Aula7

Transformação de dados no R - log e srqt

Antes de realizar uma análise estatística no R, pode ser necessário realizar transformações nos dados, dependendo da natureza dos dados e dos requisitos da análise. As transformações podem ajudar a atender aos pressupostos da análise estatística, como a normalidade e a homogeneidade de variâncias.

Exploração dos dados

Antes de realizar transformações, precisamos entender a natureza dos dados, então vamos nos familiarizar com um conjunto de dados, nesse caso, o conjunto de dados mofo, presente dentro do banco de dados da planilha dados-diversos.

library(tidyverse)
library(readxl)

mofo <- read_excel("dados-diversos.xlsx", "mofo")

Os dados podem ser visualizados de diferentes formas - gráficos de dispersão, histogramas, boxplots, etc. Inicialmente, vamos visualizar os dados de inc (incidência) pelos tratamentos e pelo estudo (tratamento dentro de estudo). Então, o tratamento vai dentro do ggplot, enquanto o study vai dentro de facet. A função facet_wrap() replica o gráfico especificado para cada categoria de uma coluna.

mofo |>
  ggplot(aes(treat, inc))+
  facet_wrap(~study)+
  geom_point()

Também pode usar a função geom_col para visualizar os dados de uma forma diferente.

Histograma: Faremos um histograma para visualizar a incidência e outro para visualizar os dados de escleródio.

inc <- mofo |>
  ggplot(aes(inc))+
  geom_histogram()
#Para o scleródio
mofo |>
    ggplot(aes(scl))+
    geom_histogram()

Boxplot: montaremos um boxplot para visualizar os dados de scl.

scl <- mofo |>
  ggplot(aes(scl))+
  geom_boxplot()

Agora, como já aprendido, juntaremos os 2 gráficos, para isso, devemos carregar o pacote patchwork:

library(patchwork)
inc + scl

Após isso, podemos encontrar a média dos dados. Para achar a média podemos usar as funções $, mean+conjunto ou summary.

mofo$scl

 [1] 2194 1663 1313 1177  753 1343 1519  516  643  400  643  921 1196 1331  756
[16]  338  581  588  231  925  119  394  206  275  131  588 5013 3619 2325 2588
[31] 3969 1556 3175 1763 2894  350  419  644 2850 6216 2888 2272 2868 2412 2372
[46] 3424 1744 1456 1732 1080 1592 3268

mean(mofo$scl)

[1] 1639.096

Finalmente transformando os dados

Nós podemos transformar os dados de diferentes maneiras, sendo as mais comuns log e raiz quadrada. Transformação logarítmica: é útil quando os dados possuem uma distribuição assimétrica positiva ou quando a variação aumenta exponencialmente com o aumento dos valores. Para transformar os dados para o logaritimo dos números usa-se a função log (). Podemos realizar essa transformação com o uso da função mutate. Através da função mutate() realizamos a criação/adição de uma nova variável (ou novas variaveis), que são funções de variáveis existentes, e também criamos/modificamos colunas.

mofo2 <- mofo |>
  mutate (scl2 = log(scl))
  mofo2

# A tibble: 52 × 6
   study treat   inc   scl   yld  scl2
   <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
 1     1     1    76  2194  2265  7.69
 2     1     2    53  1663  2618  7.42
 3     1     3    42  1313  2554  7.18
 4     1     4    37  1177  2632  7.07
 5     1     5    29   753  2820  6.62
 6     1     6    42  1343  2799  7.20
 7     1     7    55  1519  2503  7.33
 8     1     8    40   516  2967  6.25
 9     1     9    26   643  2965  6.47
10     1    10    18   400  3088  5.99
# ℹ 42 more rows

Agora, podemos visualizar os dados tranformados em log por meio de um histograma, da mesma forma feita acima.

mofo2 |>
    ggplot(aes(scl2))+
    geom_histogram(bins = 10)

Transformação em raiz quadrada: é útil para reduzir a assimetria em dados com uma distribuição assimétrica positiva. Para transformar os dados em raiz quadrada, usamos a função mutate e sqrt ().

mofo2 <- mofo |>
  mutate (scl2 = sqrt(scl))
  mofo2

# A tibble: 52 × 6
   study treat   inc   scl   yld  scl2
   <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
 1     1     1    76  2194  2265  46.8
 2     1     2    53  1663  2618  40.8
 3     1     3    42  1313  2554  36.2
 4     1     4    37  1177  2632  34.3
 5     1     5    29   753  2820  27.4
 6     1     6    42  1343  2799  36.6
 7     1     7    55  1519  2503  39.0
 8     1     8    40   516  2967  22.7
 9     1     9    26   643  2965  25.4
10     1    10    18   400  3088  20  
# ℹ 42 more rows

  mofo2 |>
    ggplot(aes(scl2))+
    geom_histogram(bins = 10)

Agora, testaremos os dados da variável produtividade.

mofo2 |>
    ggplot(aes(yld))+
    geom_histogram(bins = 10)

Usando a função arrange

Faremos uso agora da função arrange com o conjunto de dados survey. A função arrange () é usada para ordenar linhas. Essa função ordena os dados por ordem crescente ou decrescente (depende se coloca o sinal de menos ou não dentro da função). O primeiro argumento é a base de dados, os demais argumentos são as colunas pelas quais queremos ordenar as linhas. A função slice mostra determinada linha pela posição dela, que você solicita. A função filter escolhe casos com base em seus valores. A função count conta o número de linhas com cada valor exclusivo de uma variável (com ou sem pesos). A função slice seleciona linhas por posição.

survey <- read_excel("dados-diversos.xlsx", "survey")


survey |>
  filter(state == "RS") |>
  count(species, residue) |>
  arrange(n) |>
#slice(1) |>
rename(res = residue) |>
mutate(n_class = case_when(
  n < 30 ~ "baixa",
       TRUE ~ "Alta"))

# A tibble: 4 × 4
  species res         n n_class
  <chr>   <chr>   <int> <chr>  
1 Fspp    corn       22 baixa  
2 Fspp    soybean    26 baixa  
3 Fgra    corn      147 Alta   
4 Fgra    soybean   255 Alta