README.Rmd

---
output: github_document
---

<!-- README.md is generated from README.Rmd. Please edit that file -->

```{r, include = FALSE}
knitr::opts_chunk$set(
  collapse = TRUE,
  comment = "#>"
)
```

# Curso-de-R

Essa é a página do github do Curso de R. 

Atualmente estamos com um uma turma sendo aberta para o dia (27/04), para se inscrever clique nesse [link](https://forms.gle/zPvJVoyTxZDXkGiaA).

O objetivo do curso é levar alguém que é completamente leigo em R a ter independencia para fazer análise de dados em R, através de ferramentas de manipulação e transformação de dados, manipulação de texto, contrução e comunicação de visualização de dados e por fim tópicos de programação funcional.

O Curso está dividido em 8 aulas:

* Um overview de R;
* Saindo do 0 na Manipulação de dados;
* Manipulando quase qualquer base de dados;
* Manipulação de texto em R;
* O Básico da Gramática dos Gráficos
* Levando o ggplot além
* Purrr e Programação Funcional
* Functioning, quando se começa a agir como programador.

### Introdução ao R para Análise de Dados**

**I. Fundamentos do R como Calculadora**
   - Executando operações matemáticas básicas
   - Soma, subtração, multiplicação, divisão
   - Exponenciação e expressões numéricas
   
**II. Criando e Manipulando Objetos**
   - Operadores de atribuição: `<-` e `=`
   - Nomeando objetos com convenções de nomenclatura
   - Trabalhando com diferentes tipos de objetos: numéricos, de sequência de caracteres, factors, dataframes e listas
   
**III. Operadores Lógicos e Expressões Condicionais**
   - Introdução aos operadores lógicos
   - Utilização de expressões condicionais para filtrar dados
   
**IV. Apresentação dos Tipos de Objetos**
   - Exploração de diferentes tipos de objetos: numéricos, de sequência de caracteres, factors, dataframes e listas
   - Demonstração de como acessar e manipular elementos dentro desses objetos
   
**V. Revisão e Consulta de Operadores Lógicos**
   - Revisão dos principais operadores lógicos
   - Aplicação prática dos operadores lógicos em um conjunto de dados simulados
   
**VI. Exploração de Dados Simulados**
   - Importação e análise de um conjunto de dados simulados
   - Exploração dos dados utilizando operadores lógicos e expressões condicionais
   
**VII. Revisão Final e Encerramento**
   - Recapitulação dos conceitos abordados
   - Discussão sobre os próximos passos na aprendizagem do R para análise de dados

**Título: Manipulação de Dados em R - Do Básico ao Avançado**

**I. Preparação do Ambiente**
   - Instalação de pacotes necessários (tibble, dplyr, lubridate, forcats)
   - Leitura da documentação dos pacotes instalados
   
**II. Introdução ao Tibble**
   - Comparação entre data.frame e tibble
   - Criação e manipulação de tibbles
   - Demonstração das vantagens do uso de tibbles
   
**III. Explorando o Pacote dplyr**
   - Funções essenciais do dplyr para manipulação de dados
   - Demonstração do uso de funções para seleção e manipulação de linhas e colunas
   - Utilização de funções para ordenação e filtragem de dados
   
**IV. Manipulação de Dados com dplyr (Parte 1)**
   - Demonstração do uso das funções `pull`, `select` e `rename`
   - Utilização da função `mutate` para criação e alteração de variáveis
   - Exemplos práticos de recodificação de variáveis
   
**V. Manipulação de Dados com dplyr (Parte 2)**
   - Exploração das funções `case_when` e `relocate`
   - Utilização da função `summarise` para análise de grupo
   - Aplicação prática de resumos descritivos em um conjunto de dados
   
**VI. Revisão e Exercícios (Parte 1)**
   - Resolução de exercícios práticos envolvendo o uso do pacote dplyr com um conjunto de dados específico
   - Revisão dos principais conceitos e funções aprendidas até o momento
   
**VII. Introdução ao Pacote lubridate**
   - Exploração do pacote lubridate para manipulação de datas em R
   - Demonstração de formatação de datas e extração de elementos temporais
   
**VIII. Operações com Datas utilizando lubridate**
   - Demonstração de operações matemáticas com datas
   - Cálculo de diferenças temporais e extratos temporais em datasets
   
**IX. Introdução ao Pacote forcats**
   - Breve introdução ao pacote forcats para manipulação de fatores em R
   - Apresentação de funções úteis para manipulação de fatores
   
**X. Revisão e Exercícios (Parte 2)**
   - Resolução de exercícios práticos envolvendo o uso dos pacotes lubridate e forcats com conjuntos de dados específicos
   - Revisão dos principais conceitos e funções aprendidas até o momento
   
**XI. Aplicações Avançadas e Desafios**
   - Utilização de datasets mais complexos para aplicação de técnicas aprendidas
   - Desafios práticos para consolidar o aprendizado e incentivar a resolução de problemas
   
**XII. Encerramento e Próximos Passos**
   - Recapitulação dos tópicos abordados durante o curso
   - Sugestões para a continuidade dos estudos e exploração de recursos adicionais
   - Agradecimentos e feedback dos participantes
   

### Manipulando Dados em R - Da Teoria à Prática

**Título: Manipulando Dados em R - Da Teoria à Prática**

**I. Introdução**
   - Breve explicação sobre os conceitos de datasets Wide e Long
   - Carregamento do pacote tidyverse
   
**II. Transformando Dados para o Formato Tidy**
   - Apresentação de exemplos de datasets em formato Wide e Long
   - Explicação sobre a importância do formato tidy para análise de dados
   - Demonstração da função `pivot_longer` para transformar dados de Wide para Long
   
**III. Continuação da Transformação para o Formato Tidy**
   - Uso da função `pivot_longer` em outro exemplo de dataset
   - Apresentação da função `pivot_wider` para transformar dados de Long para Wide
   
**IV. Revisão e Exercícios**
   - Importação de um dataset externo (dados_b3_2010_2022.csv)
   - Remoção de coluna desnecessária e transformação do dataset para formato tidy
   - Resolução de exercício envolvendo transformação de um dataset em formato Long
   
**V. Separando e Juntando Dados**
   - Demonstração da função `separate` para separar valores em uma coluna
   - Uso da função `unite` para juntar valores de colunas diferentes
   - Apresentação de exemplos práticos com os datasets table3 e table5
   
**VI. Revisão e Exercícios**
   - Importação do dataset pedidos
   - Remoção da primeira linha e transformação do dataset em formato tidy
   - Exercício prático de separação e junção de dados
   
**VII. Lidando com Dados Ausentes**
   - Explicação das funções `drop_na`, `fill` e `replace_na` para lidar com dados ausentes
   - Demonstração prática dessas funções com o dataset pedidos_final
   
**VIII. Transformando Vetores de Texto em Datasets**
   - Utilização da função `enframe` para transformar uma lista em dataset
   - Explicação sobre a transformação de formato de dataset e utilização das funções `unnest_wider` e `unnest_longer`
   
**IX. Aplicando Funções para Múltiplas Colunas**
   - Uso das funções `mutate_all` e `summarise_all` para operações em todas as colunas
   - Demonstração da função `across` para aplicar funções em múltiplas colunas de forma seletiva
   
**X. Eninhando Dados**
   - Apresentação da função `nest` para juntar elementos dentro de uma coluna
   - Exemplos práticos de aplicação da função `nest` seguida de análises adicionais
   
**XI. Conclusão e Próximos Passos**
   - Recapitulação dos principais conceitos e técnicas aprendidas
   - Sugestões para explorar ainda mais as funcionalidades do tidyverse e realizar análises avançadas


### Explorando e Manipulando Textos em R**

**I. Introdução**
   - Breve explicação sobre a importância da manipulação de textos em análise de dados
   - Demonstração das funcionalidades básicas do pacote stringr para manipulação de strings
   
**II. Manipulação de Strings Simples**
   - Exemplos de strings simples e uso de aspas literais em R
   - Demonstração prática de como lidar com barras em strings
   - Uso de funções básicas para manipulação de strings como `str_length` e `str_c`
   
**III. Combinando e Subconjunto de Strings**
   - Explicação sobre como combinar strings com outras expressões
   - Demonstração da função `str_sub` para extrair partes específicas de uma string
   - Uso da função `str_count` para contar ocorrências de padrões em uma string
   
**IV. Transformações de Texto**
   - Apresentação das funções para transformar texto em maiúsculas, minúsculas e capitalizado
   - Exemplos práticos de aplicação dessas funções em diferentes contextos
   
**V. Identificando Padrões com Expressões Regulares**
   - Introdução ao uso de expressões regulares para identificar padrões em textos
   - Demonstração prática do uso de expressões regulares com as funções `str_view` e `str_detect`
   
**VI. Manipulação Avançada de Strings**
   - Exemplos práticos de identificação e manipulação de padrões complexos em textos
   - Uso de âncoras e operadores especiais em expressões regulares
   
**VII. Detectando e Extraindo Padrões**
   - Explicação sobre as funções `str_match` e `str_extract` para detectar e extrair padrões em textos
   - Demonstração prática de como utilizar essas funções em diferentes contextos
   
**VIII. Substituindo e Dividindo Strings**
   - Uso da função `str_replace` para substituir padrões em textos
   - Apresentação da função `str_split` para dividir strings em múltiplos textos
   
**IX. Aplicações Práticas e Exercícios**
   - Exercícios práticos envolvendo manipulação de textos em datasets reais
   - Apresentação de exemplos práticos de aplicação das técnicas aprendidas em diferentes contextos
   
**X. Conclusão e Próximos Passos**
   - Recapitulação dos principais conceitos e técnicas aprendidas
   - Sugestões para aprofundamento e exploração adicional das funcionalidades do pacote stringr
 
### Introdução à Visualização de Dados em R**

**I. Introdução**
   - Breve introdução sobre a importância da visualização de dados
   - Apresentação dos pacotes necessários para visualização de dados em R: ggplot2, nycflights13 e dplyr
   - Demonstração dos dados utilizados (flights dataset)

**II. Explorando os Dados**
   - Utilização de funções como glimpse(), View() e table() para explorar os dados
   - Exemplificação da análise de variáveis como arr_time e arr_delay

**III. A Gramática dos Gráficos**
   - Conceito de "grammar of graphics" na criação de gráficos em R
   - Demonstrações práticas de como mapear variáveis de dados para atributos estéticos em objetos geométricos
   
**IV. Os Cinco Tipos de Gráficos Essenciais**
   - Apresentação dos cinco tipos de gráficos fundamentais: histogramas, boxplots, barplots, scatterplots e lineplots
   - Demonstração prática de como criar cada tipo de gráfico com exemplos utilizando o dataset weather
   
**V. Histogramas**
   - Explicação e exemplos de criação de histogramas
   - Demonstração do ajuste de cor, preenchimento, número de colunas e tamanho de colunas em histogramas
   - Utilização do layer facets para criação de painéis em histogramas
   
**VI. Boxplots**
   - Introdução e exemplos de criação de boxplots para visualizar distribuições de variáveis
   - Demonstração prática de como criar boxplots para diferentes variáveis e agrupamentos
   
**VII. Barplots**
   - Explicação e exemplos de criação de barplots para dados contados e não contados
   - Demonstração prática do uso de geom_bar() e geom_col() para criar diferentes tipos de barplots
   
**VIII. Scatterplots**
   - Introdução e exemplos de criação de scatterplots para visualizar relações entre duas variáveis
   - Demonstrações práticas de como lidar com sobreposição de pontos e como adicionar jitter para melhorar a visualização
   
**IX. Lineplots**
   - Explicação e exemplos de criação de lineplots para visualizar séries temporais
   - Demonstração prática de como ajustar a visualização e alterar a estrutura do gráfico
   
**X. Alterando a Estrutura dos Gráficos**
   - Demonstrações práticas de como alterar títulos, legendas, cores de fundo e outros elementos de um gráfico
   - Utilização da função theme() para personalizar a aparência do gráfico
   - Uso de temas pré-definidos e themeset para padronizar a aparência de vários gráficos
   
**XI. Conclusão**
   - Recapitulação dos conceitos fundamentais apresentados na introdução à visualização de dados em R
   - Sugestões para exploração adicional e aprofundamento nos conceitos apresentados
   - Encorajamento para a prática e experimentação com diferentes tipos de gráficos e técnicas de visualização de dados
   
### Explorando Visualizações Avançadas com ggplot2**

**I. Revisão do ggplot**
   - Breve revisão sobre a construção de gráficos utilizando ggplot2
   - Exemplificação dos cinco tipos de gráficos: histogramas, boxplots, barplots, scatterplots e lineplots
   
**II. Construindo Visualizações Complexas**
   - Demonstração prática da construção de uma visualização complexa utilizando o dataset gapminder
   - Filtragem e organização dos dados
   - Criação de um gráfico de dispersão com atributos estéticos específicos como tamanho e cor dos pontos
   - Adição de título, subtítulo e rótulos nos eixos
   
**III. Construção de Gráficos no Padrão ABNT**
   - Criação de um gráfico de dispersão no dataset mpg entre as variáveis displ e hwy, seguindo o padrão ABNT, com título e fonte
   - Adição de cor pela variável class
   
**IV. Adicionando Painéis e Modelos Lineares**
   - Criação de um gráfico de dispersão entre displ e hwy com um painel pela variável class, dividido em 3 colunas
   - Construção de uma visualização com modelos lineares entre displ e hwy para cada tipo de drv
   
**V. Visualização Espacial**
   - Utilização do pacote geobr para executar visualizações espaciais no R
   - Exemplo prático de visualização da malha municipal do Rio de Janeiro e das sedes municipais
   - Demonstração da distribuição das escolas na malha municipal do Rio de Janeiro
   
**VI. Comunicação de Coeficientes**
   - Utilização do pacote sjPlot para comunicar coeficientes de modelos estatísticos
   - Exemplificação da plotagem de coeficientes para um modelo linear
   
**VII. Criação de Tabelas Descritivas**
   - Demonstração da criação de tabelas descritivas poderosas utilizando o pacote gt
   - Exemplo prático de construção de uma tabela descritiva da produção científica dos Jovens Doutores, incluindo medidas de resumo estatístico e distribuições visuais
   
   **Programação Funcional em R**

**1. O que é programação funcional:**
   - Explicação sobre a programação funcional no contexto do R, destacando a capacidade de tratar funções como objetos de primeira classe.

**2. Evitando Loops:**
   - Discussão sobre a importância de evitar loops em favor da programação funcional, destacando a clareza, expressividade e eficiência do código resultante.
   - Comparação de desempenho entre uma função com loop e uma função funcional usando o pacote `purrr`.

**3. Introdução ao `purrr::map`:**
   - Apresentação da função `purrr::map`, que aplica uma função a cada elemento de um vetor ou lista.
   - Exemplo prático aplicando o teste t a múltiplos conjuntos de dados de um experimento.

**4. Família `map_`:**
   - Exploração das diferentes variantes da função `purrr::map` para lidar com diferentes tipos de saída, como double, character e dataframe.
   - Destaque para `map_dfr` como a escolha mais comum para retornar um dataframe.

**5. Potencializando o uso do `map`:**
   - Demonstração de como declarar funções inline ou usando o atalho `~` para simplificar ainda mais o código.

**6. Revisão e Desafio:**
   - Utilização do `map` para calcular média, desvio padrão, mínimo e máximo das colunas do dataset iris.
   - Aplicação de regressão linear entre mpg e wt para cada grupo de cilindros no dataset mtcars.
   - Desafio: Plotar histograma das colunas 1:4 do dataset iris usando `map`.

**7. Multiplas Iterações e `pmap`:**
   - Explicação do uso de `map2` para duas iterações e `pmap` para múltiplas iterações.
   - Exemplo prático de aplicação de múltiplas iterações para gerar números aleatórios com diferentes médias, desvios padrão e tamanhos de amostra.

**8. Revisão 2 e Uso de `walk`:**
   - Utilização do `walk` para ler várias planilhas de um arquivo Excel e armazená-las em objetos separados.
   - Discussão sobre como o `walk` é útil quando queremos executar loops apenas por efeito colateral, sem armazenar os resultados.

**9. Lidando com Erros:**
   - Apresentação de funções do `purrr` para lidar com erros, como `quietly`, `safely` e `possibly`, que controlam como os erros são tratados durante a execução de `map`.

**10. Avançando com `furrr`:**
   - Introdução ao pacote `furrr`, que estende as funcionalidades do `purrr` para suportar computação paralela e distribuída.
   - Configuração do plano de execução e demonstração de como usar múltiplos núcleos para acelerar a execução de códigos em paralelo.