Capítulo 9 Leitura de dados

O R é uma linguagem poderosa para análise de dados e oferece diversas funções para importar dados de diferentes formatos. Independentemente do formato, o processo básico de leitura de dados em R segue alguns passos comuns:

Especificar o caminho do ficheiro: Onde o ficheiro está localizado.
Indicar as características do ficheiro: Como delimitador, presença de cabeçalhos, tipos de dados, etc.
Ler os dados e armazená-los num objeto: Geralmente um data frame para fácil manipulação e análise.

9.1 Leitura de Dados da Entrada do Utilizador

A função scan() é usada para ler dados da entrada padrão (teclado) ou de um ficheiro, e devolve um vetor. Um uso comum de scan() é para entrada de dados manual:

# Solicita ao utilizador para introduzir números
numeros <- scan()

Após escrever scan(), o utilizador pode inserir uma série de números separados por espaços e pressionar Enter para concluir a entrada.

9.2 Diretório de trabalho

O diretório de trabalho (working directory) em R é o local padrão onde o R lê e grava ficheiros. Quando importa dados ou guarda resultados, o R utiliza o diretório de trabalho como ponto de referência. Ter um diretório de trabalho configurado corretamente é essencial para facilitar o acesso a ficheiros de dados e gravação de saídas.

Funções Principais para Manipulação de Diretório

getwd(): Retorna o caminho do diretório atual de trabalho.
setwd("caminho/do/diretorio"): Define o diretório de trabalho para o caminho especificado.

Para verificar o diretório de trabalho atual, utilize getwd():

getwd()

A saída pode ser semelhante a esta, dependendo do seu sistema operativo:

# Exemplo de saída no Windows
## [1] "C:/Users/Utilizador/Documents"

# Exemplo de saída no Mac
## [1] "/Users/Utilizador/Documents"

Para alterar o diretório de trabalho para uma pasta específica, use setwd():

# Define o diretório de trabalho para "C:/Users/Utilizador/Documents/ProjetosR"
setwd("C:/Users/Utilizador/Documents/ProjetosR")

# Verifica se o diretório de trabalho foi alterado
print(getwd())
## [1] "C:/Users/Utilizador/Documents/ProjetosR"

Ao definir corretamente o diretório de trabalho, pode importar ficheiros diretamente sem precisar especificar o caminho completo. Por exemplo, se o ficheiro dados.csv estiver no diretório de trabalho, pode lê-lo facilmente:

# Lê o ficheiro "dados.csv" no diretório de trabalho atual
dados <- read.csv("dados.csv")

# Exibe as primeiras linhas do conjunto de dados
head(dados)

9.3 A Função `read.table()`

A função read.table() é uma das mais versáteis em R para a leitura de ficheiros de texto em formato tabular. Ela permite importar dados de ficheiros de texto e configurá-los de acordo com suas características. Faça o download do ficheiro dados.txt em link para praticar.

# Leitura de ficheiro txt com read.table()
dados <- read.table(file = "dados.txt", header = TRUE, sep = "")
print(dados)

Argumentos Comuns de read.table()

file: Especifica o nome do ficheiro ou o caminho do ficheiro para leitura.
header: Indica se a primeira linha do ficheiro contém os nomes das colunas. Se header = TRUE, a primeira linha é considerada como cabeçalho.
sep: Define o caractere separador entre os campos. O padrão é uma vírgula (,), mas pode ser especificado para outros caracteres, como espaço (““), ponto e vírgula (;), etc.
dec: Define o caractere utilizado para separar a parte inteira da parte decimal dos números. Por exemplo, pode ser ponto (.) ou vírgula (,).
nrows: Especifica o número máximo de linhas a serem lidas do ficheiro, útil para ler apenas uma parte do ficheiro.
na.strings: Define quais valores no ficheiro devem ser interpretados como NA (valores ausentes), como “NA”, “N/A”, etc.
skip: Indica o número de linhas a serem ignoradas no início do ficheiro antes de começar a leitura.
comment.char: Define o caractere usado para denotar comentários no ficheiro. Linhas que começam com este caractere serão ignoradas.

Para ver todas as opções disponíveis na função read.table(), pode usar:

args(read.table)

## function (file, header = FALSE, sep = "", quote = "\"'", dec = ".", 
##     numerals = c("allow.loss", "warn.loss", "no.loss"), row.names, 
##     col.names, as.is = !stringsAsFactors, tryLogical = TRUE, 
##     na.strings = "NA", colClasses = NA, nrows = -1, skip = 0, 
##     check.names = TRUE, fill = !blank.lines.skip, strip.white = FALSE, 
##     blank.lines.skip = TRUE, comment.char = "#", allowEscapes = FALSE, 
##     flush = FALSE, stringsAsFactors = FALSE, fileEncoding = "", 
##     encoding = "unknown", text, skipNul = FALSE) 
## NULL

Se o ficheiro for um CSV (valores separados por vírgula), pode utilizar read.table() com o argumento sep apropriado:

dados_csv <- read.table("dados.csv", header = TRUE, sep = ",")

9.4 A função `read.csv()`

A função read.csv() está otimizada para a leitura de ficheiros CSV (Comma-Separated Values), que são ficheiros de texto onde cada linha representa um registo e os valores são separados por vírgulas. A principal diferença entre read.csv() e read.table() é que o separador padrão em read.csv() é uma vírgula.

# Leitura de ficheiro CSV com read.csv
dados_csv <- read.csv("dados.csv", header = TRUE)

Aqui, o argumento header = TRUE indica que a primeira linha do ficheiro contém os nomes das colunas. Outros argumentos são semelhantes aos de read.table().

9.5 A função `read.csv2()`

A função read.csv2() é semelhante à read.csv(), mas é projetada para lidar com ficheiros CSV onde o separador padrão é um ponto e vírgula (;) e o separador decimal é uma vírgula (,). Este formato é comum em alguns países europeus.

# Leitura de CSV com separador ponto e vírgula
dados_csv2 <- read.csv2("dados.csv2", header = TRUE)

9.6 A Função `read_excel()`

Para ler ficheiros Excel (.xls e .xlsx), usamos a função read_excel() do pacote readxl. Este pacote precisa ser instalado e carregado antes da sua utilização.

library(readxl)

# Sintaxe básica
read_excel(path, sheet = NULL, range = NULL, col_names = TRUE,
           col_types = NULL, na = "", trim_ws = TRUE, skip = 0, n_max = Inf,
           guess_max = min(1000, n_max), progress = readxl_progress())

Principais Parâmetros de read_excel()

path: O caminho do ficheiro Excel a ser lido. Este é um argumento obrigatório e pode ser um caminho local ou uma URL.
sheet: O nome ou o índice da aba (folha) do Excel a ser lida. Se não for especificado, a função irá ler a primeira folha.
range: Um intervalo específico a ser lido, como “A1:D10”. Se NULL (padrão), a função lê toda a folha.
col_names: Um argumento lógico (TRUE ou FALSE) que indica se a primeira linha da folha deve ser usada como nomes das colunas no data frame. O padrão é TRUE.
col_types: Um vetor de tipos de colunas que podem ser "blank", "numeric", "date", "text", ou "guess". O padrão é NULL, o que permite que a função adivinhe os tipos de coluna automaticamente.
na: Um vetor de strings que devem ser interpretadas como valores ausentes (NA). O padrão é string vazia (““).
trim_ws: Um argumento lógico (TRUE ou FALSE) que indica se os espaços em branco devem ser removidos do início e do fim dos valores de texto. O padrão é TRUE.
skip: Número de linhas a serem ignoradas antes de começar a leitura. O padrão é 0.
n_max: Número máximo de linhas a serem lidas. O padrão é Inf, o que significa que todas as linhas são lidas.

Exemplo de Utilização: Vamos considerar um exemplo em que temos um ficheiro Excel chamado "dados_instagram.xlsx". Este ficheiro pode ser descarregado aqui. Vamos ler a primeira folha (Sheet1):

dados <- read_excel(path = "instagram.xlsx",
                    sheet = "Sheet1",
                    col_names = TRUE)

9.7 Leitura de Dados Online

O R também permite ler dados diretamente de URLs. Pode usar funções como read.table(), read.csv(), ou read_excel() (dependendo do formato do ficheiro) para importar dados diretamente de um link online.

# Leitura de dados online com read.table
url <- "https://example.com/data.csv"
dados_online <- read.table(url, header = TRUE, sep = ",")

Neste exemplo, url contém o endereço do ficheiro CSV na web, e read.table() é usado para importar o conteúdo como um data frame.

9.8 Exercícios

1. Faça a leitura do ficheiro dados_instagram aqui e responda às perguntas abaixo (lembre de instalar o pacote readxl):

Exiba as primeiras 6 linhas do dataset:
Construa uma tabela de frequência: Crie um data frame que contenha a tabela de frequência de cada variável no conjunto de dados.

# --------------------
# Indice de influência
# ---------------------

# Calcular o número de classes usando a Regra de Sturges
n <- length(dados_instagram$indice_influencia)  # Número de observações
k <- ceiling(1 + 3.322 * log10(n))   # Número de classes arredondado para cima

# Definir os limites das classes
min_val <- min(dados_instagram$indice_influencia)
max_val <- max(dados_instagram$indice_influencia)
intervalos <- seq(min_val, max_val, length.out = k + 1)  # Criação dos intervalos de classe

# Criar a tabela de frequências
tabela_frequencia_if <- cut(dados_instagram$indice_influencia, breaks = intervalos, include.lowest = TRUE)
tabela_frequencia_if <- table(tabela_frequencia_if)

# Converter a tabela em um data frame para visualização mais organizada
tabela_frequencia_if_df <- as.data.frame(tabela_frequencia_if)
names(tabela_frequencia_if_df) <- c("Intervalo", "Frequencia")
tabela_frequencia_if_df

# Frequência relativa
tabela_frequencia_if_df$Freq_Relativa <- round(tabela_frequencia_if_df$Frequencia/length(dados_instagram$indice_influencia), digits = 3)

# Frequência absoluta acumulada
tabela_frequencia_if_df$Freq_Abs_Acum <- cumsum(tabela_frequencia_if_df$Frequencia)

# Frequência relativa acumulada
tabela_frequencia_if_df$Freq_Rela_Acum <- cumsum(tabela_frequencia_if_df$Freq_Relativa)

Visualização gráfica: Crie representações gráficas adequadas para cada variável. Considere o uso de histogramas, gráficos de barras, boxplots…, conforme o tipo de variável.
Cálculo de medidas descritivas: Determine as principais medidas descritivas para cada variável, incluindo média, mediana, variância, desvio padrão, coeficiente de variação, primeiro e terceiro quartis (\(Q_1\) e \(Q_3\)), amplitude e amplitude interquartil. Indique quando essas medidas não forem aplicáveis.
Calcule a média e a mediana do “índice de influência” para cada género. Comente sobre as diferenças entre os géneros e discuta se os resultados podem sugerir tendências distintas de influência entre eles.
Calcule a média e a mediana da “média de likes” para cada género. Avalie se há diferenças significativas entre os géneros nesta métrica e discuta possíveis implicações.
Comparação de dispersão entre variáveis: Compare a dispersão das variáveis “índice de influência” e “número de publicações” utilizando medidas como variância e desvio padrão. Justifique qual das variáveis apresenta maior dispersão e interprete o que isso pode indicar sobre os dados.
Análise de percentis para “número de seguidores”: Identifique os percentis de 10%, 25%, 75% e 90% para a variável “número de seguidores”. Comente sobre como esses percentis podem ser usados para categorizar influenciadores com diferentes níveis de popularidade na plataforma.
Identificação de outliers: Investigue a presença de outliers nas variáveis “número de publicações”, “número de seguidores” e “média de likes”.
Correlação entre “índice de influência” e “média de likes”: Calcule a correlação entre as variáveis “índice de influência” e “média de likes”. Comente sobre a relação entre essas duas variáveis, discutindo se um alto índice de influência tende a estar associado a uma média maior de curtidas.

2. Importe o ficheiro dataset.csv aqui no R e salve-o como um data frame. Em seguida:

Exiba as primeiras 6 linhas do dataset.
Escolha uma variável categórica no dataset crie uma tabela de frequência para essa variável. Visualize a distribuição da variável usando um gráfico de barras.
Para cada variável numérica no dataset, crie as seguintes visualizações:

Histogramas para observar a distribuição das variáveis.
Boxplots para identificar a presença de outliers e a dispersão dos dados.

Calcule as principais medidas descritivas para uma variável numérica à sua escolha. Inclua: Média, mediana, variância, desvio padrão, coeficiente de variação, quartis (\(Q_1\) e \(Q_3\)), amplitude e amplitude interquartil.
Selecione uma variável numérica e uma variável categórica (por exemplo, comparar uma variável numérica entre diferentes categorias de uma variável categórica). Especificamente:

Calcule a média e a mediana da variável numérica para cada grupo da variável categórica.
Use boxplots para comparar visualmente as distribuições entre os grupos.

Capítulo 9 Leitura de dados

9.1 Leitura de Dados da Entrada do Utilizador

9.2 Diretório de trabalho

9.3 A Função read.table()

9.4 A função read.csv()

9.5 A função read.csv2()

9.6 A Função read_excel()