Como o R e RStudio funciona?

• Um script automatiza a análise de dados, produzindo algo no final, geralmente uma tabela ou uma figura
• Códigos serão inseridos e salvos em um script com extensão .R (ex. 01_run-research.R)
• Como um compilado de instruções em sequência, o script irá rodar sempre da mesma forma
• O código pode ser reaproveitado em projetos futuros

Explicando a Tela do RStudio

A tela do RStudio

Passos iniciais

• uma sessão do R é inicializada com o RStudio
• na execução, código é lido de cima para baixo;
• símbolo <- ou = define objetos na sessão do R
• cada objeto possui métodos diferentes
• função são métodos aplicados a objetos, tendo entradas e uma saída

Seu primeiro Script

Digite e execute os seguintes comandos em um novo script do R:

# Isso é um comentário (não roda nada)
x <- 1
y <- "meu lindo texto em português"

# mostre o valor do x
print(x)

# apresente um gráfico
plot(1:10)

Seu segundo script

Digite os seguintes comandos em um novo script do R:

# carregue pacotes
library(datasets)

# busque tabela
df <- datasets::chickwts

# verifique dados
print(df)

# adicione nova coluna
df$nova_coluna <- paste0("Linha ", 1:nrow(df))

# salve em arquivo temporário (ou na pasta do projeto)
write.csv(df, fs::file_temp(ext = ".csv"))

Como obter ajuda

• ?função ou help(função) abre a documentação oficial de uma função (ex.: ?readr::read_csv)
• ??termo busca um termo em todos os pacotes instalados
• args(função) mostra os argumentos esperados e str(objeto) mostra a estrutura de um objeto
• View(objeto) abre um objeto em uma aba interativa do RStudio
• Ao receber um erro, leia a mensagem completa, procure o trecho da mensagem no Google/IA e teste as funções isoladamente

Tipos de objetos

No R, tudo é um objeto, e cada tipo de objeto tem suas propriedades.

# numeric
x <- 1 # unique value
x <- 1:10 # sequence
x <- c(1, 4.1, 6.5, 7) # vector
x <- c(1, 1:10, 99) # combined vector
x <- runif(100) # 100 random numbers
x <- seq(1, 10, by = 2)

# Date
my_date <- as.Date("2022-01-05")
today <- Sys.Date()

# character
y <- 'text' # simples text
y <- c('my text 1', 'my.text2') # vector of texts

# logical
l <- TRUE
l <- FALSE
l <- c(TRUE, FALSE)

# dataframe (tabela)
df <- data.frame(x = 1:10,
                 z = paste0('linha ', 1:10))

O Formato Internacional

• decimal: O decimal no R é definido pelo ponto (.), tal como em 2.5 e não vírgula, como em 2,5.

• evite caracteres latinos ao máximo. Nos textos (objeto de caracteres), é possível utilizá-los desde que a codificação do objeto esteja correta (UTF-8 ou Latin1).

formato das datas: as datas no R são formatadas de acordo com o padrão ISO 8601, seguindo o padrão YYYY-MM-DD

Introdução a pacotes

Pacotes são módulos gratuitos, desenvolvidos por outros usuários, e podem ser instalados e usados livremente em seu computador.

• O R possui hoje em torno de 24708 pacotes à disposição dos usuários

• O repositório oficial de pacotes é o CRAN (The Comprehensive R Archive Network), mas alguns pacotes estão disponíveis no Github

• Cada pacote é nada mais que um conjunto de arquivos, copiado para sua pasta local e compilado localmente conforme necessidade. No meu caso (comando .libPaths()), a pasta é: /home/msperlin/R/x86_64-pc-linux-gnu-library/4.6

• O task views é uma ótima fonte para estudar potenciais pacotes em uma determinada área de conhecimento

• DICA: é extremamente provável que o método que pretende usar em seu artigo/dissertação/tese esteja disponível em um pacote

Instalando Pacotes

• Pacotes do CRAN são instalados com comando install.packages()

# install pkg readr
install.packages('readr')

• Pacotes do Github são instalados com remotes::install_github() ou pak::pkg_install():

# install ggplot2 from github using remotes or pak
remotes::install_github("hadley/ggplot2")
# ou com pak:
# pak::pkg_install("hadley/ggplot2")

Pacote pak

Pacote pak é uma versão moderna de utils::install.packages() para a instalação de pacotes do R, que otimiza a instalação de pacotes e suas dependências.

• Baixa e compila múltiplos pacotes simultaneamente

• Resolução inteligente de dependências

• Sintaxe unificada para múltiplas fontes: Instala de diversas origens usando o mesmo comando (pak::pkg_install()): CRAN/Github/Bioconductor

• Executa o processo de build em uma sessão de R separada, evitando conflitos com pacotes já carregados na sua sessão atual.

• Dependências de sistema automáticas: No Linux, identifica e instala (ou instrui como instalar) as bibliotecas C/C++ necessárias no sistema operacional.

• Feedback visual claro: Interface mais limpa, indicando o progresso, tempo restante e o plano de resolução antes de aplicar as mudanças.

Ambientes isolados no R

No R, é possível criar ambientes isolados, com pacotes e versões específicas, para cada projeto. Isso evita conflitos de versões de pacotes entre projetos diferentes.

• Pacote renv permite criar ambientes isolados para cada projeto, com pacotes e versões específicas.

• Vantagens: conflitos de pacotes entre projetos diferentes são evitados, e é possível compartilhar o ambiente com outros usuários.

• Desvantagens: necessita da reinstalação dos pacotes a cada projeto.

Operações mais comuns e importantes

• Mudança de diretório de trabalho
  • comandos setwd()/getwd()
  • DICA: uso de PROJETOS do RStudio automatiza essa tarefa no dia-a-dia
• Limpeza de memória:
  • comando rm() limpa a memória
  • reinicialização da sessão com control + shift + f10.
  • Caso necessário, force a limpeza da memória RAM (garbage collection) com gc()
• Listar arquivos e diretórios
  • comando fs::dir_ls(PATH)
  • o R possui uma pasta temporária, a qual pode ser usada nas mais diferentes operações. Para descobrir a sua, use a função fs::path_temp(). A minha é “/tmp/Rtmp9GmbQB”
• Apagar e remover diretórios
  • diversos comandos com pacote fs.

Baixando Arquivos da Internet

• função download.file baixa arquivos da internet:

# set link
link <- 'go.microsoft.com/fwlink/?LinkID=521962'
local_file <- fs::file_temp(ext = ".xlsx")

download.file(url = link,
              destfile = local_file)

df <- readxl::read_excel(local_file)

print(df)

Interagindo com APIs

• acesse APIs da internet com jsonlite::fromJSON()
• exemplo: acesso o api do Banco Central do Brasil para importar taxas atuais de financiamento de veículos
• o operador pipe |> encadeia operações: a saída da esquerda é passada como primeiro argumento da função à direita

url <- "https://www.bcb.gov.br/api/servico/sitebcb/historicotaxajurosdiario/TodosCampos?filtro=codigoSegmento%20eq%20%271%27%20and%20codigoModalidade%20eq%20%27401101%27%20and%20InicioPeriodo%20eq%20%272023-05-09%27"

df_taxas_auto <- jsonlite::fromJSON(url)[[1]]

df_taxas_auto |>
  gt::gt()

Code completion

• ative a ferramenta code completion com a tecla tab
• Serve para facilitar o encontro de:
  • nomes de objetos;
  • nome de pacotes;
  • nome de arquivos;
  • nomes de entradas em funções.