Oficina ‘Introdução à análise exploratória de dados em ambiente R’

XI Seminário de Recursos Naturais | PRONAT UFRR | 2025

Autor
Afiliação

R. O. Perdiz

PRONAT - UFRR | CBIO - UFRR

Data de Publicação

05 nov 2025

NotaDados da oficina

Baixe aqui:

NotaInformes

Última atualização: 2026-08-12.

Código fonte: https://github.com/ricoperdiz/2025_analiseDadosR_XISemRecNat.

Adições

  1. Exemplos com conjunto chamado dados foram removidos.

Apresentação da oficina

O objetivo desta oficina é introduzir o uso da linguagem R e do ambiente RStudio para análise exploratória de dados, com foco em aplicações nas Ciências ambientais.
Ao final desta oficina, você terá os conhecimentos básicos para importar, manipular, agrupar e contar, e visualizar dados simples em R.

Durante as oito horas de oficina, apresentaremos resumidamente comandos básicos em R que cobrem quase todo o ciclo da análise de dados (Figura 1). Nosso intuito é demonstrar o poder do R enquanto ferramenta para a análise de dados. Oferecemos então uma introdução à importação de dados, checagem e transformação de dados, manipulação de dados, agrupamento e sumarização de dados, e, por fim, visualização de dados.

Figura 1: Ciclo da análise de dados. Neste curso, não abordaremos a modelagem de dados. Fonte: Curso-R, disponível em https://curso-r.github.io/livro-material/assets/img/manipulacao/ciclo-ciencia-de-dados.png.

O que é o R?

R é uma linguagem de programação e um ambiente de software livre voltado à análise estatística, exploração e visualização de dados (Ihaka e Gentleman 1996).
Criado por Ross Ihaka e Robert Gentleman, o R é amplamente utilizado por estatísticos, cientistas de dados e pesquisadores para organizar, analisar e interpretar grandes volumes de informação de forma eficiente e reprodutível (Wickham e Grolemund 2017).

Por que R?

View slides in full screen

O IDE RStudio

O RStudio é um ambiente de desenvolvimento integrado (IDE), que facilita o uso do R. Ele é dividido em quatro painéis principais:

  1. Script (Editor) – onde escrevemos e salvamos códigos;
  2. Console – onde os comandos são executados;
  3. Ambiente – mostra objetos carregados na sessão;
  4. Arquivos, plots e pacotes – onde gerenciamos pastas, gráficos e extensões.
Nota

Dica:
Use o atalho Ctrl + Enter (ou Cmd + Enter no macOS) para executar uma linha de código selecionada.

Básico em R

Primeiros comandos

O R pode ser usado como uma calculadora interativa.
Experimente no console:

Objetos e atribuição

No R, os dados são armazenados em objetos. Usamos <- (ou =) para atribuir valores.

Nota

Boa prática: Use nomes curtos e descritivos (sem acentos ou espaços), como dados_plantas ou taxa_crescimento.

Podemos fazer operações matemáticas e guardar resultado das operações em objetos.

Ver o conteúdo de um objeto

Para ver o conteúdo de um objeto, basta digitar seu nome e rodar o código. Por exemplo, para ver a soma, que está no objeto soma, fazemos assim:

Concatenando elementos com a função c()

Podemos concatenar elementos utilizando a função c(). Chamamos esse conjunto de elementos de vetores:

Acima, criamos os vetores numeros e letras. Reparem que em letras adicionamos letras do alfabeto entre aspas "". Devemos fazer isso toda vez que desejarmos guardar texto em um objeto.

Tipos de dados e vetores

Os vetores são as estruturas básicas do R. Podem conter números, caracteres ou valores lógicos.

Estruturas de dados em R

Estrutura Descrição Exemplo
Vetor Sequência unidimensional c(1,2,3)
Matriz Tabela numérica bidimensional matrix()
Data frame Tabela com colunas de tipos diferentes data.frame()
Lista Conjunto heterogêneo de objetos list()

Podemos criar tabelas, por exemplo. No R, chamamos tabelas de data.frame. Cada coluna precisa ser um vetor (criado com a função c()). A função data.frame() junta esses vetores, criando uma tabela.

Em nosso exemplo exposto abaixo, os argumentos ID, Nome e Idade representam os nomes das colunas de nossa tabela, guardada no objeto dados_exemplo:

Podemos ver o conteúdo de dados_exemplo também simplesmente executando o nome do objeto:

Exemplo 2 de criação de um data.frame:

Acessando elementos

Podemos acessar elementos com colchetes [] ou pelo nome da coluna.

Pacotes e funções

O R possui milhares de pacotes que estendem suas funcionalidades. Pacotes em R são conjuntos de funções ou conjuntos de dados. Utilizamos a função install.packages() para instalar esses pacotes. Neste curso, faremos uso dos pacotes dplyr (Wickham et al. 2023), palmerpenguins (Horst et al. 2020), readxl (Wickham e Bryan 2025) e ggplot2 (Wickham 2016). Primeiro, devemos instalar os pacotes. Em seguida, carregamos os pacotes de interesse para nossos objetivos.

Importanteinstall.packages() VS. library()

Instalamos pacotes R uma vez apenas, para cada versão de R que tivermos instalado no computador. Por outro lado, a cada sessão nova de R, devemos carregar os pacotes utilizando a função library(), de forma que as funções dos pacotes estejam disponíveis na sessão.

A função install.packages() é como instalar um aplicativo no seu celular: você faz uma vez. O library() é como abrir esse aplicativo para usá-lo: você precisa fazer isso em cada nova sessão que iniciar.

O pacote dplyr inaugurou uma nova sintaxe em R (ver a postagem O que é o Tidyverse para mais informações), que permite a manipulação de dados tabulares de maneira mais prática e com mais clareza ao usuário.

O ggplot2 (Wickham 2016) é a ferramenta de visualização mais popular em R e será utilizada neste minicurso. Ele segue uma “gramática de gráficos”, em que você constrói o gráfico em camadas.

O pacote readxl (Wickham e Bryan 2025) é usado para importar planilhas .xls e .xlsx diretamente no R, sem precisar ter programas como o Excel/LibreOffice Calc instalados e sem depender de outras ferramentas externas. É amplamente utilizado para trazer dados tabulares para dentro do R de forma rápida e prática, preservando nomes de colunas e tipos de variáveis.

Por sua vez, o pacote palmerpenguins (Horst et al. 2020) oferece um conjunto de dados referente à morfologia de três espécies de pinguins que ocorrem no arquipélago de Palmer no noroeste da península Antártica.

# Instalar (executar uma única vez)
install.packages("dplyr")
install.packages("ggplot2")
install.packages("palmerpenguins")
install.packages("readxl")

Agora carregaremos o pacote por meio da função library(). Devemos inserir o nome do pacote que queremos carregar entre os parênteses, com ou sem aspas.

# Carregar
library("dplyr")
library("ggplot2")
library("palmerpenguins")
library("readxl")

Funções têm o formato nome(argumentos).

Importando dados

Para a análise de dados, precisamos carregar dados 😄😄😄. Existem diversas maneiras de importar dados ao R. Importaremos um arquivo CSV referente ao pacote R palmerpenguins (Horst et al. 2020).

Podemos ler arquivos xlsx utilizando a função read_excel() do pacote readxl (Wickham e Bryan 2025):

Resultado da leitura de dados usando read.table()

Quando executamos os dados lidos pela função read.table(), podemos acabar vendo muita coisa, o que pode acabar incomodando. Desta forma, pode-se utilizar a função head() para ver apenas as primeiras seis linhas da tabela.

DicaDiferença entre read.csv() e read.table()

O R possui diferentes funções para ler tabelas:

  • read.csv() é uma forma simplificada de read.table() já configurada para ler arquivos separados por vírgula (,) e com ponto (.) como separador decimal.

  • read.table() é mais flexível, permitindo ajustar separador (sep) e símbolo decimal (dec).

Inspeção básica - head(), tail(), str(), summary() e glimpse()

Agora que os dados foram lidos, vamos inspecioná-los. Para ver as primeiras linhas/valores de um objeto, utilizamos a função head():

Para observar os últimos valores, utilizamos a função tail():

Podemos utilizar a função dplyr::glimpse() para ver a estrutura dos dados:

Além de dplyr::glimpse(), duas funções muito úteis para inspecionar dados são:

  • str(): mostra a estrutura do objeto.

  • summary(): gera um resumo estatístico das variáveis numéricas e uma contagem das categorias.

Limpeza e checagem de dados

Dados do mundo real raramente são perfeitos. Precisamos limpá-los.

  • Dados ausentes (NA): Verificando e lidando com valores NA.

  • Tipos de colunas: Garantindo que cada coluna tenha o tipo de dado correto (numérico, texto, etc.).

Dados ausentes

Removendo linhas com NA

Para remover todas as linhas que apresentarem valoes ausentes, podemos utilizar a função na.omit().

Agora checamos os dados após a remoção das linhas com dados ausentes:

Renomear colunas

Podemos renomear colunas utilizando a função dplyr::rename():

Veja agora o resultado da renomeação das colunas:

Transformação de tipos de dados/colunas

Às vezes, uma coluna que deveria ser numérica (por exemplo, com números) é lida como um texto. Isso pode acontecer quando a coluna tem algum valor não numérico, como um caractere especial ou um espaço.

Para resolver, podemos converter o tipo de dado. Por exemplo, vamos transformar a coluna body_mass_g para o tipo numérico usando a função as.numeric():

DicaAjuda para entender quais são os argumentos de uma função

O R possui uma função, chamada ajuda “help”, que deve ser utilizada para obtermos informação sobre o que uma função executa. Para obter essa ajuda, devemos pegar a função e executá-la da seguinte forma:

?read.table
?na.omit
?c

Ao utilizar o ? junto ao nome de uma função, sem os parênteses, uma janela se abre contendo várias informações úteis referentes ao que aquela determinada função faz. Teste aí!

Exercícios Práticos — Parte I

1. Criando e manipulando vetores

  1. Crie um vetor chamado alturas com os valores 1.60, 1.72, 1.80, 1.65 e 1.75.
  2. Calcule a média das alturas utilizando a função mean().
  3. Calcule o desvio-padrão com sd().
  4. Some 0.05 a cada valor do vetor, simulando um aumento de 5 cm, e guarde o resultado em um novo vetor chamado alturas_ajustadas.
  5. Compare os dois vetores (alturas e alturas_ajustadas) no console.

2. Trabalhando com vetores de texto e lógicos

  1. Crie um vetor chamado nomes com os valores "Ana", "Bruno", "Carlos", "Daniela", "Eduardo".
  2. Crie um vetor lógico chamado presente com os valores TRUE, FALSE, TRUE, TRUE, FALSE.
  3. Verifique quantos alunos estavam presentes com sum(presente).
  4. Use a função length() para contar quantos nomes há no vetor.

3. Construindo seu primeiro data.frame

  1. Use os vetores nomes, alturas e presente para criar um data.frame chamado dados_alunos.
  2. Visualize a tabela no console.
  3. Verifique a estrutura do objeto com str().
  4. Use a função summary() para gerar um resumo estatístico das colunas numéricas.

4. Acessando elementos da tabela

  1. Mostre apenas a primeira linha da tabela.
  2. Mostre apenas a coluna alturas.
  3. Selecione as linhas dos alunos presentes (TRUE).
  4. Mostre apenas os nomes (nomes) dos alunos com altura maior que 1.70 m.

5. Explorando funções novas

  1. Use head() para ver as primeiras linhas da tabela dados_alunos.
  2. Use glimpse() para uma visão geral.
  3. Use nrow() e ncol() para descobrir quantas linhas e colunas há.
  4. Tente ordenar o data.frame pela coluna alturas, do menor para o maior, usando a função arrange() do pacote dplyr.

6. Mini-desafio

Crie um pequeno conjunto de dados fictício sobre plantas amostradas em campo. Inclua as colunas:

  • especie (nomes de 4 espécies quaisquer),
  • altura_m (valores numéricos com alturas em metros),
  • florida (valores lógicos TRUE/FALSE indicando se a planta estava florida).
  1. Monte o data.frame chamado plantas.
  2. Calcule a média da altura das plantas.
  3. Filtre apenas as plantas floridas.
  4. Renomeie a coluna altura_m para altura_media_m.

Manipulação e transformação de dados com dplyr

Utilização do pipe |>

O R desde a versão 4.1.0 permite a utilização do operador |>, popularmente chamado de pipe (cano, em tradução literal), que permite o encadeamento de ações na linguagem. Isso serve apenas para facilitar a leitura do código. Assim lemos o código da esquerda para a direita.

Por exemplo, usando os exemplos anteriores, poderíamos fazer uso do pipe da seguinte maneira:

Reparem que o resultado é o mesmo apresentado na Seção 6.2.

O verdadeiro poder do pipe |> aparece quando encadeamos múltiplas operações em sequência. Isso nos permite realizar uma análise completa em poucas linhas de código, mantendo a lógica clara.

Exemplo

Vamos filtrar os pinguins da espécie Adelie, selecionar a coluna de massa corporal, remover os valores ausentes e, por fim, calcular a média

Veja como o |> torna essa sequência de passos fácil de ler:

Dica|> funciona como um cano!

Pense no |> como um cano que ‘passa’ o resultado do comando anterior para a próxima função. Isso nos permite ler o código da esquerda para a direita, como uma sequência de passos.

Sem o pipe, o mesmo processo seria mais complexo e difícil de ler, pois uma função ficaria aninhada dentro da outra:

O |> transforma essa sintaxe confusa em uma sequência lógica de comandos.

Pacote dplyr

O pacote dplyr (parte do tidyverse) (Wickham et al. 2023)facilita a manipulação de dados com verbos simples e encadeáveis.

NotaOperador pipe |>

Lê-se “então”. Ele envia o resultado de uma etapa para a próxima, tornando o código mais legível. Por exemplo, leia o código abaixo:

pinguins |> filter(sex == "male")

O significado disso é:

“pegue pinguins, então filtre apenas as linhas com sex == "male"”.

Funções importantes!

  • select(): Escolhe colunas.
  • filter(): Filtra linhas.
  • mutate(): Cria novas colunas ou altera existentes.
  • group_by() e summarize(): Agrupa dados para fazer resumos.

Filtrando pinguins com barbatanas maiores que 200 mm:

Seleção de colunas - dplyr::select()

Podemos selecionar colunas com a função select():

Criação de novas colunas - dplyr::mutate()

Para criar novas colunas, usamos a função mutate().

Podemos fazer isso baseados em condições. Por exemplo, a função case_when() é ótima para aplicar várias regras, enquanto o ifelse() é mais simples e ideal para regras de ‘se isso, então aquilo’.

Agrupamento e sumarização de dados - group_by() e summarise()

Podemos agrupar os dados por qualquer variável e fazer sumários estatísticos, úteis na análise exploratória de dados. Para agrupar os dados, utilizamos a função group_by(); e para sumarizar, utilizamos a função summarise().

A função summarise() é incrivelmente poderosa para resumir seus dados. Além de calcular a média (mean()), podemos usar várias outras funções estatísticas para obter uma visão mais completa de cada grupo.

Imagine que queremos entender não apenas a média, mas também a variabilidade dos dados. Podemos calcular o desvio padrão (sd()), o valor mínimo (min()) e o máximo (max()) do comprimento da barbatana por espécie.

Dicana.rm = TRUE

O na.rm = TRUE que você vê dentro das funções mean(), sd(), min() e max() significa ‘remova os valores NA (valores ausentes) antes de fazer o cálculo’. Isso evita erros e garante que a função opere apenas com os dados disponíveis.

Mais um exemplo de agrupamentos

Podemos gerar resumos por grupo — útil em análises ecológicas, por exemplo.

Simplificando contagens com count()

A função count() do pacote dplyr é a maneira mais simples e direta de realizar contagens por grupos. É uma ferramenta essencial na análise exploratória.

Enquanto summarise() pode ser usado para contar, a função count() foi feita para essa tarefa, tornando o código mais simples e intuitivo. Ela automaticamente agrupa os dados e conta a frequência de cada categoria.

Por exemplo, se quisermos saber a quantidade de pinguins de cada espécie em cada ilha, basta usar count() e especificar as colunas:

É uma maneira rápida e elegante de resumir a distribuição dos dados categóricos.

Exercícios Práticos — Parte II

1. Selecionando e filtrando

  1. Selecione apenas as colunas species, island e body_mass_g do conjunto pinguins.
  2. Filtre apenas os pinguins da espécie Gentoo.
  3. Filtre apenas os pinguins com massa corporal maior que 5000 g.
  4. Combine as duas condições: mostre apenas pinguins da espécie Gentoo com massa acima de 5000 g.

2. Criando novas colunas ⚙️

  1. Crie uma nova coluna chamada massa_kg, que converta body_mass_g para quilogramas (massa_kg = body_mass_g / 1000).
  2. Crie uma coluna chamada barbatana_categoria, que classifique os pinguins como "Curta" se flipper_length_mm < 190, "Média" se estiver entre 190 e 210, e "Longa" se for maior que 210 (use case_when()).
  3. Mostre apenas as colunas species, flipper_length_mm e barbatana_categoria.

3. Agrupando e resumindo 📊

  1. Calcule a média da massa corporal (body_mass_g) para cada espécie de pinguim.
  2. Adicione também o desvio padrão e o número de indivíduos por espécie.
  3. Em seguida, adicione uma segunda camada de agrupamento, calculando esses valores por espécie e ilha.

4. Contagens rápidas com count() 🔢

  1. Conte quantos indivíduos existem de cada espécie (species).
  2. Conte quantos indivíduos existem por espécie e sexo (species, sex).
  3. Crie um novo objeto chamado contagem_isla com o número de pinguins por ilha (island), e visualize o resultado ordenado do maior para o menor número de registros (use arrange(desc(n))).

5. Combinando operações em sequência 🧠

Agora, una vários passos em uma única sequência usando o operador |>:

Filtre apenas os pinguins da espécie Adelie, remova valores ausentes, crie uma nova coluna com a massa em kg, e calcule a média dessa nova coluna.

6. Mini-desafio ecológico 🌿

Imagine que cada pinguim representa um indivíduo monitorado em campo. Use os dados para responder:

  1. Qual ilha possui, em média, os pinguins mais pesados?
  2. Qual espécie tem maior variação (desvio padrão) no comprimento da barbatana?
  3. Crie uma nova variável densidade_aprox definida como (body_mass_g / flipper_length_mm), e mostre a média dessa variável por espécie.

7. Desafio de síntese 🎯

Combine tudo o que aprendeu até aqui para criar o seguinte relatório resumido:

Para cada espécie de pinguim, mostre:

  • número de indivíduos (n),
  • massa corporal média em kg,
  • comprimento médio e máximo da barbatana (mm).

Ordene o resultado da maior para a menor massa corporal média.

Visualização de dados

O pacote ggplot2 (Wickham 2016) uma “gramática de gráficos”, em que você constrói o gráfico em camadas. As funções básicas do pacote, nesta ordem, são:

  • ggplot(): Define os dados e a estética (aes()).

  • geom_*: Adiciona as camadas geométricas (pontos: geom_point(); barras: geom_col(); linhas: geom_line()).

Façamos um histograma do comprimento do bico dos pinguins:

Visualizando relações entre variáveis

Gráfico de dispersão entre comprimento de barbatana (flipper_length_mm) e massa corporal (body_mass_g)

Explorando relações complexas

Podemos adicionar mais variáveis aos nossos gráficos usando a estética.

  • color: Mapeia uma variável categórica para a cor.

  • facet_wrap() e facet_grid(): Cria sub-gráficos para cada categoria.

Gráficos de facetas

As facetas facilitam a visualização de dados por grupos. Há duas funções que produzem as facetas:

  • facet_wrap(), quando você quer visualizar dados por apenas uma variável;

  • facet_grid(), que deve ser utilizada quando você quer ver a combinação entre duas variáveis.

Gráfico de barras com geom_col()

Além de histogramas e dispersões, gráficos de barras são muito úteis:

Exercícios de visualização - Parte III

1. Histograma customizado

Crie um histograma da variável body_mass_g. Use uma cor diferente para o preenchimento (fill) e outra para o contorno (color). Adicione título e rótulos adequados aos eixos.

2. Relação entre duas variáveis 📈

Faça um gráfico de dispersão entre bill_length_mm (comprimento do bico) e bill_depth_mm (profundidade do bico). Diferencie as espécies por cor (color = species) e use alpha = 0.6 para dar transparência aos pontos.

3. Comparando grupos com facetas 🧩

Mostre o gráfico anterior, mas agora adicione facetas por ilha usando facet_wrap(~island). Inclua um título e eixos legíveis.

4. Gráfico de barras empilhadas 🧱

Crie um gráfico de barras mostrando o número de pinguins por espécie e sexo. Use geom_col(position = "dodge") para colocar as barras lado a lado. Dê um título e personalize as cores com fill = sex.

Desafio da oficina

Usando o que você aprendeu nesses dois dias, crie um pequeno conjunto de dados com três espécies vegetais e três variáveis quantitativas (por exemplo: altura, biomassa e área foliar).

  1. Calcule a média de cada variável.
  2. Crie um gráfico simples (de pontos ou colunas) mostrando uma relação entre elas.
  3. Dê um título e rótulos adequados.

Conclusão e próximos passos

Parabéns! Você concluiu esta oficina de introdução à análise exploratória de dados em R. Vimos (quase) o ciclo completo da análise de dados: importação, limpeza, transformação e visualização.

Onde seguir a partir daqui?

  • Aprofunde-se na linguagem R: continue explorando os fundamentos da linguagem, funções, estruturas de dados e boas práticas de programação. Há vasta literatura introdutória e intermediária disponível — veja, por exemplo, (Vicentini e Perdiz 2021).

  • Modelagem estatística: avance para técnicas de análise inferencial e modelagem, como regressão linear, ANOVA, e modelos generalizados, entre outras.

  • Comunicação e visualização interativa: transforme análises em aplicações dinâmicas e relatórios interativos com pacotes como {shiny}, {flexdashboard} e {rmarkdown}.

Continue praticando — cada nova análise é uma oportunidade para consolidar o que aprendeu e descobrir novas possibilidades dentro do universo do R!

Ao concluir esta oficina, o participante aprendeu a:

  • compreender o que é o R e o ambiente RStudio, seus painéis e formas básicas de interação;

  • criar, armazenar e manipular objetos e vetores de diferentes tipos (numéricos, textuais e lógicos);

  • construir e explorar data.frames, acessando linhas e colunas por diferentes métodos;

  • importar e inspecionar conjuntos de dados (.csv, .xlsx), utilizando funções como read.table(), head(), str() e summary();

  • realizar checagem e limpeza de dados, incluindo tratamento de valores ausentes, renomeação de colunas e transformação de tipos;

  • aplicar os principais verbos do pacote dplyr (select(), filter(), mutate(), group_by(), summarise(), count()) para manipulação e transformação de dados;

  • compreender e utilizar o pipe nativo |> para encadear operações de forma legível e eficiente;

  • efetuar análises exploratórias, incluindo agrupamentos, sumarizações e contagens;

  • iniciar-se na visualização de dados por meio do pacote ggplot2, criando gráficos básicos para interpretação visual dos resultados.

Referências citadas

Horst, Allison Marie, Alison Presmanes Hill, e Kristen B Gorman. 2020. palmerpenguins: Palmer Archipelago (Antarctica) penguin data. https://doi.org/10.5281/zenodo.3960218.
Ihaka, Ross, e Robert Gentleman. 1996. “R: A Language for Data Analysis and Graphics”. Journal of Computational and Graphical Statistics 5 (3): 299–314. http://www.jstor.org/stable/1390807.
Vicentini, Alberto, e Ricardo Oliveira Perdiz. 2021. Curso básico de introdução à linguagem R. https://intror.netlify.app.
Wickham, Hadley. 2016. ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag. https://ggplot2.tidyverse.org.
Wickham, Hadley, e Jennifer Bryan. 2025. readxl: Read Excel Files. https://doi.org/10.32614/CRAN.package.readxl.
Wickham, Hadley, Romain François, Lionel Henry, Kirill Müller, e Davis Vaughan. 2023. dplyr: A Grammar of Data Manipulation. https://dplyr.tidyverse.org.
Wickham, Hadley, e Garrett Grolemund. 2017. R for Data Science. O’Reilly Media. https://r4ds.had.co.nz.