Desenho Experimental e Análise Avançada de Dados Ecológicos
| id | tank | species | length_cm |
|---|---|---|---|
| 1 | A | seabream | 12.1 |
| 2 | A | seabream | 14.3 |
| 3 | A | seabass | 9.8 |
Exemplo didáctico: peixes medidos em dois tanques.
Queremos os peixes do tanque A com mais de 12 cm.
| Registo | Marca do peixe | Visita |
|---|---|---|
| 1 | P17 | 1 |
| 2 | P23 | 1 |
| 3 | P17 | 2 |
| 4 | P23 | 2 |
4 observações · 2 peixes
O número do registo não identifica uma nova unidade independente.
species · length_cm · tank
coluna → variável · linha → registo
Peixes distintos podem partilhar a espécie. Partilhar um tanque também pode criar dependência.
Carregamos o pacote uma vez, no início.
Se faltar, instalem-no na consola, fora do script.
Quatro vectores, cada um com seis elementos: os mesmos seis registos.
[1] 6 4
[1] "id" "tank" "species" "length_cm"
id tank species length_cm
1 1 A seabream 12.1
2 2 A seabream 14.3
3 3 A seabass 9.8
linhas × colunas → nomes → primeiras linhas
'data.frame': 6 obs. of 4 variables:
$ id : int 1 2 3 4 5 6
$ tank : chr "A" "A" "A" "B" ...
$ species : chr "seabream" "seabream" "seabass" "seabass" ...
$ length_cm: num 12.1 14.3 9.8 16 11.5 13.2
Confirmem: length_cm é numérica?
| Pergunta | Operação | O que muda? |
|---|---|---|
| Que peixes? | filter() |
Linhas |
| Que variáveis? | select() |
Colunas |
Começamos por escolher os peixes.
TRUE · FALSE · um valor por linha
Quantos TRUE? Que identificadores esperamos conservar?
filter(): Escolher Linhas id tank species length_cm
1 1 A seabream 12.1
2 2 A seabream 14.3
3 4 B seabass 16.0
4 6 B seabass 13.2
4 linhas · as mesmas 4 colunas
Dentro de filter(), escrevemos length_cm sem repetir fish$.
id tank species length_cm
1 1 A seabream 12.1
2 2 A seabream 14.3
Vírgula: ambas têm de ser verdadeiras. Ficamos com os peixes 1 e 2.
== compara valores; = nomeia argumentos.
select(): Escolher Colunas6 linhas · 2 colunas
Escolher variáveis não exclui peixes.
|>
id length_cm
1 1 12.1
2 2 14.3
partir de fish → escolher peixes → escolher variáveis
|> passa o resultado ao primeiro argumento da função seguinte.
mutate(): Criar Uma Coluna id length_cm length_m
1 1 12.1 0.121
2 2 14.3 0.143
3 3 9.8 0.098
4 4 16.0 0.160
5 5 11.5 0.115
6 6 13.2 0.132
6 registos · 2 unidades de comprimento
[1] 6 4
[1] 6 5
Min. 1st Qu. Median Mean 3rd Qu. Max.
0.0980 0.1165 0.1265 0.1282 0.1403 0.1600
6 × 4 → 6 × 5 · Os metros correspondem aos centímetros / 100?
fish conserva os dados de partida.
3 minutos · em pares
Adaptem o encadeamento para obter:
id e o comprimento em metros.Antes de executar: quantas linhas e colunas esperam?
id length_m
1 5 0.115
2 6 0.132
IDs 5 e 6 · 0.115 e 0.132 m. Criamos length_m antes de retirar length_cm.
Um tibble é uma forma de data.frame.
filter(), select() e mutate() aceitam ambos.
Da família tidyverse, o tibble mostra na consola uma impressão compacta com os tipos das colunas. A indexação com [ conserva uma tabela, mesmo ao escolher uma só coluna.
[1] "numeric"
[1] "tbl_df" "tbl" "data.frame"
[1] 12.1 14.3 9.8 16.0 11.5 13.2
Uma coluna com [ pode simplificar o data.frame para vector.
$ pede o vector em ambos; select() conserva uma tabela.
[linhas, colunas] · A vírgula separa as duas decisões.
Útil para ler código existente e localizar células. Para seleccionar colunas no nosso workflow, usamos select().
Esta sintaxe é mais trabalhosa; aprendemo-la para ler código existente. No nosso workflow, preferimos dplyr:
Um número por célula. Não um número por réplica, a menos que cada linha seja uma réplica.
id tank temperature_C
1 1 A 18.5
2 2 A 18.5
3 3 A 18.5
4 4 B 21.0
5 5 B 21.0
6 6 B 21.0
A chave tank associa cada peixe à temperatura do seu tanque. left_join() conserva os peixes, mesmo que falte uma correspondência em tanks.
mesma ordem ≠ mesma unidade
Seis linhas antes e depois; uma correspondência por tanque em tanks.
No Windows, escolham o CSV na janela. Copiem o caminho devolvido para o script.
Caminhos relativos são interpretados a partir de getwd().
20 minutos · pares · Descarregar o CSV
Com water, criem uma nova tabela usando |>:
Oxygen > 8.oxygen_ref_pct = 100 * Oxygen / 8.Sample, Oxygen e oxygen_ref_pct.water mudou?8 mg/L é uma referência didáctica, não saturação nem limiar ecológico.
Um script completo, depois de descarregar o ficheiro e adaptar o caminho:
library(dplyr)
water <- read.csv("C:/.../WaterQualityTesting.csv")
names(water) <- c("Sample", "pH", "Temp", "NTU",
"Oxygen", "Conductivity")
water_selected <- water |>
filter(Oxygen > 8) |>
mutate(oxygen_ref_pct = 100 * Oxygen / 8) |>
select(Sample, Oxygen, oxygen_ref_pct)
dim(water)
dim(water_selected)
head(water_selected)A nova tabela tem três colunas; water mantém-se. A referência de 8 mg/L não é uma medida de saturação.
Sample identifica um registo. E a unidade ecológica?
Que metadados faltam para reconhecer o local, o momento e eventuais revisitas?
10 minutos · individual, depois comparem
fish e tanks pela chave tank.Se o número de linhas mudar, parem e encontrem a razão.
Com fish e tanks criados anteriormente:
tank species n
1 A seabass 1
2 A seabream 2
3 B seabass 2
4 B seabream 1
[1] 6
id tank temperature_C
1 1 A 18.5
2 4 B 21.0
6 linhas: o peixe 1 está a 18.5 °C e o peixe 4 a 21.0 °C.
valores em falta · espécies escritas de duas maneiras · linhas duplicadas
Limpeza de dados: mais tarde. Hoje: reconhecer os problemas.
No Windows, escolham o destino na consola e copiem o caminho para o script.
Guardem o CSV na pasta de trabalho. Do ficheiro recebido a uma cópia preparada:
library(dplyr)
ds <- read.csv("WaterQualityTesting.csv")
names(ds) <- c("Sample", "pH", "Temp", "NTU", "Oxygen", "Conductivity")
water_selected <- ds |>
filter(Oxygen > 8) |>
mutate(oxygen_ref_pct = 100 * Oxygen / 8) |>
select(Sample, Oxygen, oxygen_ref_pct)
head(water_selected)
write.csv(water_selected, "water_selected.csv", row.names = FALSE)O original fica intacto. O resto da aula serviu para perceber estas linhas, não para tornar o script mais comprido.
Próximo passo: Importação e Exportação de Dados