Walkthrough — Manuseio de dados com o tidyverse

Aula 04 · Introdução à Linguagem R

Este documento é o aula-04.R executado, com as saídas à vista. Use-o para conferir se o que apareceu no seu console é o que deveria aparecer.

O arquivo de entrada é o anuros_altitude.csv; a descrição de cada coluna está nos metadados.

library(dplyr)
library(tidyr)

Ler e olhar

bruto <- read.csv(here::here("dados", "anuros_altitude.csv"))
dim(bruto)

[1] 225  26

names(bruto)

 [1] "ID"                       "Species"                 
 [3] "Sex"                      "EWL_Ugcm2s1"             
 [5] "WU_Ugcm2s1"               "perc_hidration_after_EWL"
 [7] "Bodymass_g"               "CTmin"                   
 [9] "CTmax"                    "Tbr"                     
[11] "WT"                       "Mountain_Range"          
[13] "Altitude_m"               "Altitude_categorical"    
[15] "Lat"                      "Lon"                     
[17] "BIO_1"                    "BIO_2"                   
[19] "BIO_5"                    "BIO_6"                   
[21] "BIO_7"                    "BIO_12"                  
[23] "BIO_13"                   "BIO_14"                  
[25] "PET_min_mes_seco"         "PET_max_mes_umido"

Vinte e seis colunas, e os nomes carregam a unidade: EWL_Ugcm2s1, Bodymass_g, Altitude_m. Isso é bom para quem lê o arquivo solto e ruim para quem digita — vamos mover a unidade para o comentário e encurtar o nome.

Renomear

anuros <- bruto %>%
  rename(
    id        = ID,
    especie   = Species,
    sexo      = Sex,
    ewl       = EWL_Ugcm2s1,     # µg H2O / cm2 / s
    wu        = WU_Ugcm2s1,      # µg H2O / cm2 / s
    massa     = Bodymass_g,      # g
    ctmin     = CTmin,           # °C
    ctmax     = CTmax,           # °C
    amplitude = Tbr,             # °C  (derivada: ctmax - ctmin)
    tol_aquec = WT,              # °C  (derivada: ctmax - BIO_5)
    serra     = Mountain_Range,
    altitude  = Altitude_m       # m
  )

A unidade não sumiu — ela mudou de lugar

Tirar _g do nome só é aceitável porque a unidade está registrada em dois lugares: no comentário ao lado e no arquivo de metadados. Encurtar nome sem fazer isso é perder informação.

Selecionar

anuros <- anuros %>%
  select(id, especie, sexo, serra, altitude,
         massa, ewl, wu, ctmin, ctmax, amplitude, tol_aquec,
         bio5 = BIO_5, bio6 = BIO_6)
names(anuros)

 [1] "id"        "especie"   "sexo"      "serra"     "altitude"  "massa"    
 [7] "ewl"       "wu"        "ctmin"     "ctmax"     "amplitude" "tol_aquec"
[13] "bio5"      "bio6"

select() renomeia também (bio5 = BIO_5), o que evita um rename() a mais.

Tipos

anuros <- anuros %>%
  mutate(
    especie   = factor(especie),
    serra     = factor(serra),
    sexo      = factor(sexo),
    alt_fator = factor(altitude, levels = sort(unique(altitude)))
  )
str(anuros)

'data.frame':   225 obs. of  15 variables:
 $ id       : chr  "RPB 41" "RPB 42" "RPB 69" "RPB 114" ...
 $ especie  : Factor w/ 5 levels "Boana faber",..: 5 5 5 5 5 5 5 5 5 5 ...
 $ sexo     : Factor w/ 2 levels "Female","Male": 2 2 NA 2 2 2 1 NA NA NA ...
 $ serra    : Factor w/ 2 levels "Serra da Mantiqueira",..: 2 2 2 2 2 2 2 2 2 2 ...
 $ altitude : int  820 820 820 820 820 820 820 1022 1022 1022 ...
 $ massa    : num  218.9 233.1 63.6 85 207.2 ...
 $ ewl      : num  1.97 2.08 2.77 1.52 1.45 ...
 $ wu       : num  93.1 55.3 54 78 77.7 ...
 $ ctmin    : num  3.4 4.2 3.2 1.8 2 2.8 4 2.8 3.4 1.3 ...
 $ ctmax    : num  39.5 39.3 40.6 39 39.6 38.8 NA 39.1 39.1 39 ...
 $ amplitude: num  36.1 35.1 37.4 37.2 37.6 36 NA 36.3 35.7 37.7 ...
 $ tol_aquec: num  14.2 14 15.3 13.7 14.3 ...
 $ bio5     : num  25.3 25.3 25.3 25.3 25.3 ...
 $ bio6     : num  7.2 7.2 7.2 7.2 7.2 ...
 $ alt_fator: Factor w/ 6 levels "35","550","820",..: 3 3 3 3 3 3 3 4 4 4 ...

Repare em alt_fator: altitude é um número, mas nesta amostra ela assume seis valores, que são seis sítios. Dependendo da pergunta, ela funciona como número (uma reta ao longo do gradiente) ou como fator (seis grupos). Guardar as duas versões evita ter que decidir agora.

Recalcular as derivadas

anuros <- anuros %>%
  mutate(amplitude = ctmax - ctmin,
         tol_aquec = ctmax - bio5)

O arquivo já trazia Tbr e WT prontos. Recalculamos assim mesmo — não por desconfiança do autor, mas porque agora a definição de cada uma está escrita no código, e não só num arquivo de metadados que o leitor pode não abrir.

all.equal(anuros$amplitude, bruto$Tbr)

[1] "Mean relative difference: 6.843391e-05"

all.equal(anuros$tol_aquec, bruto$WT)

[1] TRUE

A amplitude bate exatamente. A tolerância ao aquecimento devolve uma diferença relativa de cerca de 7 × 10⁻⁵ — em valores da ordem de 10 °C, isso é menos de 0,001 °C. Não é discordância: é o arredondamento com que a coluna pronta foi gravada no arquivo original.

all.equal(), não ==

== compara bit a bit e diz FALSE para dois números que diferem na décima quinta casa decimal — o que acontece o tempo todo em ponto flutuante. all.equal() compara com tolerância e, quando discorda, diz de quanto.

Filtrar

anuros %>% filter(especie == "Boana faber") %>% nrow()

[1] 46

anuros %>% filter(altitude >= 1000, !is.na(ctmax)) %>% nrow()

[1] 106

anuros %>% filter(is.na(sexo)) %>% nrow()

[1] 107

Cento e sete indivíduos sem sexo registrado, de 225. Não é erro de digitação: sexar anuro juvenil ou preservado nem sempre é possível. Mas é uma variável que você não vai conseguir usar como preditora.

split-apply-combine

resumo <- anuros %>%
  group_by(especie, alt_fator) %>%
  summarise(
    n         = n(),
    ctmax_med = round(mean(ctmax, na.rm = TRUE), 2),
    ctmax_dp  = round(sd(ctmax,   na.rm = TRUE), 2),
    ewl_med   = round(mean(ewl,   na.rm = TRUE), 3),
    .groups = "drop"
  )
resumo

especie	alt_fator	n	ctmax_med	ctmax_dp	ewl_med
Boana faber	35	12	38.41	0.54	1.344
Boana faber	550	3	37.53	1.55	1.410
Boana faber	820	10	39.10	0.80	1.524
Boana faber	1022	10	38.28	0.49	1.109
Boana faber	1600	11	38.27	0.63	1.218
Dendropsophus minutus	35	15	33.43	1.50	1.674
Dendropsophus minutus	820	10	33.84	1.72	2.080
Dendropsophus minutus	1022	12	33.92	0.81	1.816
Dendropsophus minutus	1500	12	31.16	2.49	1.779
Dendropsophus minutus	1600	10	32.80	1.38	2.010
Leptodactylus latrans	35	12	39.10	0.61	1.879
Leptodactylus latrans	1022	8	38.69	0.53	1.808
Leptodactylus latrans	1600	11	38.49	0.58	1.599
Physalaemus cuvieri	550	4	36.25	0.65	2.934
Physalaemus cuvieri	820	9	34.65	2.76	2.698
Physalaemus cuvieri	1022	14	35.72	0.98	2.680
Physalaemus cuvieri	1600	12	34.40	0.81	2.469
Rhinella icterica	550	11	38.95	0.78	1.972
Rhinella icterica	820	7	39.47	0.63	1.874
Rhinella icterica	1022	10	38.86	0.30	1.659
Rhinella icterica	1500	11	38.33	0.66	1.502
Rhinella icterica	1600	11	38.51	0.56	1.398

.groups = "drop"

Sem ele, o resultado sai ainda agrupado por especie, e a próxima operação que você fizer age dentro de cada espécie sem avisar. É a fonte silenciosa de resultado errado mais comum do dplyr.

O desenho amostral, em uma linha

anuros %>% count(serra, altitude)

serra	altitude	n
Serra da Mantiqueira	550	18
Serra da Mantiqueira	1600	55
Serra do Mar	35	39
Serra do Mar	820	36
Serra do Mar	1022	54
Serra do Mar	1500	23

Leia essa tabela com atenção: cada altitude aparece em uma serra só.

Altitude	Serra
35, 820, 1022, 1500 m	Serra do Mar
550, 1600 m	Serra da Mantiqueira

Altitude e serra não estão cruzadas. Isso não é defeito do arquivo — é como a coleta foi feita, e vai determinar quais modelos são possíveis na aula 06. Guarde.

Gravar

dir.create("dados/processados", showWarnings = FALSE, recursive = TRUE)
write.csv(anuros, "dados/processados/anuros_limpo.csv", row.names = FALSE)

Duas regras que valem para sempre:

O dado bruto nunca é sobrescrito. Ele fica em dados/, somente leitura, exatamente como veio da fonte.
O dado processado é descartável. Ele vive em dados/processados/, que entra no .gitignore — porque o script que o gera está versionado, e isso basta para reconstruí-lo.

Exercício

Quantas espécies ocorrem em ambas as serras? Responda com dplyr, não contando na tabela.
Monte um resumo de ewl por serra e sexo. O que acontece com a linha dos NA de sexo, e o que você faz com ela?
amplitude tem 35 valores faltantes, os mesmos de ctmax. Mostre com código que são de fato os mesmos indivíduos.