RMarkdown e tipos de dados e objetos no R

class: center, middle, inverse, title-slide

.title[
# RMarkdown e tipos de dados e objetos no R
]
.subtitle[
## Aula 02
]
.author[
### <br></br>Renata Oliveira
]

---

layout: true
  
<div class="my-footer">
<span>
<a href="https://places.education" target="_blank">https://places.education</a>
</span>
</div>

---

class: center, middle

## Retrospecto

---

## Modelo conceitual da análise de dados

![Modelo de Data Science](https://retaoliveira.github.io/relements/figures/dataR.png)

---

# Erro de instalação do PANDOC

- Rode: 
```r
remove.packages("tinytex")
```

- Reinicie o RStudio e rode:
```r
install.packages('tinytex')
tinytex::install_tinytex() 
```

---

## Uma pequena lista (por enquanto) de funções essenciais

- As funções são (na maioria das vezes) verbos, seguidos pelo objeto a que serão aplicados entre parênteses:
```r
do_this(to_this)
do_that(to_this, to_that, with_those)
```

- Os pacotes são instalados com a função `install.packages` e carregados com a função `library`, uma vez por sessão:
```r
install.packages("package_name")
library(package_name)
```
---

## Funções essenciais

- apresenta as seis primeiras linhas do banco de dados
```r
head(mtcars)
```

- mostra os tipos de variáveis e a estrutura do dado
```r
str(mtcars)
```

- mostra a classe da base de dados
```r
class(mtcars)
```

---

- mostra a dimensão do objeto
```r
dim(mtcars)
```
- mostra os nomes das variáveis (colunas)
```r
names(mtcars)
```

- A função `c()` permite a construção de vetores por meio alocação de valores em posições distintas de vetores.  
```r
v1 <- c("pato", "sapo", "pato", "gato", "pato")
```

- As colunas (variáveis) em dataframes são acessadas com `$`:
```r
dataframe$var_name
```

---

## Tipos de dados

<img src="img/continuous_discrete.png" width="60%" style="display: block; margin: auto;" />

---

## Tipos de dados

<img src="img/nominal_ordinal_binary.png" width="60%" style="display: block; margin: auto;" />

---

## Tipos de dados

- Os tipos de dados mais comuns são `character`, `numeric`, `factor`e `logical`.

Character
```r
character <- "arroz"
class(character)
```

Numeric
```r
numeric <- 7
class(numeric)
```

---

## Tipos de dados

Factor
```r
factor <- as.factor(c("pato", "gato", "rato", "gato", "pato"))
class(factor)
levels(factor)
```

---

## Tipos de dados

Logical
```r
logical <- as.logical(c(0,1,1,0))
class(logical)
```

---

## Tipos de classes de objetos no R

- As classes de organização dos dados mais comuns são `vector`, `list`, `matrix` e `dataframe`.

.question[
Um vetor é uma seqüência de elementos de dados do mesmo tipo básico. Os elementos em um vetor são oficialmente chamados de componentes. No entanto, nós os chamaremos apenas de elementos e assumiremos que cada elemento ocupa uma posição no vetor.
]

---

## Tipos de classes de objetos no R

#### Índice em vetores:

```r
s <- c("aa", "bb", "cc", "dd", "ee") 
s[3] 
s[-3]
s[10]

```

---

## Tipos de classes de objetos no R

.question[
Uma matriz é uma coleção de elementos de dados dispostos em um layout bidimensional retangular. A seguir, um exemplo de uma matriz com 2 filas e 3 colunas.]

---

## Tipos de classes de objetos no R

```r
A = matrix(c(2, 4, 3, 1, 5, 7), # the data elements 
     nrow=2,                    # number of rows 
     ncol=3,                    # number of columns 
     byrow = TRUE)              # fill matrix by rows 
A

A[2, 3]
```

---

## Tipos de classes de objetos no R

.question[
Uma lista é um vetor genérico que contém diferentes tipos de objetos.
]

```r
n <- c(2, 3, 5) 
s <- c("aa", "bb", "cc", "dd", "ee") 
x <- list(n, s, 3)   # x contains copies of n, s, b
x
```

---

## Tipos de classes de objetos no R

```r
slice <- x[2]
slice

x[[2]] # member - can be modified

```

---

## Tipos de classes de objetos no R

.question[
Um `dataframe` é usado para armazenar tabelas de dados. É uma lista de vetores de igual comprimento. Por exemplo, a seguinte variável `df` é uma `dataframe` contendo três vetores n, s, b.
]

```r
n <- c(2, 3, 5) 
s <- c("aa", "bb", "cc") 
b <- c(TRUE, FALSE, TRUE) 
df <- data.frame(n, s, b)       # df is a data frame
df
```

---

## Comunicação com RMarkdown

## Reprodutibilidade

.question[
O que significa ser "reprodutível"?
]

--

Objetivos no curto prazo:
- As tabelas e figuras são reprodutíveis a partir do código e dos dados?
- O código realmente faz o que você acha que faz?
- Além do que foi feito, é claro *por que* foi feito?

Objetivos no longo prazo:
- O código pode ser usado para outros dados?
- Você pode estender o código para fazer outras coisas?

---

## RMarkdown

<img src="img/render.png" width="100%" style="display: block; margin: auto;" />
.footnote[
Alison Hill [Teaching in Production](https://rstudio-education.github.io/teaching-in-production/slides/index.html#1)
]

---

## RMarkdown

.panelset[
.panel[.panel-name[O que é?]

Vou colocar aqui algumas informações-chave sobre a construção geral de informações a partir do uso do RMarkdown. Entretanto, informações adicionais podem ser obtidas de maneira detalhada no site:

+ [Documentos dinâmicos no R by Fernando Mayer & Walmes Zeviani](http://cursos.leg.ufpr.br/prr/capDocDin.html)
]

.panel[.panel-name[Organização]
### Seções e subseções

Para demarcar seções e subseções, utilize os `hashtags`.

### Listas e ordenação

Basta enumerar:

1. Item 1
2. Item 2

]

.panel[.panel-name[Imagens]

![Figura 1: RMarkdown](https://retaoliveira.github.io/relements/figures/allison_horst/rmarkdown_rockstar.png){width=50%}

]

.panel[.panel-name[Chunks]

```r
x <- rnorm(30)
x

```
]

.panel[.panel-name[Mais chunks]
```r
plot(x)
```
]
]

---

.panelset[

.panel[.panel-name[Visualização]

Também podemos fazer um histograma dessa variável simulada

```r
hist(x)
```

]

.panel[.panel-name[YAML]

#### `YAML` (Yet Another Markup Language)

No `YAML`, os dados são escritos em forma de lista aninhada. Os metadados em `YAML` são colocados sempre no início de um documento, e são delimitados por `---`. 
]

.panel[.panel-name[Gerando...]

`knitr`

]

.panel[.panel-name[WOW!]

Na [galeria do RStudio](https://rmarkdown.rstudio.com/gallery.html) diferentes estruturas de informação produzida por meio de `RMarkdown` podem ser encontradas!

]

.panel[.panel-name[RPubs]

No RStudio, crie um novo documento `R Markdown` escolhendo `Arquivo | Novo | R Markdown`.
Clique no botão `Knit HTML` na barra de ferramentas do doc para visualizar seu documento.
Na janela de pré-visualização, clique no botão `Publicar`.

É um processo em duas etapas. Na primeira etapa, você precisa registrar uma conta `RPubs` ou fazer o login, caso já tenha uma. Você escreve o título de seu documento e dá uma breve descrição (para que outros possam encontrar seu trabalho a partir da busca).

Uma vez terminado e clicando no botão `Continue` na parte inferior, você irá diretamente para o artigo publicado.

Você pode optar por atualizar seu conteúdo.

]
]

---

## Ambiente de trabalho do Rmarkdown

.tip[
O ambiente de seu documento R Markdown é separado do Console!
]

Lembre-se disso e espere que ele _o morda_ algumas vezes enquanto você aprende a trabalhar 
com R Markdown!

---

## Ambiente de trabalho do Rmarkdown

.pull-left[
Primeiro, rode em seu console:

```r
x <- 2
x * 3
```

.question[
Tudo parece bem, eh?
]
]

--

.pull-right[
Digite então o código em um chunk no seu documento Rmarkdown

```r
x * 3
```

.question[
O que aconteceu? Como fazer para rodá-lo?
]
]

.tip[
Dicas:    
`Ctrl + Alt + i`   
`Ctrl + Enter`
]

---

## Como usaremos o R Markdown?

- Cada tarefa / relatório / projeto / etc. é um documento R Markdown
- Você sempre terá um modelo de documento R Markdown para começar a atividade ou uma orientação quanto ao `template`

---

## Encaminhamentos:

1. Tutorial de R - Swirl
2. Atividades no SIGAA
3. Projeto integrador

<br></br>

.center[
## ENGAJAMENTO!
]

---

### Sua vez!

1. Gere um documento R markdown no RStudio considerando o `Default Output Format` `HTML`.
2. `knit` o documento para diferentes outputs. Escreva algum conteúdo próprio. 
3. Crie um chunk e gere um dataframe 
4. `knit` o documento novamente.

### Outra exploração:

1. Instale o package `flexdashboard` (install.packages("flexdashboard"))
2. Gere um documento desse tipo no RStudio.
3. Inclua dados e representações simples. Pode utilizar o `mtcars` e as funções `plot()`, `hist()` e `boxplot()`   
4. Gere um `summary()` de algum dos vetores que compõe o dataframe.

---

### Fazendo uma apresentação no R!

1. Instale os pacotes install.packages(c("xaringan", "xaringanExtra", "xaringanthemer"))
2. Gere um arquivo R markdown do tipo Ninja Xaringan Themer. 
3. `knit` o documento. 
4. Visite o site [color-hex](https://www.color-hex.com/) e altere o padrão de cores da apresentação.

---

class: inverse, center, middle

# DÚVIDAS?