Estruturas de dados no R

Para tirar o melhor proveito da linguagem R, você precisará de um bom entendimento dos tipos e estruturas básicas de dados existentes e como manipulá-los no seu dia a dia. Portanto, antes de começar a apenas executar código e se frustrar (e perder tempo) por não entender o que são essas coisas na tela, inicie compreendendo os fundamentos básicos de estruturas de dados.

Estruturas de dados são muito importantes para entender porque é o que forma os objetos que você utilizará no dia a dia no R. Manipulação de objetos é uma das fontes mais comuns de frustração para iniciantes. E no R tudo é um objeto, portanto, vamos entendê-los.

Tipos de dados

Existem 5 tipos básicos de dados no R. Os elementos desses tipos de dados podem ser combinados para formar estruturas de dados, como vetores atômicos. Quando chamamos um vetor de atômico, queremos dizer que o vetor contém apenas dados de um único tipo de dados. Abaixo estão exemplos de vetores de atômicos e seus tipos:

  • character: "fernando", "economia"
  • numeric: 7, 22.3
  • integer: 5L (L serve para armazenar como inteiro no R)
  • logical: TRUE, FALSE
  • complex: 1+4i

Todos os elementos de um vetor atômico devem ser do mesmo tipo, portanto, quando você tentar combinar tipos diferentes, eles serão convertidos ao tipo mais flexível. Os tipos do menos ao mais flexível são: logicalintegernumeric e character.

Existem diversas funções para obter informações de vetores e outros objetos, por exemplo:

  • class() - que tipo de objeto é (alto nível)?
  • typeof() - qual é o tipo de dados do objeto (baixo nível)?
  • length() - qual é o tamanho (nº de elementos) do objeto?
  • attributes() - tem algum metadado/atributo?

Exemplos:


class("fernando")

# [1] "character"
typeof(7)

# [1] "double"
length(7L)

# [1] 1
attributes(TRUE)

# NULL

Estruturas de dados

No R existem muitas estruturas de dados. As nativas da linguagem incluem:

  • atomic vector
  • list
  • matrix
  • data frame
  • array

Vamos agora verificar com exemplos simples como criar cada uma dessas estruturas.

Vetores atômicos

Os vetores atômicos são geralmente criados com a função c(), abreviação de "combine":


c("fernando", "economia") # character

# [1] "fernando" "economia"
c(7, 22.3, 1:5) # numeric

# [1] 7.0 22.3 1.0 2.0 3.0 4.0 5.0
c(5L, 7L, 9L) # integer

# [1] 5 7 9
c(TRUE, FALSE, T, F) # logical

# [1] TRUE FALSE TRUE FALSE

Listas

Listas são diferentes de vetores atômicos porque seus elementos podem ser de qualquer tipo, incluindo listas. Ou seja, você pode pensar em listas como se fossem "contêineres" de dados. Podemos criar listas usando a função list():


list(1:5, "fernando", c(TRUE, FALSE), list("elemento de outra lista"))

# [[1]]
# [1] 1 2 3 4 5
#
# [[2]]
# [1] "fernando"
#
# [[3]]
# [1] TRUE FALSE
#
# [[4]]
# [[4]][[1]]
# [1] "elemento de outra lista"

Matrizes

Matrizes são comumente usadas como parte da maquinaria matemática da estatística, representando uma estrutura de duas dimensões: com n x m linhas e colunas. Podem ser criadas com a função matrix():


matrix(1:6, nrow = 2, ncol = 3) # matriz 2x3

# [,1] [,2] [,3]
# [1,] 1 3 5
# [2,] 2 4 6

Data frames

O data frame é a estrutura mais comum para armazenar dados no R e, se usado sistematicamente, facilita a análise de dados. Por trás das cortinas, um data frame é uma lista de vetores de igual tamanho e isso o torna uma estrutura bidimensional, de modo que compartilha propriedades de matrizes e listas.

Podemos criar um data frame usando data.frame(), que recebe vetores nomeados como entrada:


data.frame(id = c("a", "b", "c"), y = 1:3, x = 3:1)

# id y x
# 1 a 1 3
# 2 b 2 2
# 3 c 3 1

Saiba mais

Estes foram alguns exemplos básicos de estruturas e tipos de dados e funcionamento geral no R. Há muito mais a ser explorado sobre o assunto! Para se aprofundar confira o curso R e Python para Economistas.

Referências

Wickham, H. (2019). Advanced R. CRC press.

 

 

Compartilhe esse artigo

Facebook
Twitter
LinkedIn
WhatsApp
Telegram
Email
Print

Comente o que achou desse artigo

Outros artigos relacionados

Como planejar um pipeline de previsão macroeconômica: da coleta ao dashboard

Montar um pipeline de previsão macroeconômica não é apenas uma tarefa técnica — é um exercício de integração entre dados, modelos e automação. Neste post, apresento uma visão geral de como estruturar esse processo de ponta a ponta, da coleta de dados até a construção de um dashboard interativo, que exibe previsões automatizadas de inflação, câmbio, PIB e taxa Selic.

Coletando e integrando dados do BCB, IBGE e IPEA de forma automatizada

Quem trabalha com modelagem e previsão macroeconômica sabe o quanto é demorado reunir dados de diferentes fontes — Banco Central, IBGE, IPEA, FRED, IFI... Cada um com sua API, formato, frequência e estrutura. Esse gargalo de coleta e padronização consome tempo que poderia estar sendo usado na análise, nos modelos ou na comunicação dos resultados.

Foi exatamente por isso que criamos uma rotina de coleta automatizada, que busca, trata e organiza séries temporais econômicas diretamente das APIs oficiais, pronta para ser integrada a pipelines de previsão, dashboards ou agentes de IA econometristas.

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?

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.