Olá!!

Geovana L Batista: Cientista de Dados e professora de matemática. Co-organiza a R-Ladies São Paulo.

Ana Carolina Moreno: Diretora da Abraji e Jornalista de Dados. Co-organiza a R-Ladies São Paulo.

Cecília do Lago: Jornalista de dados na TV Globo. Co-organiza a R-Ladies São Paulo.

Cronograma previsto

Parte 1 (domingo 9h-11h): Introdução
R + RStudio + ciência de dados + Tidyverse

Parte 2 (domingo 11h30-13h): Importação e análise dos dados
escrevendo os primeiros códigos

Você deveria estar aqui hoje?

Você se enquadra em uma das situações abaixo?

• Não sei nada sobre R, mas sei outras linguagens

• Não conheço nada de nenhuma linguagem de programação

• Já tentei aprender R no passado, mas esqueci tudo

• Sei só um básico de Excel

• Nunca mexi no Excel

• Acho que sou “de humanas demais” pra saber programar

• Sempre fiquei de recuperação em matemática no colégio

• Quero sempre aprender coisas novas

Então a resposta é SIM!

Vamos nessa!

Instalação dos programas

Tutorial em vídeo para instalação no Windows: https://youtu.be/vKgjx52TYBw

Tutorial da Curso-R (Windows, Mac, Linux): https://livro.curso-r.com/1-instalacao.html

• Instalar o R

• Instalar o RStudio

• Salvar esse arquivo zip na pasta onde você for trabalhar: https://bit.ly/abraji_2024

=> Introdução

1- Jornalistas + programação

Resposta: porque nem todas as bases abrem no Excel

1.1- Os limites do Excel

Limite do Excel: 1.048.576 linhas e 16.384 colunas

Para efeito de comparação…

• Base de SRAG do Sivep-Gripe só do ano de 2021 (atualizado até fev/2022): 1.715.835 linhas

• Base do Enem 2018: 5,5 milhões de linhas (uma linha por pessoa inscrita)

• Base de beneficiários do Auxílio Emergencial: 40 milhões de linhas novas a cada mês

2- As bases de dados e o R

Podemos usar bases que tenham formato de “tabela”:

• cada linha é um registro, e cada coluna traz algum detalhe sobre aquele registro

• as colunas ou linhas não estão mescladas ou agrupadas

• em geral, são os arquivos do poder público salvos no formato .csv (mas nem sempre)

2.1 - Exemplo de base de dados

Eleição para a Alesp em 2022:

2.2 - Outra forma de ver

3- Breve glossário

• Data frame: sinônimo para “tabela” ou “planilha”

• Tibble: idem acima

• Objeto: é um data frame criado dentro do RStudio

• Observação: é sinônimo de “linha” na sua tabela

• Variável: é sinônimo de “coluna” na sua tabela

4- Potencial do R

• Abrir uma base de dados

• Limpar a base de dados (ex: formatar uma data ou tirar os acentos dos nomes)

• Transformar a base de dados (ex: a partir da coluna de data, criar uma coluna nova só com o mês)

• Visualizar os dados em formatos de gráficos ou mapas (ou mesmo relatórios em PDF ou websites)

• Etc. etc. etc.

4.1- Ciclo da ciência de dados

(fonte: R for Data Science)

=> Conceitos iniciais de programação

1- Operador de atribuição: <-

(pense nele como uma preposição!)

• É como criamos objetos para guardar valores.
• Atalho: ALT + MENOS
• Exemplo: calculando a duração desse bootcamp.

total_sessoes <- 3
duracao_sessao_min <- 90
duracao_total <- total_sessoes * duracao_sessao_min
duracao_total

[1] 270

2- O que pode ser um “valor”

(pense neles como substantivos!)

• Valores não precisam ser números.
• Eles podem ser texto, por exemplo.
• Porém, precisam ser escritos entre aspas.
• Nesse caso, o R entende que o objeto é da classe de “character”

quem_manda_aqui <- "Carol + Lucas"
quem_manda_aqui

[1] "Carol + Lucas"

2.1 - As classes dos objetos

• Os objetos podem ter vários tipos (um texto, um número etc.). É o que chamamos de classe.

• As classes principais são:

2.2- Exemplos de classes

character: “Carol” / “41” / “verdadeiro”

numeric: -5 / 1.5 / 3.1416

logic: TRUE / FALSE

3- Operadores relacionais

4- Operadores lógicos

5- O operador pipe: %>% ou |>

(pense nele como uma vírgula!)

• pipe = cano, encanamento, fazer a informação fluir

• o valor do lado esquerdo do pipe vira argumento para a função do lado direito e assim por diante

• Atalho: CTRL + SHIFT + M

6- O que é uma função?

• Função: uma palavra que, no código, dá um comando ao computador.
• Ela é escrita seguida de parênteses.
• Nos parênteses incluímos os atributos (inputs).
• O output vai ser a informação que o computador retorna após rodar a função.

(pense nela como um verbo!)

6.1- Função no Excel

Versão no Excel

6.2- Função no R

altura_carol <- 1.54
altura_lucas <- 1.89
altura_fernando <- 1.69
altura_media <- mean(c(altura_carol, altura_lucas, altura_fernando))
altura_media

[1] 1.706667

• mean = função para calcular a média
• argumentos = informações que vão entre parênteses para indicar o que a função deve fazer
• c() = para criar um vetor (uma lista com mais de um item a ser aplicado no cálculo)

7- O que é um pacote de R?

• Conjunto de funções úteis pra determinada análise.

• Eles são disponibilizados em repositórios. Os dois principais repositórios são o CRAN e o GitHub.

• Os pacotes são instalados apenas uma vez e devem ser carregados sempre que queremos utilizá-los.

7.1 - Instalar e carregar pacotes

• Para instalar um pacote que está no CRAN, usamos a função install.packages:

  install.packages(“tidyverse”)

• Caso o pacote esteja no GitHub, é possível fazer a instalação via função install_github do pacote devtools:

  install.packages(“devtools”)

  devtools::install_github(‘rfsaldanha/microdatasus’)

• Para carregar o pacote usamos a função library:

  library(tidyverse)
  library(microdatasus)

8- Boas práticas (resumo)

Nome de variáveis:

1. Não usar maiúscula, espaços ou acentos pra criar o nome
2. Não começar o nome com um número
3. Escolher nomes úteis e não redundantes

Código e comentários:

1. Inserir espaços só após as vírgulas e parênteses
2. Evite comentar demais e de menos (com a hashtag #)
3. Use a quebra de linha para facilitar a leitura

9- Erros mais comuns!

• Rodar uma linha de código sem ter rodado as anteriores, que fazem parte de uma “sequência” de comandos para o programa

• Pequenos erros de digitação ao escrever o código

• Não selecionar o trecho inteiro de código na hora de rodar

• Dica: o pacote tidylog te dá um relatório de tudo o que ele fez, e ajuda a encontrar a origem dos erros

Tidyverse

1- O que é?

• Um conjunto de pacotes que compartilham a mesma gramática e estrutura.

• Quando você instala/carrega o tidyverse, todos esses pacotes vêm junto de uma vez.

• Serve pra fazer o trabalho de análise mais rápido e fácil

2- Pacotes dentro do Tidyverse

São muitos (https://www.tidyverse.org/packages/) Os mais úteis para o DDJ são os seguintes:

• readr: abrir arquivos (bases de dados) e salvar tabelas

• dplyr: manipular a base (filtrar, criar colunas, agrupar, resumir, ordenar etc.)

• stringr: arrumar textos (string) identifcando padrões (regex)

• lubridate: ajusta datas e horas (ex: AAAA-MM-DD)

• ggplot2: visualização de dados

• magrittr: para usar o pipe nos seus códigos

3- ‘Verbos mágicos’ do Tidyverse

Saber poucos comandos já basta pra começar a analisar!

4- Mais ‘verbos úteis’

Exercícios

Observem a tabela para responder às próximas questões.

tabela alesp.csv no Google Planilhas

Pergunta 1:

Quais mulheres foram eleitas em 2022?




(Dica: é com “select” ou com “filter”?)

Código 1:

Quais mulheres foram eleitas em 2022?

library(tidyverse)

alesp <- read.csv2("data/alesp.csv",
                   fileEncoding = "Windows-1252")

sexo_feminino <- alesp |>
  filter(genero == "FEMININO")

Resposta 1:

Quais mulheres foram eleitas em 2022?

Pergunta 2:

Qual foi a média de votos em 2022 por raça?

Código 2:

Qual foi a média de votos em 2022 por raça?

media_raca <- alesp |>
  group_by(cor_raca) |> 
  summarise(media_votos = mean(votos_2022))

Resposta 2:

Qual foi a média de votos em 2022 por raça?

Pergunta 3:

Qual é o ranking de votos totais por partido em 2022?

Código 3:

Qual é o ranking de votos totais por partido em 2022?

votos_partidos <- alesp |>  
  group_by(sigla_partido) |>  
  summarise(total_votos = sum(votos_2022)) |> 
  arrange(desc(total_votos))

Resposta 3:

Qual é o ranking de votos totais por partido em 2022?

Pergunta 4:

Qual deputado reeleito ganhou mais votos de 2018 para 2022?

Código 4:

Qual deputado reeleito ganhou mais votos de 2018 para 2022?

deputados <- alesp |>  
  filter(!is.na(votos_2018)) |>  
  group_by(nome_urna_candidato) |>  
  summarise(total_votos_2018 = sum(votos_2018),
            total_votos_2022 = sum(votos_2022)) |> 
  mutate(variacao_votos = total_votos_2022 - total_votos_2018,
         pct_variacao_votos = ( variacao_votos * 100 ) / total_votos_2018) |> 
  arrange(desc(pct_variacao_votos))

Resposta 4:

Qual deputado reeleito ganhou mais votos de 2018 para 2022?