Hackeando o R: facilitando a análise de dados com o pacote {janitor}

Todos sabemos que boa parte do trabalho na análise de dados está contido na limpeza de dados. Para quem está no começo da aventura nesse mundo pode se assustar, afinal, dados "sujos" são mais comuns do que pode parecer. No Hackeando o R de hoje, iremos mostrar como pacote {janitor} pode ajudar iniciantes na limpeza de dados.

library(tidyverse)
library(janitor)
library(knitr)
library(sidrar)
library(lubridate)

Primeiro, iremos coletar um dataset para que possamos exemplificar algumas funções. A tabela 1620 do SIDRA que se refere as Contas Nacionais Trimestrais, com enfoque no setor agropecuário.

agro <- sidrar::get_sidra(api = "/t/1620/n1/all/v/all/p/all/c11255/90687,90707/d/v583%202")

kable(head(agro[,4:10]), align = "c")

Um das maiores dificuldades que encontramos no R são as formas que os nomes das colunas se idendificam. Muitas vezes o R simpleste não reconhece o formato, ou se torna complicado utilizar certos caracteres nas funções. A função clean_names() facilita a limpeza dos nomes das colunas, retirando caracteres e formatando na forma que o R melhor funciona. Veja a diferença

agro1 <- agro %>% 
clean_names() 

kable(head(agro1[,4:10]), align = "c")

Também podemos encontrar data frames que possuem observações duplicadas. Podemos utilizar a função get_dupes() para confirmar se ocorre isto com nossos dados. Veja que é criado uma coluna informando o fato.

agro1 %>%  
select(trimestre_codigo, valor, `setores_e_subsetores`) %>% 
get_dupes(trimestre_codigo) %>%
  head() %>% 
  kable(align = "c")

Feito as transformações das colunas e a confirmação de há duas observações iguais, pelo fato de existir mais de uma variável, podemos seguir com a limpeza padrão, transformando a data e realizando cálculos.

agro_total <- agro1 %>% 
  select(trimestre_codigo, valor, `setores_e_subsetores`) %>% 
  filter(`setores_e_subsetores` == "Agropecuária - total") %>% 
  mutate(trimestre_codigo = quarter(yq(trimestre_codigo), type = "date_first"),
         var = (valor/lag(valor,1)-1))

kable(head(agro_total), align = "c")

Para melhorar a análise, podemos utilizar a função round_half_up() para que possamos arredondar facilmente nossos dados. Além de utilizar a função adorn_pct_formatting() que personaliza nosso data frame, multiplicando um valor decimal por 100 e insere o caractere "%".

agro_total1 <- agro_total %>% 
  mutate(valor_round_up = round_half_up(agro_total$valor)) %>% 
  adorn_pct_formatting(,,,var)


kable(head(agro_total1), align = "c")

O pacote também oferece outras funções interessantes como tabyl(), que permite contruir uma tabulação com a contagem e porcentagem de variáveis, podendo ser muito utilizada em análise de grupos. A função excel_numeric_to_date(), que realiza a transformação de uma data serial importada do excel na classe Date.

________________________

(*) Quer aprender mais sobre a linguagem R? confira nosso Curso de Introdução ao R para análise de dados.

________________________

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Criando operações SQL com IA Generativa no R com querychat

No universo da análise de dados, a velocidade para obter respostas é um diferencial competitivo. Frequentemente, uma simples pergunta de negócio — “Qual foi nosso produto mais vendido no último trimestre na região Nordeste?” — inicia um processo que envolve abrir o RStudio, escrever código dplyr ou SQL, executar e, finalmente, obter a resposta. E se pudéssemos simplesmente perguntar isso aos nossos dados em português, diretamente no nosso dashboard Shiny?

Dashboard Financeiro com IA e Shiny Python: Análise de Dados Abertos da CVM

Este artigo apresenta um tutorial completo sobre como construir uma ferramenta de análise financeira de ponta. Utilizando Shiny for Python, demonstramos a automação da coleta de dados das Demonstrações Financeiras Padronizadas (DFP) da CVM e o tratamento dessas informações com Pandas. O ponto alto do projeto é a integração da IA Generativa do Google Gemini, que atua como um assistente de análise, interpretando os dados filtrados pelo usuário e fornecendo insights contábeis e financeiros em tempo real. O resultado é um dashboard dinâmico que democratiza a análise de dados complexos e acelera a tomada de decisão.

Econometria, ML ou IA para previsão da PMS?

Prever a Pesquisa Mensal de Serviços (PMS/IBGE) é um desafio por natureza: trata-se de uma série mensal, sujeita a volatilidade e choques que vão de fatores sazonais a mudanças estruturais no setor. Para enfrentar esse problema, realizamos um exercício de comparação entre três abordagens de modelagem: econometria tradicional (ARIMA), machine learning (XGBoost) e inteligência artificial (TimeGPT).

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

Boletim AM

Receba diretamente em seu e-mail gratuitamente nossas promoções especiais e conteúdos exclusivos sobre Análise de Dados!

como podemos ajudar?

Preencha os seus dados abaixo e fale conosco no WhatsApp

Boletim AM

Preencha o formulário abaixo para receber nossos boletins semanais diretamente em seu e-mail.