <- numeric(ncol(mtcars)) #definindo um vetor numerico

> names(desvio2) <- names(mtcars)
>
> for(cc in names(mtcars)) {
+ desvio2[cc] <- sd(mtcars[, cc])
+ }
> desvio == desvio2
mpg cyl disp hp drat wt qsec vs am gear carb
TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE TRUE

88
Loops: while

• Sintaxe:

Estrutura do while
while(VERDADEIRO) {
executa a tarefa
...
}

• Exemplo:

> resposta <- ""

> while(resposta != "R") {
+ resposta <- readline(prompt = "Qual a é a linguagem franca da ciência dos daods?")
+ }

89
Loops: repeat

• Sintaxe:

Estrutura do repeat
repeat {
executa a tarefa
...
}

• Exemplo:
> x <- 1
> repeat {
+ print(x)
+ x = x+1
+ if (x == 6){
+ break
+ }
+ }

• Note o comando if()

90
Condições

• No R existe duas principais formas de usar condições: if(){}else{} e

ifelse().
• Sintaxe:

Estrutura do if()
if(condicao) {
executa ESTA tarefa se a condicao for verdadeira
} else {
caso contrário execute este OUTRA tarefa
}

• Exemplo:
> for(i in 1:10) {
+ if(i > 7) {
+ print(i)
+ }
+ }
[1] 8
[1] 9
[1] 10 91
Condições

• A função ifelse(teste, sim, nao) avalia o teste para cada entrada do

vetor e executa uma tarefa se for verdadeira ou outra caso contrário.
• Versão vetorizada do tradicional if(){}else{}.
• Exemplo:

> nomes <- c('Joao', 'Lara', 'Manoel', 'Pedro', 'Denise')

> idade <- c(30, 43, 21, 34, 25)
> sexo <- c('M', 'F', 'M', 'M', 'M')
> df <- [Link](nomes, idade, sexo, stringsAsFactors = F)
> (df$sexo <- ifelse(df$sexo == 'M', 'Masculino', 'Feminino'))
[1] "Masculino" "Feminino" "Masculino" "Masculino" "Masculino"

92
 Módulo IV: Lendo dados de arquivos
no formato texto

93
Lendo arquivo texto

• Arquivo de texto: arquivo de texto plano, sem qualquer formatação

especial, e pode ser visualizado em qualquer editor de texto simples.
• Para leitura de arquivo texto iremos usar a função [Link]().

> args([Link])
function (file, header = FALSE, sep = "", quote = "\"'", dec = ".",
numerals = c("[Link]", "[Link]", "[Link]"), [Link],
[Link], [Link] = !stringsAsFactors, [Link] = "NA",
colClasses = NA, nrows = -1, skip = 0, [Link] = TRUE,
fill = ![Link], [Link] = FALSE, [Link] = TRUE,
[Link] = "#", allowEscapes = FALSE, flush = FALSE,
stringsAsFactors = [Link](), fileEncoding = "",
encoding = "unknown", text, skipNul = FALSE)
NULL

> ?[Link]()

94
Lendo arquivo texto

• Ler um banco de dados com colunas separadas por vírgulas e ponto como
separador decimal.

> dados <- [Link](file = "../data/[Link]",

+ sep = ",", #separador
+ dec = ".", #decimal
+ header = TRUE) #cabeçalho com o nome das variaveis

• file: caminho com o nome do arquivo a ser importado.

• sep: caractere separador das variáveis (colunas) (Ex.: vírgula)
• dec: caractere para casas decimais (Ex.: ponto)
• header: se o arquivo contem o nome das variáveis (TRUE)

95
Agora é a sua vez

96
Agora é a sua vez

Importando dados de arquivo texto

• Importar o banco de dados "data/Dados_VSB/Dados_Fic_Enf.csv",

onde os campos estão separados por ; e . como separador decimal.
• Quantas colunas e linhas tem este [Link]?

97
Diferentes caracteres representando missing

• Suponha que temos um banco de dados, onde os missing são

representados por 99 e 9999 e queremos que o R entenda estes são NA.
“Missing” é tratado como uma constante própria no R, esta constante é NA.
• Ler o banco de dados sem avisar o R quem so os missings.

> idh99 <- [Link]("../data/[Link]", sep = ";", dec = ".",header = T

• Ler o banco de dados utilizando o parâmetro [Link].

> idh99 <- [Link]("../data/[Link]", sep = ";", dec = ".",

+ header = TRUE, [Link] = c(99, 9999))

98
Exportando arquivos de texto

• Para salvar um arquivo texto no R tem a mesma lógica da leitura.

• Usaremos a função [Link]().

> [Link](idh99, "[Link]",

+ sep = ";", dec = ".",
+ [Link] = FALSE,
+ quote=FALSE)

• [Link]: não inserir o nome das linhas no arquivo de saída.

• quote: não colocar aspas nas variáveis do tipo character.

99
Casos particulares da função [Link]()

• A função [Link]() são para bases de dados em que os campos são

separados por vírgula e as casas decimais separadas por ponto.

> reg3 <- [Link]("../data/[Link]")

• A função read.csv2() são para bancos de dados em que os campos são

separados por ponto e vírgula e as casas decimais separadas por vírgula.
• Para exportar os arquivos também temos casos particulares para a função
[Link](). Sendo elas, [Link]() e write.csv2().

100
Importando planilha do Excel

• Para importar planilhas do Excel para o R devemos utilizar o pacote

readxl.

> #[Link](readxl)
> library(readxl)
> dados_excel <- read_excel(path = 'data/[Link]', sheet = 1)
> ?read_excel

• path: caminho para a planilha de dados

• sheet: nome ou número da aba na planilha

101
Módulo V: Funções

102
Definições básicas

103
Para que serve uma função?

• Existem procedimentos que são repetidos diversas vezes em um script

• Encontrar o maior/menor valor em uma lista
• Encontrar a média de cada coluna de uma matriz
• Fazer o resumo estatístico de uma variável
• ...

• Nestes casos é possível automatizar o processo através de uma função

• Com isso o código fica mais enxuto, simples e legível

• Outro ponto positivo é que dada uma alteração na função não é necessário
alterar o código em diversos pontos

104
Estrutura de uma função

Estrutura de uma função

NomeDaFuncao <- function(arg1, arg2, ...){
procedimento1
...
procedimenton
return(resultado)
}

105
Componentes de uma função

Uma função é composta basicamente de três partes:

Partes de uma função

• body: Representa os procedimentos que a função executa

• formals: Representa os argumentos de input da função
• environment: Representa o ambiente em que a função está definida

Considere a seguinte função de exemplo:

> produto <- function(x, n){
+ resultado <- n*x
+ return(resultado)
+ }

106
Componentes de uma função

> formals(produto)
$x

$n

> body(produto)
{
resultado <- n * x
return(resultado)
}

> environment(produto)
<environment: R_GlobalEnv>

107
Ambiente global, pacotes e funções primitivas

Funções do ambiente global (criadas pela usuário)

> environment(produto) # Ambiente global

<environment: R_GlobalEnv>

Funções relacionadas à algum pacote.

> environment(ggplot2::ggplot) # Pacote ggplot2

<environment: namespace:ggplot2>

Funções primitivas não possuem um ambiente dentro do R.

> environment(sum) # Função primitiva

NULL

108
Exemplo

> divisores <- function(x = 10){

+
+ resposta <- rep(0, x-1)
+ for(i in 2:(x-1)){
+ resposta[i-1] <- ifelse(x%%i == 0, 1, 0)}
+
+ divisores <- which(resposta == 1)+1
+
+ if(resposta[1] == 1){
+ par_impar <- "Par"
+ }else{
+ par_impar <- "Ímpar"
+ }
+
+ return(list(div = divisores, par_impar = par_impar))
+ }

109
Exemplo

> divisores(x = 4)
$div
[1] 2

$par_impar
[1] "Par"

> divisores(x = 10)

$div
[1] 2 5

$par_impar
[1] "Par"

> environment(produto)
<environment: R_GlobalEnv>

110
Funções do R base

Lista de todas as funções do R (base):

Funções do R-base

• A base do R conta com muitas funções matemáticas

• Além disso existem funções para:
• Manipulação de dados numéricos
• Manipulação de dados textuais
• Manipulação de datas
• ...

• Grande parte das funções são vetorizadas

• Exemplos:
• log(), sqrt(), cos(), sin(), factorial(), ...

111
Variáveis locais e globais

Variáveis criadas dentro de uma função não são acessadas no ambiente global
> f1 <- function(a){
+ b <- 10
+ resultado <- b-a
+ return(resultado)
+ }
>
> f1(a = 8)
[1] 2

> b
Error in eval(expr, envir, enclos): object 'b' not found

Ou seja, as variáveis estão definidas apenas dentro do escopo da função

112
Variáveis locais e globais

Qual o resultado da seguinte função:

> b <- 10
>
> f1 <- function(a){
+ resultado <- b-a
+ return(b-a)
+ }
>
> f1(a = 8)

113
Variáveis locais e globais

Qual o resultado da seguinte função:

> b <- 10
>
> f1 <- function(a){
+ resultado <- b-a
+ return(b-a)
+ }
>
> f1(a = 8)

[1] 2

113
Variáveis locais e globais

Qual o resultado da seguinte função:

> b <- 10
>
> f1 <- function(a){
+ resultado <- b-a
+ return(b-a)
+ }
>
> f1(a = 8)

[1] 2

Uma variável não definida mas utilizada dentro de uma função é procurada no
ambiente global!!!

113
Variáveis locais e globais

Para atualizar um objeto do escopo global de dentro da uma função utiliza-se o

operador ‘<<-’
> b <- 10
> val <- 10
>
> f1 <- function(a){
+ val <<- 20
+ return(b-a)
+ }
>
> f1(a = 10)
[1] 0

> val
[1] 20

114
Agora é a sua vez

115
Criando uma função

Criando uma função

Crie uma função que recebe um vetor numérico de qualquer tamanho e retorna
uma lista contendo:

• O tamanho do vetor (função length())

• A soma do vetor (função sum())
• Se o tamanho do vetor for par:
• Retornar o primeiro elemento
• Se o tamanho do vetor for ímpar:
• Retornar o último elemento

116
Solução

> RetornaLista <- function(x){

+ tam <- length(x)
+ soma <- sum(x)
+ par <- (tam%%2 == 0)
+
+ if(par){
+ elemento <- x[1]
+ } else{
+ elemento <- x[tam]
+ }
+
+ resultado <- list(tamanho = tam,
+ soma = soma,
+ elemento = elemento)
+ return(resultado)
+ }

117
Solução

> RetornaLista(x = c(1, 3, 5, 7, 9))

$tamanho
[1] 5

$soma
[1] 25

$elemento
[1] 9

> RetornaLista(x = c(11, 3, 54, 7, 99, 22))

$tamanho
[1] 6

$soma
[1] 196

$elemento
[1] 11

118
Operadores

119
Operadores

Operadores também são funções, porém podem ser utilizadas de duas formas
diferentes:
> 2 + 2*(8/4)
[1] 6

> '+'(2, '*'(2, '/'(8, 4)))

[1] 6

> 3 > 4
[1] FALSE

> '>'(3, 4)
[1] FALSE

120
Operadores

O mesmo vale para outras funções básicas

> i <- 1
> x <- letters[1:3]
>
> 'if'(x[i] == "a", print("Sim!"), print("Não"))
[1] "Sim!"

> 'for'(i, x, print(i))

[1] "a"
[1] "b"
[1] "c"

> '['(x, 3)
[1] "c"

121
Criando operadores

Para criar um operador basta criar uma função entre percentuais ‘%funcao%’
> '%soma_mult%' <- function(x, y){
+ z <- x + y
+ result <- x*z
+ return(result)
+ }
>
> 4 %soma_mult% 6
[1] 40

> 10 %soma_mult% 2
[1] 120

122
Tipos de inputs

123
Listas e funções

As funções em R podem receber qualquer tipo de estrutura (argumentos,

caracteres, listas e até mesmo outras funções)
> ApplyFunc2List <- function(lista, funcao){
+ dimensao <- length(lista)
+ resultado <- rep(0, dimensao)
+
+ for(i in 1:dimensao){
+ resultado[i] <- funcao(lista[[i]])
+ }
+
+ return(resultado)
+ }
>
> lista <- list(a = c(1, 2, 3), b = c(4, 5, 6))
>
> ApplyFunc2List(lista = lista, funcao = function(x) x[1])
[1] 1 4

124
Argumentos default

Quando criamos uma função com diversos parâmetros é necessário definir o

valor de cada um deles…
> raiz <- function(pNum, pRaiz)
+ {
+ pNum^(1/pRaiz)
+ }
>
> raiz(pNum = 4)
Error in raiz(pNum = 4): argument "pRaiz" is missing, with no default

125
Argumentos default

Porém, nem sempre necessitamos alterar todos os parâmetros de uma função.

Nestes casos, podemos criar parâmetros padrões que só são alterados quando o
usuário solicita.
> raiz <- function(pNum, pRaiz = 2)
+ {
+ pNum^(1/pRaiz)
+ }
>
> raiz(pNum = 4)
[1] 2

126
Argumentos default

> raiz(pNum = 4)
[1] 2

> raiz(pNum = 4, pRaiz = 2)

[1] 2

> raiz(pNum = 4, pRaiz = 15)

[1] 1.096825

> raiz(pNum = 4, pRaiz = 100)

[1] 1.013959

127
O argumento ‘…’

Muitas vezes utilizamos funções secundárias para criação de uma função.

Quando o interesse não são os parâmetros da função secundária podemos
utilizar o argumento ‘...’
> SalvaBase <- function(file, ...){
+ data(cars)
+ [Link](x = cars, file = file, ...)
+ return("A base foi salva com sucesso")
+ }
>
> SalvaBase(file = "../data/[Link]",
+ sep = ";", dec = ".")
[1] "A base foi salva com sucesso"

Desta forma o código fica mais enxuto e mais flexível para o usuário.

128
Tipos de outputs

129
Tipos de outputs

Os outputs podem ser os mais variados possíveis, podendo retornar um único

resultado ou diversos (através de uma lista). Além disso, os resultados podem
ser de diferentes tipos (listas, matrizes, funções, …).
> RetornaObjetos <- function(ncol, nrow){
+ matriz <- matrix(0, ncol = ncol, nrow = nrow)
+ lista <- list(ncol = ncol, nrow = nrow)
+ funcao <- function(ncol, nrow){ncol*nrow}
+
+ return(list(matriz = matriz,
+ lista = lista,
+ funcao = funcao))
+ }

130
Tipos de outputs

> RetornaObjetos(ncol = 4, nrow = 1)

$matriz
[,1] [,2] [,3] [,4]
[1,] 0 0 0 0

$lista
$lista$ncol
[1] 4

$lista$nrow
[1] 1

$funcao
function (ncol, nrow)
{
ncol * nrow
}
<environment: 0x444fe80>

131
Mensagens de erro

132
A função warning()

A função warning() serve para auxiliar o programadr nos casos em que

ocorrem pequenos imprevistos. Esses imprevistos não param o programa,
porém é importante que o usuário tenha atenção e saiba que os resultados
subsequentes podem conter erros.
> log(-1)
Warning in log(-1): NaNs produced
[1] NaN

Uso:

> calcula_razao <- function(x, y){

+ if(y == 0){
+ warning("y = 0 -> Divisão por zero!")
+ }
+
+ return(x/y)
+ }

133
A função warning()

> calcula_razao(x = 10, y = 10)

[1] 1

> calcula_razao(x = 10, y = 5)

[1] 2

> calcula_razao(x = 10, y = 10e-10)

[1] 1e+10

> calcula_razao(x = 10, y = 0)

Warning in calcula_razao(x = 10, y = 0): y = 0 -> Divisão por zero!
[1] Inf

134
A função stop()

A função stop pode ser utilizada para tornar suas funções mais robustas e
trazer mais informações aos usuários. O objetivo desta função é parar o
processo dado algum evento e retornar uma mensagem de informação.

Exemplo:
> nchar_function <- function(char){
+ if(){
+ stop("O input deve ser um caracter")
+ }
+ return(nchar(char))
+ }
>
> nchar_function(char = "VSB")
[1] 3

> nchar_function(char = 10)

Error in nchar_function(char = 10): O input deve ser um caracter

135
Criando um log de erros

Em alguns problemas práticos erros são esperados, pois, nem sempre é possível
prever todos as possibilidades de erros. Neste caso salvar um arquivo contendo
os erros e warnings obtidos é muito útil e interessante. Podemos configurar o R
para salvar um log de erros:
> funcao_erro <- function() {
+ cat(geterrmessage(), file = "../data/[Link]",
+ append = T)
+ }
>
> options("error" = funcao_erro)
>
> 1 + "2"
Error in 1 + "2": non-numeric argument to binary operator

136
Agora é a sua vez

137
Criando uma função um pouco mais complexa

Criando uma função complexa

Crie uma função com um argumento padrão e que recebe o argumento ”...”,
essa função deve:

• Receber três vetores e montar uma matriz (cbind ou rbind)

• Caso a dimensão dos vetores seja diferente o programa deve parar
• Retornar a matriz construída
• Retornar um vetor com a soma de cada coluna

138
Solução

> RetornaSoma <- function(vet1 = rep(1, 5), vet2 = vet1,

+ vet3 = vet1,
+ ...){
+ if(!(length(vet1) == length(vet2) &
+ length(vet2) == length(vet3))){
+ stop("\n Os vetores não tem a mesma dimensão")
+ }
+ matriz <- cbind(vet1, vet2, vet3)
+ nCols <- ncol(matriz)
+ somaCols <- rep(0, nCols)
+
+ for(i in 1:nCols){
+ somaCols[i] <- sum(matriz[,i])
+ }
+
+ return(list(matriz = matriz,
+ soma = somaCols))
+ }

139
Solução

> RetornaSoma(vet1 = c(1,2,3), vet2 = c(4, 5, 6),

+ vet3 = c(7, 8, 9), sep = ";", dec = ".")
$matriz
vet1 vet2 vet3
[1,] 1 4 7
[2,] 2 5 8
[3,] 3 6 9

$soma
[1] 6 15 24

> RetornaSoma(vet1 = c(1,2,3), vet2 = c(4, 5, 6),

+ vet3 = c(7, 8), sep = ";", dec = ".")
Error in RetornaSoma(vet1 = c(1, 2, 3), vet2 = c(4, 5, 6), vet3 = c(7, :
Os vetores não tem a mesma dimensão

140
Documentação de funções

141
Documentação de funções

Para entender uma função, seus argumentos e seus outputs pode-se consultar a
documentação das funções.

Normalmente estas documentações possuem exemplos que auxiliam no

entendimento da função.
> help(merge)
>
> ?merge
>
> ??merge

Veja por exemplo a função ‘??[Link]’

142