Exploração e Agregação

R foi criado principalmente como um ambiente estatístico, portanto fornece muitas funções integradas para analisar, resumir e compreender a distribuição de dados em vetores ou tabelas.

Funções estatísticas básicas

R permite calcular facilmente as principais medidas de centro e propagação em vetores numéricos:

• mean(x): Calcula a média aritmética dos elementos.
• median(x): Calcula a mediana (o valor do meio).
• sd(x): Calcula o desvio padrão (uma medida de quão espalhados estão os dados).
• min(x) e max(x): Retorna os valores mínimo e máximo respectivamente.

values <- c(10, 12, 15, 18, 20, 22)

avg <- mean(values)
dispersion <- sd(values)

cat("Mean:", avg, "- Std Dev:", round(dispersion, 2), "\n")

Tratamento de dados ausentes (NA)

No mundo real, os conjuntos de dados geralmente contêm valores ausentes, representados em R pela entidade especial NA (não disponível).

Se você tentar calcular a média ou qualquer outro agregado em um vetor que contenha pelo menos um único NA, R retornará NA como resultado. Para ignorar valores faltantes, você deve passar o argumento lógico na.rm = TRUE (NA remove):

temperatures <- c(18, 21, NA, 24, 19)

# This will return NA
print(mean(temperatures))

# This will ignore the NA and perform the calculation on valid values
print(mean(temperatures, na.rm = TRUE))

Resumo global com summary()

A função summary() é uma ferramenta poderosa que fornece uma visão estatística completa de um vetor ou de um quadro de dados inteiro, mostrando mínimo, primeiro quartil, mediana, média, terceiro quartil e máximo:

prices <- c(5, 10, 15, 20, 100)
print(summary(prices))

Agregando dados com aggregate

Ao trabalhar com quadros de dados, é comum calcular estatísticas resumidas (como média ou soma) para grupos ou categorias específicas. A função aggregate() em R simplifica este processo:

df <- data.frame(
  department = c("HR", "IT", "HR", "IT"),
  salary = c(3000, 4500, 3200, 4800)
)

# Calcola la media dei salari per dipartimento
avg_salaries <- aggregate(salary ~ department, data = df, FUN = mean)
print(avg_salaries)

A sintaxe salary ~ department significa "analisar a variável salary com base na variável department". O argumento FUN = mean especifica que queremos calcular a média aritmética para cada grupo.

Filtragem avançada com subset

A função subset() fornece uma maneira intuitiva e elegante de extrair subconjuntos de linhas e colunas de um quadro de dados, evitando o uso de colchetes complexos:

employees <- data.frame(
  name = c("Alice", "Bob", "Charlie"),
  age = c(25, 34, 29),
  active = c(TRUE, FALSE, TRUE)
)

# Filtra solo i dipendenti attivi con età superiore a 28
active_employees <- subset(employees, active == TRUE & age > 28)

Experimente você mesmo