1 / 24

Profa. Suzi camey@mat.ufrgs.br euler.mat.ufrgs.br/~camey/

R. Profa. Suzi camey@mat.ufrgs.br http://euler.mat.ufrgs.br/~camey/. Aula 02/05/08 Maiores detalhes: http://leg.ufpr.br/~paulojus/embrapa/Rembrapa/. Dados no R Entrando com dados diretamento no R Lendo dados de um arquivo texto Importando dados de outros programas

deiondre
Télécharger la présentation

Profa. Suzi camey@mat.ufrgs.br euler.mat.ufrgs.br/~camey/

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. R Profa. Suzi camey@mat.ufrgs.br http://euler.mat.ufrgs.br/~camey/

  2. Aula 02/05/08Maiores detalhes: http://leg.ufpr.br/~paulojus/embrapa/Rembrapa/ • Dados no R • Entrando com dados diretamento no R • Lendo dados de um arquivo texto • Importando dados de outros programas • Carregando dados já disponíveis no R • Acesso a planilhas e bancos de dados relacionais • Análise descritiva • Descrição univariada • Descrevendo o conjunto de dados “milsa” de Bussab & Morettin • Uma demonstração de recursos gráficos do R • Exercícios

  3. Dados no R: Entrando com dados diretamente no R • Definindo vetores: como já vimos! > a2 <- c(23, 56, 34, 23, 12, 56) > a3 <- 1:10 > a4 <- (1:10) * 10 > a5 <- rep(3, 5) > a6 <- rep(c(5, 8), 3) > a7 <- rep(c(5, 8), each = 3)

  4. Dados no R: Entrando com dados diretamente no R • Usando a função scan() y <- scan()   #1: 11   #2: 24   #3: 35   #4: 29   #5: 39   #6: 47   #7:   #Read 6 items

  5. Dados no R: Entrando com dados diretamente no R • Usando a função edit() a8 <- edit(data.frame())

  6. Dados no R: Entrando com dados diretamente no R • Corrigindo e/ou alterando dados > y[3] <- 25 > y[y >= 30] <- 30

  7. Dados no R: Lendo dados de um arquivo texto • Primeiro mudar o diretório. > ex01 <- read.table("gam01.txt") > ex02 <- read.table("exemplo02.txt", head=T) > ex03 <- read.table("dadosfic.csv", head=T, sep=":",dec=",") > read.table("http://www.mat.ufrgs.br/~camey/R/gam01.txt")

  8. Dados no R: Importando dados de outros programas • Primeiro carregar o pacote “foreign”: > require(foreign) • read.dbf() para arquivos DBASE • read.epiinfo() para arquivos .REC do Epi-Info • read.mtp() para arquivos "Minitab Portable Worksheet" • read.S() para arquivos do S-PLUS restore.data() para "dumps"do S-PLUS • read.spss() para dados do SPSS • read.systat() • read.dta() para dados do STATA • read.octave() para dados do OCTAVE (um clone do MATLAB) • Para dados do SAS há ao menos duas alternativas: • O pacote foreign disponibiliza read.xport() para ler do formato TRANSPORT do SAS e read.ssd() pode escrever dados permanentes do SAS (.ssd ou .sas7bdat) no formato TRANSPORT, se o SAS estiver disponível no seu sistema e depois usa internamente read.xport() para ler os dados no R. • O pacote Hmisc disponibiliza sas.get() que também requer o SAS no sistema.

  9. Dados no R: Carregando dados já disponíveis no R • O R disponibiliza diversos bancos de dados. • Para listá-los use os comandos: >data() >data(“pacote”) • Exemplos: > data(mtcars) > head(mtcars) > require(MASS) > data(topo) > head(topo)

  10. Dados no R: Acesso a planilhas e bancos de dados relacionais > require(RODBC) > xlscon <- odbcConnectExcel(“Siga.xls”) > dados1 <- sqlFetch(xlscon,“Plan1”) > odbcClose(xlscon) > head(dados1)

  11. Análise descritiva: Descrevendo o conjunto de dados “milsa” de Bussab & Morettin Dados: http://leg.ufpr.br/~paulojus/embrapa/Rembrapa/Rembrapase9.html#x10-530009.2 • entrar com os dados • fazer uma análise descritiva

  12. Análise descritiva: Descrevendo o conjunto de dados “milsa” de Bussab & Morettin • Criar o banco: > milsa <- edit(data.frame()) > milsa • Alterar o banco: > fix(milsa)

  13. Análise descritiva: Descrevendo o conjunto de dados “milsa” de Bussab & Morettin •  Dar nome as categorias: >milsa$civil<-factor(milsa$civil,label=c("solteiro","casado"),levels=1:2) >milsa$instrucao<-factor(milsa$instrucao,label=c("1oGrau","2oGrau","Superior"),lev=1:3,ord=T) >milsa$regiao<-factor(milsa$regiao,label=c("capital","interior","outro"),lev=c(2,1,3)) > head(milsa)

  14. Análise descritiva: Descrevendo o conjunto de dados “milsa” de Bussab & Morettin •  Criar variáveis: > milsa<-transform(milsa,idade=ano+mes/12) ou > milsa$idade<-milsa$ano+milsa$mes/12 • Para simplificar a digitação: > attach(milsa)

  15. Análise descritiva: Descrição univariada • Variável Qualitativa Nominal > civil > is.factor(civil) > civil.tb<-table(civil) > 100 * table(civil)/length(civil) > prop.table(civil.tb) > pie(table(civil)) > civil.mo<-names(civil.tb)[civil.tb == max(civil.tb)]

  16. Análise descritiva: Descrição univariada • Variável Qualitativa Ordinal > instrucao > is.factor(instrucao) > instrucao.tb <- table(instrucao) > prop.table(instrucao.tb) > barplot(instrucao.tb) > instrucao.mo<-names(instrucao.tb)[instrucao.tb==max(instrucao.tb)] > median(as.numeric(instrucao)) > levels(milsa$instrucao)[median(as.numeric(milsa$instrucao))]

  17. Análise descritiva: Descrição univariada • Variável quantitativa discreta: gráficos > filhos > is.factor(filhos) > is.numeric(filhos) > filhos.tb <- table(filhos) > filhos.tbr <- prop.table(filhos.tb) > plot(filhos.tb) > plot(filhos.tbr) > filhos.fac <- cumsum(filhos.tbr) > plot(filhos.fac, type = "S")

  18. Análise descritiva: Descrição univariada • Variável quantitativa discreta: medidas de locação > filhos.mo <- names(filhos.tb)[filhos.tb == max(filhos.tb)] > filhos.md <- median(filhos, na.rm = T) > filhos.me <- mean(filhos, na.rm = T) > filhos.me <- mean(filhos, trim = 0.1, na.rm = T) > filhos.qt <- quantile(filhos, na.rm = T) trim=0.1: elimina 10% das maiores e menores observações na.rm=T: necessário pois existem missings

  19. Análise descritiva: Descrição univariada • Variável quantitativa discreta: medidas de dispersão > range(filhos, na.rm = T) > filhos.A <- diff(range(filhos, na.rm = T)) > var(filhos, na.rm = T) > filhos.dp <- sd(filhos, na.rm = T) > filhos.cv <- 100 * filhos.dp/filhos.me > filhos.qt <- quantile(filhos, na.rm = T) > filhos.ai <- filhos.qt[4] - filhos.qt[2] > summary(filhos)

  20. Análise descritiva: Descrição univariada • Variável quantitativa Contínua: > salario > is.factor(salario) > is.numeric(salario) > range(salario) > nclass.Sturges(salario) > args(cut) > args(cut.default) > salario.tb <- table(cut(salario, seq(3.5, 23.5, l = 8))) > prop.table(salario.tb)

  21. Análise descritiva: Descrição univariada • Variável quantitativa Contínua: gráficos > hist(salario) > boxplot(salario) > stem(salario)

  22. Análise descritiva: Descrição univariada • Variável quantitativa Contínua: medidas de localização e dispersão • como no caso discreto

  23. Análise descritiva: Uma demonstração de recursos gráficos do R > demo(graphics) > file.show(system.file("demo/graphics.R",package="graphics"))  

  24. Análise descritiva: Exercícios • http://leg.ufpr.br/~paulojus/embrapa/Rembrapa/Rembrapase9.html#x10-660009.6

More Related