Monise Terra Cerezini

Exercícios Aula 3


#Distância entre cidades


Abaixo as distâncias por estradas entre quatro cidades da Europa, em quilômetros: 

Atenas a Madri: 3949
Atenas a Paris: 3000
Atenas a Estocolmo: 3927
Madri a Paris: 1273
Madri a Estocolomo: 3188
Paris a Estocolmo: 1827


1. Construa uma matriz de distâncias com esses valores.

> distancia=read.table("distancia.csv", header=T, sep=";", as.is=T)
> distancia
           X Atenas Paris Madri Estocolmo
1     Atenas      0  3000  3949      3927
2     Paris    3000     0  1273      1827
3      Madri   3949  1273     0      3188
4 Estocolmo    3927  1827  3188         0



2. Compare sua matriz com o objeto eurodist, disponível no pacote datasets.

dist.euro = as.matrix(eurodist)
dist.euro = as.data.frame(dist.euro)
names(dist.euro)

dist.sel=distancia.euro[c(1,18,14,20),c(1,18,14,20)]
class(dist.sel)
dist.sel
distancia
  

#Criação de um data frame

1. Crie um data frame com esses dados, na qual cada hamster seja uma linha, e as colunas sejam as variáveis cor, dieta e variação do peso.

dieta<-rep(c("A","B","C"),times=2,each=3)
dieta

cor<-rep(c("Claro","Escuro"),each=9)
cor

var.peso=c(0.1,1.1,3.7,5.7,-1.2,-1.5,3.0,-0.4,0.6,1.5,-0.1,2.0,0.6,-3.0,-0.3,-0.2,0.3,1.5)
var.peso

hamster=data.frame(dieta,cor,var.peso)
hamster
save.image()

2. Qual a media por dieta e por fenótipo?

#Média por dieta
media.a=mean(hamster$var.peso[hamster$dieta=="A"])
media.a

media.b=mean(hamster$var.peso[hamster$dieta=="B"])
media.b

media.c=mean(hamster$var.peso[hamster$dieta=="C"])
media.c

#Média por fenótipo
media.claro=mean(hamster$var.peso[hamster$cor=="Claro"])
media.claro

media.escuro=mean(hamster$var.pes[hamster$cor=="Escuro"])
media.escuro


#Criando uma Matriz

1. Crie um objeto da classe matriz com 5 colunas e 3 linhas contendo uma amostra de uma 
distribuição normal de média 10 e variância 3,6. 
 
> a<-rnorm(15,mean=10,sd=3.6)
> a
 [1]  4.851390 14.890673  7.471718  1.885367  8.879391 10.503703  5.479555
 [8]  6.176761  9.587843 15.990677  3.840889 13.970779 13.593656  9.292373
[15]  8.487177

> matriz<-matrix(a,nrow=3,ncol=5)
> matriz
          [,1]      [,2]     [,3]      [,4]      [,5]
[1,]  4.851390  1.885367 5.479555 15.990677 13.593656
[2,] 14.890673  8.879391 6.176761  3.840889  9.292373
[3,]  7.471718 10.503703 9.587843 13.970779  8.487177


2. Mude os nomes das linhas para “L1” a “L3” e das colunas para “C1” a “C5”. 
Dica: A função paste pode poupar trabalho.

> colnames(matriz)<-paste("C",1:5)
> matriz
           C 1       C 2      C 3       C 4       C 5
[1,]  4.851390  1.885367 5.479555 15.990677 13.593656
[2,] 14.890673  8.879391 6.176761  3.840889  9.292373
[3,]  7.471718 10.503703 9.587843 13.970779  8.487177

> rownames(matriz)<-paste("L",1:3)
> matriz
          C 1       C 2      C 3       C 4       C 5
L 1  4.851390  1.885367 5.479555 15.990677 13.593656
L 2 14.890673  8.879391 6.176761  3.840889  9.292373
L 3  7.471718 10.503703 9.587843 13.970779  8.487177


3. Calcule a média e a variância por colunas e depois por linhas. Guarde os resultados em 
um dataframe diferenciando variância de média em dois vetores.

media.linha=apply(matriz,1,mean)
> media.linha
      L 1       L 2       L 3 
 8.360129  8.616017 10.004244 

> media.coluna=apply(matriz,2,mean)
> media.coluna
      C 1       C 2       C 3       C 4       C 5 
 9.071260  7.089487  7.081386 11.267448 10.457735 

> var.linha=apply(matriz,1,var)
> var.linha
      L 1       L 2       L 3 
37.036643 17.162488  6.217857 

> var.coluna=apply(matriz,2,var)
> var.coluna
      C 1       C 2       C 3       C 4       C 5 
27.115703 20.971749  4.833267 42.385336  7.537583 

> resultado.linha=data.frame(media.linha,var.linha)
> resultado.linha
    media.linha var.linha
L 1    8.360129 37.036643
L 2    8.616017 17.162488
L 3   10.004244  6.217857

> resultado.coluna=data.frame(media.coluna,var.coluna)
> resultado.coluna
    media.coluna var.coluna
C 1     9.071260  27.115703
C 2     7.089487  20.971749
C 3     7.081386   4.833267
C 4    11.267448  42.385336
C 5    10.457735   7.537583




#Lendo e Salvando seus dados

Leia um arquivo de dados de sua autoria e faça um sumário das variáveis independentes. 
Caso não tenha dados, terá que ir a campo, ou utilize alguns dos dados da área Arquivos de dados da nossa página . 

itirapina<-read.table("itirapina.csv",header=T,sep=",")
itirapina

str(itirapina)
head(itirapina)
dim(itirapina)
class(itirapina)


1. Selecionando um estado de atributo de um vetor fator e salve em um objeto 

Astereae=itirapina[itirapina$tribo.planta=="Astereae",]
Astereae


2. Selecionando três colunas de dados

Astereae.3colunas=Astereae[,1:3]
Astereae.3colunas


3. Salvando em um arquivo.txt

write.table(Astereae.3colunas, file = "Astereae.3colunas.txt", append = FALSE, quote = TRUE, sep = " ,",dec = ".", row.names = FALSE, col.names = TRUE, qmethod = c("escape", "double"))
write.table


#Classes de Objetos

1. Quais são as classes desses dois objetos?

> class(iris)
[1] "data.frame"

> class(iris3)
[1] "array"


2. Calcule a média de cada uma das quatro medidas por espécie, dos dois objetos. 
DICA: as fuções da família apply irão te ajudar.


> mean(iris$Sepal.Length)
[1] 5.843333

> mean(iris$Sepal.Width)
[1] 3.057333

> mean(iris$Petal.Length)
[1] 3.758

> mean(iris$Petal.Width)
[1] 1.199333

> apply(iris3,c(2,3),mean)
         Setosa Versicolor Virginica
Sepal L.  5.006      5.936     6.588
Sepal W.  3.428      2.770     2.974
Petal L.  1.462      4.260     5.552
Petal W.  0.246      1.326     2.026


3. Os nomes das variaveis estão em inglês. Mude-os para português no objeto iris. 
DICA: Como tudo mais no R, os resultados da função names podem ser armazenados em um objeto.

> names(iris)=c("Comp. sepalas","Larg. sepalas","Comp. petalas","Larg. petalas","Especies")

> names(iris)
[1] "Comp. sepalas" "Larg. sepalas" "Comp. petalas" "Larg. petalas"
[5] "Especies"   



#Acrescentando Dados de Síntese

1. Crie um objeto com os dados do arquivo-texto esaligna.csv.

esaligna=read.table("esaligna.csv", header=T, sep=",", as.is=T, row.names=NULL)


2. Verifique o conteúdo do objeto resultante, com a função summary.

summary(esaligna)



3. Acrescente uma nova coluna ao data frame resultante, com a soma das biomassas de folhas e do tronco de cada árvore.

esaligna$Biomass.total=esaligna$tronco+esaligna$folha
summary(esaligna)


4. Acrescente outra coluna, com o valor da área basal de cada árvore.

raio=esaligna$dap/2
area.basal=pi*raio^2
area.basal
esaligna$area.basal=area.basal
head(esaligna)

5. Calcule a área basal total por talhão e salve em um objeto

area.basal.talhao = xtabs(Area.Basal~talhao, data=esaligna)
area.basal.talhao

6. Calcule a média por talhão

area.basal.media=tapply(esaligna$area.basal,esaligna$talhao,mean, simplify = TRUE)
area.basal.media


7. Selecione apenas os dados relativos à árvores com mais de 10 cm de diâmetro

Arvores.dap10=esaligna[esaligna$dap>=10,]
Arvores.dap10


8. Salve em um arquivo txt, separado por tabulação.

write.table(Arvores.dap10,"Arvores_DAP10cm.txt", append = FALSE, quote = TRUE, sep = ",",eol = "\n", na = "NA", dec = ".", row.names = FALSE, col.names = TRUE, qmethod = c("escape", "double"))