Programação no R - Aula 6

Disciplina: Lógica da programação (de computadores) e análise de dados no R

Prof. Maurício Garcia de Camargo. IO-FURG.

2025-10-10

Exercício 8 (DESAFIO da aula passada).

Crie uma função f_tab() que receberá dois números (a e b) e imprima a tabuada de a até b.

Por exemplo: imprimir a tabuada de 1 até 3.

f_tab(1,3)

“Tabuada do 1”
“1 x 1 = 1”
“1 x 2 = 2”
…
“1 x 10 = 10”

“Tabuada do 2”
“2 x 1 = 2”
“2 x 2 = 4”
…
“2 x 10 = 20”

“Tabuada do 3”
“2 x 1 = 3”
“3 x 2 = 6”
…
“3 x 10 = 30”

Estruturas de repetição WHILE no R

Estruturas de repetição (loops ou laços) circulam (iteram) pelos itens até que parem.

Diferenças entre FOR e WHILE

  • FOR: executa um bloco de código um número fixo de vezes, iterando sobre um vetor.
for (i in 1:5) {
 print(i)
}

  • WHILE: executa um bloco de código enquanto uma condição for verdadeira.

while (condição_lógica) {
# bloco de código
}

Exemplo 1. Contar até 5 com while:

i = 1             # Variável de inicialização
while (i <= 5) {
  print(i)
  i = i + 1
}
[1] 1
[1] 2
[1] 3
[1] 4
[1] 5

Exemplo 2. Realizar uma contagem regressiva

i = 10
while (i >= 1) {
  print(i)
  i = i - 1
}
[1] 10
[1] 9
[1] 8
[1] 7
[1] 6
[1] 5
[1] 4
[1] 3
[1] 2
[1] 1

Exemplo 3. Realizar a soma dos 100 primeiros números

soma = 0
i = 1
while (i <= 100) {
  soma = soma + i
  i = i + 1
}

print(soma)
[1] 5050

Encerramos os 5 fundamentos da lógica da programação!!!

  • Function
  • IF
  • ELSE
  • FOR
  • WHILE

Retornando às estruturas de dados do R

VETOR: série de números (ou caracteres). Vetor tem uma dimensão.

#### Exemplos:
v = c(1,2,3,4,5)
vs = c('A','B','C','D')

#### Funções vetoriais
length(v)
sum(v)

#### Índices de vetores
v[1]            # Primeiro elemento
v[length(v)]    # Último elemento
v[3] = 99       #Atribuir um elemento individual

#### Filtragem lógica com operadores booleanos
v[(v < 3) & (v != 0 )]


MATRIZ: série de vetores do mesmo tipo (numérico ou de caracteres). Matriz tem 2 dimensões (linhas e colunas).

#### Exemplos:
v1 = c(1,2,3,4)
v2 = c(6,7,8,9)
v3 = c(10,11,12,13)
m = cbind(v1,v2,v3)
m
     v1 v2 v3
[1,]  1  6 10
[2,]  2  7 11
[3,]  3  8 12
[4,]  4  9 13

MATRIZES: Índices de matrizes

m = matrix(1:12, nrow=4)
m
     [,1] [,2] [,3]
[1,]    1    5    9
[2,]    2    6   10
[3,]    3    7   11
[4,]    4    8   12
#### Usando índices de matrizes 
#### m[linha,coluna]
m[2,3]    # Selecionando o elemento da linha 2 e coluna 3
[1] 10
m[3,]     # Para selecionar a terceira linha inteira (vetor)
[1]  3  7 11
m[,2]     # Para selecionar a segunda coluna inteira (vetor)
[1] 5 6 7 8

MATRIZES: Índices de matrizes

m[c(1,3),]   # Selecionando o primeira e terceira linhas (submatriz)  
     [,1] [,2] [,3]
[1,]    1    5    9
[2,]    3    7   11
m[2:4,c(1,3)]   # Selecionando as linhas de 2 a 4 e as colunas 1 e 3 (submatriz)
     [,1] [,2]
[1,]    2   10
[2,]    3   11
[3,]    4   12

Funções específicas para matrizes

ncol(m)    # Número de colunas da matriz m
[1] 3
nrow(m)    # Número de linhas da matriz m
[1] 4
dim(m)     # Dimensões da matriz (vetor do número de linhas e colunas)
[1] 4 3
t(m)       # Transposição da matriz (linhas viram colunas)
     [,1] [,2] [,3] [,4]
[1,]    1    2    3    4
[2,]    5    6    7    8
[3,]    9   10   11   12

ARRAY: muitas dimensões.

Array generaliza a matriz para n-dimensões.

Em array, todos os dados são do mesmo tipo, assim como as matrizes.

Array é pouco usada em problemas aplicados.

Array é usada em conceitos matemáticos multi-dimensionais.

Não se preocupe muito com elas, apenas entenda o conceito de multi-dimensional, baseado em Linhas X Colunas X Camadas, e que isso pode mais mais dimensões ainda.

Criando arrays

x = 1:24
A = array(x, dim = c(3,4,2))  # Array 3D: (linhas, colunas, "camadas")
A
, , 1

     [,1] [,2] [,3] [,4]
[1,]    1    4    7   10
[2,]    2    5    8   11
[3,]    3    6    9   12

, , 2

     [,1] [,2] [,3] [,4]
[1,]   13   16   19   22
[2,]   14   17   20   23
[3,]   15   18   21   24
dim(A)
[1] 3 4 2

DATAFRAME = planilha (colunas de diferentes tipos de dados)

  • Dataframe sempre é bidimensional (Linhas X Colunas).
  • Cada coluna é um vetor do mesmo comprimento.
  • Cada coluna pode ser de um tipo diferente de dado (numérico ou de caracteres).
  • R pode substituir o Excel em planilhagem.

Criando um dataframe

Como criar um Dataframe usando a função data.frame()

nome = c('Fulano','Beltrano','Ciclano')  # Criando o vetor de nomes
idade = c(12,18,20)
id = 101:103
df = data.frame(nome,idade,id)
df
      nome idade  id
1   Fulano    12 101
2 Beltrano    18 102
3  Ciclano    20 103

Seleção de dados feita como matrizes, usando os índíces bidimensionais (Linhas X Colunas).

df[1:2,2:3]
  idade  id
1    12 101
2    18 102

Extraindo os vetores das colunas usando $ e o nome da coluna

df$idade
[1] 12 18 20
df$nome
[1] "Fulano"   "Beltrano" "Ciclano"

Para criar uma nova coluna usando $, basta atribuir o valor a um novo nome de coluna (apelido).

df$apelido = c('A','B','C')
df
      nome idade  id apelido
1   Fulano    12 101       A
2 Beltrano    18 102       B
3  Ciclano    20 103       C

Exemplo 1:

Crie um dataframe com 4 colunas e 4 linhas, assim:

id (1..4), sexo (M/F), altura (m), peso (kg).

Depois, calcule o IMC (= peso/altura^2) como nova coluna.

id = 1:4
sexo = c('F','M','M','F')
altura = c(1.58, 1.87, 1.75, 1.72)
peso = c(62, 91, 78, 72)
df1 = data.frame(id,sexo,altura,peso)
df1$imc = trunc(df1$peso / df1$altura^2)
df1
  id sexo altura peso imc
1  1    F   1.58   62  24
2  2    M   1.87   91  26
3  3    M   1.75   78  25
4  4    F   1.72   72  24

Índices em dataframes: Assim como matrizes, dataframes são bidimensionais (Linhas X Colunas).

df1
  id sexo altura peso imc
1  1    F   1.58   62  24
2  2    M   1.87   91  26
3  3    M   1.75   78  25
4  4    F   1.72   72  24
df1[1,2]  # Extrai o elemento da linha 1 e coluna 2.
[1] "F"
df1[3,]   # Extrai apenas a terceira linha.
  id sexo altura peso imc
3  3    M   1.75   78  25
df1[,2]   # Extrai apenas a segunda coluna.
[1] "F" "M" "M" "F"
df1$sexo  # Também extrai a segunda coluna
[1] "F" "M" "M" "F"

df1
  id sexo altura peso imc
1  1    F   1.58   62  24
2  2    M   1.87   91  26
3  3    M   1.75   78  25
4  4    F   1.72   72  24
df1[c(1,3),]   # Extrai a linha 1 e a linha 3 inteiras.
  id sexo altura peso imc
1  1    F   1.58   62  24
3  3    M   1.75   78  25
df1[c(1,3),2]   # Extrai a linha 1 e a linha 3 da segunda coluna.
[1] "F" "M"
df1[1:3,1:3]   # Extrai da linha 1 até a linha 3 das colunas de 1 a 3. 
  id sexo altura
1  1    F   1.58
2  2    M   1.87
3  3    M   1.75

Como o vetor df1 foi criado com os nomes das colunas, podemos selecioná-las pelo nome.

df1
  id sexo altura peso imc
1  1    F   1.58   62  24
2  2    M   1.87   91  26
3  3    M   1.75   78  25
4  4    F   1.72   72  24
# Selecionando todas as linhas e 2 colunas.

df1[,c('id','sexo')]  
  id sexo
1  1    F
2  2    M
3  3    M
4  4    F

Os poderosos filtros em dataframes no R

Os filtros funcionam tal como em vetores e matrizes, aplicados separadamente às linhas e colunas do dataframe.

df1
  id sexo altura peso imc
1  1    F   1.58   62  24
2  2    M   1.87   91  26
3  3    M   1.75   78  25
4  4    F   1.72   72  24
# Selecionando as linhas com imc > 24

df1[df1$imc > 24, ]  
  id sexo altura peso imc
2  2    M   1.87   91  26
3  3    M   1.75   78  25

df1
  id sexo altura peso imc
1  1    F   1.58   62  24
2  2    M   1.87   91  26
3  3    M   1.75   78  25
4  4    F   1.72   72  24
# Selecionando as linhas das mulheres com peso < 77

df1[(df1$sexo=='F') & (df1$peso < 77) , ]  
  id sexo altura peso imc
1  1    F   1.58   62  24
4  4    F   1.72   72  24
# Selecionando as linhas dos homens com peso > 80 e mostrando apemas o id e imc.

df1[(df1$sexo=='M') & (df1$peso > 80) , c('id','imc')]  
  id imc
2  2  26

Exercícios de dataframes

Considere o seguinte dataframe proveniente de uma campanha de amostragem de bentos:

local = c('L1','L1','L1','L2','L2','L2')
amostra = c('a1','a2','a3','a1','a2','a3')
abund = c(23,45,0,56,0,25)

Com esses dados, crie um dataframe chamado “dados” e responda:
1 - Extraia o vetor correspondente à primeira coluna.
2 - Extraia o elemento da segunda linha e terceira coluna.
3 - Extraia apenas as linhas correspondentes aos locais L1.

  1. Extraia apenas as linhas dos locais L2 em que a abundância seja maior que 30.

  2. Extraia apenas as colunas amostra e abund dos locais L1 em que a abundância seja diferente de zero.

  3. DESAFIO: Crie uma nova coluna no dataframe chamada pres_aus com valores de 1 e 0 para presença e ausência de abundância.

Manipulação de arquivos no R para abrir planilhas do Excel como dataframe no R

  • Working dir no RStudio: como manipular.
  • Criar uma planilha no Excel, como nome de coluna e salvar como formato csv.
  • No R, abrir o arquivo usando a função read.csv ou read.csv2.
  • Alternativamente, é possível abrir um arquivo Excel (xls ou xlsx) diretamente no R, usando o pacote readxl.