library(tidyverse)4 Análise exploratória de dados - Parte 2
Nesta segunda parte da análise exploratória de dados, vamos conhecer as funções mais importantes do pacote dplyr para manipulação de dados.
4.1 Carregando pacotes
4.2 Carregando os dados
Vamos continuar trabalhando nos dados da CETESB, que já foram carregados na primeira parte da análise exploratória (aula passada). Caso você não tenha feito isso, recomendo que você siga as instruções da aula anterior antes de continuar a aula de hoje.
dados_cetesb <- read_csv("dados/dados-cetesb-2022.csv")Rows: 645 Columns: 12
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (2): uf, municipio
dbl (10): ano, ugrhi, codigo_ibge, populacao_urbana, atendimento_coleta_porc...
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.Outra forma de importar os dados é utilizando o link direto do repositório do GitHub onde os dados estão armazenados. Você pode fazer isso utilizando a função read_csv() do pacote readr:
dados_cetesb <- read_csv("https://raw.githubusercontent.com/beatrizmilz/ESHT011-21-analise-dados-planejamento-territorial/refs/heads/main/dados/dados-cetesb-2022.csv")A função glimpse() do pacote dplyr, que conhecemos na aula passada, é uma forma rápida de visualizar a estrutura dos dados. Ela nos mostra o nome das colunas, o tipo de dado de cada coluna e os primeiros valores de cada coluna:
glimpse(dados_cetesb)Rows: 645
Columns: 12
$ ano <dbl> 2022, 2022, 2022, 2022, 2022, 2022, 2022…
$ uf <chr> "SP", "SP", "SP", "SP", "SP", "SP", "SP"…
$ ugrhi <dbl> 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2…
$ municipio <chr> "Campos do Jordão", "Santo Antônio do Pi…
$ codigo_ibge <dbl> 3509700, 3548203, 3548609, 3502507, 3503…
$ populacao_urbana <dbl> 52384, 4067, 5251, 35684, 1844, 2619, 88…
$ atendimento_coleta_porc <dbl> 52.6, 46.7, 98.0, 70.0, 95.6, 100.0, 88.…
$ atendimento_tratamento_porc <dbl> 100.0, 100.0, 100.0, 0.0, 95.6, 0.0, 100…
$ eficiencia <dbl> 93.0, 80.0, 91.3, 0.0, 99.0, 0.0, 75.0, …
$ carga_poluidora_potencial <dbl> 2829, 220, 284, 1927, 100, 141, 476, 442…
$ carga_poluidora_remancescente <dbl> 1445, 138, 30, 1927, 9, 141, 161, 1858, …
$ ictem <dbl> 5.97, 4.63, 9.97, 1.55, 9.86, 1.50, 7.61…4.3 Conhecendo o operador pipe (|>)
O operador pipe (|> ou %>%) permite encadear operações de forma mais legível e intuitiva.
Por exemplo, podemos utilizar o operador pipe para aplicar a função glimpse() diretamente nos dados:
dados_cetesb |>
glimpse()Rows: 645
Columns: 12
$ ano <dbl> 2022, 2022, 2022, 2022, 2022, 2022, 2022…
$ uf <chr> "SP", "SP", "SP", "SP", "SP", "SP", "SP"…
$ ugrhi <dbl> 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2…
$ municipio <chr> "Campos do Jordão", "Santo Antônio do Pi…
$ codigo_ibge <dbl> 3509700, 3548203, 3548609, 3502507, 3503…
$ populacao_urbana <dbl> 52384, 4067, 5251, 35684, 1844, 2619, 88…
$ atendimento_coleta_porc <dbl> 52.6, 46.7, 98.0, 70.0, 95.6, 100.0, 88.…
$ atendimento_tratamento_porc <dbl> 100.0, 100.0, 100.0, 0.0, 95.6, 0.0, 100…
$ eficiencia <dbl> 93.0, 80.0, 91.3, 0.0, 99.0, 0.0, 75.0, …
$ carga_poluidora_potencial <dbl> 2829, 220, 284, 1927, 100, 141, 476, 442…
$ carga_poluidora_remancescente <dbl> 1445, 138, 30, 1927, 9, 141, 161, 1858, …
$ ictem <dbl> 5.97, 4.63, 9.97, 1.55, 9.86, 1.50, 7.61…Com apenas uma função, não é tão óbvio o benefício do operador pipe. No entanto, quando começamos a encadear várias funções, ele se torna muito útil. Veremos exemplos disso ao longo desta aula!
4.4 Principais funções do dplyr
O pacote dplyr é uma das ferramentas mais poderosas para manipulação de dados no R. Ele oferece uma série de funções que facilitam a transformação e análise de dados. Vamos conhecer algumas das principais funções do dplyr:
filter(): filtra linhas com base em condições específicas.select(): seleciona colunas específicas de um data frame.mutate(): adiciona ou modifica colunas.arrange(): ordena as linhas de um data frame com base em uma ou mais colunas.summarise(): resume os dados, calculando estatísticas agregadas.group_by(): agrupa os dados com base em uma ou mais colunas, permitindo aplicar funções de resumo a cada grupo.
Ao apresentar essas funções, não vamos abordar todos os casos de uso, mas sim o básico de cada uma delas. Você pode consultar os materiais listados no final da aula para aprender mais sobre cada função e suas possibilidades.
4.5 Filtrando dados com filter()
A A função filter() é utilizada para filtrar linhas de um data frame com base em condições específicas.
Por exemplo, podemos filtrar os dados da CETESB para mostrar apenas os municípios que possuem uma população urbana maior que 1 milhão de habitantes:
dados_cetesb |>
filter(populacao_urbana > 1000000)# A tibble: 3 × 12
ano uf ugrhi municipio codigo_ibge populacao_urbana
<dbl> <chr> <dbl> <chr> <dbl> <dbl>
1 2022 SP 5 Campinas 3509502 1202203
2 2022 SP 6 Guarulhos 3518800 1404694
3 2022 SP 6 São Paulo 3550308 12284940
# ℹ 6 more variables: atendimento_coleta_porc <dbl>,
# atendimento_tratamento_porc <dbl>, eficiencia <dbl>,
# carga_poluidora_potencial <dbl>, carga_poluidora_remancescente <dbl>,
# ictem <dbl>Podemos também filtrar as linhas dos municípios do Grande ABC. Neste caso, é mais fácil criar um vetor com os nomes dos municípios, e utilizar o operador %in% para filtrar os dados:
municipios_grande_abc <- c("São Caetano do Sul", "São Bernardo do Campo", "Diadema", "Santo André", "Mauá", "Ribeirão Pires", "Rio Grande da Serra")
dados_cetesb |>
filter(municipio %in% municipios_grande_abc)# A tibble: 7 × 12
ano uf ugrhi municipio codigo_ibge populacao_urbana
<dbl> <chr> <dbl> <chr> <dbl> <dbl>
1 2022 SP 6 Diadema 3513801 429550
2 2022 SP 6 Mauá 3529401 481725
3 2022 SP 6 Ribeirão Pires 3543303 125238
4 2022 SP 6 Rio Grande da Serra 3544103 52009
5 2022 SP 6 Santo André 3547809 723889
6 2022 SP 6 São Bernardo do Campo 3548708 835657
7 2022 SP 6 São Caetano do Sul 3548807 162763
# ℹ 6 more variables: atendimento_coleta_porc <dbl>,
# atendimento_tratamento_porc <dbl>, eficiencia <dbl>,
# carga_poluidora_potencial <dbl>, carga_poluidora_remancescente <dbl>,
# ictem <dbl>Podemos também consultar quais são os municípios que coletam 100% do esgoto produzido:
dados_cetesb |>
filter(atendimento_coleta_porc == 100)# A tibble: 253 × 12
ano uf ugrhi municipio codigo_ibge populacao_urbana
<dbl> <chr> <dbl> <chr> <dbl> <dbl>
1 2022 SP 2 Areias 3503505 2619
2 2022 SP 2 Caçapava 3508504 81929
3 2022 SP 2 Cachoeira Paulista 3508603 27623
4 2022 SP 2 Jambeiro 3524907 3269
5 2022 SP 2 Pindamonhangaba 3538006 165703
6 2022 SP 2 Taubaté 3554102 313898
7 2022 SP 4 Altinópolis 3501004 14172
8 2022 SP 4 Caconde 3508702 12975
9 2022 SP 4 Casa Branca 3510807 25075
10 2022 SP 4 Jardinópolis 3525102 43706
# ℹ 243 more rows
# ℹ 6 more variables: atendimento_coleta_porc <dbl>,
# atendimento_tratamento_porc <dbl>, eficiencia <dbl>,
# carga_poluidora_potencial <dbl>, carga_poluidora_remancescente <dbl>,
# ictem <dbl>Destes, podemos filtrar os que tratem 100% do esgoto coletado:
dados_cetesb |>
filter(atendimento_coleta_porc == 100, atendimento_tratamento_porc == 100)# A tibble: 218 × 12
ano uf ugrhi municipio codigo_ibge populacao_urbana
<dbl> <chr> <dbl> <chr> <dbl> <dbl>
1 2022 SP 2 Cachoeira Paulista 3508603 27623
2 2022 SP 2 Jambeiro 3524907 3269
3 2022 SP 2 Pindamonhangaba 3538006 165703
4 2022 SP 2 Taubaté 3554102 313898
5 2022 SP 4 Altinópolis 3501004 14172
6 2022 SP 4 Santa Cruz da Esperança 3546256 1467
7 2022 SP 4 Serrana 3551504 45677
8 2022 SP 4 Tambaú 3553302 20663
9 2022 SP 5 Corumbataí 3512704 2200
10 2022 SP 5 Holambra 3519055 11303
# ℹ 208 more rows
# ℹ 6 more variables: atendimento_coleta_porc <dbl>,
# atendimento_tratamento_porc <dbl>, eficiencia <dbl>,
# carga_poluidora_potencial <dbl>, carga_poluidora_remancescente <dbl>,
# ictem <dbl>As possibilidades são muitas! Podemos combinar várias condições utilizando os operadores lógicos (como o | (OU) e o ! (NEGAÇÃO).
4.6 Selecionando colunas com select()
A função select() é utilizada para selecionar colunas específicas de um data frame.
Por exemplo, podemos selecionar apenas as colunas municipio, populacao_urbana e atendimento_coleta_porc dos dados da CETESB:
dados_cetesb |>
select(municipio, populacao_urbana, atendimento_coleta_porc)# A tibble: 645 × 3
municipio populacao_urbana atendimento_coleta_porc
<chr> <dbl> <dbl>
1 Campos do Jordão 52384 52.6
2 Santo Antônio do Pinhal 4067 46.7
3 São Bento do Sapucaí 5251 98
4 Aparecida 35684 70
5 Arapeí 1844 95.6
6 Areias 2619 100
7 Bananal 8808 88.1
8 Caçapava 81929 100
9 Cachoeira Paulista 27623 100
10 Canas 4890 84.6
# ℹ 635 more rowsPodemos também indicar quais colunas queremos excluir, utilizando o operador - antes do nome da coluna. Por exemplo, para excluir as colunas ano e uf, podemos fazer o seguinte:
dados_cetesb |>
select(-ano, -uf)# A tibble: 645 × 10
ugrhi municipio codigo_ibge populacao_urbana atendimento_coleta_p…¹
<dbl> <chr> <dbl> <dbl> <dbl>
1 1 Campos do Jordão 3509700 52384 52.6
2 1 Santo Antônio do P… 3548203 4067 46.7
3 1 São Bento do Sapuc… 3548609 5251 98
4 2 Aparecida 3502507 35684 70
5 2 Arapeí 3503158 1844 95.6
6 2 Areias 3503505 2619 100
7 2 Bananal 3504909 8808 88.1
8 2 Caçapava 3508504 81929 100
9 2 Cachoeira Paulista 3508603 27623 100
10 2 Canas 3509957 4890 84.6
# ℹ 635 more rows
# ℹ abbreviated name: ¹atendimento_coleta_porc
# ℹ 5 more variables: atendimento_tratamento_porc <dbl>, eficiencia <dbl>,
# carga_poluidora_potencial <dbl>, carga_poluidora_remancescente <dbl>,
# ictem <dbl>4.7 Adicionando ou modificando colunas com mutate()
A função mutate() é utilizada para adicionar novas colunas ou modificar colunas existentes em um data frame.
A sintaxe básica da função mutate() é:
base_de_dados |>
mutate(nome_da_nova_coluna = o_que_queremos_que_seja_salvo_nela)Por exemplo, podemos criar uma coluna nova chamada populacao_urbana_mil que representa a população urbana em mil habitantes:
dados_cetesb |>
# selecionando as colunas municipio e populacao_urbana
# para facilitar a visualização
select(municipio, populacao_urbana) |>
mutate(populacao_urbana_mil = populacao_urbana / 1000)# A tibble: 645 × 3
municipio populacao_urbana populacao_urbana_mil
<chr> <dbl> <dbl>
1 Campos do Jordão 52384 52.4
2 Santo Antônio do Pinhal 4067 4.07
3 São Bento do Sapucaí 5251 5.25
4 Aparecida 35684 35.7
5 Arapeí 1844 1.84
6 Areias 2619 2.62
7 Bananal 8808 8.81
8 Caçapava 81929 81.9
9 Cachoeira Paulista 27623 27.6
10 Canas 4890 4.89
# ℹ 635 more rowsA função mutate() também pode ser utilizada para modificar colunas existentes. Por exemplo, podemos mudar a classe de algumas colunas:
dados_cetesb |>
mutate(
ugrhi = as.character(ugrhi), # convertendo ugrhi para character
codigo_ibge = as.character(codigo_ibge) # convertendo codigo_ibge para character
)# A tibble: 645 × 12
ano uf ugrhi municipio codigo_ibge populacao_urbana
<dbl> <chr> <chr> <chr> <chr> <dbl>
1 2022 SP 1 Campos do Jordão 3509700 52384
2 2022 SP 1 Santo Antônio do Pinhal 3548203 4067
3 2022 SP 1 São Bento do Sapucaí 3548609 5251
4 2022 SP 2 Aparecida 3502507 35684
5 2022 SP 2 Arapeí 3503158 1844
6 2022 SP 2 Areias 3503505 2619
7 2022 SP 2 Bananal 3504909 8808
8 2022 SP 2 Caçapava 3508504 81929
9 2022 SP 2 Cachoeira Paulista 3508603 27623
10 2022 SP 2 Canas 3509957 4890
# ℹ 635 more rows
# ℹ 6 more variables: atendimento_coleta_porc <dbl>,
# atendimento_tratamento_porc <dbl>, eficiencia <dbl>,
# carga_poluidora_potencial <dbl>, carga_poluidora_remancescente <dbl>,
# ictem <dbl>4.8 Ordenando dados com arrange()
A função arrange() é utilizada para ordenar as linhas de um data frame com base em uma ou mais colunas.
Podemos ordenar os dados da CETESB pela coluna carga_poluidora_remancescente, em ordem crescente:
dados_cetesb |>
arrange(carga_poluidora_remancescente)# A tibble: 645 × 12
ano uf ugrhi municipio codigo_ibge populacao_urbana
<dbl> <chr> <dbl> <chr> <dbl> <dbl>
1 2022 SP 14 Ribeirão Grande 3543253 2427
2 2022 SP 13 Trabiju 3554755 1609
3 2022 SP 21 Borá 3507209 653
4 2022 SP 15 Turmalina 3555307 1186
5 2022 SP 2 Jambeiro 3524907 3269
6 2022 SP 18 Santa Salete 3547650 882
7 2022 SP 18 Santana da Ponte Pensa 3547205 968
8 2022 SP 15 Mesópolis 3529658 1481
9 2022 SP 18 Nova Canaã Paulista 3532843 759
10 2022 SP 19 Turiúba 3555208 1657
# ℹ 635 more rows
# ℹ 6 more variables: atendimento_coleta_porc <dbl>,
# atendimento_tratamento_porc <dbl>, eficiencia <dbl>,
# carga_poluidora_potencial <dbl>, carga_poluidora_remancescente <dbl>,
# ictem <dbl>Também podemos ordenar os dados em ordem decrescente, utilizando a função desc():
dados_cetesb |>
arrange(desc(populacao_urbana))# A tibble: 645 × 12
ano uf ugrhi municipio codigo_ibge populacao_urbana
<dbl> <chr> <dbl> <chr> <dbl> <dbl>
1 2022 SP 6 São Paulo 3550308 12284940
2 2022 SP 6 Guarulhos 3518800 1404694
3 2022 SP 5 Campinas 3509502 1202203
4 2022 SP 6 São Bernardo do Campo 3548708 835657
5 2022 SP 6 Santo André 3547809 723889
6 2022 SP 2 São José dos Campos 3549904 722310
7 2022 SP 4 Ribeirão Preto 3543402 718072
8 2022 SP 6 Osasco 3534401 701428
9 2022 SP 10 Sorocaba 3552205 688252
10 2022 SP 6 Mauá 3529401 481725
# ℹ 635 more rows
# ℹ 6 more variables: atendimento_coleta_porc <dbl>,
# atendimento_tratamento_porc <dbl>, eficiencia <dbl>,
# carga_poluidora_potencial <dbl>, carga_poluidora_remancescente <dbl>,
# ictem <dbl>4.9 Agrupando dados com group_by()
A função group_by() é utilizada para agrupar os dados com base em uma ou mais colunas. Isso é especialmente útil quando queremos aplicar funções de resumo a cada grupo.
Por exemplo, podemos agrupar os dados da CETESB pela coluna ugrhi (Unidade de Gerenciamento de Recursos Hídricos) e calcular a soma da população urbana para cada UGRHI:
dados_cetesb |>
group_by(ugrhi) # A tibble: 645 × 12
# Groups: ugrhi [22]
ano uf ugrhi municipio codigo_ibge populacao_urbana
<dbl> <chr> <dbl> <chr> <dbl> <dbl>
1 2022 SP 1 Campos do Jordão 3509700 52384
2 2022 SP 1 Santo Antônio do Pinhal 3548203 4067
3 2022 SP 1 São Bento do Sapucaí 3548609 5251
4 2022 SP 2 Aparecida 3502507 35684
5 2022 SP 2 Arapeí 3503158 1844
6 2022 SP 2 Areias 3503505 2619
7 2022 SP 2 Bananal 3504909 8808
8 2022 SP 2 Caçapava 3508504 81929
9 2022 SP 2 Cachoeira Paulista 3508603 27623
10 2022 SP 2 Canas 3509957 4890
# ℹ 635 more rows
# ℹ 6 more variables: atendimento_coleta_porc <dbl>,
# atendimento_tratamento_porc <dbl>, eficiencia <dbl>,
# carga_poluidora_potencial <dbl>, carga_poluidora_remancescente <dbl>,
# ictem <dbl>A função group_by() não altera os dados, mas prepara o data frame para que possamos aplicar funções de resumo a cada grupo. Portanto, ela é frequentemente utilizada em conjunto com a função summarise().
4.10 Resumindo dados com summarise()
A função summarise() é utilizada para resumir os dados, calculando estatísticas agregadas. Ela é frequentemente utilizada em conjunto com a função group_by().
Como vimos na aula anterior, a função summary() nos dá um resumo de estatísticas descritivas para todas as colunas. Porém, podemos querer calcular estatísticas descritivas apenas para algum subconjunto dos dados.
Imagine que queremos calcular algumas estatísticas descritivas considerando cada UGRHI (Unidade de Gerenciamento de Recursos Hídricos) separadamente. Podemos fazer isso utilizando as funções group_by() e summarise().
estatisticas_descritivas <- dados_cetesb |>
# agrupar os dados pela coluna ugrhi
group_by(ugrhi) |>
# calcular estatísticas descritivas para cada grupo
summarise(
quantidade_municipios = n(),
soma_populacao_urbana = sum(populacao_urbana),
media_ictem = mean(ictem) |> round(2),
mediana_ictem = median(ictem) |> round(2),
desvio_padrao_ictem = sd(ictem) |> round(2)
)
knitr::kable(estatisticas_descritivas)| ugrhi | quantidade_municipios | soma_populacao_urbana | media_ictem | mediana_ictem | desvio_padrao_ictem |
|---|---|---|---|---|---|
| 1 | 3 | 61702 | 6.86 | 5.97 | 2.78 |
| 2 | 34 | 2124413 | 5.87 | 6.98 | 3.30 |
| 3 | 4 | 337159 | 5.10 | 4.66 | 1.74 |
| 4 | 23 | 1215586 | 7.09 | 8.12 | 2.83 |
| 5 | 57 | 5737151 | 7.10 | 7.85 | 2.99 |
| 6 | 34 | 21626154 | 4.93 | 5.03 | 2.39 |
| 7 | 9 | 1893370 | 5.01 | 5.09 | 1.22 |
| 8 | 22 | 707923 | 9.18 | 9.98 | 1.34 |
| 9 | 38 | 1542781 | 6.91 | 7.64 | 3.02 |
| 10 | 33 | 1937230 | 7.05 | 7.10 | 2.66 |
| 11 | 23 | 273446 | 7.10 | 7.09 | 1.87 |
| 12 | 12 | 346186 | 7.92 | 8.45 | 2.59 |
| 13 | 34 | 1608773 | 7.94 | 8.08 | 2.29 |
| 14 | 34 | 631467 | 8.01 | 8.20 | 1.84 |
| 15 | 64 | 1289129 | 8.77 | 9.89 | 1.66 |
| 16 | 33 | 520262 | 8.36 | 9.70 | 2.24 |
| 17 | 42 | 666615 | 8.88 | 9.75 | 1.23 |
| 18 | 25 | 212661 | 9.01 | 10.00 | 1.63 |
| 19 | 42 | 772089 | 8.31 | 8.15 | 1.54 |
| 20 | 32 | 348271 | 8.69 | 8.57 | 1.34 |
| 21 | 26 | 444578 | 8.96 | 9.70 | 1.80 |
| 22 | 21 | 470161 | 9.09 | 9.70 | 1.01 |
Podemos salvar o resultado em um arquivo CSV ou Excel, utilizando as funções readr::write_csv() ou writexl::write_excel_csv():
write_csv(estatisticas_descritivas,
"dados/estatisticas-descritivas-ugrhi.csv")
writexl::write_xlsx(estatisticas_descritivas,
"dados/estatisticas-descritivas-ugrhi.xlsx")4.11 Unindo tabelas com left_join()
A função left_join() é utilizada para unir duas tabelas com base em uma ou mais colunas em comum (chamada de chave - key).
Para este exemplo, vamos importar uma tabela que contém informações sobre o IDH (Índice de Desenvolvimento Humano) dos municípios de São Paulo, referente ao ano de 2010. Esses dados são baseados no Censo, mas ainda não temos o IDH calculado para o ano de 2022.
dados_idhm <- read_csv("https://raw.githubusercontent.com/beatrizmilz/ESHT011-21-analise-dados-planejamento-territorial/refs/heads/main/praticas/dados/idhm_sp_2010.csv")Rows: 645 Columns: 15
── Column specification ────────────────────────────────────────────────────────
Delimiter: ","
chr (3): muni_nm, uf_sigla, regiao_nm
dbl (12): ano, muni_id, idhm, idhm_e, idhm_l, idhm_r, espvida, rdpc, gini, p...
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.Para fazer o join, precisamos garantir que as colunas que vamos utilizar como chave estejam no mesmo formato. Neste caso, vamos utilizar a coluna referente ao código do IBGE como chave para unir as duas tabelas:
names(dados_idhm) [1] "ano" "muni_id" "muni_nm" "uf_sigla" "regiao_nm" "idhm"
[7] "idhm_e" "idhm_l" "idhm_r" "espvida" "rdpc" "gini"
[13] "pop" "lat" "lon" names(dados_cetesb) [1] "ano" "uf"
[3] "ugrhi" "municipio"
[5] "codigo_ibge" "populacao_urbana"
[7] "atendimento_coleta_porc" "atendimento_tratamento_porc"
[9] "eficiencia" "carga_poluidora_potencial"
[11] "carga_poluidora_remancescente" "ictem" É importante que a variável que usaremos como chave esteja no mesmo formato nas duas tabelas. Usamos a função class() para verificar o tipo de dado de cada coluna:
class(dados_cetesb$codigo_ibge)[1] "numeric"class(dados_idhm$muni_id)[1] "numeric"Obs: caso as colunas não estejam no mesmo formato, podemos utilizar a função mutate() para alterar o tipo de dado de uma das colunas, junto com funções como as.character() ou as.numeric(), dependendo da classe de dado que queremos.
Agora podemos unir as duas tabelas utilizando a função left_join(). Essa função irá manter todas as linhas da tabela da esquerda (dados_cetesb) e adicionar as colunas da tabela da direita (dados_idhm) onde houver correspondência na chave especificada.
dados_unidos <- left_join(
# tabela da esquerda
dados_cetesb,
# tabela da direita
dados_idhm,
# o argumento `by` especifica as colunas que serão utilizadas como chave para o join
by = c("codigo_ibge" = "muni_id")
)A nova tabela dados_unidos agora contém todas as colunas de ambas as tabelas, com os dados do IDH adicionados aos municípios correspondentes. Se um município não tiver um valor correspondente na tabela de IDH, as colunas relacionadas ao IDH terão valores NA.
glimpse(dados_unidos)Rows: 645
Columns: 26
$ ano.x <dbl> 2022, 2022, 2022, 2022, 2022, 2022, 2022…
$ uf <chr> "SP", "SP", "SP", "SP", "SP", "SP", "SP"…
$ ugrhi <dbl> 1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2…
$ municipio <chr> "Campos do Jordão", "Santo Antônio do Pi…
$ codigo_ibge <dbl> 3509700, 3548203, 3548609, 3502507, 3503…
$ populacao_urbana <dbl> 52384, 4067, 5251, 35684, 1844, 2619, 88…
$ atendimento_coleta_porc <dbl> 52.6, 46.7, 98.0, 70.0, 95.6, 100.0, 88.…
$ atendimento_tratamento_porc <dbl> 100.0, 100.0, 100.0, 0.0, 95.6, 0.0, 100…
$ eficiencia <dbl> 93.0, 80.0, 91.3, 0.0, 99.0, 0.0, 75.0, …
$ carga_poluidora_potencial <dbl> 2829, 220, 284, 1927, 100, 141, 476, 442…
$ carga_poluidora_remancescente <dbl> 1445, 138, 30, 1927, 9, 141, 161, 1858, …
$ ictem <dbl> 5.97, 4.63, 9.97, 1.55, 9.86, 1.50, 7.61…
$ ano.y <dbl> 2010, 2010, 2010, 2010, 2010, 2010, 2010…
$ muni_nm <chr> "CAMPOS DO JORDÃO", "SANTO ANTÔNIO DO PI…
$ uf_sigla <chr> "SP", "SP", "SP", "SP", "SP", "SP", "SP"…
$ regiao_nm <chr> "Sudeste", "Sudeste", "Sudeste", "Sudest…
$ idhm <dbl> 0.749, 0.706, 0.720, 0.755, 0.680, 0.697…
$ idhm_e <dbl> 0.648, 0.632, 0.638, 0.706, 0.612, 0.672…
$ idhm_l <dbl> 0.852, 0.812, 0.812, 0.828, 0.812, 0.803…
$ idhm_r <dbl> 0.761, 0.685, 0.719, 0.735, 0.634, 0.627…
$ espvida <dbl> 76.10, 73.69, 73.69, 74.67, 73.72, 73.18…
$ rdpc <dbl> 911.40, 569.08, 701.89, 775.17, 414.19, …
$ gini <dbl> 0.59, 0.47, 0.55, 0.46, 0.39, 0.44, 0.51…
$ pop <dbl> 47287, 6450, 10370, 34630, 2481, 3632, 1…
$ lat <dbl> -22.739, -22.827, -22.689, -22.847, -22.…
$ lon <dbl> -45.591, -45.663, -45.731, -45.230, -44.…Este caso é um exemplo de um join bem simples, onde temos uma chave única em cada tabela. No entanto, existem outros tipos de joins, como inner_join(), right_join(), full_join(), que podem ser utilizados dependendo da situação.
4.12 Materiais complementares
- Materiais do curso Introdução à análise de dados no R: