04. R para análise de dados

R é uma linguagem e um ambiente de computação estatística e gráficos. Vetores, funções e pacotes sustentam sua forma de trabalhar. A análise correta depende de compreender coerção, indexação, grupos e ausências, além de registrar o ambiente que produz os resultados.

Com o fluxo analítico completo em mente, estudamos linguagens, bibliotecas, motores distribuídos e produtos corporativos. O objetivo é compreender o papel de cada ferramenta dentro de uma arquitetura. Este é o capítulo 4 de 19 da disciplina Plataformas e Ferramentas Analíticas. Ele retoma Python para análise de dados e utiliza essa base para avançar. Na sequência, estudaremos Plataforma SAS, linguagem SAS e processamento de dados.

O fio condutor

Ciência de Dados começa com uma pergunta e termina com uma decisão que precisa ser compreendida, avaliada e acompanhada. Entre esses dois pontos, dados são coletados, examinados e transformados; métodos são escolhidos; resultados são validados; e limitações são comunicadas. Nenhuma etapa compensa automaticamente uma falha grave ocorrida na etapa anterior.

Neste capítulo, use R para análise de dados para acompanhar três dimensões: o problema que se deseja resolver, a evidência disponível e o critério usado para avaliar o resultado. Essa separação ajuda a evitar soluções tecnicamente sofisticadas que não respondem à necessidade real.

Vetores, coerção e indexação

Começamos por Vetores, coerção e indexação, pois essa base organiza os conceitos e exemplos que aparecerão no restante do capítulo.

Vetores atômicos compartilham um tipo. Combinar números e texto em c() pode converter todos para texto; uma matriz atômica também tem tipo comum, mesmo quando seus valores vieram de colunas diferentes. Essa coerção é diferente de uma lista heterogênea. Verifique typeof, class e estrutura quando uma operação numérica produz resultado inesperado.

A indexação convencional começa em 1. Índices positivos selecionam, negativos excluem e vetores lógicos filtram. Para v=c(10,20,30,40,50), v[-2] exclui 20 e v[v>25] retorna 30,40,50. Não misture índices positivos e negativos, salvo zero. Uma máscara com NA pode produzir ausências na seleção, exigindo política explícita.

Operações vetorizadas podem reciclar o vetor menor. c(1,2,3,4)+c(10,20) resulta em 11,22,13,24. Quando comprimentos não são múltiplos, operações base costumam emitir aviso e ainda calcular; outras APIs podem rejeitar a combinação. Reciclagem não é a mesma regra de broadcasting multidimensional do NumPy. Não ignore avisos apenas porque um vetor de saída foi produzido.

Listas, tabelas e fatores

Depois de compreender Vetores, coerção e indexação, passamos a Listas, tabelas e fatores. A nova seção acrescenta outra etapa ao mesmo raciocínio e mostra como as decisões anteriores influenciam as próximas.

List pode conter objetos de tipos e tamanhos distintos. Em uma lista, ["idade"] retorna uma sublista; [["idade"]] extrai o elemento, assim como $idade em uso usual. Há detalhes de correspondência parcial no $, portanto extração explícita é preferível em código robusto. Um data.frame é uma lista de colunas com o mesmo número de linhas, permitindo tipos diferentes entre colunas. Tibbles oferecem regras e impressão próprias.