Oficina de R - Básico

# Oficina de R - Básico
## R-Ladies São Paulo Apresentação com respostas
### 02/02/2019

---

##Organização e realização:
<img src="img/rladies.jpeg" width="15%" style="display: block; margin: auto;" />
[R-Ladies São Paulo](https://www.meetup.com/R-Ladies-Sao-Paulo)

##Apoio:

[CONRE-3](http://www.conre3.org.br/portal/)

---
class:  center, middle
# O que é o R-Ladies?

R-Ladies é uma organização mundial que promove a diversidade de gênero na comunidade da linguagem R.
R-Ladies São Paulo integra, orgulhosamente, a organização R-Ladies Global, em São Paulo.

# Como?

Através de meetups e mentorias em um ambiente seguro e amigável.

Nosso principal objetivo é promover a linguagem computacional estatística R compartilhando conhecimento, assim, quem tiver interesse na linguagem será bem-vinda, independente do nível de conhecimento.

Fonte: [About us - R-Ladies](https://rladies.org/about-us/), [Meetup R-Ladies São Paulo](https://www.meetup.com/R-Ladies-Sao-Paulo/)

---
class:   center, middle
# Para quem?
Nosso principal público-alvo são as pessoas que se identificam com o gênero feminino, portanto, mulheres cis, mulheres trans, bem como pessoas não-binárias e queer.

# Missão

Como uma iniciativa de diversidade, a missão das R-Ladies é alcançar uma representação proporcional de pessoas de gêneros atualmente sub-representados na comunidade R, incentivando, inspirando e caacitando-as.

Fonte: [About us - R-Ladies](https://rladies.org/about-us/), [Meetup R-Ladies São Paulo](https://www.meetup.com/R-Ladies-Sao-Paulo/)

---
class: center, middle
## Como o R-Ladies começou?
<img src="img/gabriela.jpeg" width="20%" style="display: block; margin: auto;" />
**[Gabriela de Queiroz](https://github.com/gdequeiroz)** fundou o R-Ladies no dia **1 de outubro de 2012**. Ela queria retribuir à comunidade depois de ir a vários encontros e aprender muito de graça. O primeiro encontro R-Ladies foi realizado em ** San Francisco, Califórnia (Estados Unidos) **. Nos anos seguintes, mais capítulos do R-Ladies começaram em todo o mundo.

Fonte: [About us - R-Ladies](https://rladies.org/about-us/history/)

---
class:center, middle

Fonte: [R-Ladies Shiny App](https://gqueiroz.shinyapps.io/rshinylady/)  (26/01/2019)
---
class:   center, middle
# Código de conduta

O R-Ladies dedica-se a proporcionar uma experiência livre de assédio para todos. Não toleramos nenhuma forma de assédio aos participantes.

[Código de conduta - R-Ladies](https://github.com/rladies/starter-kit/wiki/Code-of-Conduct#portuguese)

---
class:  center, middle
# Como saber mais?

[Meetup](https://www.meetup.com/pt-BR/R-Ladies-Sao-Paulo)

Twitter: [@RLadiesGlobal](https://twitter.com/rladiesglobal)

Website: [https://rladies.org/](https://rladies.org/)

R-Ladies LATAM Blog (Latin America) - Em breve!

[R-Ladies - How do get involved](https://rladies.org/about-us/help/)

---
class:   center, middle

# R-Ladies São Paulo

<img src="img/1meetupsp.jpeg" width="70%" style="display: block; margin: auto;" />
**Primero Meetup R-Ladies em São Paulo - Agosto/2018**

---
class:   middle
# Cronograma de hoje

##Manhã:

- Data Science

- Introdução ao R e RStudio

- R base

##Tarde:

- Introdução ao pacote Tidyverse

- Desafios práticos

- Para aprender mais

---

# O que é Data Science?

**Data Science** ou **Ciência de Dados** é uma ciência interdisciplinar sobre o processamento de grandes conjuntos de dados usando métodos estatísticos para extrair insights sobre os dados brutos.

---

# Ciclo da Ciência de Dados
<img src="img/process.png" width="100%" style="display: block; margin: auto;" />

**Fonte:** [R For Data Science](https://r4ds.had.co.nz/introduction.html)

---
class: middle

# Ciência de Dados

**Fonte:** slide do Randy Lao na Conferência Data Science Go 2018
---
# O que é o R?

> R is a free software environment for statistical computing and graphics. (https://www.r-project.org/)

> R é um ambiente de software livre para computação estatística e gráficos.

* O R é open-source;

* Muito usado por cientistas de dados, estatísticos e pesquisadores.

<img src="img/Rlogo.png" width="40%" style="display: block; margin: auto;" />
---
# Por que usar o R?

- É uma linguagem de programação para análise de dados

- É open source

- Possui uma comunidade ativa de desenvolvedores

- É flexível, permitindo desenvolver funções e pacotes para facilitar o trabalho

- Está disponível em diferentes plataformas: Windows, Linux e Mac
---
# O que podemos fazer com o R?

* Análise de dados - Estatística, modelagem, etc.

* Visualização de dados

* Apresentações

* Relatórios dinâmicos

* Escrever livros

* Mineração de dados

* Muito mais ...
---

**Exemplo: Gráfico elaborado com R - Proposta Orçamentária PMSP 2019 - 10 maiores orçamentos**

<img src="https://beatrizmilz.github.io/DadosExecucaoOrcamentariaPMSP/proposta2019_files/figure-html/unnamed-chunk-5-1.png" width="90%" style="display: block; margin: auto;" />
Fonte: [Explorando o orçamento da Prefeitura Municipal de São Paulo](https://beatrizmilz.github.io/DadosExecucaoOrcamentariaPMSP/proposta2019.html)

---

**Exemplo: Gráfico elaborado com R - Execução Orçamentária PMSP na função Gestão Ambiental**

<img src="https://beatrizmilz.github.io/DadosExecucaoOrcamentariaPMSP/gestaoambiental_files/figure-html/unnamed-chunk-5-1.png" width="90%" style="display: block; margin: auto;" />
Fonte: [Explorando o orçamento da Prefeitura Municipal de São Paulo](https://beatrizmilz.github.io/DadosExecucaoOrcamentariaPMSP/gestaoambiental.html)

---

**Exemplo: Gráfico elaborado com R - Material Particulado 10 - Dados CETESB - RPollution;**

<img src="https://www.rpollution.com/blog/pm-em-sp_files/figure-html/unnamed-chunk-6-1.png" width="90%" style="display: block; margin: auto;" />
Fonte: [Rpollution](https://www.rpollution.com/)

---

**Exemplo: Frequencia de Palavras - TESE Doutorado PROCAM/USP Ana Lucia Spinola;**

<img src="img/ana-lu-freq.png" width="90%" style="display: block; margin: auto;" />
Fonte: [Ana Lu Spinola](https://analuspi.github.io/Text-Mining/)
---

**Exemplo: BIGRAM - TESE Doutorado PROCAM/USP Ana Lucia Spinola;**

<img src="img/bigram-ana-lu.png" width="90%" style="display: block; margin: auto;" />
Fonte: [Ana Lu Spinola](https://analuspi.github.io/Text-Mining/)

---

---

# Instalação R e R Studio

Escolha a versão para o seu sistema operacional:

- [Instalação do R](https://cloud.r-project.org)

- [Instalação do R Studio](https://www.rstudio.com/products/rstudio/download/#download)

---

# RStudio

**RStudio** é o IDE da Linguagem R, ou seja, o ambiente que utilizamos para editar e executar os códigos em R. Tem quatro áreas, conforme a figura abaixo:

---
# Projetos

> "A good project layout will ultimately make your life easier: It will help ensure the integrity of your data; It makes it simpler to share your code with someone else (a lab-mate, collaborator, or supervisor); It allows you to easily upload your code with your manuscript submission; It makes it easier to pick the project back up after a break."

> "Um bom layout de projeto facilitará sua vida: ajudará a garantir a integridade de seus dados; facilita o compartilhamento de seu código com outra pessoa (colega de laboratório, colaborador ou orientador); ele permite que você facilmente faça o upload do seu código com a submissão do seu manuscrito; torna-se mais fácil recuperar o projeto depois de um intervalo. "

Fonte: [SW Carpentry](http://swcarpentry.github.io/r-novice-gapminder/02-project-intro/index.html)

---
# Boas práticas para organizar seu projeto

> 1. **Tratar dados como somente leitura: **esse é provavelmente o objetivo mais importante da configuração de um projeto. Os dados geralmente consomem tempo e/ou são caros para coletar. Trabalhar com eles interativamente (por exemplo, no Excel), onde eles podem ser modificados, significa que você nunca tem certeza de onde os dados vieram, ou como eles foram modificados desde a coleta. Portanto, é uma boa ideia tratar seus dados como “somente leitura”.

> 2. **Qualquer coisa gerada pelos seus scripts deve ser tratada como descartável: **todos devem poder ser criados novamente a partir dos seus scripts. Existem várias maneiras diferentes de gerenciar essa saída. Acho útil ter uma pasta de saída com subdiretórios diferentes para cada análise separada. Isso fica mais fácil depois, já que muitas das análises são exploratórias e não acabam sendo usadas no projeto final, e algumas análises são compartilhadas entre os projetos.

Fonte: [SW Carpentry](http://swcarpentry.github.io/r-novice-gapminder/02-project-intro/index.html)
---

# Criando um projeto

1. Clique na opção **“File”** do menu, e então em **“New Project”**.

1.  Clique em **“New Directory”**.

1.  Clique em **“New Project”**.

1.  Escreva o nome do diretório (pasta) onde deseja manter seu projeto, ex “my_project”.

1.  Clique no botão **“Create Project”**.

OBS: Crie um novo script para escrever seus códigos!
  **File -> New File -> RScript **

---
# RStudio
<img src="img/01-rstudio.png" width="100%" style="display: block; margin: auto;" />
Fonte: [SW Carpentry](http://swcarpentry.github.io/r-novice-gapminder/01-rstudio-intro/index.html)
---
# RStudio
<img src="img/01-rstudio-script.png" width="100%" style="display: block; margin: auto;" />
Fonte: [SW Carpentry](http://swcarpentry.github.io/r-novice-gapminder/01-rstudio-intro/index.html)

---
# RStudio
<img src="img/haydee1.jpg" width="90%" style="display: block; margin: auto;" />
Fonte: [Haydee Svab](https://www.slideshare.net/mobile/haydeesvab/anlise-crtica-de-dados-primeiros-passos-com-r)

---
# RStudio
<img src="img/haydee2.jpg" width="90%" style="display: block; margin: auto;" />
Fonte: [Haydee Svab](https://www.slideshare.net/mobile/haydeesvab/anlise-crtica-de-dados-primeiros-passos-com-r)

---
# RStudio
<img src="img/haydee3.jpg" width="90%" style="display: block; margin: auto;" />
Fonte: [Haydee Svab](https://www.slideshare.net/mobile/haydeesvab/anlise-crtica-de-dados-primeiros-passos-com-r)

---
# RStudio
<img src="img/haydee4.jpg" width="90%" style="display: block; margin: auto;" />
Fonte: [Haydee Svab](https://www.slideshare.net/mobile/haydeesvab/anlise-crtica-de-dados-primeiros-passos-com-r)

---
# RStudio
<img src="img/haydee5.jpg" width="90%" style="display: block; margin: auto;" />
Fonte: [Haydee Svab](https://www.slideshare.net/mobile/haydeesvab/anlise-crtica-de-dados-primeiros-passos-com-r)

---
# RStudio
<img src="img/haydee6.jpg" width="90%" style="display: block; margin: auto;" />
Fonte: [Haydee Svab](https://www.slideshare.net/mobile/haydeesvab/anlise-crtica-de-dados-primeiros-passos-com-r)

---
# RStudio
<img src="img/haydee7.jpg" width="90%" style="display: block; margin: auto;" />
Fonte: [Haydee Svab](https://www.slideshare.net/mobile/haydeesvab/anlise-crtica-de-dados-primeiros-passos-com-r)

---
# RStudio
<img src="img/haydee8.jpg" width="90%" style="display: block; margin: auto;" />
Fonte: [Haydee Svab](https://www.slideshare.net/mobile/haydeesvab/anlise-crtica-de-dados-primeiros-passos-com-r)

---

# Help!

- Pedir ajuda: **help**(nome_da_funcao) ou **?**nome_da_funcao.

```r
help(sum)
?sum
```

- Se a dúvida permanecer, procure no Stack OverFlow, Google.
  - E se ainda tiver dúvidas, pergunte para a comunidade (há grupos no Telegram e outras redes sociais).

---

# Pacotes no R

**Pacotes** são coleções de funções, dados e documentação que estendem as capacidades do R básico.

Eles precisam ser instalados e carregados.

---

## Instalação de Pacotes:

- Via CRAN: install.packages("nome-do-pacote").

```r
install.packages("tidyverse")
```

- Via Github: devtools::install_github("nome-do-repo/nome-do-pacote").

```r
devtools::install_github("tidyverse/dplyr")
```

## Carregar pacotes:

- library(nome-do-pacote)

```r
library(tidyverse)
```

---

# Dicas sobre Pacotes

1. Você só precisa instalar o pacote uma vez, mas precisa carregá-lo sempre que começar uma nova sessão;

2. Para instalar o pacote use as aspas;

3. Para carregar o pacote, **não** utilize as aspas.
---

# Pacotes - CRAN Task View

- [CRAN Task View](https://cran.r-project.org/web/views/)

- [CRAN Task View: Analysis of Ecological and Environmental Data](https://cran.r-project.org/web/views/Environmetrics.html) - Ex: Hydrology and Oceanography, Climatology, etc.

- [CRAN Task View: Analysis of Spatial Data](https://cran.r-project.org/web/views/Spatial.html) - Ex: Ecological analysis, Geostatistics, etc.

---

# Atalhos importantes

Os atalhos facilitam. Veja os principais:

- CTRL + ENTER: roda a linha selecionada no script. 
- ALT + **-**: (<-) sinal de atribuição. 
- CTRL + SHIFT + M: (%>%) operador pipe.

---

# R como calculadora

```r
2 + 5    # adição
```

```
## [1] 7
```

```r
9 - 4    # subtração
```

```
## [1] 5
```

```r
5 * 2    # multiplicação
```

```
## [1] 10
```

```r
7 / 5    # divisão
```

```
## [1] 1.4
```

---

# R como calculadora

```r
9 %% 4   # resto da divisão de 9 por 4
```

```
## [1] 1
```

```r
7 %/% 4  # parte inteira da divisão de 4 por 3
```

```
## [1] 1
```

```r
8 ^ 2    # potenciação
```

```
## [1] 64
```

```r
sqrt(1024) # radiciação
```

```
## [1] 32
```

A ordem matemática das operações também vale no R.
---
# Funções matemáticas

```r
sin(1)  # trigonometry functions
```

```
## [1] 0.841471
```

```r
log(1)  # natural logarithm
```

```
## [1] 0
```

```r
log10(10) # base-10 logarithm
```

```
## [1] 1
```

```r
exp(0.5) # e^(1/2)
```

```
## [1] 1.648721
```

Fonte: [SW Carpentry](http://swcarpentry.github.io/r-novice-gapminder/01-rstudio-intro/index.html)
---

# Nomes de objetos e variáveis

- Os nomes devem começar com uma letra. Podem conter letras, números, _ e . 
- Recomendação do autor do livro R For Data Science: **usar_snake_case**, ou seja, palavras escritas em minúsculo separadas pelo underscore (_). 
- O R é *case sensitive*, isto é, faz a diferenciação entre as letras minúsculas e maiúsculas. Portanto, um objeto chamado *teste* é diferente de um outro objeto chamado *Teste*.

---

# Criando objetos no R

- Para atribuir um valor a um objeto no R, utilizamos o operador **<-** 
- O atalho ALT + **-** gera o operador **<-** 
- Todas as declarações R onde são criados objetos atribuindo valores a eles, tem a mesma forma:

<center>nome_do_objeto <- valor</center>

---

# Exemplos de objetos e atribuição de valores

```r
nome_empregado <- "Tom Cruise de Souza e Silva"
nome_empregado
```

```
## [1] "Tom Cruise de Souza e Silva"
```

```r
horas_trabalhadas <- 160
horas_trabalhadas
```

```
## [1] 160
```

```r
salario <- 3984.23
salario
```

```
## [1] 3984.23
```

```r
ativo <- TRUE
ativo
```

```
## [1] TRUE
```

---

# Classes Básicas ou Atômicas do R

- **Character**: texto 
- **Integer**: números inteiros 
- **Numeric**: números racionais 
- **Complex**: números complexos (raramente usados para Análise de Dados) 
- **Logical**: TRUE, FALSE ou NA 
- **Factor**: variavéis categóricas

---

# Exemplos: character

```r
"escola"
```

```
## [1] "escola"
```

```r
"2019"
```

```
## [1] "2019"
```

```r
"I love pinschers."
```

```
## [1] "I love pinschers."
```

---

# Exemplos: integer

```r
10L #Um número inteiro pode ser representado acompanhado de um L
```

```
## [1] 10
```

```r
2019L
```

```
## [1] 2019
```

---

# Exemplos: numeric

```r
10
```

```
## [1] 10
```

```r
2019
```

```
## [1] 2019
```

```r
5.44
```

```
## [1] 5.44
```

---
# Exemplos: complex

```r
4 + 9i
```

```
## [1] 4+9i
```

---

# Exemplos: logical

```r
TRUE
```

```
## [1] TRUE
```

```r
FALSE
```

```
## [1] FALSE
```

---

# Exemplos: factor

```r
escolaridade <- c("Médio", "Superior", "Fundamental", "Fundamental", "Médio")
fator <- as.factor(escolaridade)
fator
```

```
## [1] Médio       Superior    Fundamental Fundamental Médio      
## Levels: Fundamental Médio Superior
```

A função as.factor() criou um objeto do tipo factor.

Na linha *Levels* aparecem os rótulos do fator.

Essa classe de dados pode ser trabalhada com o pacote **forcats**.

---

# Função class:

A função **class** mostra a classe de um objeto.

```r
nome_filme <- "Bohemian Rhapsody"
class(nome_filme)
```

```
## [1] "character"
```

```r
ano_inteiro <- 2018L
class(ano_inteiro)
```

```
## [1] "integer"
```

```r
ano <- 2018
class(ano)
```

```
## [1] "numeric"
```

---

# Função class

```r
motor <- 1.5
class(motor)
```

```
## [1] "numeric"
```

```r
passou_enem <- TRUE
class(passou_enem)
```

```
## [1] "logical"
```
---

# Tipos de objetos:

- **Vector**: armazena elementos de mesma classe. 
- **Matrix**: vetores de duas dimensões que armazenam elementos de mesma classe. 
- **List**: tipo especial de vetor que aceita elementos de classes diferentes. 
- **Data.frame**: são tabelas de dados com linhas e colunas, como uma tabela do Excel. Como são listas, essas colunas podem ser de classes diferentes.

---

# Exemplo: Vector

A função c() cria um vetor.

```r
semestre1 <- c("janeiro", "fevereiro", "março", "abril", "maio", "junho")
notas_alunos <- c(5, 6.5, 10, 0.5, 2.75, 3, 9)
```

É possível realizar operações com vetores.

```r
vetor1 <- 1:5
vetor1 / 5 #Objeto vetor1 dividido por 5
```

```
## [1] 0.2 0.4 0.6 0.8 1.0
```

```r
vetor2 <- 6:10
vetor1 * vetor2
```

```
## [1]  6 14 24 36 50
```

---

# Exemplo: Matrix

A função matrix() cria uma matriz.

```r
primeira_matriz <- matrix(1:8, nrow = 2, ncol = 4)
primeira_matriz
```

```
##      [,1] [,2] [,3] [,4]
## [1,]    1    3    5    7
## [2,]    2    4    6    8
```

A funçăo dim() retorna a dimensăo do objeto (linha e coluna).

```r
dim(primeira_matriz)
```

```
## [1] 2 4
```

---

# Exemplo: List

A função list() cria uma lista.

```r
wizards <- list("Harry Potter", 18, TRUE, c("Hermione Granger", "Rony Weasley"))
class(wizards)
```

```
## [1] "list"
```

A função is.list() verifica se o objeto é ou não uma lista.

```r
harry_friends <- c("Hermione Granger", "Rony Weasley")
class(harry_friends)
```

```
## [1] "character"
```

```r
is.list(harry_friends)
```

```
## [1] FALSE
```

---

# Exemplo: Data.frame

A função head() mostra as primeiras 6 linhas do dataframe.

```r
df <- starwars

head(df)
```

```
## # A tibble: 6 x 13
## name height mass hair_color skin_color eye_color birth_year gender
## <chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> 
## 1 Luke… 172 77 blond fair blue 19 male 
## 2 C-3PO 167 75 <NA> gold yellow 112 <NA> 
## 3 R2-D2 96 32 <NA> white, bl… red 33 <NA> 
## 4 Dart… 202 136 none white yellow 41.9 male 
## 5 Leia… 150 49 brown light brown 19 female
## 6 Owen… 178 120 brown, gr… light blue 52 male 
## # ... with 5 more variables: homeworld <chr>, species <chr>, films <list>,
## # vehicles <list>, starships <list>
```

**Tibble** é uma releitura moderna do data.frame.

---
# Dataframes  - Tidy data

Fonte: [Data Science with R by Garrett Grolemund](http://garrettgman.github.io/tidying/)
---

# Funções úteis para trabalhar com dataframes

- tail(): mostra as últimas 6 linhas.

- names(): mostra os nomes das colunas.

- glimpse(): mostra várias informações sobre o Tibble, como o número de observações (linhas) e variáveis (colunas), o nome das colunas e o tipo delas.

---

# Conversão de classes:

Podemos forçar um objeto a ser de uma classe específica com as funções: 
- as.character() 
- as.numeric() 
- as.integer() 
- as.logical()

---

# Exemplo de conversão de classes

```r
vetor <- 0:9
vetor
```

```
##  [1] 0 1 2 3 4 5 6 7 8 9
```

```r
class(vetor)
```

```
## [1] "integer"
```

```r
vetor_numeric <- as.numeric(vetor)
vetor_numeric
```

```
##  [1] 0 1 2 3 4 5 6 7 8 9
```

```r
class(vetor_numeric)
```

```
## [1] "numeric"
```

---

# Exemplo de conversão de classes

```r
vetor_character <- as.character(vetor)
vetor_character
```

```
##  [1] "0" "1" "2" "3" "4" "5" "6" "7" "8" "9"
```

```r
class(vetor_character)
```

```
## [1] "character"
```

```r
vetor_logical <- as.logical(vetor)
vetor_logical
```

```
##  [1] FALSE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE  TRUE
```

```r
class(vetor_logical)
```

```
## [1] "logical"
```

---
## Operadores relacionais
- Igual a: **==**

Exemplos:

```r
TRUE == TRUE
```

```
## [1] TRUE
```

```r
TRUE == FALSE
```

```
## [1] FALSE
```

- Diferente de: **!=**

Exemplos:

```r
TRUE != TRUE
```

```
## [1] FALSE
```

```r
TRUE != FALSE
```

```
## [1] TRUE
```
---
## Operadores relacionais
- Maior que: **>** 
- Maior ou igual: **>=** 
- Menor que: **<** 
- Menor ou igual: **<=**

Exemplos:

```r
3 < 5
```

```
## [1] TRUE
```

```r
10 >= 10
```

```
## [1] TRUE
```

```r
10 > 10
```

```
## [1] FALSE
```

---
## Operadores Lógicos

- E: **&** -> Será verdadeiro se os dois forem TRUE

```r
x <- 5

x >= 3 & x <=7
```

```
## [1] TRUE
```

```r
y <- 2

y >= 3 & y <= 7
```

```
## [1] FALSE
```
---
## Operadores Lógicos

- OU: **|** -> Será verdadeiro se um dos dois forem TRUE

```r
y <- 2

y >= 3 | y <=7
```

```
## [1] TRUE
```

```r
y <- 1

y >= 3 | y == 0
```

```
## [1] FALSE
```
---
## Operadores Lógicos

- Negação: **!**

```r
(!x < 4)
```

```
## [1] TRUE
```

---

# NA

Uma característica importante do R que pode dificultar a comparação são os valores ausentes ou **NAs** (não disponíveis).

**NA** representa um valor desconhecido.

---

# NA

Quase qualquer operação envolvendo um valor desconhecido também será desconhecido:

```r
NA > 10
```

```
## [1] NA
```

```r
10 == NA
```

```
## [1] NA
```

```r
NA + 10
```

```
## [1] NA
```

```r
NA / 2
```

```
## [1] NA
```

---

# NA

E o mais confuso:

```r
NA == NA
```

```
## [1] NA
```

**is.na()** é a função que testa se um objeto é NA.

---

# Estrutura Condicional: IF

```r
mes <- "Novembro"

if(mes == "Novembro") {         
  print("O Natal é mês que vem!") # mostra essa mensagem.
}
```

```
## [1] "O Natal é mês que vem!"
```
---

# Estrutura Condicional: IF e ELSE

```r
mes <- "Dezembro"

if(mes == "Novembro") {  
  
  print("O Natal é mês que vem!") # mostra essa mensagem.
  
} else if(mes == "Dezembro") {
  
  print("O Natal chegou!") # mostra essa mensagem.
}
```

```
## [1] "O Natal chegou!"
```

---

# Estrutura de Repetição: FOR

Imprime os 10 primeiros nomes dos personagens da base starwars usando o laço for.

```r
df <- starwars

lista_personagens <- head(df$name, 10)

for(i in seq_along(lista_personagens)) {
  print(lista_personagens[i])
}
```

```
## [1] "Luke Skywalker"
## [1] "C-3PO"
## [1] "R2-D2"
## [1] "Darth Vader"
## [1] "Leia Organa"
## [1] "Owen Lars"
## [1] "Beru Whitesun lars"
## [1] "R5-D4"
## [1] "Biggs Darklighter"
## [1] "Obi-Wan Kenobi"
```

---

---

# O Tidyverse

É uma coleção de pacotes R projetados para a ciência de dados. Todos os pacotes compartilham uma mesma filosofia de desenvolvimento, sintaxe e estruturas de dados.

---

# Pacotes do Tidyverse

- **ggplot2**: cria gráficos 
- **dplyr**: manipulação de dados 
- **tidyr**: arruma os dados 
- **readr**: leitura dos dados 
- **purrr**: ferramentas para programação funcional, trabalha com funções e vetores 
- **tibble**: dataframes moderno, mais simples de manipular 
- **magrittr**: facilita a escrita e leitura do código 
- **stringr**: trabalha com strings 
- **forcats**: trabalha com fatores 
- **lubridate**: trabalha com datas

---

# O operador %>%, o Pipe

Imagine uma receita que tenha as instruções: junte os ingredientes, misture e leve ao forno. Na forma usual do R, essas instruções provavelmente seriam assim:

**forno(misture(junte(ingredientes)))**

Dessa forma temos que pensar “de dentro para fora”. O primeiro comando que lemos é forno, sendo que essa é a última operação que será realizada.

Com o operador pipe seria algo assim:

**ingredientes %>% junte %>% misture %>% forno**

É mais intuitivo!
  
---

# O operador %>%, o Pipe

Para ficar mais fácil: pense no Pipe %>% como um operador que efetua as operações à direita nos valores que estão à esquerda.

Ou ainda, o operador %>%  passa o que está à esquerda como argumento para a operação da direita.

**Atalho**: CTRL + SHIFT + M

---

# Importação de arquivos

Pacote **readr**: funções para ler arquivos texto
- read_csv
- read_csv2
- read_delim
- read_log
- read_rds

Pacote **readxl**: função para ler arquivo Excel  
- read_excel

Pacote **haven**: funções para ler outros softwares estatísticos

- read_sas
- read_spss
- read_stata

---

# E lá vamos nós!

---

# Instruções

- Abrir o RStudio da sua máquina

- Fazer o download do repositório: https://github.com/MaryMS/2019-02-R-Basics-R-LadiesSP

- Descompactar na pasta Documentos

- Abrir o arquivo oficina_R_basico.Rproj

- Abrir um novo R script (file -> new file -> R script)

---

# Importação de arquivos

```r
library(tidyverse)

# Uma outra opção é carregar somente o(s) pacote(s) que irá utilizar.
#library(dplyr)

# Importa o arquivo csv para o objeto df_titanic
df_titanic <- read_csv("data/titanic.csv")
```

---

# View e glimpse

- Para visualizar um objeto: **View**(nome-do-objeto)

- **glimpse()**: mostra informações como o número de observações (linhas) e variáveis (colunas), o nome das colunas, o tipo delas e os primeiros dados de cada coluna.

```r
df_titanic %>% glimpse()
```

```
## Observations: 891
## Variables: 12
## $ id_passageiro <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, ...
## $ sobreviveu <chr> "nao", "sim", "sim", "sim", "nao", "nao", "nao"...
## $ classe <int> 3, 1, 3, 1, 3, 3, 1, 3, 3, 2, 3, 1, 3, 3, 3, 2,...
## $ nome <chr> "Braund, Mr. Owen Harris", "Cumings, Mrs. John ...
## $ sexo <chr> "masculino", "feminino", "feminino", "feminino"...
## $ idade <dbl> 22, 38, 26, 35, 35, NA, 54, 2, 27, 14, 4, 58, 2...
## $ irmaos_conjuge <int> 1, 1, 0, 1, 0, 0, 0, 3, 0, 1, 1, 0, 0, 1, 0, 0,...
## $ pais_criancas <int> 0, 0, 0, 0, 0, 0, 0, 1, 2, 0, 1, 0, 0, 5, 0, 0,...
## $ passagem <chr> "A/5 21171", "PC 17599", "STON/O2. 3101282", "1...
## $ tarifa <dbl> 7.2500, 71.2833, 7.9250, 53.1000, 8.0500, 8.458...
## $ cabine <chr> NA, "C85", NA, "C123", NA, NA, "E46", NA, NA, N...
## $ embarque <chr> "Southampton", "Cherbourg", "Southampton", "Sou...
```

---

# dplyr

A ideia do pacote **dplyr** é tornar a manipulação de dados explícita utilizando verbos que indicam a ação a ser realizada.

O encadeamento dos verbos com o banco de dados é realizado com o operador **pipe**: **%>%**

O dplyr foi desenhado para trabalhar com o operator pipe **%>%** do pacote magritrr.

---

# Os 6 verbos do dplyr

- **filter**(): seleciona linhas 
- **arrange**(): ordena de acordo com uma ou mais colunas 
- **select**(): seleciona colunas 
- **mutate**(): cria/modifica colunas 
- **summarise**(): sumariza/agrega colunas 
- **group_by**(): agrupa colunas
---

# filter

Selecionar linhas da base de dados.

```r
# Seleciona os sobreviventes.
df_titanic %>% filter(sobreviveu == "sim")
```

```
## # A tibble: 342 x 12
## id_passageiro sobreviveu classe nome sexo idade irmaos_conjuge
## <int> <chr> <int> <chr> <chr> <dbl> <int>
## 1 2 sim 1 Cumi… femi… 38 1
## 2 3 sim 3 Heik… femi… 26 0
## 3 4 sim 1 Futr… femi… 35 1
## 4 9 sim 3 John… femi… 27 0
## 5 10 sim 2 Nass… femi… 14 1
## 6 11 sim 3 Sand… femi… 4 1
## 7 12 sim 1 Bonn… femi… 58 0
## 8 16 sim 2 Hewl… femi… 55 0
## 9 18 sim 2 Will… masc… NA 0
## 10 20 sim 3 Mass… femi… NA 0
## # ... with 332 more rows, and 5 more variables: pais_criancas <int>,
## # passagem <chr>, tarifa <dbl>, cabine <chr>, embarque <chr>
```

**Tibble** é uma releitura moderna do data.frame.

---

# filter

```r
# Cria um objeto e atribui a ele as linhas com os sobreviventes.
sobreviventes <- df_titanic %>% filter(sobreviveu == "sim")

# Crianças com menos de 12 anos que sobreviveram.
criancas_sobreviventes <- df_titanic %>% filter(sobreviveu == "sim" & idade < 12)

# Embarque realizado nos locais: Southampton ou Queenstow.
embarque <- df_titanic %>% filter(embarque == "Southampton" |
 embarque == "Queenstow")

# A instrução acima pode ser reescrita com o operador %in%:
embarque <- df_titanic %>% filter(embarque %in% c("Southampton", "Queenstow"))
```

---

# filter

```r
# Pessoas sem informação de local de embarque.
# is.na() - função que retorna TRUE se o valor for NA e FALSE se não for.
sem_embarque <- df_titanic %>% filter(is.na(embarque))

# Pessoas que tem "Elizabeth" em qualquer posição do campo nome.
# str_detect - função que retorna TRUE se detectou o valor dado e 
# FALSE, caso não tenha encontrado.
nome <- df_titanic %>% filter(str_detect(nome, "Elizabeth"))
```

---

# Desafio 1

1) Criar um objeto chamado passageiras que seleciona somente as passageiras.

2) Criar um objeto chamado criancas_Cherbourg que seleciona as crianças com menos de 12 anos que embarcaram na cidade de Cherbourg.

---

# Desafio 1 - Resposta

1) Criar um objeto chamado passageiras que seleciona somente as passageiras.

```r
passageiras <- df_titanic %>% filter(sexo == "feminino")
```

2) Criar um objeto chamado criancas_Cherbourg que seleciona as crianças com menos de 12 anos que embarcaram na cidade de Cherbourg.

```r
criancas_Cherbourg <- df_titanic %>% filter(idade < 12 & embarque == "Cherbourg")
```

---

# arrange

Ordenar as linhas da base de dados conforme uma ou mais variáveis.

```r
# Ordena por ordem crescente da coluna nome.
passageiros_ordenados <- df_titanic %>% arrange(nome)
passageiros_ordenados
```

```
## # A tibble: 891 x 12
## id_passageiro sobreviveu classe nome sexo idade irmaos_conjuge
## <int> <chr> <int> <chr> <chr> <dbl> <int>
## 1 846 nao 3 Abbi… masc… 42 0
## 2 747 nao 3 Abbo… masc… 16 1
## 3 280 sim 3 Abbo… femi… 35 1
## 4 309 nao 2 Abel… masc… 30 1
## 5 875 sim 2 Abel… femi… 28 1
## 6 366 nao 3 Adah… masc… 30 0
## 7 402 nao 3 Adam… masc… 26 0
## 8 41 nao 3 Ahli… femi… 40 1
## 9 856 sim 3 Aks,… femi… 18 0
## 10 208 sim 3 Albi… masc… 26 0
## # ... with 881 more rows, and 5 more variables: pais_criancas <int>,
## # passagem <chr>, tarifa <dbl>, cabine <chr>, embarque <chr>
```

---

# arrange

É possível ordenar na ordem descrescente e também por mais de uma variável.

```r
# Ordena por ordem decrescente de idade e por ordem crescente de nome.
passageiros_ordenados <- df_titanic %>% arrange(desc(idade), nome)
passageiros_ordenados
```

```
## # A tibble: 891 x 12
## id_passageiro sobreviveu classe nome sexo idade irmaos_conjuge
## <int> <chr> <int> <chr> <chr> <dbl> <int>
## 1 631 sim 1 Bark… masc… 80 0
## 2 852 nao 3 Sven… masc… 74 0
## 3 494 nao 1 Arta… masc… 71 0
## 4 97 nao 1 Gold… masc… 71 0
## 5 117 nao 3 Conn… masc… 70.5 0
## 6 746 nao 1 Cros… masc… 70 1
## 7 673 nao 2 Mitc… masc… 70 0
## 8 34 nao 2 Whea… masc… 66 0
## 9 281 nao 3 Duan… masc… 65 0
## 10 457 nao 1 Mill… masc… 65 0
## # ... with 881 more rows, and 5 more variables: pais_criancas <int>,
## # passagem <chr>, tarifa <dbl>, cabine <chr>, embarque <chr>
```

---

# filter & arrange

```r
# Filtra os sobreviventes homens e ordena por classe.
df_titanic  %>% 
  filter(sexo == "masculino" & sobreviveu == "sim") %>% 
  arrange(classe)
```

```
## # A tibble: 109 x 12
## id_passageiro sobreviveu classe nome sexo idade irmaos_conjuge
## <int> <chr> <int> <chr> <chr> <dbl> <int>
## 1 24 sim 1 Slop… masc… 28 0
## 2 56 sim 1 Wool… masc… NA 0
## 3 98 sim 1 Gree… masc… 23 0
## 4 188 sim 1 "Rom… masc… 45 0
## 5 210 sim 1 Blan… masc… 40 0
## 6 225 sim 1 Hoyt… masc… 38 1
## 7 249 sim 1 Beck… masc… 37 1
## 8 299 sim 1 Saal… masc… NA 0
## 9 306 sim 1 Alli… masc… 0.92 1
## 10 371 sim 1 Hard… masc… 25 1
## # ... with 99 more rows, and 5 more variables: pais_criancas <int>,
## # passagem <chr>, tarifa <dbl>, cabine <chr>, embarque <chr>
```

---

# Desafio 2

1) Ordenar os passageiros por ordem decrescente de classe e nomeie o objeto.

2) Ordenar somente as passageiras por ordem de idade e dê um nome para o objeto.

---

# Desafio 2 - Resposta

1) Ordenar os passageiros por ordem decrescente de classe e nomeie o objeto.

```r
passageiros <- df_titanic %>% arrange(desc(classe))
```

2) Ordenar somente as passageiras por ordem de idade e dê um nome para o objeto.

```r
mulheres <- df_titanic %>% 
 filter(sexo == "feminino") %>% 
 arrange(idade)
```

---

# select

Selecionar colunas (variáveis) da base de dados.

```r
# Seleciona as colunas indicadas.
df_titanic %>% select(nome, idade, classe, embarque)
```

```
## # A tibble: 891 x 4
## nome idade classe embarque 
## <chr> <dbl> <int> <chr> 
## 1 Braund, Mr. Owen Harris 22 3 Southampt…
## 2 Cumings, Mrs. John Bradley (Florence Briggs Th… 38 1 Cherbourg 
## 3 Heikkinen, Miss. Laina 26 3 Southampt…
## 4 Futrelle, Mrs. Jacques Heath (Lily May Peel) 35 1 Southampt…
## 5 Allen, Mr. William Henry 35 3 Southampt…
## 6 Moran, Mr. James NA 3 Queenstow 
## 7 McCarthy, Mr. Timothy J 54 1 Southampt…
## 8 Palsson, Master. Gosta Leonard 2 3 Southampt…
## 9 Johnson, Mrs. Oscar W (Elisabeth Vilhelmina Be… 27 3 Southampt…
## 10 Nasser, Mrs. Nicholas (Adele Achem) 14 2 Cherbourg 
## # ... with 881 more rows
```

---

# select

O select tem várias funções úteis, como por exemplo:

- **starts_with**("cla"): seleciona colunas que começam com "cla" 
- **ends_with**("ifa"): seleciona colunas que terminam com "ifa" 
- **contains**("ssa"): seleciona colunas que contêm "ssa"

---

# select

```r
# Seleciona as colunas que começam com "id".
df_titanic %>%  select(starts_with("id"))
```

```
## # A tibble: 891 x 2
## id_passageiro idade
## <int> <dbl>
## 1 1 22
## 2 2 38
## 3 3 26
## 4 4 35
## 5 5 35
## 6 6 NA
## 7 7 54
## 8 8 2
## 9 9 27
## 10 10 14
## # ... with 881 more rows
```

---

# select

Ao inserir o caracter **-** na frente da coluna, você estará excluindo as colunas da seleção.

```r
df_titanic %>%  select(-id_passageiro, -nome)
```

```
## # A tibble: 891 x 10
## sobreviveu classe sexo idade irmaos_conjuge pais_criancas passagem
## <chr> <int> <chr> <dbl> <int> <int> <chr> 
## 1 nao 3 masc… 22 1 0 A/5 211…
## 2 sim 1 femi… 38 1 0 PC 17599
## 3 sim 3 femi… 26 0 0 STON/O2…
## 4 sim 1 femi… 35 1 0 113803 
## 5 nao 3 masc… 35 0 0 373450 
## 6 nao 3 masc… NA 0 0 330877 
## 7 nao 1 masc… 54 0 0 17463 
## 8 nao 3 masc… 2 3 1 349909 
## 9 sim 3 femi… 27 0 2 347742 
## 10 sim 2 femi… 14 1 0 237736 
## # ... with 881 more rows, and 3 more variables: tarifa <dbl>,
## # cabine <chr>, embarque <chr>
```

---

# Desafio 3

1) Criar um objeto para salvar o resultado com as colunas nome, tarifa e classe.

2) Mostrar uma tabela com as tarifas maiores que 50 por ordem decrescente de tarifa e ordem crescente de classe. A tabela não deverá conter os campos irmaos_conjuge, pais_criancas e passagem.

---

# Desafio 3 - Resposta

1) Criar um objeto para salvar o resultado com as colunas nome, tarifa e classe.

```r
tarifa <- df_titanic %>% select(nome, tarifa, classe)
```

2) Mostrar uma tabela com as tarifas maiores que 50 por ordem decrescente de tarifa e ordem crescente de classe. A tabela não deverá conter os campos irmaos_conjuge, pais_criancas e passagem.

```r
tarifa_classe <- df_titanic %>% 
 filter(tarifa > 50) %>% 
 select(-irmaos_conjuge, -starts_with("p")) %>% 
 arrange(desc(tarifa), classe)
```

---

# mutate

Criar ou modificar colunas de uma base de dados.

Supondo que o valor da tarifa no dataset está em libras, e que 1£ = R$ 4.93, vamos descobrir qual é o valor das tarifas em reais.

```r
# Altera a coluna tarifa para o valor da tarifa em reais.
tarifa_conversao <- df_titanic %>% mutate(tarifa = tarifa * 4.93)

# Retorna a coluna tarifa para o valor da época.
tarifa_conversao <- df_titanic %>% mutate(tarifa = tarifa / 4.93)
```

---

# mutate

```r
# Cria no dataset uma nova variável chamada tarifa_reais.
tarifa_conversao <- df_titanic %>% mutate(tarifa_real = tarifa * 4.93)
tarifa_conversao
```

```
## # A tibble: 891 x 13
## id_passageiro sobreviveu classe nome sexo idade irmaos_conjuge
## <int> <chr> <int> <chr> <chr> <dbl> <int>
## 1 1 nao 3 Brau… masc… 22 1
## 2 2 sim 1 Cumi… femi… 38 1
## 3 3 sim 3 Heik… femi… 26 0
## 4 4 sim 1 Futr… femi… 35 1
## 5 5 nao 3 Alle… masc… 35 0
## 6 6 nao 3 Mora… masc… NA 0
## 7 7 nao 1 McCa… masc… 54 0
## 8 8 nao 3 Pals… masc… 2 3
## 9 9 sim 3 John… femi… 27 0
## 10 10 sim 2 Nass… femi… 14 1
## # ... with 881 more rows, and 6 more variables: pais_criancas <int>,
## # passagem <chr>, tarifa <dbl>, cabine <chr>, embarque <chr>,
## # tarifa_real <dbl>
```

---

# Desafio 4

Criar uma tabela com um novo campo que contenha a tarifa em dólar seguindo essa cotação: 1£ = $ 1.31.
Classifique por ordem decrescente de tarifa.

---

# Desafio 4 - Resposta

Criar uma tabela com um novo campo que contenha a tarifa em dólar seguindo essa cotação: 1£ = $ 1.31.
Classifique por ordem decrescente de tarifa.

```r
tarifa_conversao <- df_titanic %>% 
 mutate(tarifa_dolar = tarifa * 1.31) %>% 
 arrange(desc(tarifa))
```

---

# summarize

Sumariza colunas da base de dados, ou seja, resume os valores das colunas em um só valor,
podendo ser a média, mediana, min, max, etc.

```r
# Calcula a média da variável idade
# na.rm = TRUE remove os NAs
df_titanic %>% summarize(mean(idade, na.rm=TRUE))
```

```
## # A tibble: 1 x 1
## `mean(idade, na.rm = TRUE)`
## <dbl>
## 1 29.7
```

---

# summarize

```r
# Calcula: número de mulheres, mediana geral da tarifa e número de passageiros.
# No caso abaixo a função sum() retorna o número de mulheres. 
# A função n() mostra o número de linhas (em cada grupo) e 
# costuma ser bastante usada com o summarize.
df_titanic %>% 
  summarize(
    mulheres = sum(sexo == "feminino", na.rm = TRUE),
    mediana_tarifa = median(tarifa, na.rm = TRUE),
    num_passageiros = n()
)
```

```
## # A tibble: 1 x 3
## mulheres mediana_tarifa num_passageiros
## <int> <dbl> <int>
## 1 314 14.5 891
```

---

# summarize

```r
# Filtra os passageiros homens e calcula a mediana da tarifa.
df_titanic %>% 
  filter(sexo == "masculino") %>% 
  summarize(
    mediana_tarifa = median(tarifa, na.rm = TRUE)
)
```

```
## # A tibble: 1 x 1
## mediana_tarifa
## <dbl>
## 1 10.5
```

---

# Desafio 5

1) Calcular a média da tarifa.

2) Filtrar as passageiras mulheres e calcular a mediana da tarifa.

---

# Desafio 5 - Resposta

1) Calcular a média da tarifa.

```r
media_tarifa <- df_titanic %>% summarize(mean(tarifa, na.rm=TRUE))
```

2) Filtrar as passageiras mulheres e calcular a mediana da tarifa.

```r
mulheres_tarifa <- df_titanic %>% 
 filter(sexo == "feminino") %>% 
 summarize(
 mediana_tarifa = median(tarifa, na.rm = TRUE)
)
```

---

# group_by + summarize

Agrupa as colunas de uma base de dados.

O group_by é bastante utilizado com o summarize.

```r
# Agrupa pela variável sobreviveu e calcula
# o número de passageiros por grupo (sim/nao).
df_titanic %>% 
  group_by(sobreviveu) %>% 
  summarize(num_passageiros = n())
```

```
## # A tibble: 2 x 2
## sobreviveu num_passageiros
## <chr> <int>
## 1 nao 549
## 2 sim 342
```

---

# group_by + summarize

```r
# Agrupa pelo local de embarque e calcula a mediana da tarifa de cada grupo.
df_titanic %>% 
  group_by(embarque) %>% 
  summarize(mediana_tarifa = median(tarifa, na.rm = TRUE))
```

```
## # A tibble: 4 x 2
## embarque mediana_tarifa
## <chr> <dbl>
## 1 Cherbourg 29.7 
## 2 Queenstow 7.75
## 3 Southampton 13 
## 4 <NA> 80
```

---

# Desafios 6

1) Criar uma tabela com a quantidade de pessoas por classe.

2) Criar uma tabela com a mediana da tarifa por sexo.

---

# Desafio 6 - Resposta

1) Criar uma tabela com a quantidade de pessoas por classe.

```r
df_titanic %>% 
  group_by(classe) %>% 
  summarize(qtd_classe = n())
```

```
## # A tibble: 3 x 2
## classe qtd_classe
## <int> <int>
## 1 1 216
## 2 2 184
## 3 3 491
```

---

# Desafio 6  - Resposta

2) Criar uma tabela com a mediana da tarifa por sexo.

```r
df_titanic %>% 
  group_by(sexo) %>% 
  summarize(mediana_tarifa = median(tarifa, na.rm = TRUE))
```

```
## # A tibble: 2 x 2
## sexo mediana_tarifa
## <chr> <dbl>
## 1 feminino 23 
## 2 masculino 10.5
```

---

# Join

Com o **dplyr** também é possível fazer joins.

[Fonte: @yutannihilation](https://twitter.com/yutannihilation/status/551572539697143808)

---
# ggplot2

- É um pacote usado para visualização de dados.

- É uma implementação da Grammar of Graphics de Leland Wilkinson - um esquema geral para visualização de dados que divide gráficos em componentes semânticos como escalas e camadas.

- [Cheatsheet em português](https://www.rstudio.com/wp-content/uploads/2016/03/ggplot2-cheatsheet-portuguese.pdf)

- Material interessante: [Code Your Graph - A Workshop on Visualizing Your Data with ggplotby Alison Presmanes Hill & Julianne Myers](https://alison.rbind.io/html/jamboree_heart_ggplot.html)

---

# ggplot2 - o pacote dos gráficos

[Fonte: r-statistics.co](http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html)

---
** Exemplos passo a passo: Exemplo 1 - geom_bar **

```r
df_titanic %>% 
ggplot()
```

<img src="oficina_R_basico_respostas_files/figure-html/unnamed-chunk-98-1.png" style="display: block; margin: auto;" />
---
** Exemplos passo a passo: Exemplo 1 - geom_bar **

```r
df_titanic %>% 
ggplot(aes(x=sobreviveu))
```

<img src="oficina_R_basico_respostas_files/figure-html/unnamed-chunk-99-1.png" style="display: block; margin: auto;" />
---
** Exemplos passo a passo: Exemplo 1 - geom_bar **

```r
df_titanic %>% 
ggplot(aes(x=sobreviveu))+
geom_bar()
```

<img src="oficina_R_basico_respostas_files/figure-html/unnamed-chunk-100-1.png" style="display: block; margin: auto;" />
---
** Exemplo 1 - geom_bar **

```r
df_titanic %>% 
ggplot(aes(x=sobreviveu, fill=sexo))+
geom_bar()
```

---
** Exemplo 1 - geom_bar **

```r
df_titanic %>% 
ggplot(aes(x=sobreviveu, fill=sexo))+
geom_bar()+
  theme_bw()
```

<img src="oficina_R_basico_respostas_files/figure-html/unnamed-chunk-102-1.png" style="display: block; margin: auto;" />
---

```r
df_titanic %>% 
ggplot(aes(x=sobreviveu, fill=sexo)) +
geom_bar() +
  theme_bw() +
  labs(
    title = "Título do gráfico",
    x = "Sobreviveu", 
    y = "Contagem",
    fill = "Sexo"
  )
```

<img src="oficina_R_basico_respostas_files/figure-html/unnamed-chunk-103-1.png" style="display: block; margin: auto;" />
---

```r
df_titanic %>% 
ggplot(aes(x=sobreviveu, fill=sexo)) +
geom_bar() +
theme_bw() +
  labs(
    title = "Título do gráfico",
    x = "Sobreviveu", 
    y = "Contagem",
    fill = "Sexo") +  
  facet_wrap(~embarque)
```

<img src="oficina_R_basico_respostas_files/figure-html/unnamed-chunk-104-1.png" style="display: block; margin: auto;" />
---

** Exemplo - geom_boxplot**

```r
df_titanic %>% 
ggplot(aes(x=sexo, y=idade, fill=sexo))+
geom_boxplot()
```

<img src="oficina_R_basico_respostas_files/figure-html/unnamed-chunk-105-1.png" style="display: block; margin: auto;" />
---
** Usar dplyr + ggplot2** - Gapminder dataset

```r
library(gapminder)
head(gapminder)
```

```
## # A tibble: 6 x 6
## country continent year lifeExp pop gdpPercap
## <fct> <fct> <int> <dbl> <int> <dbl>
## 1 Afghanistan Asia 1952 28.8 8425333 779.
## 2 Afghanistan Asia 1957 30.3 9240934 821.
## 3 Afghanistan Asia 1962 32.0 10267083 853.
## 4 Afghanistan Asia 1967 34.0 11537966 836.
## 5 Afghanistan Asia 1972 36.1 13079460 740.
## 6 Afghanistan Asia 1977 38.4 14880372 786.
```

```r
#View(gapminder)
```

---
** Usar dplyr + ggplot2** - Gapminder dataset

```r
gapminder %>% 
  filter(year == 2007) %>% 
  ggplot(aes(x = lifeExp, y = gdpPercap, color = continent))+
  geom_point(show.legend = FALSE)+
  scale_y_log10()+
  facet_wrap(~continent) +
  theme_bw() 
```

---
# Futuramente: Oficina de R - Intermediário
- Funções
- RMarkdown
- Mais sobre ggplot2
- ...
---

# Para aprender mais

- [Livro R for Data Science](https://r4ds.had.co.nz) 
- [Material do Curso-R](https://www.curso-r.com/material/) 
- [Site do Tidyverse](- https://www.tidyverse.org) 
- [R-Bloggers](https://www.r-bloggers.com)

---

# Referências

- https://r4ds.had.co.nz

- https://www.curso-r.com/material/

- https://www.tidyverse.org

- http://brunaw.com/slides/rladies-sp/13-08-2018/meetup.html#1

- https://github.com/MaryMS/2018-11-R-Course-FatecZS

- https://beatrizmilz.github.io/talk/oficina_intro_r_ufabc_2018/

- https://bookdown.org/wevsena/curso_r_tce/curso_r_tce.html

- https://rstudio-pubs-static.s3.amazonaws.com/279878_c7634fb5fe9e40b7abc7c35aa724a2a0.html

- https://analisereal.com/tag/introducao-a-analise-de-dados-com-o-r-2/

- http://r-statistics.co/Top50-Ggplot2-Visualizations-MasterList-R-Code.html

A apresentação foi feita em [xaringan](https://github.com/yihui/xaringan), um pacote do R! :)

---

class: middle
<center><img src="img/if_you_want_to_go_fast_go_alone.jpg" style="width: 50%"></center>

---

# Muito obrigada!

R-Ladies São Paulo