Manipulação de dados e programação em R

NT265/NE441 - Análise de dados e apresentação de gráficos usando a linguagem R

Maurício Vancine

24 de outubro de 2024

Maurício Vancine

• Ecólogo e Doutor em Ecologia

• Pós-Doc em Ecologia Espacial (Mathias)

• Ecologia Espacial

• Modelagem Ecológica

• Análise de Dados Ecológicos e Geoespaciais

• Ecologia e Conservação de Anfíbios

• Open source [R, QGIS, GRASS GIS, GNU/Linux, …]

Análises Ecológicas no R (2022)

• 15 capítulos: linguagem R, tidyverse, perguntas em ecologia, análises univariadas, multivariadas e geoespaciais

• bookdown

• PDF

• Amazon

• Código Fonte

• YouTube

Conteúdo

• Revisão
• Explorar dados
• Programação

• Revisão dos 10 principais conceitos em R
• Pseudocódigo

• Dados brutos
• Observações e variáveis
• Tabelas de frequência
• Frequência absoluta e relativa
• Função: table
• Medidas de posição e dispersão
• Funções: apply, lapply, sapply, tapply…

• Controle de fluxo
• Condicional: if, else e else if
• Estruturas de repetição
• Laços: for, while e repeat
• Comandos: break e next
• Funções
• Funções externas: source

IMPORTANTE!!!

Estamos num espaço seguro e amigável

Sintam-se à vontade para me interromper e tirar dúvidas

Revisão

Revisão dos 10 principais conceitos em R

1. Console
2. Script
3. Operadores
4. Objetos
5. Funções

6. Pacotes (packages)
7. Ajuda (help)
8. Ambiente (environment)
9. Diretório
10. Citações

Pseudocódigo

• Forma de representar algoritmos, funções ou outros processos de forma simplificada e intuitiva

• Escrito em linguagem natural e com elementos que se assemelham a uma linguagem de programação, mas não é realmente executável

• Ferramenta para a comunicação de ideias de programação, permitindo que programadores de diferentes níveis de habilidade compreendam e colaborem de maneira eficiente

Pseudocódigo

# pseudocodigo
0. pacotes
1. importar dados
2. limpar e ajustar dados
3. analises estatisticas
4. graficos
5. exportar resultados

# codigo

# 0. pacotes
library(tidyverse)
library(palmerpenguins)

# 1. importar dados
penguins <- penguins_raw
penguins

# 2. limpar e ajustar dados
penguins_clean <- na.omit(penguins)
penguins_clean

# 3. analises estatisticas
cor.test(penguins_clean$bill_length_mm, penguins_clean$bill_depth_mm)

# 4. graficos
plot(penguins_clean$bill_length_mm, penguins_clean$bill_depth_mm, pch = 20)

# 5. exportar resultados
png("grafico_penguins.png")
plot(penguins_clean$bill_length_mm, penguins_clean$bill_depth_mm, pch = 20)
dev.off()

Dúvidas?

Para apresentar os próximos conceitos e funções, vamos usar dados de pinguins

palmerpenguins

• Dados de medidas de pinguins chamados palmerpenguins

• Dados coletados e disponibilizados pela Dra. Kristen Gorman e pela Palmer Station, Antarctica LTER, membro da Long Term Ecological Research Network

• Dois conjuntos de dados:

• penguins_raw (dados brutos)

• penguins (versão simplificada)

palmerpenguins

# instalar 
install.packages("palmerpenguins")

# carregar
library(palmerpenguins)

# ajuda dos dados
?penguins
?penguins_raw

# remover nas
penguins_sem_na <- na.omit(penguins)

Análise exploratória de dados (AED)

Dados brutos

• palmerpenguins

head(penguins_sem_na, n = 10)

# A tibble: 10 × 8
   species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
   <fct>   <fct>              <dbl>         <dbl>             <int>       <int>
 1 Adelie  Torgersen           39.1          18.7               181        3750
 2 Adelie  Torgersen           39.5          17.4               186        3800
 3 Adelie  Torgersen           40.3          18                 195        3250
 4 Adelie  Torgersen           36.7          19.3               193        3450
 5 Adelie  Torgersen           39.3          20.6               190        3650
 6 Adelie  Torgersen           38.9          17.8               181        3625
 7 Adelie  Torgersen           39.2          19.6               195        4675
 8 Adelie  Torgersen           41.1          17.6               182        3200
 9 Adelie  Torgersen           38.6          21.2               191        3800
10 Adelie  Torgersen           34.6          21.1               198        4400
# ℹ 2 more variables: sex <fct>, year <int>

Observações e variáveis

• Cada linha dos dados é uma observação
• Cada coluna dos dados é uma variável

head(penguins_sem_na, n = 10)

# A tibble: 10 × 8
   species island    bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
   <fct>   <fct>              <dbl>         <dbl>             <int>       <int>
 1 Adelie  Torgersen           39.1          18.7               181        3750
 2 Adelie  Torgersen           39.5          17.4               186        3800
 3 Adelie  Torgersen           40.3          18                 195        3250
 4 Adelie  Torgersen           36.7          19.3               193        3450
 5 Adelie  Torgersen           39.3          20.6               190        3650
 6 Adelie  Torgersen           38.9          17.8               181        3625
 7 Adelie  Torgersen           39.2          19.6               195        4675
 8 Adelie  Torgersen           41.1          17.6               182        3200
 9 Adelie  Torgersen           38.6          21.2               191        3800
10 Adelie  Torgersen           34.6          21.1               198        4400
# ℹ 2 more variables: sex <fct>, year <int>

Tabela de frequência

• Dados brutos: conjunto dos valores numéricos coletados na pesquisa

• Classes: intervalo de valores contínuos (0 |— 1)

• Frequência absoluta (fi): número de vezes que uma observação aparece ou pertencente a um intervalo ou classe

• Frequência total: soma de todas as frequências absolutas (fi)

• Frequência relativa (fri): valor da razão de cada frequência absoluta (fi) com a frequência total (somatório de fi)

• Frequência acumulada (Fi): obtida somando (acumulando) os valores da frequência absoluta (fi)

• Frequência relativa acumulada (Fri): obtida somando (acumulando) os valores da frequência relativa (fri)

Tabela de frequência

Classes	Freq. absoluta (fi)	Freq. relativa (fri)	Freq. acumulada (Fi)	Freq. relativa acumulada (Fri)
0|—1	4	0.13	4	0.13
1|—2	8	0.26	12	0.39
2|—3	12	0.39	24	0.77
3|—4	7	0.23	31	1.00
Total	31	1.00

table

• Cria uma tabela de frequências para variáveis categóricas ou para a combinação de variáveis
• Sintaxe:

table(..., exclude = NULL, useNA = "no")

• ...: Vetores ou variáveis categóricas a serem tabuladas

• exclude: Valores a serem excluídos (como NA)

• useNA: Se e como contar valores faltantes (“no”, “ifany”, “always”)

• Exemplo

# vetor categorico
cores <- c("vermelho", "azul", "verde", "vermelho", "azul", "vermelho")

# tabela de frequências
table(cores)

cores
    azul    verde vermelho 
       2        1        3 

Tabela de frequência

Frequência absoluta (fi)

table(penguins_sem_na$species)

   Adelie Chinstrap    Gentoo 
      146        68       119 

Tabela de frequência

Frequência absoluta (fi)

table(penguins_sem_na$species)

   Adelie Chinstrap    Gentoo 
      146        68       119 

Frequência relativa (fri)

prop.table(table(penguins_sem_na$species))

   Adelie Chinstrap    Gentoo 
0.4384384 0.2042042 0.3573574 

Função composta

prop.table(table(penguins_sem_na$species))

# funcao composta
1:3
sum(1:3)
log(sum(1:3))

Tabela de frequência

Frequência absoluta (fi)

table(penguins_sem_na$species)

   Adelie Chinstrap    Gentoo 
      146        68       119 

Frequência relativa (fri)

prop.table(table(penguins_sem_na$species)) * 100

   Adelie Chinstrap    Gentoo 
 43.84384  20.42042  35.73574 

Tabela de frequência

Frequência absoluta (fi)

table(penguins_sem_na$species)

   Adelie Chinstrap    Gentoo 
      146        68       119 

Frequência relativa (fri)

round(prop.table(table(penguins_sem_na$species)), 4) * 100

   Adelie Chinstrap    Gentoo 
    43.84     20.42     35.74 

Tabela de frequência

Frequência absoluta de duas colunas (fi)

table(penguins_sem_na$species, penguins_sem_na$island)

           
            Biscoe Dream Torgersen
  Adelie        44    55        47
  Chinstrap      0    68         0
  Gentoo       119     0         0

Frequência relativa de duas colunas (fri)

round(prop.table(table(penguins_sem_na$species, penguins_sem_na$island)), 4) * 100

           
            Biscoe Dream Torgersen
  Adelie     13.21 16.52     14.11
  Chinstrap   0.00 20.42      0.00
  Gentoo     35.74  0.00      0.00

Para se aprofundar

• cumsum: função para soma cumulativa
• cut: função para dividir uma sequencia de valores em intervalos
• janitor: pacote com funções para limpar bases de dados e fazer tabelas de frequência

Dúvidas?

Medidas-resumo

Medidas de posição

• Moda: valor mais frequente das observações

• Mediana: valor que divide as observações ordenadas em duas partes iguais

• Média aritmética: soma das observações dividida pelo número de observações

• Outras médias: ponderada, geométrica e harmônica

Medidas-resumo

Medidas de dispersão

• Variância: medida de quantas observações diferem do valor central (média)

• Desvio padrão: raiz quadrada da variância (mantêm a mesma unidade de medida)

• Erro padrão: variação da média amostral em relação à média populacional (confiabilidade da média amostral)

apply

• Função nativa no R que aplica uma função sobre as margens de um array ou matriz
• Sintaxe:

apply(X, MARGIN, FUN, ...)

• X: matriz, data frame ou array em que será aplicada a função

• MARGIN: valor indica a margem onde a função será aplicada (1 = linhas ou 2 = colunas)

• FUN: função que será aplicada

• Exemplo:

# matriz
m <- matrix(1:9, nrow = 3, byrow = TRUE)
m 

     [,1] [,2] [,3]
[1,]    1    2    3
[2,]    4    5    6
[3,]    7    8    9

# funcao mean nas linhas (MARGIN = 1)
m_mean_row <- apply(m, 1, mean)
m_mean_row

[1] 2 5 8

apply

m <- matrix(c(1, 3, 5, 2, 4, 6), ncol = 3, byrow = TRUE)
m

     [,1] [,2] [,3]
[1,]    1    3    5
[2,]    2    4    6

apply(m, 1, sum)

[1]  9 12

Família apply

• Aplicam uma função a elementos de estruturas de dados como vetores, listas, matrizes ou data frames de forma eficiente, evitando laços

# familia apply
apply(X, MARGIN, FUN, ...)
lapply(X, FUN, ...)
sapply(X, FUN, ...)
vapply(X, FUN, FUN.VALUE, ...)
tapply(X, INDEX, FUN, ...)
mapply(FUN, ..., MoreArgs = NULL)
rapply(object, f, classes = "ANY", how = "replace")

lapply

• Aplica uma função a cada elemento de uma lista ou vetor, retornando sempre uma lista

• Exemplos

# lista
x <- list(a = 1:5, b = 6:10)
x

$a
[1] 1 2 3 4 5

$b
[1]  6  7  8  9 10

lapply(x, mean)  # media de cada lista - retorna lista

$a
[1] 3

$b
[1] 8

sapply

• Similar a lapply, retornando matriz, vetor ou lista (ele escolhe…)
• Exemplos

# lista
x <- list(a = 1:5, b = 6:10)
x

$a
[1] 1 2 3 4 5

$b
[1]  6  7  8  9 10

sapply(x, mean)  # media de cada lista - retorna o que quiser...

a b 
3 8 

vapply

• Similar a sapply, mas permite definir o tipo de retorno
• Exemplos

# lista
x <- list(a = 1:5, b = 6:10)
x

$a
[1] 1 2 3 4 5

$b
[1]  6  7  8  9 10

vapply(x, mean, numeric(1))  # media de cada lista - retorna escolha

a b 
3 8 

tapply

• Aplica função sobre subconjuntos definido por fatores
• Exemplos

# data frame
df <- data.frame(x = c(rep(1, 3), rep(2, 3)), 
                 f = factor(rep(1:2, each = 3)))
df

  x f
1 1 1
2 1 1
3 1 1
4 2 2
5 2 2
6 2 2

tapply(df$x, df$f, sum)  # soma por grupo

1 2 
3 6 

mapply

• Aplica função a múltiplos vetores ou listas de forma paralela
• Exemplos

# dois vetores
x <- c(1, 2, 3)
y <- c(4, 5, 6)

mapply(sum, x, y) # soma de cada elemento

[1] 5 7 9

# dois vetores
x <- c(1, 2, 3)
y <- c(4, 5, 6)

mapply(paste0, x, y) # combinacao de cada elemento

[1] "14" "25" "36"

rapply

• Função recursiva usada para aplicar uma função a todos os elementos de uma lista (ou estrutura aninhada de listas)
• Exemplos

# lista
l <- list(a = 4, b = "texto", c = list(d = 25, e = 36))
l

$a
[1] 4

$b
[1] "texto"

$c
$c$d
[1] 25

$c$e
[1] 36

rapply

• Função recursiva usada para aplicar uma função a todos os elementos de uma lista (ou estrutura aninhada de listas)
• Exemplos

# aplica sqrt() apenas aos elementos numericos
rapply(l, sqrt, classes = "numeric", how = "replace")

$a
[1] 2

$b
[1] "texto"

$c
$c$d
[1] 5

$c$e
[1] 6

rapply

• Função recursiva usada para aplicar uma função a todos os elementos de uma lista (ou estrutura aninhada de listas)
• Exemplos

# aplica sqrt() e retornando um vetor achatado
rapply(l, sqrt, classes = "numeric", how = "unlist")

  a c.d c.e 
  2   5   6 

# usando deflt para retornar NA para elementos nao numericos
rapply(l, sqrt, classes = "numeric", deflt = NA)

  a   b c.d c.e 
  2  NA   5   6 

Medidas-resumo

Média

# media por linhas
apply(penguins_sem_na[1:20, 3:6], 1, mean)

 [1]  997.200 1010.725  875.825  924.750  974.975  965.675 1232.200  860.175
 [9] 1012.700 1163.425  984.850  925.675 1190.050  890.450 1115.375  907.525
[17]  959.100 1011.025 1047.825 1009.000

# media por colunas
apply(penguins_sem_na[1:20, 3:6], 2, mean)

   bill_length_mm     bill_depth_mm flipper_length_mm       body_mass_g 
           38.695            19.010           187.750          3766.250 

Medidas-resumo

Desvio padrão

# desvio padrao por linhas
apply(penguins_sem_na[1:20, 3:6], 1, sd)

 [1] 1836.619 1861.021 1584.739 1685.311 1784.962 1774.364 2296.541 1561.572
 [9] 1859.765 2159.214 1811.644 1684.724 2208.028 1624.746 2057.828 1663.093
[17] 1762.071 1860.886 1936.213 1862.067

# desvio padrao por colunas
apply(penguins_sem_na[1:20, 3:6], 2, sd)

   bill_length_mm     bill_depth_mm flipper_length_mm       body_mass_g 
         2.627081          1.355651          6.873864        408.726762 

Medidas-resumo

Média

# media por especie
tapply(penguins_sem_na$bill_length_mm, penguins_sem_na$species, mean)

   Adelie Chinstrap    Gentoo 
 38.82397  48.83382  47.56807 

# media por ilha
tapply(penguins_sem_na$bill_length_mm, penguins_sem_na$island, mean)

   Biscoe     Dream Torgersen 
 45.24847  44.22195  39.03830 

Medidas-resumo

Desvio padrão

# desvio padrao por especie
tapply(penguins_sem_na$bill_length_mm, penguins_sem_na$species, sd)

   Adelie Chinstrap    Gentoo 
 2.662597  3.339256  3.106116 

# desvio padrao por ilha
tapply(penguins_sem_na$bill_length_mm, penguins_sem_na$island, sd)

   Biscoe     Dream Torgersen 
 4.827319  5.947069  3.028097 

Para se aprofundar

• rowSums e colSums: soma de linhas e colunas
• rowMeans e colMeans: média de linhas e colunas
• rowMedians e colMedians: mediana de linhas e colunas
• rowVars e colVars: variância de linhas e colunas
• rowMins e colMins: mínimo de linhas e colunas
• rowMaxs e colMaxs: máximo de linhas e colunas
• rowProds e colProds: produto de linhas e colunas
• rowCumsums e colCumsums: soma cumulativa de linhas e colunas
• sweep(): função para subtrair, adicionar, multiplicar ou dividir cada linha ou coluna

Dúvidas?

Programação no R

• Automatizar tarefas maçantes…
• Direcionar o comportamento dos códigos com base em condições ou repetições
• Criar funções para reutilizar códigos, melhorar organização, reduzir erros e maior generalização

IMPORTANTE!

Controle de fluxo

• Muda o comportamento do código com base em condições
• Condicionais: if, else e else if

Operadores

Operadores relacionais (TRUE|FALSE)

Operador	Descrição	Uso
<	Menor	a < b
>	Maior	a > b
==	Igual	a == b
<=	Menor ou igual	a <= b
>=	Maior ou igual	a > = b
!=	Não igual (diferente)	a!=b

Operadores

Operadores lógicos (TRUE|FALSE)

Operador	Descrição	Uso
!	Lógico NÃO	!a
&	Lógico E (elementar)	a & b
|	Lógico OU (elementar	a | b
&&	Lógico E (primeiro)	a && b
||	Lógico OU (primeiro)	a || b

if

• Se uma condição for verdadeira, faça …

# valor
x <- 10

# condicao
x > 5

[1] TRUE

# teste
if(x > 5){
    
    print("x é maior que 5")
    
}

[1] "x é maior que 5"

if

• Se duas condições forem verdadeiras, faça …

# valores
x <- 10
y <- 10

# condicao
x > 5 & y > 8

[1] TRUE

# teste
if(x > 5 & y > 8){
    
    print("x e y são maiores que 5")
    
}

[1] "x e y são maiores que 5"

if

• Se algo menos uma condição for verdadeira, faça …

# valores
x <- 10
y <- 2

# condicao
x > 5 | y > 8

[1] TRUE

# teste
if(x > 5 | y > 8){
    
    print("x ou y é maior que 5")
    
}

[1] "x ou y é maior que 5"

if e else

• Se uma condição for verdadeira, faça …
• Se não (falso), faça …

# valor
x <- 3

# condicao
x > 5

[1] FALSE

# teste
if(x > 5){
    print("x é maior que 5")
    } else{
        print("x é menor ou igual a 5")
}

[1] "x é menor ou igual a 5"

else if

• Se uma condição for verdadeira, faça …
• Se não (falso) se for verdadeiro, faça …
• Se não (falso), faça …

x <- 7
if(x > 10){
    print("x é maior que 10")
    } else if(x > 5){
        print("x está entre 6 e 10")
        } else{
            print("x é 5 ou menor")
}

[1] "x está entre 6 e 10"

Dúvidas?

Estruturas de repetição

• Executa um bloco de código com base em repetições
• Laços: for, while e repeat
• Controles: break e next

for

• Executa um bloco de código para uma sequência de valores (vetores ou listas) [iteração]

# for
for(i in 1:10){
    print(i)
}

[1] 1
[1] 2
[1] 3
[1] 4
[1] 5
[1] 6
[1] 7
[1] 8
[1] 9
[1] 10

for

• Executa um bloco de código para uma sequência de valores (vetores ou listas) [iteração]

# for
prog <- c("R", "python", "julia", "Fortran")
for(i in prog){
    print(i)
}

[1] "R"
[1] "python"
[1] "julia"
[1] "Fortran"

while

• Executa um bloco de código enquanto uma condição é verdadeira

# while
x <- 1
while(x <= 5){
    print(x)
    x <- x + 1  # atualiza o x
}

[1] 1
[1] 2
[1] 3
[1] 4
[1] 5

repeat

• Executa um bloco de código repetidamente até que uma condição de parada (break) seja atendida

# repeat
x <- 1
repeat{
    print(x)
    x <- x + 1
    if(x > 5){
        break  # para o loop para x > 5
    }
}

[1] 1
[1] 2
[1] 3
[1] 4
[1] 5

break

• Usado para sair de um laço antes que ele complete todas as iterações

# break
for(i in 1:10){
    if(i == 6){
        break  # sai do laco quando i for igual a 6
    }
    print(i)
}

[1] 1
[1] 2
[1] 3
[1] 4
[1] 5

next

• Usado para fazer o laço pular a próxima iteração sem executar o código que vem após ele

# next
for(i in 1:5){
    if(i == 3){
        next  # pula o numero 3
    }
    print(i)
}

[1] 1
[1] 2
[1] 4
[1] 5

Controle de fluxo e repetição

for

# for e if/else
for(i in 1:10){
    
    if(i %% 2 == 0){
        print(paste(i, "é par"))
    } else{
        print(paste(i, "é ímpar"))
    }
}

[1] "1 é ímpar"
[1] "2 é par"
[1] "3 é ímpar"
[1] "4 é par"
[1] "5 é ímpar"
[1] "6 é par"
[1] "7 é ímpar"
[1] "8 é par"
[1] "9 é ímpar"
[1] "10 é par"

Controle de fluxo e repetição

while

# while e if/else
x <- 1
while(x <= 10){
    
    if(x %% 2 == 0){
        print(paste(x, "é par"))
    } else{
        print(paste(x, "é ímpar"))
    }
    x <- x + 1
}

[1] "1 é ímpar"
[1] "2 é par"
[1] "3 é ímpar"
[1] "4 é par"
[1] "5 é ímpar"
[1] "6 é par"
[1] "7 é ímpar"
[1] "8 é par"
[1] "9 é ímpar"
[1] "10 é par"

Usos avançados do for

• Iterando sobre elementos de uma lista
• i assume o valor dos elementos

prog <- c("R", "python", "julia", "Fortran")

for(i in prog){
    print(i)

    }

[1] "R"
[1] "python"
[1] "julia"
[1] "Fortran"

Usos avançados do for

• Iterando sobre posição dos elementos de uma lista
• i assume a posição dos elementos

prog <- c("R", "python", "julia", "Fortran")

for(i in 1:length(prog)){
    
    print(i)
    print(prog[i])
    
}

[1] 1
[1] "R"
[1] 2
[1] "python"
[1] 3
[1] "julia"
[1] 4
[1] "Fortran"

Usos avançados do for

• Combinando resultados em um objeto vazio

x <- c(1, 4, 9, 16)

obj <- NULL

for(i in x){
    
    raiz <- sqrt(i)
    obj <- c(obj, raiz)
}
obj

[1] 1 2 3 4

Usos avançados do for

• Combinando resultados em um objeto vazio pela posição

x <- c(1, 10, 100, 1000)

obj <- NULL

for(i in 1:length(x)){
    
    obj[i] <- log10(x[i])
}
obj

[1] 0 1 2 3

Usos avançados do for

• Combinando resultados em um objeto vazio por linhas

df <- data.frame()

for(i in 1:5){

  q <- i^2
  c <- i^3
  res <- data.frame(numero = i, quadrado = q, cubo = c)
  df <- rbind(df, res)
}
df

  numero quadrado cubo
1      1        1    1
2      2        4    8
3      3        9   27
4      4       16   64
5      5       25  125

Usos avançados do for

• Combinando resultados em um objeto vazio por colunas

df <- data.frame(numero = 1:5)

for(i in 1:5){
    
    res <- i * 1:5
    df_res <- data.frame(res)
    colnames(df_res) <- paste0("mult", i)
    df <- cbind(df, df_res)
}
df

  numero mult1 mult2 mult3 mult4 mult5
1      1     1     2     3     4     5
2      2     2     4     6     8    10
3      3     3     6     9    12    15
4      4     4     8    12    16    20
5      5     5    10    15    20    25

Funções

• Uma função é um bloco de código que realiza uma tarefa específica

• Possui entradas (argumentos) e retorna saídas (resultados)

• Utilizada para evitar repetição de código, tornando-o mais organizado e reutilizável

Estrutura de uma função

• nome_da_funcao: nome de escolha da função
• argumentos: valores de entrada que a função recebe
• retorno: especifica o que a função devolve (return())

# estrutura
nome_da_funcao <- function(argumentos){
  # corpo da funcao
  # calculos, operacoes ou processos
  return(resultado)
}

Exemplo de funções

• Funções com um argumento
• Elevar um número ao quadrado

# definicao
quadrado <- function(x){
  return(x^2)
}

# uso
quadrado(2)

[1] 4

Exemplo de funções

• Funções com um argumento
• Raiz quadrada de um número

# definicao
raiz <- function(x){
  return(x^(1/2))
}

# uso
raiz(4)

[1] 2

Exemplo de funções

• Funções com múltiplos argumentos
• Soma dois números

# definicao
soma <- function(a, b){
  return(a + b)
}

# uso
soma(40, 2)

[1] 42

Exemplo de funções

• Argumentos com valores padrão

# definicao
saudacao <- function(nome = "Amigo"){
  return(paste("Olá,", nome))
}

# uso
saudacao()

[1] "Olá, Amigo"

saudacao("Maurício")

[1] "Olá, Maurício"

Exemplo de funções

• Função com controle de fluxo
• Verificar se um número é par ou ímpar

# definicao
par_ou_impar <- function(num){
  if(num %% 2 == 0){
    return("Par")
  } else{
    return("Ímpar")
  }
}

# uso
par_ou_impar(42)

[1] "Par"

par_ou_impar(23)

[1] "Ímpar"

Exemplo de funções

• Função com repetições
• Soma sequência de valores

# definicao
soma_sequencia <- function(n){
  total <- 0
  for(i in 1:n){
    total <- total + i
  }
  return(total)
}

# uso
soma_sequencia(3)

[1] 6

Exemplo de funções

• O ... permite passar um número indefinido de argumentos para a função

# definicao
soma_variavel <- function(...){
  return(sum(...))
}

# uso
soma_variavel(1, 2, 3, 4)

[1] 10

# uso
soma_variavel(1:100)

[1] 5050

Funções externas

• Permite usar uma função em um script separado do script principal
• Carrega e executa código salvo em um arquivo de script externo

# arquivo: funcoes_util.R
soma <- function(a, b) {
  return(a + b)
}

multiplicacao <- function(a, b) {
  return(a * b)
}

Funções externas

• Permite usar uma função em um script separado do script principal
• Carrega e executa código salvo em um arquivo de script externo

# carrega as funcoes
source("funcoes_util.R")

# uso
res_soma <- soma(3, 5)
res_soma

[1] 8

res_multi <- multiplicacao(3, 5)
res_multi

[1] 15

Dúvidas?

Muito obrigado!

Agradecimentos:

• Prof. Tadeu Siqueira
• Prof. Miltinho
• Cleber Chaves

Contato:

mauricio.vancine@gmail.com mauriciovancine.github.io