-
Notifications
You must be signed in to change notification settings - Fork 0
/
06-tipos-dados.Rmd
564 lines (378 loc) · 18 KB
/
06-tipos-dados.Rmd
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
# Tipos básicos de dados {#datatype}
Neste capítulo vamos:
- aprender a criar vetores
- conhecer os tipos de dados mais usados no R
- descobrir qual é o tipo de dado de uma variável
- saber como converter uma variável de um tipo para outro
```{r setup, include = FALSE}
rm(list = ls())
pcks <- c("knitr")
# pcks <- c("knitr", "emo")
easypackages::libraries(pcks)
opts_chunk$set(
prompt = FALSE,
cache = FALSE,
fig.path = "images/",
comment = "#>",
collapse = TRUE
)
source("R/utils.R")
```
<!--
faltando:
fórmulas
factor
-->
## Vetores e tipos de dados {#tipos-dados}
Uma conjunto de um ou elementos formam um vetor[^vetor-escalar] (**`vector`** no idioma `r rblue`). Vetor é a estrutura básica de dados do `r rblue` e podem ser de dois tipos: **vetores atômicos** e **listas**[^listas].
[^vetor-escalar]: Diferente de outras linguagens de programação no R, um **escalar** é um vetor com um elemento. Então, vetores são o menor tipo de dados no R.
Um vetor atômico tem elementos só de um mesmo tipo de dado. Os quatro tipos básicos de vetores atômicos (tabela \@ref(tab:classes-r)) são:
- **`double`** (real)
- **`integer`** (inteiro)
- **`character`** (caracteres)
- **`logical`** (lógico)
A relação entre estes tipos de dados é mostrada na Figura \@ref(fig:data-types-rel).
[^listas]: Lista é um tipo de vetor chamado `list` que é capaz de armazenar dados de diferentes tipos (heterogêneos), o que será visto na seção \@ref(listas).
```{r classes-r, echo = FALSE, warning=FALSE, eval = TRUE}
classes_df <- tibble::tibble(
`Tipo de dados` = c("Números inteiros", "Números reais", "Caracteres", "Lógicos"),
`Classe no R` = c("integer", "double", "character", "logical"),
exemplo = list("2, 11", "0.1234, 1.23e4", '"adar"', "TRUE, FALSE")
)
knitr::kable(classes_df,
caption = "Principais tipos de dados do R.",
align = "c"
)
```
```{r data-types-rel, ref.label='data-types-rel', echo = FALSE, fig.align='center', fig.cap="Relação entre os diferentes tipos de vetores atômicos.", out.width='50%'}
knitr::include_graphics('images/6-data-types-relation.png')
```
```{block, note-vectors, type='rmdtip'}
Embora existam dois tipos de vetores o termo \"vetor\" é em geral usado para se referir ao do tipo atômico.
```
### Construindo vetores {#build-vectors}
**Vetores atômicos** são geralmente criados com a função `c()`, abreviatura para **combinar ou concatenar**. Os argumentos dessa função podem ser especificados separados por vírgula. Por exemplo, para criar um vetor com números reais chamado `vetor_dbl`, escrevemos:
```{r va-1}
(vetor_dbl <- c(-1.51, 0.33, 1.46, 2.04))
```
```{block, note-virgulas, type='rmdnote'}
A função `c()` aceita um **número variado de argumentos**, o que é representado por três pontos ou reticências (`...`) na sua documentação de ajuda (`?c`).
```
Para saber qual a classe ou tipo de uma variável podemos usar a função `class()`.
```{r va-2}
class(vetor_dbl)
```
### Números
O tipo de dados mais usado no `r rblue` é chamado *numeric*. Este tipo inclui números inteiros, decimais, positivos, negativos e zero. Um dado do tipo numérico pode ser real (`double`) ou inteiro (`integer`) (Figura \@ref(fig:data-types-rel)).
**Números inteiros**: são geralmente usados para contagem (n° habitantes, n° de palavras, quantidade de eventos de um dado fenômeno). São números sem a parte fracionária.
**Números reais**: podem ter uma parte fracionária e uma inteira. Estes resultam de medidas que podem assumir qualquer valor: 3.5 horas, 10.4 mm, 18.1 °C.
```{block, note-units, type='rmdimportant'}
Medidas são compostas de um número e uma escala. Você pode estar trabalhando com valores de população na escala de milhões de habitantes, mas o valor pode ser apenas 1.7. Para garantir consistência nos seus cálculos, em termos de unidades, é recomendado nomear sua variável com alguma referência à sua unidade de medida. Erros de unidades podem ter consequências catastróficas como o exemplo do [Caso do Orbitador Climático de Marte](https://pt.wikipedia.org/wiki/Mars_Climate_Orbiter#Resultados).
```
Como todo n° inteiro pode ser representado como real, por padrão números (ou operações envolvendo números) são definidos como **`double`** ([dupla precisão no formato de ponto flutuante](https://pt.wikipedia.org/wiki/Dupla_precis%C3%A3o_no_formato_de_ponto_flutuante)) no `r rblue`. Por exemplo o vetor `vetor_num` é numérico:
```{r nums-1}
(vetor_num <- c(-1, 0, 1, 2, NA_real_))
class(vetor_num)
```
Podemos determinar se uma variável é do tipo real ou inteiro com a função `typeof()`:
```{r nums-2}
typeof(vetor_num)
```
Para definirmos um vetor como do tipo **`integer`** é necessário usar o sufixo `L` em cada elemento numérico do vetor.
```{r nums-3}
(vetor_int <- c(1L, 6L, 10L, NA_integer_))
typeof(vetor_int)
```
Há outra forma, bem mais prática, de criar vetores de inteiros: a partir da conversão de uma variável do tipo real (`double`) usando a função `as.integer()`:
```{r}
vetor_num_fi <- as.integer(vetor_num)
typeof(vetor_num_fi)
```
Na exemplo acima nós forçamos a conversão da variável `vetor_num` do tipo real para inteiro e verificamos qual seu tipo.
```{block, note-more-num, type='rmdnote'}
Há outros tipos de dados numéricos no R, como: complexos e hexadecimais.
```
### Caractere
Um grupo de caracteres (ou *strings*), letras ou qualquer forma de texto são dados do tipo **`character`**. Eles são identificados por aspas dupla (`"`) ou simples (`'`) no início e fim de uma sequência de caracteres. Qualquer um destes delimitadores de caracteres podem ser usados para definir um dado como caractere:
```{r}
(vetor_char <- c('ae', NA_character_, "ou"))
class(vetor_char)
```
Dados do tipo caractere são usados para descrição qualitativa de uma variável, como no caso de identificadores (por exemplo: nome de pessoas, cidades, IP de computadores em uma rede, cores, etc).
O número de letras em cada elemento de um vetor do tipo **`character`** podemos determinar com `nchar()`.
```{r}
nchar(vetor_char)
```
O `r rblue` vem com alguns vetores de caracteres pré-definidos:
```{r}
# alfabeto inglês em letras minúsculas
letters
# alfabeto inglês em letras maiúsculas
LETTERS
# nomes dos meses em inglês
month.name
# abreviatura dos nomes dos meses em inglês
month.abb
```
Se você precisar incluir aspas duplas ou apóstrofe em um caractere usando os dois delimitadores juntos, como nos dois exemplos, respectivamente:
```{r char-1}
citacao <- 'Me diga o que é pior: "Desistir do que quer ou se contentar com o que nunca quis?" - Reverb Poesia.'
citacao
sentenca_apos <- "Marca d'água"
sentenca_apos
```
Se precisar usar ambos delimitadores dentro um mesmo caractere, use a barra invertida (`\`) antes do delimitador que deseja desconsiderar.
```{r char-2}
(sentenca_2aspas <- "Ele disse: \"Me sinto como um peixe fora d'água\"")
```
Note que a impressão de caracteres no console inclui a barra invertida para maior clareza. Esse padrão também ocorre com a função `print()`:
```{r}
print(sentenca_2aspas)
```
Já a função `cat()`[^cat], interpreta caracteres especiais (como a barra invertida `\` e a quebra de linha `\n`), para então dar saída na tela.
```{r}
cat(sentenca_2aspas, "\n")
```
[^cat]: Em comparação a função `print()`, a função `cat()` tem a vantagem de concatenar os dados fornecidos em seus argumentos, fazendo a coerção deles para caracteres se necessário. Isso faz dela uma função bastante útil para imprimir mensagens e avisos dentro de funções.
```{block, escape, type='rmdnote'}
Há diversos caracteres especiais com interpretação especial dentro de caracteres (strings). Eles são precedidos por uma barra invertida (*escape*). Os mais comuns são:
- `\\'` aspas simples
- `\\"` aspas duplas
- `\\n` quebra de lina ou nova linha
- `\\\\` a própria barra invertida
```
### Lógico {#logico}
Valores lógicos são um tipo de vetores atômicos extremamente úteis simples, pois só podem assumir os valores `TRUE` (verdadeiro), `FALSE` (falso) e `NA`. No `r rblue` eles são da classe de dados do tipo `logical`.
```{r chunk9}
# variável lógica
vetor_log <- c(FALSE, NA, FALSE, TRUE)
vetor_log
class(vetor_log)
```
O `r rblue` aceita as abreviaturas `T` e `F` para representar `TRUE` e `FALSE`. Entretanto, esta não é uma prática recomendável, pois `T` e `F` não fazem parte das palavras reservadas do `r rblue`. Consequentemente isso pode levar a confusão, como no exemplo abaixo.
```{r chunk12}
TRUE
T
class(T)
T <- 10
class(T)
c(T, F)
```
Vetores lógicos resultam de comparações e são amplamente usados em estruturas de controle condicional do código (como por exemplo nas funções `if()` e `ifelse()`).
## Testes sobre tipos de dados
Além função `typeof()`, a família de funções `is.{tipo_de_dados}()` também permite descobrir o tipo de dado de uma variável. Por exemplo, para testar se a variável `vetor_num` é do tipo `character`, substituímos `{tipo_de_dados}` por `character`:
```{r}
is.character(vetor_num)
```
O mesmo processo vale para `integer`, `numeric`, `double`, `logical`.
```{r}
is.integer(vetor_num)
is.numeric(vetor_num)
is.double(vetor_num)
is.logical(vetor_num)
```
Essa é uma forma de verificação mais direta do tipo de uma variável. Outra possível forma seria combinar o uso do operador relacional[^relacionais] idêntico (`==`) e a mais legível que `typeof(vetor_num) == "double"`. O operador `==` é um operador relacional para verificar se dois objetos são iguais.
[^relacionais]: Operadores relacionais será visto na seção \@ref(oper-vect).
```{block, note-isdotstar, type='rmdtip'}
O grupo de funções `is.{tipo_de_dados}()` inclui também opções para verificar se a variável tem valores:
- `NA`: `is.na()`
- `NaN`: `is.nan()`
- `Inf`: `is.infinite`
- valores finitos: `is.finite()`
```
## Conversão entre tipos de dados
Em algumas circunstâncias precisamos alterar o tipo de uma variável para o tipo que queremos. Para isso há o grupo de funções `as.{tipo_de_dados}()`, semelhante ao grupo de funções `is.{tipo_de_dados}()`. Este tipo de operação é chamada de **coerção** no `r rblue`.
<!--
COLOCAR TUDO EM UMA TABELA SÓ
-->
Então, a coerção da variável `vetor_num` para inteiro pode ser feita com:
```{r}
vetor_num
as.integer(vetor_num)
# verificação do resultado
typeof(as.integer(vetor_num))
```
Já a sua coerção para lógico
```{r}
as.logical(vetor_num)
# verificação do resultado
typeof(as.logical(vetor_num))
```
converte **0** para `FALSE` e **qualquer outro número** para `TRUE`.
A coerção da variável `vetor_log` para numérica
```{r}
vetor_log
as.numeric(vetor_log)
# verificação do resultado
typeof(as.numeric(vetor_log))
```
converte os valores `FALSE` para **0** e **TRUE** para `1`.
A coerção da variável `vetor_char` para numérica ou inteiro
```{r}
vetor_char
as.integer(vetor_char)
# verificação do resultado
typeof(as.numeric(vetor_char))
```
gera `NA`.
Como vetores atômicos podem ter dados de um único tipo, a concatenação de vetores de tipos diferentes levará a coerção automática (ou implícita) dos dados pelo `r rblue`, para o tipo mais fácil de ser convertido.
Misturando `numeric` com `character` resulta:
```{r}
(vmix_num_char <- c(vetor_num, vetor_char))
typeof(vmix_num_char)
```
Misturando `logical` com `numeric` resulta:
```{r}
(vmix_log_num <- c(vetor_log, vetor_num))
typeof(vmix_log_num)
```
Misturando `double` com `integer` resulta:
```{r}
(vmix_dbl_int <- c(vetor_dbl, vetor_int))
typeof(vmix_dbl_int)
```
Misturando `lógical` com `character` resulta:
```{r}
(vmix_log_char <- c(vetor_log, vetor_char))
typeof(vmix_log_char)
```
A hierarquia usada na coerção entre tipos de dados segue a relação:
<p style="color:DodgerBlue; font-size:1.3em; font-weight: bold;text-align:center;"> `logical < integer < numeric < character` </p>
A coerção implícita pode ser bastante útil em operações com variáveis lógicas. Para descobrirmos quantos números são positivos na variável `vetor_num`, podemos fazer:
```{r}
# vetor lógico
vetor_num > 0
sum(vetor_num > 0, na.rm = TRUE)
```
Neste exemplo, os valores lógicos obtidos com o operador `>` foram implicitamente convertidos para numéricos (`TRUE` para `1`, `FALSE` para `0`) antes de se obter a soma dos casos verdadeiros. O argumento `na.rm = TRUE` habilita a funcionalidade de realizar a soma ignorando os itens faltantes.
## Outros tipos de dados derivados
### Fator
Em alguns casos variáveis do tipo caractere possuem uma ordem implícita. Este tipo de variável é geralmente chamada de **categórica**. Então qualquer variável que pode ser ordenada ou classificada em grupos pode ser representada como `factor` no `r rblue`.
Podemos por exemplo classificar eventos de ocorrência de chuva por classe de intensidade:
```{r}
intensidade <- factor(
x = c("baixa", "moderada", "alta")
)
intensidade
```
Note que a impressão de um fator na tela é diferente da de um caractere. Ele é impresso sem as aspas e há uma segunda linha de informação sobre os níveis (*levels*) da variável `intensidade`. Um fator possui o atributo adicional: níveis. Os níveis de um fator são obtidos com a função `levels()`:
```{r}
levels(intensidade)
```
Por padrão os níveis são definidos em ordem alfabética. Então `"alta"` recebeu o índice `1`, `"baixa"` o índice `2` e `moderada` o índice `3`. Estes índices são mostrados com a função `str()` ou convertendo um fator para numérico:
```{r}
str(intensidade)
as.numeric(intensidade)
```
A função `str()` é uma abreviação para `structure` e serve para nos fornecer um resumo da estrutura dos dados.
No caso das intensidade, seria melhor que os níveis fossem ordenados como: `baixa < moderada < alta`. Nós podemos especificar um **fator ordenado** ao `r rblue`, especificando no argumento `levels`:
```{r}
intensidade_o <- factor(
x = c("baixa", "moderada", "alta"),
levels = c("baixa", "moderada", "alta"),
ordered = TRUE
)
intensidade_o
```
Fatores são úteis em alguns processos analíticos e gráficos. Para ilustrar um exemplo simples, suponha que o número de casos registrados em cada intensidade tenha sido:
```{r}
n_casos <- c(90, 30, 5)
```
Poderíamos representar graficamente estas informações. Veja abaixo a diferença na ordem do eixo x, ao usar o fator `intensidade`(ordem alfabética) e `intensidade_o` (ordenado):
```{r}
library(ggplot2)
qplot(x = intensidade, y = n_casos, geom = "col")
qplot(x = intensidade_o, y = n_casos, geom = "col")
```
Para verificar se uma variável é um **fator** e se esse fator é ordenado usamos, respectivamente:
```{r}
is.factor(intensidade)
is.ordered(intensidade)
```
A coerção para **fator** é feita pela função `as.factor`:
```{r}
(intensidade_no <- as.factor(
c("baixa", "moderada", "alta", "baixa", "baixa", "moderada")
))
```
<!--
summary(intensidade_no)
-->
### Datas e horários
Lidar com datas e horários pode ser difícil se não for usada uma estrutura de dados específica para isso. Entre as classes mais úteis para armazenar este tipo de informação, estão:
* `Date`: para combinar datas (anos, meses e dias)
* `POSIXct`: para combinar datas e horas (horas, minutos e segundos)
`Date` armazena apenas datas, enquanto `POSIXct` armazena a datas associadas com horários. Ambos dados são representados como o número de dias (**`Date`**) ou de segundos (**`POSIXct`**) decorridos desde 1 de Janeiro de 1970.
Exemplos de cada um destes tipos de dados podem ser obtidos com o `r rblue` usando as funções internas `Sys.Date()` e `Sys.time()` que informam a data e a hora atual:
```{r}
Sys.Date()
Sys.time()
```
<!-- Na saída da `Sys.time()` a última parte (`03`) refere-se ao fuso horário (3h antes do meridiano de Greenwich). -->
As datas seguem o formato padrão de representação [ISO-8601](https://pt.wikipedia.org/wiki/ISO_8601), ou seja o formato `YYYY-MM-DD` para `ano-mês-dia`, independente do local onde você mora.
Datas são criadas a partir da coerção de dados do tipo `character` para `date`:
```{r}
amd <- as.Date("2012-06-28")
amd
class(amd)
# num. de dias de 1971
as.numeric(amd)
```
Datas com horários são criados a partir da coerção de dados do tipo `character` para `POSIXct`:
```{r}
amd_hms <- as.POSIXct("2012-06-28 17:42")
amd_hms
class(amd_hms)
as.numeric(amd_hms)
```
A manipulação de dados da classe de datas com horários (`POSIXct`) torna-se mais versátil através do pacote `lubridate`, específico para manipulação de datas, o que será visto posteriormente.
O `r rblue` requer que o formato de entrada dos dados sejam especificados usando a `%` e outros códigos que são descritos no manual de ajuda da função `?strptime`. O formato padrão assumido pelo R para caracteres contendo datas com horas é `%Y-%m-%d %H:%M:%S`.
```{r format-dates, echo = FALSE, warning=FALSE}
#<a name="tab-oper-logic"></a>
cod <- c(
"%Y",
"%m",
"%d",
"%H",
"%M",
"%S"
)
sig <- c(
"ano (incluindo século)",
"mês",
"dia",
"hora",
"minuto",
"segundo"
)
interv <- c(
"1 - 9999",
"01 - 12",
"01 - 31",
"00 - 23",
"00 - 59",
"00 - 59"
)
dates_format <- data.frame(
código = cod,
Significado = sig,
Intervalo = interv,
stringsAsFactors = FALSE
)
kable(dates_format,
caption = "Códigos de formato de datas e horas.",
align = "c")
```
Há vários outros códigos adicionais, por exemplo, para usar abreviações de meses como `Jan` (`%b`), e estes códigos são listados em `?strptime`.
Para extrair informações de uma data, como por exemplo o ano, podemos usar a função `format()` passando o código de formato ao argumento `format`.
```{r}
format(x = Sys.Date(), format = "%Y")
```
O argumento format também pode ser especificado nas funções `as.Date()` e `as.POSIXct()`, assim provendo grande versatilidade para ler datas em diferentes formatos. No exemplo a seguir, vamos converter um caractere com as informações de data com horário armazenadas na ordem dia, mês, ano, hora, minuto e segundo, sem nenhum delimitador.
```{r}
as.POSIXct(
x = "prec010120001942.grib",
tz = "UTC",
format = "prec%d%m%Y%H%M.grib"
)
```