Capítulo 11 Importando banco de dados

Até aqui, todos os dados que usamos foram digitados por nós mesmos, direto no script, como no vetor idades ou no Batimentos. Isso funciona para dez ou vinte valores. Na prática, os dados de uma pesquisa vêm em um arquivo, com centenas ou milhares de linhas, e o nosso trabalho passa a ser trazer esse arquivo para dentro do R. É disso que trata este capítulo.

Os dois tipos de arquivo mais comuns são:

Arquivo do tipo Excel (xls ou xlsx)
Arquivo de texto separado por vírgulas (csv, de comma-separated values)

Muitos dados de pesquisa são hoje publicados livremente, para que qualquer pessoa possa conferir os resultados de um estudo ou fazer perguntas novas com o mesmo material. Esse movimento se chama ciência aberta, e é graças a ele que você consegue fazer um bom trabalho sem precisar coletar dados próprios. Algumas fontes para começar:

DataSus: https://datasus.saude.gov.br/transferencia-de-arquivos
OMS: https://www.who.int/data/collections
Kaggle: https://www.kaggle.com/datasets

O assunto é grande e rende bons trabalhos, então tem dois capítulos só para ele no fim do livro: um sobre ciência aberta e onde encontrar dados e artigos abertos, e outro sobre os dados do DATASUS, que é a principal fonte brasileira para quem é da área da saúde.

Os bancos usados neste livro ficam reunidos em https://ana-mat-br.github.io/dados/. Cada capítulo apresenta o endereço do arquivo que vai usar, para você baixar ou ler direto pelo R.

11.1 Antes de tudo: onde o arquivo mora

Esta seção parece boba, mas é onde quase todo mundo trava na primeira vez. Leia com calma.

Quando você baixa um arquivo da internet, ele não fica solto no computador: ele é guardado dentro de uma pasta. Na maioria dos computadores, essa pasta se chama Downloads, e é para lá que tudo vai por padrão, sem perguntar nada.

O R, por sua vez, não adivinha onde as coisas estão. Suponha que você baixou o arquivo mcdonald.csv e escreveu apenas isto:

mcdonald <- read_csv("mcdonald.csv")

O R vai procurar esse arquivo em um único lugar: a pasta que ele considera a sua, naquele momento. Se o arquivo estiver na Downloads e essa não for a pasta em que o R está, ele não encontra e devolve um erro — mesmo que o arquivo esteja ali, a dois cliques de distância.

Você precisa dizer onde o arquivo está, e é só isso que aquelas linhas de código cheias de barras e aspas estão fazendo: soletrando o endereço da pasta para o R.

11.1.1 Como é um caminho por extenso

Vale ver um de verdade, escrito inteiro. Em um Mac, o mcdonald.csv recém-baixado costuma estar aqui:

/Users/anafernandes/Downloads/mcdonald.csv

E no Windows, assim:

C:/Users/anafernandes/Downloads/mcdonald.csv

Leia da esquerda para a direita, e cada barra vira a palavra “dentro de”:

Pedaço	O que é
`/Users` (ou `C:/Users`)	a parte do disco onde ficam as pastas das pessoas
`anafernandes`	a sua pasta pessoal, com o nome do seu usuário
`Downloads`	a pasta para onde o navegador manda tudo
`mcdonald.csv`	finalmente, o arquivo

Ou seja: dentro de Users, dentro de anafernandes, dentro de Downloads, o arquivo mcdonald.csv. É comprido, mas não tem mistério nenhum: é o mesmo caminho que você percorre clicando pasta por pasta, só que escrito em uma linha.

No Windows, cuidado com a barra. O Explorer mostra o caminho com barra invertida (C:\Users\...), mas o R não aceita essa barra sozinha. Troque todas por barra normal (C:/Users/...), ou duplique-as (C:\\Users\\...). É um detalhe bobo que gera muito erro.

A boa notícia é que existem quatro formas de dizer isso ao R, e três delas não exigem que você entenda de pastas. Vamos ver as quatro, da mais simples para a mais técnica:

Pelo botão do RStudio, apontando o arquivo na tela.
Pelo endereço da internet, sem nem baixar o arquivo.
Escolhendo o arquivo em uma janela, que o próprio R abre para você.
Escrevendo o caminho da pasta, que é o que você vai usar quando os dados forem seus.

Comece pela primeira. As outras fazem mais sentido depois que você viu uma funcionar.

11.2 Forma 1: pelo botão Import Dataset

Esta é a forma mais segura para começar, porque você navega até o arquivo com o mouse, do mesmo jeito que faz para abrir uma foto ou um documento. E tem um bônus: no fim, o RStudio escreve o código para você.

Faça o download do banco de dados mcdonald.csv, clicando aqui: https://ana-mat-br.github.io/dados/mcdonald.csv (fonte original: https://www.kaggle.com/datasets/mcdonalds/nutrition-facts). Repare em qual pasta o seu navegador salvou o arquivo — quase sempre é a Downloads.
Na área de ambiente de memória, localize Import Dataset, ao clicar nessa opção você terá o seguinte:

Figura: Importando banco de dados

Como queremos importar um arquivo csv, a melhor opção é a segunda From Text (readr)
readr é uma pacote do R que faz a leitura de arquivo csv (se o pacote ainda não estiver instalado no seu computador, o R fará a instalação, se você concordar!)

Clicando na opção From Text (readr), no botão browser indique onde (no seu computador) está localizado o arquivo a ser importado. É aqui que você navega até a pasta Downloads e clica no arquivo. A seguinte tela será apresentada:

Figura: Prévia dos dados

No quadro Data Preview, temos uma “prévia” com os nomes da variáveis, seus tipos computacionais e os primeiros valores que estão armazenados no banco de dados.
No quadro Import Options temos as opções de importação, fique atento ao Name do seu banco de dados, geralmente usamos nomes sem espaços ou caracteres especiais (’, ~ ou ç), é até permitido usar alguns desses caracteres especiais, mas evite.
Ainda no quadro Import Options, observe que a opção Open Data Viewer está marcada, isso significa que ao importar o banco de dados, o arquivo de banco de dados será aberto pelo RStudio. Caso esteja trabalhando com bancos com muitos dados (como os bancos do dataSUS), talvez seja melhor desmarcar essa opção para não sobrecarregar o processamento do seu computador.
O quadro Code Preview mostra como é a importação (leitura) do banco de dados via código. É interessante copiar esse trecho de código para o arquivo de script.

Clique no botão Import e observe que no ambiente de memória será criado o objeto do tipo Data com o nome do banco de dados que foi importado.

Figura: Import dataset

Observe que esse objeto do tipo Data é diferente dos objetos do tipo Values que vimos nos exemplos iniciais.
Ao clicar no ícone ao lado do nome do objeto, temos acesso ao nomes e tipos computacionais das variáveis, e ao clicar sobre nome do objeto, o banco será aberto!

Olhe de novo para o quadro Code Preview antes de clicar em Import. Aquele texto esquisito, cheio de barras, é o caminho do arquivo: é o endereço da pasta onde ele está, escrito do jeito que o computador entende. O botão fez por você exatamente o que você faria à mão. Copie esse código para o seu script: da próxima vez, basta executá-lo, sem precisar repetir os cliques.

11.3 Forma 2: sem baixar nada

Se o arquivo está na internet e você sabe o endereço dele, o R busca sozinho. Não precisa baixar, não precisa saber de pasta nenhuma, não precisa de caminho. Você copia o endereço e coloca entre aspas, no lugar do nome do arquivo:

library(readr)
nascimentos <- read_csv("https://ana-mat-br.github.io/dados/nascimentos.csv")

nrow(nascimentos)

## [1] 3602

Pronto: o banco está na memória do R. Esta é a forma mais rápida de todas, e é a que usaremos nos exemplos deste livro, justamente para que você possa copiar o código e executá-lo sem nenhum preparo.

A única exigência é estar conectado à internet. Se a conexão cair, o R não encontra o arquivo.

11.4 Forma 3: escolhendo o arquivo na tela

Existe um meio-termo entre o botão e o caminho escrito: a função file.choose(). Ela abre a mesma janelinha de procurar arquivo que você já conhece, e devolve o caminho para o R automaticamente.

# a janela de escolher arquivo vai abrir; navegue até o arquivo e clique nele
mcdonald <- read_csv(file.choose())

É prática e não exige saber onde nada está. A desvantagem é que ela pergunta toda vez: se você fechar o RStudio e voltar amanhã, terá que procurar o arquivo de novo. Por isso ela serve para um teste rápido, mas não para um trabalho que você vai repetir.

11.5 Forma 4: escrevendo o caminho

Esta é a forma que você vai usar quando os dados forem seus, porque os seus dados não vão estar em endereço nenhum da internet. E é a que exige entender a ideia de pasta — mas o RStudio tem um recurso que resolve quase todo o problema.

11.5.1 O Projeto do RStudio

Um Projeto é simplesmente uma pasta que o RStudio considera a sua casa. Tudo o que estiver dentro dela, o R acha sozinho, sem você precisar escrever caminho nenhum.

Para criar um: no menu, File → New Project → New Directory → New Project, escolha um nome (por exemplo, estatistica) e um lugar para ele ficar. O RStudio cria a pasta e abre o projeto. Você vai ver o nome dele no canto superior direito da tela — se estiver escrito ali, você está dentro do projeto.

Agora, se você arrastar o arquivo mcdonald.csv para dentro dessa pasta, o R passa a encontrá-lo só pelo nome:

mcdonald <- read_csv("mcdonald.csv")

Sem barras, sem endereço, sem nada. É por isso que vale a pena criar o Projeto logo no começo: ele transforma o problema de “onde está o arquivo” em “está aqui do lado”.

Se você quiser organizar melhor e criar uma subpasta chamada dados dentro do projeto, o nome dela entra antes, separado por uma barra:

mcdonald <- read_csv("dados/mcdonald.csv")

A barra quer dizer “dentro de”. Leia como: dentro da pasta dados, o arquivo mcdonald.csv.

Se aparecer o erro does not exist in current working directory, o R não achou o arquivo. Na ordem, confira: (1) o nome do projeto aparece no canto superior direito do RStudio? (2) o arquivo está mesmo dentro da pasta do projeto? (3) o nome está escrito exatamente igual, inclusive maiúsculas e a terminação .csv? Quase sempre é uma dessas três.

11.6 Importando um banco xls

Na área de ambiente de memória, localize Import Dataset, ao clicar sobre essa opção, escolha From Excel…

Figura: Importando banco de dados

Se for a primeira vez que você estiver importando um arquivo Excel, pode ser necessária a instalação do pacote que fornece a biblioteca que tem a função de leitura de arquivo xls (readxl)! O RStudio mostrará um aviso parecido com este:

Figura: Aviso para instalação de pacote

11.7 Exemplo 1

Como obter a média da variável Calories que é uma coluna do objeto mcdonald, que por sua vez, é um objeto do tipo Data?

# Usamos o operador $
# Para calcular a média precisamos informar para função: 
# mean( NOME DO BANCO $ NOME DA COLUNA ): 
mean(mcdonald$Calories)

11.8 Exemplo 2

Como armazenar os valores de uma variável (coluna), em um objeto do tipo Values e depois calcular a média?

# Uso o operador <- 
# Criamos o objeto 
caloria <- mcdonald$Calories
# Agora podemos usar o objeto que criamos, por exemplo para calcular a média e o desvio padrão
mean(caloria)
sd(caloria)

11.9 Exemplo 3

O que acontece se usamos a função summary() para o objeto mcdonald, sem usar o operador, isto é sem indicar uma variável?

# No console será mostrado o resumo de todas as variáveis do banco!
summary(mcdonald)

Essa forma de obter os resultados não é a melhor forma, vamos instalar um pacote para obter os resultados em uma tabela bem formatada que podemos copiar e colar diretamente para um editor de texto.

11.10 Exemplo 4: um banco da sua área

Os exemplos anteriores usaram o mcdonald, que serve bem para aprender o mecanismo da importação. Agora vamos repetir os mesmos três passos — importar, olhar uma variável, resumir o banco — em um banco da sua área.

Repare que todos eles têm dados faltantes, como qualquer coleta real. Vamos aprender a lidar com isso já aqui.

11.10.1 Onde estão estes bancos

Banco	Área	Endereço
`nascimentos.csv`	Medicina	https://ana-mat-br.github.io/dados/nascimentos.csv
`saude-mental.csv`	Psicologia	https://ana-mat-br.github.io/dados/saude-mental.csv
`aptidao-fisica.csv`	Educação Física	https://ana-mat-br.github.io/dados/aptidao-fisica.csv

Nos exemplos abaixo usamos a Forma 2, o endereço da internet, para que você possa copiar o código e executar na hora. Se preferir baixar o arquivo e usar o botão Import Dataset, clique no endereço da tabela e siga a Forma 1 — o resultado é exatamente o mesmo.

11.10.2 Medicina: nascidos vivos em Uberaba

O arquivo nascimentos.csv traz os 3.602 nascimentos registrados em Uberaba em 2022, extraídos do SINASC, o Sistema de Informações sobre Nascidos Vivos do DATASUS. São dados reais e públicos.

library(readr)
nascimentos <- read_csv("https://ana-mat-br.github.io/dados/nascimentos.csv")

# quantas linhas e colunas?
dim(nascimentos)

## [1] 3602   10

# média do peso ao nascer, em gramas
mean(nascimentos$peso_g)

## [1] 3095.784

As variáveis são: peso_g (peso ao nascer em gramas), idade_mae, sem_gestacao (semanas de gestação), consultas_pn (consultas de pré-natal), apgar5, sexo, parto (vaginal ou cesáreo), escol_mae (escolaridade da mãe) e raca_mae.

11.10.3 Psicologia: saúde mental de universitários

O arquivo saude-mental.csv traz escores de 320 universitários em três instrumentos que você viu no capítulo de conceitos fundamentais: PSS-10 (estresse percebido, de 0 a 40), GAD-7 (ansiedade, de 0 a 21) e WHO-5 (bem-estar, de 0 a 100).

saude <- read_csv("https://ana-mat-br.github.io/dados/saude-mental.csv")
dim(saude)

## [1] 320   9

# média do escore de estresse percebido
mean(saude$pss10)

## [1] 19.59062

As variáveis são: pss10, gad7, who5, horas_sono, curso, sexo, idade e ansiedade (alta ou baixa, pelo ponto de corte do GAD-7).

Atenção: este banco é simulado. Ele não vem de uma coleta real: foi gerado por computador com médias e desvios plausíveis para universitários brasileiros. O script que o gera está aqui: gera-bancos-simulados.R. Usamos simulação aqui porque bancos reais com escalas psicométricas raramente são públicos, e porque as grandes pesquisas nacionais que teriam esses dados (como a PNS) exigem técnicas de amostragem complexa que estão além do nosso escopo.

11.10.4 Educação Física: aptidão física e atividade semanal

O arquivo aptidao-fisica.csv traz 280 participantes com minutos semanais de atividade física, IMC, percentual de gordura e VO₂ máximo estimado.

aptidao <- read_csv("https://ana-mat-br.github.io/dados/aptidao-fisica.csv")
dim(aptidao)

## [1] 280   9

# mediana de minutos de atividade física por semana
median(aptidao$min_af_semana)

## [1] 161

As variáveis são: min_af_semana, vo2max, imc, perc_gordura, modalidade, sexo, idade e ativo (sim ou não, pelo critério de 150 minutos semanais da OMS).

Assim como o banco de Psicologia, este é simulado, e gerado pelo mesmo script.

11.10.5 E quando aparece NA?

Experimente calcular a média de uma variável que tenha dados faltantes:

# no banco de nascimentos, 135 registros não têm o número de consultas
mean(nascimentos$consultas_pn)

## [1] NA

O resultado é NA, e não um número. O R está sendo honesto: ele não sabe quanto vale a média se alguns valores são desconhecidos. Para calcular a média apenas com quem tem informação, use o argumento na.rm = TRUE (de remove NA):

mean(nascimentos$consultas_pn, na.rm = TRUE)

## [1] 8.024517

# quantos valores faltam em cada variável?
colSums(is.na(nascimentos))

##       peso_g    idade_mae sem_gestacao consultas_pn       apgar5         sexo 
##            0            0            2          135            2            0 
##        parto    escol_mae     raca_mae   baixo_peso 
##            0            0          366            0

Isto vale para o resto do livro. As funções mean(), median(), sd(), var(), min(), max() e quantile() todas devolvem NA se houver um único valor faltante, e todas aceitam na.rm = TRUE. Antes de qualquer análise, vale rodar colSums(is.na(seu_banco)) para saber com o que você está lidando — e relatar quantos casos foram perdidos quando escrever seus resultados.