library(tidyverse)
library(metafor)
library(gsheet)
library(remotes)Pacotes no R
Pacotes no R
Um pacote é como uma coleção de funções, dados e arquivos de ajuda agrupados em uma estrutura padrão bem definida que pode ser baixada e instalada em R. Então, pode-se dizer que os pacotes são códigos uteis e instaláveis que permitem estender os recursos do R para realizar as funções desejadas. Esses pacotes são compartilhados e podem ser baixados de várias fontes, sendo as mais populares o CRAN, Bioconductor e o GitHub. CRAN – é o repositório oficial do R para pacotes montados por usuários. Bioconductor – fornece software de código aberto orientado para bioinformática. GitHub – é um site que hospeda repositórios git para todos os tipos de software e projetos (não apenas R). É onde as versões de desenvolvimento de ponta dos pacotes R são hospedadas
Os pacotes necessários para rodar análises no R depende do objetivo do trabalho a ser realizado, mas alguns pacotes são básicos e essenciais para a maioria das análises, como: Tidyverse, dplyr, readxl, ggplot, etc. Nas próximas aulas, aprofundaremos um pouco mais sobre esses pacotes.
Instalação e carregamento pacotes
A instalação e o carregamento de pacotes pode ser feito pelo menu ou então com um comando no console. O fluxo básico pode ser conferido neste link. A instalação é feita através do menu: tools > install packages, indo em packages > install e digitando o nome do pacote para baixar ou usando a função instal.packages(nome do pacote) no console. Para o carregamento de pacotes, a função utilizada é library(nome do pacote). O carregamento pode ser feito tanto pelo library, anotando entre parênteses o nome do pacote, quanto separando os programas por vírgula dentro do mesmo parêntese. Muitas vezes, durante o carregamento de pacotes, usamos as hashtags (#) seguidas por / warning: false e / message: false para desativar a exibição de avisos (warnings) e mensagens durante a execução do código, já que muitos pacotes exibem mensagens e avisos grandes após o carregamento que poluem o arquivo.
Funções de pacotes:
As funções de pacotes são variadas e serão apresentadas de forma mais aprofundada na próxima aula (Dataframe). Enquanto isso, veremos rapidamente como invocar uma função de um pacote, mais especificamente a função arrange, do pacote dplyr. Para isso, utilizaremos o conjunto de dados mtcars, um conjunto de dados incorporado no R. “arrange()” é uma função do pacote dplyr que permite ordenar os dados com base em uma ou mais variáveis. Nesse caso, a função “arrange()” está sendo aplicada ao conjunto de dados “mtcars”, e a variável “cyl” está sendo especificada como a variável de ordenação. Isso significa que os dados serão reorganizados de forma ascendente com base na variável “cyl”). Nas linhas seguintes, os comandos utilizados referem-se a busca de uma planilha especifica do google sheet e a instalação de um pacote “r4pde” diretamente do repositório GitHub do uduário Emerson Del Ponte. O sinal de igual é utilizado para atribuição, que pode ser substituido por <-. A função head() retorna as primeiras linhas de um objeto de dados ou de um conjunto de dados, nesse caso, foi utilizado para retornar as primeiras linhas do conjunto mtcars.
mtcars mpg cyl disp hp drat wt qsec vs am gear carb
Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4
Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4
Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1
Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1
Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2
Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1
Duster 360 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4
Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2
Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2
Merc 280 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4
Merc 280C 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4
Merc 450SE 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3
Merc 450SL 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3
Merc 450SLC 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3
Cadillac Fleetwood 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3 4
Lincoln Continental 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3 4
Chrysler Imperial 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3 4
Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1
Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2
Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1
Toyota Corona 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1
Dodge Challenger 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3 2
AMC Javelin 15.2 8 304.0 150 3.15 3.435 17.30 0 0 3 2
Camaro Z28 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3 4
Pontiac Firebird 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3 2
Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1
Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2
Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5 2
Ford Pantera L 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5 4
Ferrari Dino 19.7 6 145.0 175 3.62 2.770 15.50 0 1 5 6
Maserati Bora 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5 8
Volvo 142E 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4 2arrange(mtcars, cyl) mpg cyl disp hp drat wt qsec vs am gear carb
Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1 1 4 1
Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1 0 4 2
Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1 0 4 2
Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1 1 4 1
Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1 1 4 2
Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1 1 4 1
Toyota Corona 21.5 4 120.1 97 3.70 2.465 20.01 1 0 3 1
Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90 1 1 4 1
Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.70 0 1 5 2
Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.90 1 1 5 2
Volvo 142E 21.4 4 121.0 109 4.11 2.780 18.60 1 1 4 2
Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0 1 4 4
Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0 1 4 4
Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1 0 3 1
Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1 0 3 1
Merc 280 19.2 6 167.6 123 3.92 3.440 18.30 1 0 4 4
Merc 280C 17.8 6 167.6 123 3.92 3.440 18.90 1 0 4 4
Ferrari Dino 19.7 6 145.0 175 3.62 2.770 15.50 0 1 5 6
Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0 0 3 2
Duster 360 14.3 8 360.0 245 3.21 3.570 15.84 0 0 3 4
Merc 450SE 16.4 8 275.8 180 3.07 4.070 17.40 0 0 3 3
Merc 450SL 17.3 8 275.8 180 3.07 3.730 17.60 0 0 3 3
Merc 450SLC 15.2 8 275.8 180 3.07 3.780 18.00 0 0 3 3
Cadillac Fleetwood 10.4 8 472.0 205 2.93 5.250 17.98 0 0 3 4
Lincoln Continental 10.4 8 460.0 215 3.00 5.424 17.82 0 0 3 4
Chrysler Imperial 14.7 8 440.0 230 3.23 5.345 17.42 0 0 3 4
Dodge Challenger 15.5 8 318.0 150 2.76 3.520 16.87 0 0 3 2
AMC Javelin 15.2 8 304.0 150 3.15 3.435 17.30 0 0 3 2
Camaro Z28 13.3 8 350.0 245 3.73 3.840 15.41 0 0 3 4
Pontiac Firebird 19.2 8 400.0 175 3.08 3.845 17.05 0 0 3 2
Ford Pantera L 15.8 8 351.0 264 4.22 3.170 14.50 0 1 5 4
Maserati Bora 15.0 8 301.0 335 3.54 3.570 14.60 0 1 5 8OrangeGrouped Data: circumference ~ age | Tree
Tree age circumference
1 1 118 30
2 1 484 58
3 1 664 87
4 1 1004 115
5 1 1231 120
6 1 1372 142
7 1 1582 145
8 2 118 33
9 2 484 69
10 2 664 111
11 2 1004 156
12 2 1231 172
13 2 1372 203
14 2 1582 203
15 3 118 30
16 3 484 51
17 3 664 75
18 3 1004 108
19 3 1231 115
20 3 1372 139
21 3 1582 140
22 4 118 32
23 4 484 62
24 4 664 112
25 4 1004 167
26 4 1231 179
27 4 1372 209
28 4 1582 214
29 5 118 30
30 5 484 49
31 5 664 81
32 5 1004 125
33 5 1231 142
34 5 1372 174
35 5 1582 177url = gsheet2tbl('docs.google.com/spreadsheets/d/1I9mJsS5QnXF2TNNntTy-HrcdHmIF9wJ8ONYvEJTXSNo')
b = url
install_github("emdelponte/r4pde")vctrs (0.5.2 -> 0.6.3) [CRAN]
cli (3.6.0 -> 3.6.1) [CRAN]
tibble (3.1.8 -> 3.2.1) [CRAN]
dplyr (1.1.0 -> 1.1.2) [CRAN]
igraph (1.4.3 -> 1.5.0) [CRAN]
There is a binary version available but the source version is later:
binary source needs_compilation
igraph 1.4.3 1.5.0 TRUE
package 'vctrs' successfully unpacked and MD5 sums checked
package 'cli' successfully unpacked and MD5 sums checked
The downloaded binary packages are in
C:\Users\nivia\AppData\Local\Temp\RtmpmaWy57\downloaded_packages
── R CMD build ─────────────────────────────────────────────────────────────────
* checking for file 'C:\Users\nivia\AppData\Local\Temp\RtmpmaWy57\remotes3bfc5dd13bbb\emdelponte-r4pde-c1cc0b7/DESCRIPTION' ... OK
* preparing 'r4pde':
* checking DESCRIPTION meta-information ... OK
* checking for LF line-endings in source and make files and shell scripts
* checking for empty or unneeded directories
* building 'r4pde_0.0.0.9000.tar.gz'
head(mtcars) mpg cyl disp hp drat wt qsec vs am gear carb
Mazda RX4 21.0 6 160 110 3.90 2.620 16.46 0 1 4 4
Mazda RX4 Wag 21.0 6 160 110 3.90 2.875 17.02 0 1 4 4
Datsun 710 22.8 4 108 93 3.85 2.320 18.61 1 1 4 1
Hornet 4 Drive 21.4 6 258 110 3.08 3.215 19.44 1 0 3 1
Hornet Sportabout 18.7 8 360 175 3.15 3.440 17.02 0 0 3 2
Valiant 18.1 6 225 105 2.76 3.460 20.22 1 0 3 1Pacote r4pde: Em linhas gerais, a variável “unit” é criada e atribuída com os valores de 1 a 12 através da função c(1:12), depois a variável “class” também é criada. Posteriormente, é feita a criação de um data frame “ratings” com essas variáveis e, em seguida, aplica a função “DSI” do pacote r4pde aos dados. O bloco de comandos mais abaixo fornece instruções para visualizar os valores, calcular a média (mean), o desvio padrão (sd) e obter um resumo estatístico da variável “class” do conjunto de dados “ratings” (função summary).
library(r4pde)
unit <- c(1:12)
class <- c(2,3,1,1,3,4,5,0,2,5,2,1)
ratings <- data.frame(unit, class)
DSI(unit = ratings$unit, class = ratings$class, max = 6)[1] 40.27778ratings$class [1] 2 3 1 1 3 4 5 0 2 5 2 1mean(ratings$class)[1] 2.416667sd(ratings$class)[1] 1.621354summary(ratings$class) Min. 1st Qu. Median Mean 3rd Qu. Max.
0.000 1.000 2.000 2.417 3.250 5.000 summary(class) Min. 1st Qu. Median Mean 3rd Qu. Max.
0.000 1.000 2.000 2.417 3.250 5.000