2 Manipulação de Dados com Tidyverse

2.1 O que é o Tidyverse?

O tidyverse é uma coleção de pacotes R projetados para ciência de dados. Todos os pacotes compartilham uma filosofia de design, gramática e estruturas de dados subjacentes, tornando o trabalho com dados mais intuitivo e eficiente.

2.1.1 Pacotes Principais do Tidyverse

dplyr: Manipulação de dados (filtrar, selecionar, agrupar, sumarizar)
ggplot2: Criação de gráficos elegantes
tidyr: Organização e limpeza de dados
readr: Leitura rápida de dados tabulares (CSV, TSV)
purrr: Programação funcional
tibble: Versão moderna de data frames
stringr: Manipulação de strings
forcats: Manipulação de fatores

2.1.2 Por que usar o Tidyverse?

Código mais legível: Sintaxe intuitiva e consistente
Pipe operator: Encadeamento de operações de forma natural |> ou %>%
Eficiência: Otimizado para grandes volumes de dados
Comunidade: Ampla documentação e suporte
Integração: Pacotes desenvolvidos com funcionalidade integrada

2.2 Instalação e Carregamento de Pacotes

2.2.1 Instalando Pacotes

Para instalar um pacote no R, usamos a função install.packages():

# Instalando um pacote individual
install.packages("tidyverse")

# Instalando múltiplos pacotes
install.packages(c("tidyverse", "readxl", "janitor"))

Importante: Você só precisa instalar um pacote uma vez. Após a instalação, o pacote fica disponível permanentemente.

2.2.2 Carregando Pacotes

Após instalados, os pacotes precisam ser carregados em cada sessão usando library():

# Carregando os pacotes necessários
library(tidyverse)  # Manipulação e visualização de dados
library(readxl)     # Leitura de arquivos Excel

2.3 Importando Dados

2.3.1 Leitura de Arquivos Excel

A função read_excel() do pacote readxl permite importar dados de arquivos Excel:

# Importando dados de internações hospitalares
dados <- read_excel("data/dados_internacoes_maringa_2024.xlsx")

Sobre o diretório de trabalho

Importante: Sempre verifique se você está no diretório correto. Coloque os scripts e dados para análise em um mesmo diretório.

O R só reconhece arquivos que está pasta do diretório de trabalho.

Para selecionar essa pasta, clique nos … na imagem, selecione a pasta com os scripts e dados e clique em Set as working directory.

Organização das pastas no diretório de trabalho

Organize os dados e os scripts em pastas, para todos os arquivos ficarem organizados.

Sugestão de organização:

Pasta data, com os dados brutos e filtrados/analisados
Pasta scripts, com os scripts utilizados na análise
Pasta figuras, com as figuras geradas
Pasta tabelas, com as tabelas geradas
Pasta manuscrito, se utilizar o R para escrita científica

Sobre os dados utilizados nesse livro.

Os dados utilizados neste livro são de internações hospitalares de Maringá-PR referentes ao ano de 2024, disponibilizados pelo Sistema de Informações Hospitalares (SIH) do SUS. Os dados são anonimizados e de domínio público.

O arquivo dados_internacoes_maringa_2024.xlsx deve estar na pasta data/ do seu projeto.

2.3.2 Explorando os Dados Importados

Após importar, é importante explorar a estrutura dos dados:

# Resumo estatístico das variáveis
summary(dados)

# Visão geral da estrutura (tidyverse)
glimpse(dados)

# Estrutura detalhada (R base)
str(dados)

Essas funções fornecem informações sobre:

Número de linhas e colunas
Tipos de dados de cada variável
Primeiros valores de cada coluna
Valores ausentes (NAs)

2.4 Principais Funções do Tidyverse

O tidyverse oferece um conjunto de funções poderosas para manipulação de dados:

Função	Descrição
`select()`	Seleciona colunas específicas
`filter()`	Filtra linhas baseado em condições
`mutate()`	Cria ou modifica colunas
`rename()`	Renomeia colunas
`group_by()`	Agrupa dados por variáveis
`summarise()`	Calcula estatísticas resumidas

Vamos explorar cada uma dessas funções em detalhes.

2.4.1 select(): Selecionando Colunas

A função select() permite escolher quais colunas manter no seu data frame:

# Selecionando apenas as colunas SEXO e IDADE
dados_selecionados <- select(dados, SEXO, IDADE)

glimpse(dados_selecionados)

2.4.1.1 Excluindo Colunas

Você pode também remover colunas específicas usando o sinal de menos -:

# Removendo a coluna CEP
dados2 <- select(dados, -CEP)

2.4.1.2 Seleção Avançada

# Selecionar colunas que começam com determinado texto
select(dados, starts_with("VAL"))

# Selecionar colunas que terminam com determinado texto
select(dados, ends_with("_TOT"))

# Selecionar colunas que contêm determinado texto
select(dados, contains("IDADE"))

# Selecionar colunas numéricas
select(dados, where(is.numeric))

2.4.2 filter(): Filtrando Linhas

A função filter() permite selecionar linhas que atendem a determinadas condições:

2.4.2.1 Filtro Simples

# Filtrando apenas pacientes do sexo masculino
dados_masculino <- filter(dados, SEXO == "Masculino")

# Filtrando pacientes que NÃO são do sexo masculino
dados_feminino <- filter(dados, SEXO != "Masculino")

2.4.2.2 Múltiplas Condições

Use o operador & (E) para combinar condições:

# Homens que foram a óbito
dados_masculino_morte <- filter(dados, SEXO == "Masculino" & MORTE == "Sim")

# Homens idosos (>=60 anos) que foram a óbito
dados_masculino_morte_idosos <- filter(
  dados,
  SEXO == "Masculino" & MORTE == "Sim" & IDADE >= 60
)

2.4.2.3 Outros Operadores Lógicos

# Operador OU (|): pacientes com idade menor que 18 OU maior que 60
filter(dados, IDADE < 18 | IDADE > 60)

# Operador %in%: selecionar múltiplos valores
filter(dados, RACA_COR %in% c("Branca", "Parda"))

# Valores ausentes
filter(dados, is.na(IDADE))  # Linhas com idade ausente
filter(dados, !is.na(IDADE))  # Linhas SEM idade ausente

2.4.3 mutate(): Criando e Modificando Colunas

A função mutate() é usada para criar novas colunas ou modificar existentes:

2.4.3.1 Criando Nova Coluna

# Criando nova coluna com valor total multiplicado por 1000
dados_valor_1000 <- mutate(dados, VAL_TOT_1000 = VAL_TOT * 1000)

2.4.3.2 Modificando Tipo de Dados

A função across() permite aplicar uma transformação a múltiplas colunas:

# Convertendo IDADE e DIAS_PERM para numérico
dados <- mutate(dados, across(c(IDADE, DIAS_PERM), as.numeric))

# Convertendo múltiplas colunas para fator
dados <- mutate(dados, across(c(SEXO, RACA_COR, MORTE), as.factor))

2.4.3.3 Recodificando Variáveis com case_when()

A função case_when() é útil para criar categorias baseadas em múltiplas condições:

# Recodificando códigos numéricos de raça/cor para texto descritivo
dados <- mutate(
  dados,
  RACA_COR = case_when(
    RACA_COR == '01' ~ "Branca",
    RACA_COR == "02" ~ "Preta",
    RACA_COR == "03" ~ "Parda",
    RACA_COR == "04" ~ "Amarela",
    RACA_COR == "05" ~ "Indígena"
  )
)

Outros exemplos de case_when():

# Classificando faixas etárias
dados <- mutate(
  dados,
  faixa_etaria = case_when(
    IDADE < 18 ~ "Criança/Adolescente",
    IDADE >= 18 & IDADE < 60 ~ "Adulto",
    IDADE >= 60 ~ "Idoso"
  )
)

# Classificando permanência hospitalar
dados <- mutate(
  dados,
  tempo_internacao = case_when(
    DIAS_PERM <= 3 ~ "Curta",
    DIAS_PERM > 3 & DIAS_PERM <= 7 ~ "Média",
    DIAS_PERM > 7 ~ "Longa"
  )
)

2.4.4 rename(): Renomeando Colunas

A função rename() permite alterar nomes de colunas:

# Renomeando a coluna ESPEC para ESPECIALIDADE
dados <- rename(dados, ESPECIALIDADE = ESPEC)

# Sintaxe: novo_nome = nome_antigo

Renomeando múltiplas colunas:

dados <- rename(
  dados,
  especialidade = ESPEC,
  diagnostico = DIAG_PRINC,
  idade_anos = IDADE
)

2.4.5 group_by() e summarise(): Sumarizando Dados

Estas funções trabalham em conjunto para calcular estatísticas agrupadas.

2.4.5.1 Agrupamento e Sumarização Básica

# Calculando idade média por sexo e raça/cor
dados_agrupados <- dados |>
  group_by(SEXO, RACA_COR) |>
  summarise(mean_idade = mean(IDADE), .groups = "drop")

dados_agrupados

2.4.5.2 Múltiplas Estatísticas

# Calculando várias estatísticas ao mesmo tempo
estatisticas <- dados |>
  group_by(SEXO) |>
  summarise(
    n = n(),                          # Contagem
    idade_media = mean(IDADE, na.rm = TRUE),
    idade_dp = sd(IDADE, na.rm = TRUE),
    idade_mediana = median(IDADE, na.rm = TRUE),
    idade_min = min(IDADE, na.rm = TRUE),
    idade_max = max(IDADE, na.rm = TRUE),
    .groups = "drop"
  )

2.5 O Operador Pipe |>

O pipe operator |> é uma das ferramentas mais úteis do tidyverse. Ele permite encadear múltiplas operações de forma legível.

2.5.1 Como Ler o Pipe

O símbolo |> pode ser lido como “E ENTÃO” ou “PASSE PARA”.

# Sem pipe (difícil de ler)
resultado <- summarise(
  group_by(
    filter(dados, SEXO == "Masculino"),
    RACA_COR
  ),
  media_idade = mean(IDADE)
)

# Com pipe (fácil de ler)
resultado <- dados |>
  filter(SEXO == "Masculino") |>
  group_by(RACA_COR) |>
  summarise(media_idade = mean(IDADE))

Leitura: “Pegue os dados E ENTÃO filtre para sexo masculino E ENTÃO agrupe por raça/cor E ENTÃO calcule a média de idade”

2.5.2 Atalho de Teclado

Windows/Linux: Ctrl + Shift + M
Mac: Cmd + Shift + M

Pipe Nativo vs. Pipe do magrittr

O R possui dois operadores pipe:

|> - Pipe nativo do R (versão 4.1+) - usado neste livro
%>% - Pipe do pacote magrittr

Ambos funcionam de forma similar. Usamos |> por ser a implementação oficial e não requerer pacotes adicionais.

2.6 Encadeamento de Operações

O verdadeiro poder do tidyverse aparece quando combinamos múltiplas operações:

2.6.1 Exemplo Completo de Pipeline

# Pipeline complexo de limpeza e análise de dados
dados_limpos <- dados |>
  # 1. Selecionar colunas relevantes
  select(SEXO, RACA_COR, IDADE, MORTE, COD_IDADE) |>
  # 2. Filtrar apenas idades em anos
  filter(COD_IDADE == "Anos") |>
  # 3. Remover coluna COD_IDADE (não mais necessária)
  select(-COD_IDADE) |>
  # 4. Converter IDADE para numérico
  mutate(across(IDADE, as.numeric)) |>
  # 5. Converter variáveis categóricas para fator
  mutate(across(c(SEXO, RACA_COR, MORTE), as.factor)) |>
  # 6. Recodificar raça/cor
  mutate(RACA_COR = case_when(
    RACA_COR == '01' ~ "Branca",
    RACA_COR == "02" ~ "Preta",
    RACA_COR == "03" ~ "Parda",
    RACA_COR == "04" ~ "Amarela",
    RACA_COR == "05" ~ "Indígena"
  )) |>
  # 7. Renomear colunas para minúsculas
  rename(
    sexo = SEXO,
    raca_cor = RACA_COR,
    idade = IDADE,
    morte = MORTE
  ) |>
  # 8. Agrupar por raça/cor e sexo
  group_by(raca_cor, sexo) |>
  # 9. Calcular idade média por grupo
  summarise(mean_idade = mean(idade), .groups = "drop")

dados_limpos

2.6.2 Vantagens do Encadeamento

Legibilidade: Código lido de cima para baixo, como uma receita
Manutenção: Fácil adicionar, remover ou modificar etapas
Eficiência: Evita criar múltiplos objetos intermediários
Debug: Fácil testar executando até determinado ponto

2.6.3 Dica para Debug

Você pode executar o pipeline até qualquer ponto selecionando o código desejado:

# Selecione e execute até a linha que deseja inspecionar
dados |>
  select(SEXO, RACA_COR, IDADE, MORTE, COD_IDADE) |>
  filter(COD_IDADE == "Anos")  # Execute até aqui para ver o resultado
# |> select(-COD_IDADE)          # Não será executado

2.7 Outras Funções Úteis do dplyr

2.7.1 arrange(): Ordenando Dados

# Ordenar por idade (crescente)
dados |> arrange(IDADE)

# Ordenar por idade (decrescente)
dados |> arrange(desc(IDADE))

# Ordenar por múltiplas colunas
dados |> arrange(SEXO, desc(IDADE))

2.7.2 count(): Contagem Rápida

# Contar frequências de uma variável
dados |> count(SEXO)

# Contar combinações
dados |> count(SEXO, MORTE)

# Ordenar por frequência
dados |> count(RACA_COR, sort = TRUE)

2.7.3 distinct(): Valores Únicos

# Valores únicos de uma coluna
dados |> distinct(SEXO)

# Remover linhas duplicadas completas
dados |> distinct()

2.7.4 slice(): Seleção por Posição

# Primeiras 10 linhas
dados |> slice(1:10)

# Linhas específicas
dados |> slice(c(1, 5, 10))

# Top 5 idades mais altas
dados |> slice_max(IDADE, n = 5)

# Bottom 5 idades mais baixas
dados |> slice_min(IDADE, n = 5)

2.8 Pacote janitor: Limpeza de Nomes

O pacote janitor oferece funções úteis para limpeza de dados, especialmente nomes de colunas:

library(janitor)

# Limpar nomes de colunas (remove acentos, espaços, caracteres especiais)
dados <- clean_names(dados)

# Antes: "Nome da Variável"
# Depois: "nome_da_variavel"

2.9 Resumo do Capítulo

Neste capítulo, você aprendeu:

O que é o tidyverse e seus principais pacotes
Como instalar e carregar pacotes no R
Importar dados de arquivos Excel com read_excel()
Explorar dados com summary(), glimpse() e str()
Principais funções do dplyr:
- select() - Selecionar colunas
- filter() - Filtrar linhas
- mutate() - Criar/modificar colunas
- rename() - Renomear colunas
- group_by() e summarise() - Agrupar e sumarizar
Usar o pipe operator |> para encadear operações
Criar pipelines complexos de limpeza e análise de dados
Funções adicionais como arrange(), count(), distinct(), slice()

No próximo capítulo, você aprenderá a realizar análises exploratórias de dados, incluindo estatística descritiva, testes estatísticos e visualização com ggplot2.

2.10 Exercícios Práticos

Carregue o arquivo dados_internacoes_maringa_2024.xlsx e explore sua estrutura
Crie um pipeline que:
- Selecione as colunas SEXO, IDADE, DIAS_PERM, VAL_TOT, MORTE
- Filtre apenas pacientes adultos (IDADE >= 18)
- Crie uma coluna categorizando o tempo de permanência (curta: ≤3 dias, média: 4-7 dias, longa: >7 dias)
- Calcule a idade média e o valor total médio por sexo e categoria de permanência
Identifique as 10 especialidades médicas com maior número de internações