Manipulação de dados

Agora imagine pegar várias tabelas soltas e transformá-las em uma única história coerente. Aqui você começa a “moldar” os dados: filtrar, juntar, organizar. É como montar um quebra-cabeça — só que você decide quais peças entram e qual imagem final quer revelar.

🔗 Junção de tabelas

No curso, temos 5 tabelas separadas que descrevem os mesmos participantes. Todas compartilham uma coluna id, que identifica unicamente cada indivíduo. Esse id é a chave para unir as tabelas com a função merge().

Acesse aqui as tabelas tratadas.

Os principais tipos de junção são controlados pelos argumentos all.x e all.y:

Chamada	Equivalente	Descrição
merge(A, B, by="id")	inner join	Mantém apenas as linhas com correspondência nas duas tabelas.
merge(A, B, by="id", all.x=TRUE)	left join	Mantém todas as linhas de A. Linhas sem par em B viram NA.
merge(A, B, by="id", all.y=TRUE)	right join	Mantém todas as linhas de B. Linhas sem par em A viram NA.
merge(A, B, by="id", all=TRUE)	full join	Mantém todas as linhas de ambas as tabelas.

O all.x = TRUE (left join) é o mais usado no dia a dia: você parte de uma tabela principal e vai incorporando informações das demais.

# unir demografico com laboratorio pela coluna 'id'
dados <- merge(demografico, laboratorio, by = "id", all.x = TRUE)

# unir com mais tabelas em sequência
dados <- merge(dados, saude_percebida, by = "id", all.x = TRUE)
dados <- merge(dados, medidas_fisicas, by = "id", all.x = TRUE)
dados <- merge(dados, habitos,         by = "id", all.x = TRUE)

🔄 Reordenação

Reordenar colunas

Após unir tabelas, pode ser útil reorganizar a ordem das colunas.

# colocar 'id' e 'nome' primeiro, mantendo o restante
dados <- dados[, c("id", "nome", colnames(dados)[!colnames(dados) %in% c("id", "nome")])]

Reordenar linhas

# ordenar por idade (crescente)
demografico[order(demografico$idade), ]

# ordenar por renda (decrescente)
demografico[order(demografico$renda_reais, decreasing = TRUE), ]

# ordenar por estado civil e, dentro de cada grupo, por idade
demografico[order(demografico$estado_civil, demografico$idade), ]

✏️ Criar e transformar variáveis

Novas colunas são criadas atribuindo valores diretamente com $.

# criar uma coluna com a renda em salários mínimos (R$ 120,00 em 1997)
demografico$renda_sm <- round(demografico$renda_reais / 120, 2)

Condicionais com `ifelse()`

A função ifelse() cria uma variável com base em uma condição: se a condição for verdadeira, atribui um valor; caso contrário, atribui outro.

# criar variável binária de renda
demografico$baixa_renda <- ifelse(demografico$renda_reais < 120, "Sim", "Não")

Condicionais múltiplas com `ifelse()` aninhado

Quando há mais de duas categorias, os ifelse() podem ser aninhados um dentro do outro.

# categorizar escolaridade em níveis
demografico$nivel_escolaridade <- ifelse(
  demografico$escolaridade_anos == 0,  "Sem instrução",
  ifelse(demografico$escolaridade_anos <= 4,  "Fundamental I",
  ifelse(demografico$escolaridade_anos <= 8,  "Fundamental II",
  ifelse(demografico$escolaridade_anos <= 11, "Médio",
  ifelse(demografico$escolaridade_anos > 11,  "Superior", NA)))))

unique(demografico$nivel_escolaridade)

#> [1] "Fundamental I"  "Médio"  "Sem instrução"  "Fundamental II"  "Superior"  NA

📊 Agrupar e resumir com `aggregate()`

A função aggregate() calcula uma estatística para uma variável e separada por grupos, como por exemplo a média de renda por sexo ou por estado civil.

# média de renda por sexo
aggregate(renda_reais ~ sexo, data = demografico, FUN = mean)

#>   sexo renda_reais
#> 1    F    812.3241
#> 2    M    976.1147

# média de renda e idade por sexo (múltiplas variáveis resposta)
aggregate(cbind(renda_reais, idade) ~ sexo, data = demografico, FUN = mean)

#>   sexo renda_reais    idade
#> 1    F    812.3241 71.30851
#> 2    M    976.1147 70.82569

# média de renda por sexo e estado civil (múltiplos grupos)
aggregate(renda_reais ~ sexo + estado_civil, data = demografico, FUN = mean)

Para contar observações por grupo, usa-se table().

# contagem por estado civil
table(demografico$estado_civil)

#>  CASADO SEPARADO SOLTEIRO    VIUVO
#>     748       87      235      524

# proporção (em %)
round(prop.table(table(demografico$estado_civil)) * 100, 1)

#>  CASADO SEPARADO SOLTEIRO    VIUVO
#>    47.2      5.5     14.8     33.1

As principais funções usadas dentro do aggregate() são:

Função	Descrição
mean(x)	Calcula a média de x
sum(x)	Soma os valores de x
median(x)	Calcula a mediana de x
sd(x)	Calcula o desvio padrão de x
min(x)	Retorna o menor valor de x
max(x)	Retorna o maior valor de x
length(x)	Conta o número de elementos de x

Importante

Sempre use na.rm = TRUE nas funções de resumo quando houver valores nulos. Sem esse argumento, o resultado será NA se houver qualquer valor faltante. Exemplo: aggregate(renda_reais ~ sexo, data = demografico, FUN = mean, na.rm = TRUE).