GUIA DO MOCHILEIRO DO UNIVERSO R

Data.frames

Diferente das matrizes, não realizamos operações com os data.frames, mas eles permitem a união de vetores com classes diferentes. Os data frames são semelhantes a tabelas geradas em outros programas, como o excel.

Os data frames são combinações de vetores de mesmo comprimento. Todos os que criamos até agora tem tamanho 6, verifique.

Podemos assim combiná-los em colunas de um único data.frame:

campo1 <- data.frame("clone" = clone,     # Antes do sinal de "="  
                     "altura" = x,        # estabelecemos os nomes  
                     "diametro" = y,      # das colunas
                     "idade" = rep(3:5, 2),
                     "corte"= logico) 
campo1

Podemos acessar cada uma das colunas com:

campo1$idade

Ou também com:

campo1[,4] 

Aqui, o número dentro dos colchetes se refere à coluna, por ser o segundo elemento (separado por vírgula). O primeiro elemento se refere à linha. Como deixamos o primeiro elemento vazio, estaremos nos referindo a todas as linhas para aquela coluna.

Dessa forma, se quisermos obter um conteúdo específico podemos dar as coordenadas com [linha,coluna]:

campo1[1,2] 

• Obtenha o diâmetro do clone “URO03.

campo1[3,3]

Mesmo se tratando de um data frame, podemos realizar operações com os vetores numéricos que a compõe.

• Com o diâmetro e a altura das árvores, calcule o volume conforme a fórmula a seguir e armazene em um objeto volume:

\(3.14*(diametro/2)^2*altura\)

volume <- 3.14*((campo1\(diametro/2)^2)*campo1\)altura

Agora, vamos adicionar o vetor calculado com o volume ao nosso data.frame. Para isso use a função cbind.

campo1 <- cbind(campo1, volume)
str(campo1)

Algumas dicas:

• Lembre-se que, para construir matrizes e data frames, o número de elementos em cada coluna tem que ser iguais.
• Caso não saiba o operador ou a função que deve ser utilizada, como o desvio padrão, busque no google algo como “desvio padrão R”, ou melhor “standard deviation R”. Logo nas primeiras páginas você obterá respostas. A comunidade do R é bastante ativa e grande parte das suas perguntas sobre ele já foram respondidas em algum lugar da web.
• Não esqueça que tudo o que fizer no R precisa ser explicitamente indicado, como uma multiplicação 4ac com 4*a*c. Para gerar um vetor 1,3,2,6 é necessário: c(1,3,2,6).

getwd()
cafe <- read.delim2("cafe.txt")
cafe <- read.table(header = T,"cafe.txt")
cafe <- read.csv("cafe.txt")

getwd()
cafe <- write.table("cafe.txt")
cafe <- write.csv("cafe.csv")

Listas

Listas consistem em uma coleção de objetos, não necessariamente de mesma classe. Nelas podemos armazenar todos os outros objetos já vistos e recuperá-los pela indexação com [[. Como exemplo, vamos utilizar alguns objetos que já foram gerados.

minha_lista <- list(campo1 = campo1, media_alt = tapply(campo1$altura, campo1$idade, mean), matrix_ex = W)
str(minha_lista)

Quero acessar o data.frame campo1

minha_lista[[1]] 
# ou
minha_lista$campo1

Para acessar uma coluna específica no data.frame campo1, que está dentro da minha_lista:

minha_lista[[1]][[3]]
# ou
minha_lista[[1]]$diametro
# ou
minha_lista$campo1$diametro

Listas são muito úteis, por exemplo, quando vamos utilizar/gerar diversos objetos dentro de um loop.

Arrays

Este é um tipo de objeto que você provavelmente não irá utilizar agora no início, mas é bom saber da sua existência. São utilizados para armazenar dados com mais de duas dimensões. Por exemplo, se criarmos um array:

(meu_array <- array(1:24, dim = c(2,3,4)))

Teremos quatro matrizes com duas linhas e três colunas e os números de 1 a 24 estarão distribuídos nelas por colunas.

Paramos aqui.