1.1 Introdução Função genérica orientada ao objeto Que tipo de objeto eu tenho?... 4

Transcrição

1 Introdução ao Valeska Andreozzi valeska.andreozzi at fc.ul.pt Centro de Estatística e Aplicações da Universidade de Lisboa Faculdade de Ciências da Universidade de Lisboa Lisboa, 2011

2 Sumário 1 Funções Introdução Função genérica orientada ao objeto Que tipo de objeto eu tenho? Funções de ordenação Seleção Condicional Criação de categorias Tabelas Cruzadas Funções por categorias Família apply Cartão de referência Programação Controle de Fluxo Sintaxe da função for() Criaçao de uma função Exemplo Exemplo

3 1 Funções 1.1 Introdução Toda função no R tem o formato > funç~ao (argumento(s) obrigatório(s), argumento(s) opcional(is)) Sendo que os argumentos opcionais podem ter um valor padrão (default) préestabelecido ou não. Os argumentos estarão sempre entre parênteses sendo separados por vírgula. O conteúdo das funções podem ser vistos digitando o nome da função (sem os parênteses). lm glm plot plot.default Isto não está disponível para todas as funções como por exemplo em min, max, rnorm e lines Nestes casos as funções não são escritas em linguagem R (em geral estão escritas em C) e para visualizar o conteúdo das funções terá que examinar os arquivos do código fonte do R. min max 2

4 Mais algumas funções funcionam de acordo com a classe do objeto e por isso não são listadas automaticamente. Vejamos um exemplo para a função mean mean Não foi listado nenhum conteúdo a não ser function (x,...) UseMethod("mean") <environment: namespace:base> Quando aparece UseMethod("mean") significa que a função mean existe para várias classes de objetos e podemos descobrir quais são as classes usando a função methods() methods(mean) Agora podemos listar, por exemplo a função mean.default() mean.default 1.2 Função genérica orientada ao objeto O R identifica o que se deve fazer consoante a um dos atributos do objeto que é a classe. Isto é, o R possui um mecanismo de função genérica orientada ao objeto. Vejamos um exemplo com a função summary() x <- (1:100)^2 summary(x) Para um vetor alfanumérico não há muito o que retornar: c5 <- c("female", "male", "male", "male", "female") summary(c5) 3

5 Mas para um fator temos uma tabela de frequência: f5 <- factor(c5) summary(f5) Veja o que resulta da função summary() para uma matriz e para um data frame y <- matrix(1:12, ncol = 3) class(y) attributes(y) summary(y) library(epi) data(diet) class(diet) attributes(diet) summary(diet) 1.3 Que tipo de objeto eu tenho? A função str() retorna informação detalhada sobre objeto str(diet) outra forma é utilizar a função is.*() is.vector(diet) is.data.frame(diet) 1.4 Funções de ordenação Daqui em diante vamos trabalhar com os dados dietepi de um estudo que tinha por objetivo estudar a associação entre dieta e doença coronária library(epi) data(diet) help(diet) 4

6 names(diet) dim(diet) head(diet) Ordenando os dados por ingestão de gordura O objeto ordem é um vetor que contém o número das linhas em ordem crescente de fat ordem <- order(diet$fat) listar as variáveis chd e fat ordenados por fat diet[ordem, c("chd", "fat")] Outra função para ordenação: sort help(sort) sort(diet$fat) Importante: Evite utilizar a função attach() para não ter que escrever objeto$variavel e em substituição utilize a função with(). with(objeto, funç~ao(variaveis)) A função attach() pode causar confusões nas variáveis quando alterações são feitas no objeto Exemplo: ordem <- with(diet, order(fat)) 1.5 Seleção Condicional Criando uma nova variável imc = kg/m 2 Lembre-se que temos peso em kg e altura em cm 5

7 diet$bmi <- diet$weight/((diet$height/100)^2) summary(diet$bmi) summary(diet[, c("weight", "height")]) Quantas pessoas classificadas com excesso de peso (25 <= imc < 30)? O objeto excesso criado abaixo contém o número das linhas que atende a condição 25 imc < 30 excesso <- which(diet$bmi >= 25 & diet$bmi < 30) length(excesso) diet[excesso, "bmi"] O mesmo procedimento poderia ter sido feito através da função ifelse(cond,verdade,falso) excesso2 <- ifelse(diet$bmi >= 25 & diet$bmi < 30, 1, 0) Agora excesso2 é um objeto com zeros e uns, sendo os uns atribuídos aos que atenderam a condição excesso2 sum(excesso2) Como o objeto excesso2 possui NAs, temos que dizer para a função sum() somar excluindo os NAs sum(excesso2, na.rm = T) 1.6 Criação de categorias Que tal criarmos uma variável com a seguinte classificação Magreza extrema: menor que 16,5 Abaixo do peso normal: de 16,5 a 18,5 Saudável: de 18,5 a 25 6

8 Excesso de peso: de 25 a 30 Obesidade: de 30 a 35 Obesidade clínica: de 35 a 40 Obesidade mórbida: maior que 40 Podemos usar a função cut(x,breaks) minbmi <- min(diet$bmi, na.rm = T) maxbmi <- max(diet$bmi, na.rm = T) cutof <- c(minbmi, 16.5, 18.5, 25, 30, 35, 40, maxbmi) cutof bmicat <- cut(diet$bmi, breaks = cutof) summary(bmicat) str(bmicat) Podemos mudar os labels das categorias categ <- c("magreza extrema", "Abaixo peso normal", "Saudável", "Excesso peso", "Obesidade", "Obes. clínica", "Obes. mórbida") bmicat2 <- cut(diet$bmi, breaks = cutof, labels = categ) summary(bmicat2) summary(bmicat) 1.7 Tabelas Cruzadas Qual a prevalência de chd por categoria de energy.grp uma forma simples é utilizar a função table() table(diet$energy.grp, diet$energy.grp) Para uma tabela mais detalhada utilize a função CrossTable() da biblioteca gmodels library(gmodels) CrossTable(diet$energy.grp, diet$energy.grp, format = "SPSS") 7

9 1.8 Funções por categorias Mas se quisermos a média do bmi por categorias de chd? Podemos usar a função by(data, INDICES, FUN,...) ou a função aggregate(x, by, FUN,...) by(diet$bmi, diet$chd, mean) faltou acrescentar um argumento da função mean() para remover os NAs tab <- by(diet$bmi, diet$chd, mean, na.rm = T) tab class(tab) A função aggregate é mais simpática pois retorna um data.frame tab1 <- aggregate(diet$bmi, list(diet$chd), mean, na.rm = T) tab1 class(tab1) Podemos conjugar mais de uma categoria tab2 <- aggregate(diet$bmi, list(diet$chd, diet$energy.grp), mean, na.rm = T) tab2 1.9 Família apply O R é uma linguagem vetorial e loops podem e devem ser substituídos por outras formas de cálculo sempre que possível. Usualmente usamos as funções apply(), sapply(), tapply() e lapply() para implementar cálculos de forma mais eficiente. Vejamos algums exemplos. apply() para uso em matrizes, arrays ou data-frames 8

10 tapply() para uso em vetores, sempre retornando uma lista sapply() para uso em vetores, simplificando a estrutura de dados do resultado se possível (para vetor ou matriz) mapply() para uso em vetores, versão multivariada de sapply() lapply() para ser aplicado em listas Calculando a média de weight, fat, height media1 <- apply(diet[, c("weight", "fat", "height")], 2, mean, na.rm = T) media1 Para cada indivíduo, crie uma variável que contém o máximo entre fat e fibre diet$fatfibre <- apply(diet[, c("fat", "fibre")], 1, max, na.rm = T) head(diet) Calculando a média do bmi por chd e energy.grp tab3 <- tapply(diet$bmi, list(diet$chd, diet$energy.grp), mean, na.rm = T) tab3 class(tab3) Qual a diferença do tapply() para a função aggregate()? tab2 <- aggregate(diet$bmi, list(diet$chd, diet$energy.grp), mean, na.rm = T) tab2 class(tab2) 1.10 Cartão de referência 9

11 10

12 2 Programação Nesta seção será utilizado como material de apoio o texto disponível no site do R elaborado por Luís Torgo - Faculdade de Economia da UP Controle de Fluxo Nem sempre é possível fugir aos loops, por isso aqui vai uma introdução as funções de controle de fluxo O controle de fluxo no R é implementado pelas funçõesfor(), while() erepeat() Sintaxe da função for() for (indice in sequencia) { funç~oes a executar Vamos repetir algumas das operações feitas utilizando as funções da família apply pelas as funções de controle de fluxo Calcular a índice de massa corporal para cada indivíduo imc <- NULL for (i in 1:nrow(diet)) { imc[i] <- diet$weight[i]/((diet$height[i]/100)^2) 11

13 imc 2.2 Criaçao de uma função O esquema geral para criar uma função é > minha.funcao = function (arg1, arg2, arg3=valor,...) { comandos function() é o comando utilizado para criar uma função arg1,arg2,arg3 são argumentos da função arg3=valor significa que o terceiro argumento da função possui valor default Exemplo 1 Crie o vetor x com os seguintes valores 1,2,...,10. Vamos criar uma função para calcular a média aritmética x <- 1:10 x media1 <- function(x) { soma <- sum(x) n <- length(x) media <- soma/n media1(x) Apesar do R não apresentar erro, o valor da média não aparece. Precisamos indicar na função os resultados que queremos ver, assim 12

14 media1 <- function(x) { soma <- sum(x) n <- length(x) media <- soma/n media media1(x) Agora o valor da média já aparece. Mas gostaríamos de saber qual o valor da soma e quantas observações tem o vetor x soma n Obtemos uma mensagem de erro, pois os objetos soma e n só existem dentro do ambiente da função. Vamos explicitar na função que queremos ver os três valores (soma, n e media) media1 <- function(x) { soma <- sum(x) n <- length(x) media <- soma/n soma n media media1(x) Novamente só o valor da média aparece como resultado da função, pois o R só lista a última expressão da função. Precisamos utilizar a função print para ver todos os valores media1 <- function(x) { soma <- sum(x) n <- length(x) media <- soma/n 13

15 print(soma) print(n) print(media) media1(x) Ou se preferir: media1 <- function(x) { soma <- sum(x) n <- length(x) media <- soma/n print(c("soma:", soma), quote = F) print(c("n:", n), quote = F) print(c("média:", media), quote = F) media1(x) Temos agora os três resultados da função, mas os objetos soma, n e media criados na função media1 continuam indisponíveis soma n media Para tornarmos os objetos globalmente disponíveis e não só localmente (ie, dentro da função), podemos usar o símbolo de atribuição duplicado <<. Vejamos: media1 <- function(x) { soma <<- sum(x) n <<- length(x) media <<- soma/n print(c("soma:", soma), quote = F) print(c("n:", n), quote = F) print(c("média:", media), quote = F) 14

16 media1(x) soma n media Exemplo 2 Utilize os dados diet da biblioteca Epi para: library(epi) data(diet) criar uma função que calcula o valor do índice de massa corporal (imc=peso em kg sobre altura em metro ao quadrado) imc <- function(peso, altura) { imc <- peso/(altura^2) diet$altura <- diet$height/100 imc(diet$weight, diet$altura) Observe que o R não apresentou nenhum erro, mas também não retornou nenhum valor. Para que o resultado de uma função fique disponível é necessário usar a função return() imc <- function(peso, altura) { imc <- peso/(altura^2) return(imc) imc(diet$weight, diet$altura) diet$imc <- imc(diet$weight, diet$altura) head(diet) criar uma função que utilize o resultado da função anterior e classifique o indivíduo em normal( 25, 0), sobrepeso (> 25, 0 e 30) e obeso ( 30, 0). Quando 15

17 a saída da função é igual a um único argumento, podemos omitir a função return() imccat <- function(imc) { categoria <- cut(imc, breaks = c(min(imc, na.rm = T) - 0.1, 25, 30, max(imc, na.rm = T)), labels = c("normal", "sobrepeso", "obeso")) categoria diet$imccat <- imccat(diet$imc) head(diet) criar uma única função que faça o cálculo do imc e retorne o valor do imc contínuo e em categorias (as mesmas descritas anteriormente). O R permite usar uma função dentro de outra função. Neste caso será necessário utilizar o comando return(), já que queremos dois objetos como saída da função imc2 <- function(peso, altura) { imc <- imc(peso, altura) categoria <- cut(imc, breaks = c(min(imc, na.rm = T) - 0.1, 25, 30, max(imc, na.rm = T)), labels = c("normal", "sobrepeso", "obeso")) return(data.frame(imc, categoria)) imc2(diet$weight, diet$altura) A mensagem Warning message: In return(imc, categoria) : multiargument returns are deprecated sugere que seja criada um objeto lista para retornar mais que uma saída imc3 <- function(peso, altura) { imc <- imc(peso, altura) categoria <- cut(imc, breaks = c(min(imc, na.rm = T) - 0.1, 25, 30, max(imc, na.rm = T)), labels = c("normal", "sobrepeso", "obeso")) return(list(imc = imc, imccat = categoria)) 16

18 imc3(diet$weight, diet$altura) meuimc <- imc3(diet$weight, diet$altura) class(meuimc) meuimc[1] meuimc[2] meuimc$imc criar uma função para calcular o valor mínimo, valor máximo, média, mediana, primeiro e terceiro quartis, número de observações, número de valores faltantes e desvio padrão sumario <- function(x) { media <- mean(x, na.rm = T) minimo <- min(x, na.rm = T) maximo <- max(x, na.rm = T) na <- sum(is.na(x)) n <- length(x) std <- sd(x, na.rm = T) mediana <- median(x, na.rm = T) quartil1 <- quantile(x, prob = 1/4) quartil3 <- quantile(x, prob = 1/4 * 3) saida <- c(mean = media, Min = minimo, Max = maximo, NAs = na, N = n, SD = std, Median = mediana, quartil1, quartil3) saida sumario(diet$energy) Ou podemos aproveitar a função summary() e acrescentar somente o que falta sumario2 <- function(x) { sumario <- c(summary(x), length(x), sum(is.na(x)), sd(x, na.rm = T)) attributes(sumario)$names[7:9] <- c("n", "NA", "SD") sumario 17

19 sumario(diet$energy) 18