4 Entrada de dados

Este terceiro capítulo foi baseado no livro Conhecendo o R: Um visão mais que estatística, e na página do Prof. Paulo Justiniando Ribeiro modificações foram realizadas utilizando outros materiais que se encontram referenciados no final desse capítulo.

O diretório de trabalho é aquele usado pelo R para gravar, ler, importar e exportar arquivos quando nenhum outro caminho é explicitado.

4.1 Onde os dados devem estar?

Para saber onde os diretórios estão basta digitar o comando getwd():

 getwd() #para verificar  diretório de trabalho

## [1] "D:/livro/TudodoRa"

Caso queira alterar o diretório de trabalho para um outro lugar, digite o comando setwd():

setwd("C:/R_Curso") #para  altear o diretório de trabalho

Outra forma de mudar o caminho é com o comando:

caminho<-file.choose() # ou usando as teclhas shift + Crtl + H

Este comando irá abrir uma tela para que o usuário navegue nas pastas e escolha o arquivo a ser aberto.

Você pode exibir o conteúdo do diretório com o comando dir():

dir()

##  [1] "_bookdown.yml"                   "_bookdown_files"                
##  [3] "_main.Rmd"                       "_output.yml"                    
##  [5] "01-R_basico.Rmd"                 "02-Estrutura_basica.Rmd"        
##  [7] "03-Entrada_dados.Rmd"            "04-Criando_graficos.Rmd"        
##  [9] "05-Criando_graficos_2.Rmd"       "06-Teste_T_corre.Rmd"           
## [11] "07-Anova_dic.Rmd"                "08-Anova_DBC.Rmd"               
## [13] "09-Anova_QL.Rmd"                 "10-Regressao_L_M.Rmd"           
## [15] "11-Regressao_N_linear.Rmd"       "12-Multivariada.Rmd"            
## [17] "13-Dados_clima.Rmd"              "14-Dados_tempor.Rmd"            
## [19] "16-Tendencia_tempora.Rmd"        "17-Analise_imagens.Rmd"         
## [21] "18-Analise_imagens_sentinel.Rmd" "19-Referencia.Rmd"              
## [23] "book.bib"                        "CHM.tif"                        
## [25] "docs"                            "ET_Abtew.csv"                   
## [27] "ET_BrutsaertStrickler.csv"       "ET_ChapmanAustralian.csv"       
## [29] "ET_GrangerGray.csv"              "ET_HargreavesSamani.csv"        
## [31] "ET_JensenHaise.csv"              "ET_Makkink.csv"                 
## [33] "ET_MattShuttleworth.csv"         "ET_McGuinnessBordne.csv"        
## [35] "ET_Penman.csv"                   "ET_PenmanMonteith.csv"          
## [37] "ET_PenPan.csv"                   "ET_PriestleyTaylor.csv"         
## [39] "ET_Romanenko.csv"                "ET_Turc.csv"                    
## [41] "ETP.txt"                         "image"                          
## [43] "index.Rmd"                       "LICENSE"                        
## [45] "packages.bib"                    "preamble.tex"                   
## [47] "README.md"                       "search_index.json"              
## [49] "sentinel2.tif"                   "style.css"                      
## [51] "tab.xls"                         "TudodoR.Rmd"                    
## [53] "TudodoR.Rproj"                   "TudodoR_files"

4.2 Entrando com dados

O formato mais adequado vai depender do tamanho do conjunto de dados, e se os dados já existem em outro formato para serem importados ou se serão digitados diretamente no R.

A seguir são descritas formas de entrada de dados com indicão de quando cada uma das formas deve ser usada.

4.2.1 Vetores

Podemos entrar com dados definindo vetores com o comando c(), conforme visto no capítulo 3:

vetor <- c(2,5,7)

Esta forma de entrada de dados é conveniente quando se tem um pequeno número de dados. Quando os dados têm algum elemento repetido, números sequenciais podem ser usados com mecanismos do R para facilitar a entrada dos dados como vetores:

vetor <- rep(c(2,5), 5)  # cria vetor repetindo 5 vezes 2 e 5 alternadamente
vetor

##  [1] 2 5 2 5 2 5 2 5 2 5

vetor <- rep(c(5,8), each=3)  # cria vetor repetindo 3 vezes 5 e depois 8
vetor

## [1] 5 5 5 8 8 8

4.2.2 Usando a função ‘scan’

Esta função coloca o modo prompt onde o usuário deve digitar cada dado seguido da tecla . Para encerrar a entrada de dados basta digitar duas vezes consecutivos. Veja o seguinte resultado:

y <- scan()

#1: 11
#2: 24
#3: 35
#4: 29
#5: 39
#6: 47
#7:
#Read 6 items

y

## numeric(0)

#[1] 11 24 35 29 39 47

Este formato é mais ágil que o anterior e mais conveniente para digitar vetores longos.

4.2.3 Copiar e colar usando scan()

Pode usar o recurso “copiar e colar” com o comando scan. Após copiar os dados (crtl+C), digite no prompt/console o comando scan(), aperte >ENTER<, depois cole o texto e, aperte >ENTER< novamente.

4.2.4 Lendo dados através da área de transferência

Funções como scan(), read.table() e outras podem ser usadas para ler os dados diretamente da área de transferência passando-se ao “clipboard” ao primeiro argumento:

4.2.5 Usando a função edit

O comando edit(data.frame()) abre uma planilha para digitação de dados que são armazanados como data-frames:

dados <- edit(data.frame())

Se você precisar abrir novamente planilha com os dados, para fazer modificações e/ou inserir mais dados, use o comando fix:

fix(dados)
head(dados)

4.2.5.1 Exemplo 1

teste <- c(10,20,30,40,50)
teste

## [1] 10 20 30 40 50

Porém houve um erro: o último elemento deveria ser 60 e não 50, você não precisa criar novamente um objeto, use o comando edit():

teste2 <- edit(teste)

4.2.5.2 Exemplo 2

Com uma planilha com três colunas de dados. Os valores numéricos da coluna poderiam ser importados para o R utilizando-se o mesmo processo descrito com o uso do comando scan(). Abra o arquivo: EVI-prec.xlsx.

Uma matrix com os dados poderá ser obtida com o comando cbind:

dados <- cbind(ano, chuva, evi)

O objeto dados é um data.frame:

is.data.frame(dados)

Transforme para um data.frame com o comando as.data.frame:

dados_m <- as.data.frame(dados)

Poderia usar o comando data.frame direto:

dados=data.frame (ano, chuva, evi)

4.2.6 Lendo dados de um arquivo texto

É muito importante ter os dados tabulados em um arquivo-texto ou em outros formatos que permitem a conversão para dados texto. O comando read.table () é extremamente útil por ler dados de um arquivo-texto no formato de um data.frame

Usando o Comando read.table ()

4.2.6.1 Exemplo 1

Como primeiro exemplo considere importar para o R os dados do arquivo texto: exemplo1.txt.

ex01 <- read.table("exemplo1.txt") 

#Use os comandos
  ex01
  class(ex01)
  names(ex01)
  dim(ex01)
  str(ex01)
  head(ex01)

4.2.6.2 Exemplo 2

Como primeiro exemplo considere importar para o R os dados do arquivo de texto: exemplo2.txt.

ex02 <- read.table("exemplo2.txt") 
ex02

Note que este arquivo difere do anterior em um aspecto: os nomes das variáveis estão na primeira linha. Para que o R considere isto corretamente, temos que informá-lo com o argumento head=T. Portanto para importar este arquivo usamos:

ex02 <- read.table("exemplo02.txt", head=T) 
ex02

4.2.7 Dados do tipo CSV

Exemplo3.csv: Vamos utilizar um arquivo de tipo CSV:

ex03 <- read.table("exemplo3.csv.", head=T, sep=":", dec=",") 
ex03

Note que este arquivo difere do primeiro em outros aspectos: read.table.

ex03 <- read.table(       # lê dados de um arquivo texto
  "exemplo3.csv",         # nome do arquivo ou o caminho c:/R.exemplo3.csv
  head=T,                 # primeira linha ? cabe?alho
  sep=":",                # separador de coluna 
  dec=",")                # virgula como separador
ex03                      # exibe o objeto

1.sep: caractere utilizado para separação dos campos e valores. Normalmente é utilizado o ponto e virgula (;)

1.dec: caractere utilizado para separar as casas decimais. Normalmente ponto (.) ou virgula (,).

1.header: TRUE, assume que a primeira linha da tabela contêm rotulos das variáveis. ‘FALSE’, assume que os dados se iniciam na primeira linha.

4.2.8 A seguir listamos algumas destas funções:

read.dbf() para arquivos DBASE
read.epiinfo() para arquivos .REC do Epi-Info
read.mtp() para arquivos “Minitab Portable Worksheet”
read.S() para arquivos do S-PLUS, e restore.data() para “dumps” do S-PLUS
read.spss() para dados do SPSS
read.systat() para dados do SYSTAT
read.dta() para dados do STATA
read.octave() para dados do OCTAVE (um clone do MATLAB)
read.csv(file, header = TRUE, sep=“,”, dec=“.”)
read.csv2(file, header = TRUE, sep=“;”, dec=“,”)
read.delim(file, header = TRUE, sep=“, dec=”.")
read.delim2(file, header = TRUE, sep=“, dec=”,")

4.2.9 Lendo dados disponíveis na web

Exemplo 4: As funções permitem ler ainda dados diretamente disponíveis na web. Por exemplo os dados do exemplo1.txt poderiam ser lidos diretamente com o comando a seguir:

4.2.10 Lendo dados de uma planilha eletrônica

Com o pacote xlsx é possivel ler os dados diretamente da planilha eletrônica do Excel.

install.packages("")
require("xlsx")

O comando read.xlsx(), do pacote xlsx, lê o conteúdo de uma planilha eletrônica para o R com a estrutura de dados de um data.frame:

dados <- read.xlsx(
                    file="C:/R/EVI_Prec.xlsx",     #comando que lê planilhas
                    sheetName = "Conbea",          #nome da planilha
                    h=T)                           #sem cabeçalho

4.2.11 Exercícios

Baixe os seguintes arquivos:

Coloque os arquivos em um local apropriado (de preferência no mesmo diretório de trabalho que você definiu no início da sessão), faça a importação usando a função de sua escolha, e confira a estrutura dos dados com ´str()´:

4.3 Salvar objetos de dados

Salvar objetos de dados nos formatos .txt ou .csv função: write.table sintaxe da função: write.table(x, file, sep="“, dec=”", rownames = T, col.names = T)

Principais argumentos: 1. x - matriz ou data frame 1. file - nome do arquivo ou caminho do arquivo 1. sep - separador da coluna 1. dec - separador deciminal

4.3.1 Outras funções

write.csv() write.csv2() write.xlsx ()

Exemplo: write.xlsx(dados,“tabela salva.xlsx”)

4.4 Referência

MELO, M. P.; PETERNELI, L. A. Conhecendo o R: Um visão mais que estatística. Viçosa, MG: UFV, 2013. 222p.

Prof. Paulo Justiniando Ribeiro >http://www.leg.ufpr.br/~paulojus/<

Prof. Adriano Azevedo Filho >http://rpubs.com/adriano/esalq2012inicial<

Prof. Fernando de Pol Mayer >https://fernandomayer.github.io/ce083-2016-2/<