Ferramentas do usuário

Ferramentas do site


05_curso_antigo:r2017:alunos:trabalho_final:daniel.magalhaes.lima:start

Daniel Magalhães Lima

Médico Veterinário formado pela FMVZ-USP

 Daniel Magalhães Lima

Doutorando no Laboratório de Epidemiologia e Bioestatística, Departamento de Medicina Veterinária Preventiva e Saúde Animal da Faculdade de Medicina Veterinária e Zootecnia da USP.

Tem como tema da tese o estudo do impacto econômico de estratégias de controle da brucelose e tuberculose bovinas através de modelagem matemática.

LEB - Laboratório de Epidemiologia e Bioestatística

Propostas de Trabalho Final

Proposta 1

Sumário Rápido
Através de um simples comando ( sumario(df) ) a função realiza um sumário geral em um banco de dados, identificando variáveis quantitativas e qualitativas e plotando gráficos e tabelas de acordo com o requerimento da variável. O sumário contará com avaliação da normalidade através de gráficos e medidas de simetria e curtose, medidas de tendência e de dispersão, uma combinação de n de gráficos básicos à escolha do usuário (histogramas com curva normal baseada, boxplot, qqplots, cleveand dotplot, correlogramas com intervalos de confiança) e tabelas de contingência.
sumario(data.frame = , by = NULL, graphs = c(‘histograma’, ‘boxplot’, ‘qqplot’, ‘clevelandplot’, ‘correlograma’), …)

Proposta 2

Medidas de risco
A função pode ter como entrara 3 tipos de objetos: vetores com variáveis qualitativas associadas a ocorrência de um evento, uma tabela de contingencia 2×2 ou um objeto do tipo lm/glm. A partir de um objeto lm ou glm a função seleciona os coeficientes da regressão e calcula as medidas de risco escolhidas pelo usuário, intervalo de confiança das medidas e plot destes intervalos.
risco(x = , y = NULL, medidas = c(OR, RR, RT, RA, RP))

Comentários Vitor

Daniel, suas propostas precisam melhoram um pouco. Qual o objetivo da primeira proposta? fazer várias análises pra ver no que dá não é uma boa estratégia de análise de dados. Além disso, você implementaria as análises ou só chamaria funções pré-existentes? O mesmo vale para a proposta B. Se você for implementar os códigos, eu iria com a B, ou tentaria um plano C Vitor Rios

Trabalho Final

Segue aqui o arquivo:

final_daniel.r

E aqui o código:


# Criando a função e definindo os argumentos 
exploratoria <- function(df, by = NULL, to.factor = NULL, bin2factor = T){
    
    # Carregando o pacote que faz o correlograma
    require(corrgram, quietly = T)
    
    # Carregando o pacote que faz os gráficos    
    require(ggplot2, quietly = T)
    
    #Extraindo os nomes das colunas para futura indexação
    nomes <- colnames(df)
    
    # Conferindo o argumento bin2factor
    if (bin2factor == T) {
        
        # Evitando um aviso causado pela comparação de vetores de tamanhos 
        # possivelmente diferentes.
        suppressWarnings(
            
            # Iniciando o for para a coerção de variaveis binárias para fatores
            for(i in 1:ncol(df)){
                
                # Conferindo valores únicos no vetor 
                check.bin <- sort(unique(df[,nomes[i]]))
                
                # Conferindo quem é binário e ...
                if (all(check.bin == c(0,1)) == T)  {
                    
                    # ... se for binario mudar para fator.
                    df[,i] <- as.factor(df[,nomes[i]]) 
                    
                    # ... se não for...
                } else { 
                    # ... segue o jogo!
                    next()
                }     
            }
        )
        
    }
    
    
    # Conferindo se o argumento 'to.factor' está preenchido e...
    if (!is.null(to.factor)){
        
        # ... se estiver extraímos as posições nas quais as variáveis foram apontadas.
        # Este objeto servirá como contador do for logo daqui a pouco.
        cont.factor <- which(nomes %in% to.factor)
        
        # Abrindo o for para a coerção para fator
        for(i in cont.factor){
            
            # Coercionando as variáveis selecionadas para fator.
            df[,i] <- as.factor(df[,i])
            
        }
    }
    
    # Identificando as variáveis do tipo fator para futura indexação
    fatores <- colnames(df[sapply(df, is.factor)])
    
    # Identificando as variáveis do tipo numerica para futura indexação
    numericas <- colnames(df[sapply(df, is.numeric)])
    
    ###################################################################
    ######################## Função Multiplot #########################  
    ################## desenvolvida por Winston Chang #################
    ###################################################################
    
    # disponível em: 
    # http://www.cookbook-r.com/Graphs/Multiple_graphs_on_one_page_(ggplot2)/
    
    
    # Embora estafunção esteja aqui dentro da minha não fui eu quem a implementou
    # me dei a liberdade de não comentá-la linha a linha, pois, além de o autor
    # ter feito uma série de comentários, eu não domino o objetivo de cada linha
    # utilizada aí.
    
    multiplot <- function(..., plotlist=NULL, file, cols=1, layout=NULL) {
        library(grid)
        
        # Make a list from the ... arguments and plotlist
        plots <- c(list(...), plotlist)
        
        numPlots = length(plots)
        
        # If layout is NULL, then use 'cols' to determine layout
        if (is.null(layout)) {
            # Make the panel
            # ncol: Number of columns of plots
            # nrow: Number of rows needed, calculated from # of cols
            layout <- matrix(seq(1, cols * ceiling(numPlots/cols)),
                             ncol = cols, nrow = ceiling(numPlots/cols))
        }
        
        if (numPlots==1) {
            print(plots[[1]])
            
        } else {
            # Set up the page
            grid.newpage()
            pushViewport(viewport(layout = grid.layout(nrow(layout), ncol(layout))))
            
            # Make each plot, in the correct location
            for (i in 1:numPlots) {
                # Get the i,j matrix positions of the regions that contain this subplot
                matchidx <- as.data.frame(which(layout == i, arr.ind = TRUE))
                
                print(plots[[i]], vp = viewport(layout.pos.row = matchidx$row,
                                                layout.pos.col = matchidx$col))
            }
        }
    }
    
    ###################################################################
    ####################### Função sumario.base #######################
    #################### desenvolvida por mim mesmo ###################
    ###################################################################
    
    # O objetivo de fazer uma função com uma série de avaliações básicas da
    # análise descritiva é poder utilizá-la em diferentes cenários, ex:
    # utilizando como entrada um simples vetor, ou através de alguma função da
    # família apply ou até mesmo em conjunto com funções da família de pacotes
    # da filosofia do tidyverse (apesar das tentativas de utilizar este último
    # aqui na função não consegui dominar a aplicação da filosofia.)
    
    # Iniciando a função e definindo os argumentos
    sumario.base <- function(x){
        
        # Extraindo o primeiro quartil
        q1 <- quantile(x, probs = 0.25, na.rm = T)[[1]]
        
        # Extraindo o terceiro quartil
        q3 <- quantile(x, probs = 0.75, na.rm = T)[[1]]
        
        # Construindo o data.frame de saída da função
        data.frame(
            # Calculando a média
            media = round(mean(x, na.rm = T),2),
            # Calculando a desvio padrão
            desvio = round(sd(x, na.rm = T),2),
            # Verificando o valor mínimo
            minimo = min(x, na.rm = T),
            # alocando o primeiro quartil
            q1 = q1,
            # Calculando a mediana
            mediana = median(x, na.rm = T),
            # Calculando o terceiro quartil
            q3 = q3,
            # Calculando o valor máximo
            maximo = max(x, na.rm = T),
            # Calculando o intervalo inter-quartil
            iiq = (q3 - q1),
            # Contando os NAs
            na.cont = sum(is.na(x)),
            # Relativizando os NAs
            na.percent = sum(is.na(x))/length(x),
            # Contando os zeros
            zero.cont = sum(x == 0, na.rm = T),
            # Relativizando os zeros
            zero.percent = sum(x == 0, na.rm = T)/length(x)
        )
    }
    
    # Criando as listas que compõe a saída da função...
    # ... gráficos de variáveis numéricas...
    graficos.num <- list()
    # ... de variáveis categóricas...
    graficos.fac <- list()
    # ... e tabelas.
    tabelas.fac <- list()
    
    # Não vi nenhum sentido para calcular um correlograma com base em uma 
    # variável categorica, portanto o gráfico é construído com base na totalidade
    # dos dados e neste momento da função.
    
    # Calculando a matrix de correlação e desenhando o correlograma
    corrgram(df[,numericas], type = 'data',
             lower.panel = 'panel.cor', upper.panel = 'panel.pts')
    
    # Salvando o gráfico 
    correlograma <- recordPlot()

    # Construi a função em dois grandes blocos: Sem variáveis categóricas e com
    # variáveis categóricas. 
    # Abaixo começa a mais simples: sem variável categórica
        
    ###################################################################
    ########################### Sem fatores ###########################
    ###################################################################
    

# Saídas Gráficas ---------------------------------------------------------
    
    # Conferindo o argumento
    if(is.null(by)){
        
        # iniciando o for para a construção de gráficos das variáveis numericas
        for(i in 1:length(numericas)){
            
            # criando o plot, definindo o df de trabalho e o eixo y 
            bp <- ggplot(df, aes_string(y = numericas[i]))+
                #definindo o eixo x
                aes(x = numericas[i])+
                # definindo o tipo do gráfico
                geom_boxplot()+
                # aparando uma legenda repetitiva
                labs(x = NULL)
            
            # criando o plot, definindo o df e o eixo x
            histo <- ggplot(df, aes_string(x = numericas[i]))+
                # definindo o tipo do grafico
                geom_histogram()
            
            # criando o plot, definindo o df de trabalho e a origem das amostras
            qq <- ggplot(df, aes_string(sample = numericas[i]))+
                # definindo o tipo do gráfico
                stat_qq()
            
            # criando o plot, definindo o df de trabalho e o eixo x
            clev <- ggplot(df,aes_string( x = numericas[i]))+
                # definindo o eixo y
                aes(y = row.names(df))+
                # definindo o tipo de gráfico
                geom_point()+
                # aparando legendas desnecessárias
                theme(axis.text.y = element_blank())
            
            # plotando todo mundo junto
            multiplot(bp, qq, histo, clev, cols = 2)
            
            # salvando o gráfico
            plot.num <- recordPlot()
            
            # alocando o gráfico na lista
            graficos.num[[i]] <- plot.num
            
            # nomeando o gráfico
            names(graficos.num)[i] <- numericas[i]
            
        }
        
        
        # iniciando a construção dos gráficos das variáveis categóricas e a 
        # construção das tabelas
        for(i in 1:length(fatores)){
            
            # criando o plot, definindo o df de trabalho e o eixo x
            barras <- ggplot(df, aes_string(x = fatores[i],
                                            fill = fatores[i]))+
                # definindo o tipo de gráfico e selecionando, por default a 
                # contagem como eixo y
                geom_bar()
            
            # Aqui, apesar de plotar apenas um gráfico precisei utilizar o 
            # multiplot pois assim foi mais fácil plotar o gráfico de dentro da
            # função.
            multiplot(barras)
            
            # Salvando o gráfico...
            plot.fac <- recordPlot()
            
            # ... alocando ele na lista e...
            graficos.fac[[i]] <- plot.fac
            # ... nomeando-o.
            names(graficos.fac)[i] <- fatores[i]
            
            # Tabelando os dados, guardando a tabela na lista e...
            tabelas.fac[[i]] <- table(df[fatores[i]])
            # ... nomeando a lista.
            names(tabelas.fac)[[i]] <- fatores[i]
            
        }
        
    }
    

# Saídas Numéricas --------------------------------------------------------

    # aplicando a função sumario.base no data.frame e fazendo a transposição
    # para que fique mais legível. O objeto sumario.num é um dos componentes
    # da saída da função.
    sumario.num <- as.data.frame(t(sapply(df[,numericas],sumario.base)))
    
    
    # Por aqui termina o trabalho quando não há variável indexadora e começa
    # a segunda parte.
    
    ###################################################################
    ########################### Com Fatores ########################### 
    ###################################################################
    
    # conferindo o argumento by. Se este existir...
    if(!is.null(by)){
        
# Saidas Graficas ---------------------------------------------------------
        # ... começa a construção dos gráficos. A partir das variáveis numéricas.
        for(i in 1:length(numericas)){
            
            # criando o plot, definindo o df de trabalho, eixo y e agrupamento
            # com base no argumento by
            bp <- ggplot(df, aes_string(x = by, y = numericas[i]))+
                # definindo o tipo do gráfico
                geom_boxplot()
           
             # criando o plot, definindo o df de trabalho e o eixo x...
            histo <- ggplot(df, aes_string(x = numericas[i]))+
                # ...definindo o tipo de gráfico e...
                geom_histogram()+
                # ... fazendo o facet com base no 'by'.
                # A disposição foi selecionada para possibilitar a comparação
                # da melhor maneira possível
                facet_grid(df[,by] ~ .)
            
            # criando o plot, definindo o df de trabalho, definindo as amostras...
            qq <- ggplot(df, aes_string(sample = numericas[i]))+
                # ... definindo o tipo de gráfico e...
                stat_qq()+
                # ... fazendo o facet.
                facet_grid(df[,by] ~ .)
            
            # criando o plot, definindo o df de trabalho, definindo o eixo x,...
            clev <- ggplot(df, aes_string( x = numericas[i]))+
                # ... o eixo y...
                aes(y = row.names(df))+
                # ... o tipo de gráfico ...
                geom_point()+
                # retirando marcações indesejáveis e...
                theme(axis.text.y = element_blank())+
                # fazendo o facet.
                facet_grid(df[,by] ~ .)
            
            # plotando todo mundo junto, ...
            multiplot(bp, qq, histo, clev, cols = 2)
            # ... salvando o gráfico,...
            plot.num <- recordPlot()
            
            # ... alocando na devida lista e...
            graficos.num[[i]] <- plot.num
            # nomeando.
            names(graficos.num)[i] <- numericas[i]
            
        }
  
        # para que não haja um gráfico 'by' vs 'by' bolei esta estratégia:
        # criei este contador para o for que vem a seguir e... 
        cont.fac <- 1:length(fatores)
        # ... tirei do vetor a posição da variável 'by'.
        cont.fac <- cont.fac[c(-which(fatores == by))]
        
        # começando o for para a construção dos gráficos das categóricas
        for(i in cont.fac){
            
            # criando o plot, definindo o df de trabalho, eixo x, ...
            barras <- ggplot(df, aes_string(x = fatores[i],
                                            # colorindo e ...
                                            fill = by,
                                            # agrupando por 'by'
                                            group = by))+
                # definindo o tipo de gráfico e a posição das barras.
                geom_bar(position = position_dodge())
            
            # plotando,...
            multiplot(barras)
            # ... salvando,...
            plot.fac <- recordPlot()
            # ... alocando e...
            graficos.fac[[i]] <- plot.fac
            # ... nomeando o gráfico.
            names(graficos.fac)[i] <- fatores[i]
            
            # Criando e alocando as tabelas de contingencia e...
            tabelas.fac[[i]] <- table(df[,by], df[,fatores[i]])
            # ... nomeando as tabelas
            names(tabelas.fac)[[i]] <- paste(fatores[i], by, sep = 'VS')
            
        }
        
        ###################################################################
        ######################## Saídas Numéricas #########################    
        ###################################################################
        
        # começando a criação do df que levará o sumário numérico.
        sumario.num <- NULL
        
        # Abrindo um for para a confecção do sumario
        for(i in 1:length(numericas)){
            
            # aplicando a função sumario.base através da indexação por 'by'
            # em um tapply. O objeto temporário é uma lista...
            tmp <- tapply(df[, numericas[i]], df[,by], sumario.base)
            # ... que é destrinchada em uma matriz e alocada em um df.
            tmp2 <- data.frame(matrix(unlist(tmp), nrow = length(tmp), byrow=T))
            
            # O df é atualizado a cada iteração do for.
            sumario.num <- rbind(sumario.num, tmp2)
        
        }
        
        # Começa a arrumação do df...
        # ... primeiro nomeando as colunas,...
        colnames(sumario.num) <- colnames(tmp[[1]])
        # ... depois inserindo os nomes das variáveis,...
        sumario.num$variavel <- rep(numericas, each = length(levels(df[,by])))
        # ... e então os grupos às quais a linha pertence.
        sumario.num$grupo <- rep(levels(df[,by]), times = length(numericas))
        # Finalizando com a facilitação da visualização.
        sumario.num <- sumario.num[,c(13:14, 1:12)]
        
    }
    
    
    ###################################################################
    ########################### Finalizando ###########################  
    ###################################################################
    
    # Preparando a saída da função
    # Construindo a lista com os objetos que compõe a saída e...
    saida <- list(sumario.num, graficos.num, graficos.fac, tabelas.fac, correlograma)
    # nomeando-os.
    names(saida) <- c('sumario.num','graficos.num','graficos.fac', 'tabelas',
                      'correlograma')
    
    # Apresentando os resultados e fechando a função!
    return(saida)
}

Help da função

Segue aqui o arquivo:

help_exploratoria.txt

E aqui o texto.

exploratoria()                package:BIE5782                R Documentation

Faz um análise exploratória básica.

Description:

     A função recebe um banco de dados e avalia, automaticamente e através dos argumentos, 
quais são as variáveis categóricas e quais são as numéricas. Com base nesta relação a função
plota diversos gráficos, tabelas de contingência e sumários estatísticos.

Usage:

    exploratoria(df, by, to.factor, bin2factor)

# default:
# exploratoria(df, by = NULL, to.factor = NULL, bin2factor = T)

Arguments:

 df		Um data.frame.
 by		Uma variável indexadora do seu data.frame. Passada entre "".
 to.factor	Um vetor contendo os nomes das variáveis as quais o usário deseja
		coercionar para fator dentro da função.
 bin2factor	Argumento lógico que variáveis apresentadas como binárias sejam
		interpretadas como fator.

Details:

     

Value:

     sumario.num	Um data.frame que é composto de medidas de tendencia central,
			medidas de dispersão, contagem de zeros e de NAs para cada variável
			e suas possíveis categorias.
     graficos.num	Lista de gráficos das variáveis classificadas como numéricas.
     graficos.fac	Lista de gráficos das variáveis classificadas como categóricas
     tabelas		Lista que contém as tabelas com as distribuições das variáveis 
			categóricas
     correlograma	Correlograma com coeficiente de correlação das variáveis numericas.
			 

Warning:

     

Note:

     
     
Author(s):

     Daniel Magalhães Lima

References:

     # função multiplot() retirada deste livro:
     http://www.cookbook-r.com/Graphs/Multiple_graphs_on_one_page_(ggplot2)/

See Also:

     

Examples:

     set.seed(5782)

	banco <- data.frame(
    		grupo = sample(c('a', 'b'), 100, replace = T),
    		medida1 = rnorm(100, 10, 2),
    		medida2 = sample(c(0:5, NA), 100, replace = T),
    		sexo = sample(0:1, 100, replace = T),
    		repeticao = sample(1:3, 100, replace = T)
		)

	# O basico:
	teste <- exploratoria(df = banco)
	View(teste$sumario.num)
	teste$tabelas

	# Usando os argumentos extras:
	teste2 <- exploratoria(df = banco, by = 'grupo', to.factor = 'repeticao')
	View(teste2$sumario.num)
	teste2$tabelas

05_curso_antigo/r2017/alunos/trabalho_final/daniel.magalhaes.lima/start.txt · Última modificação: 2020/08/12 06:04 (edição externa)