Top 10 pacotes para data science

10. purrr (manipulação de vetores e listas)

Nosso décimo lugar colocou o for em perigo de extinção. Com ele, aplicar funções em vetores, listas ou combinações dos dois é uma tarefa de poucas linhas e sem a necessidade de índices i, j, k’s confusos. E ainda, com o advento das tibbles, seus data.frames ganharam potencial de guardar muito mais do que meros números e strings e o purrr é seu mais forte aliado na hora de criar as chamadas list-columns.

9. caret (modelagem estatística)

Se você procura modelagem estatística (ferramenta básica do cientista de dados), dê chance ao caret. Esse pacote compilou os mais consagrados algoritmos de modelos preditivos (vulgo machine learning) já feitos no R e ainda implementou ferramentas típicas de um processo de construção de modelos, por exemplo, cross-validation, ajuste de hiperparâmetros, bases treino/teste, pré-processamentos e até paralelização. Além das diferentes técnicas de ajuste de modelos, os seus respectivos diagnósticos e visualizações também foram convenientemente compiladas, tudo num mesmo lugar, fazendo a procura de peças no gigantesco balde do R ser menos custosa.

8. knitr/rmarkdown (relatórios)

A dupla knitr e rmarkdown fizeram do R de patinho feio para o rei dos holofotes. Depois deles, relatórios no R são fáceis, bonitos e flexíveis. Escrever em RMarkdown é como escrever um rascunho, que depois é transformado em um arquivo decente em qualquer formato: pdf, word e html são os mais comuns. A ideologia por trás do RMarkdown é trazer o foco para a análise e deixar as perfumarias para segundo plano o máximo possível.

OBS: todos os posts desse blog são feitos em RMarkdown!

7. stringr (manipulação de strings)

Stringr te dá tudo para extrair, criar e transformar strings. As funções aceitam regex extremamente versáril e eficiente. Mineração de texto vira brincadeira.

6. lubridate (manipulação de datas)

Se tem uma coisa que dá para dar dor de cabeça infinita são datas. Por isso inventaram o lubridate. Tudo o que você gostaria de fazer com datas e horas esse pacote fornece, desde soma e subtração até comparações lógicas e arredondamentos. É a ferramenta ideal para lidar com tempo.

5. shiny (criação de aplicativos web)

Shiny dá o poder de fazer aplicações na web a um analista de dados sem nenhum conhecimento prévio de html, css e javascript. Acredite se quiser, agora, fazer sites interativos e orientados por dados não é mais exclusividade dos desenvolvedores web. Com uma curva de aprendizagem ligeiramente alongada, pode-se criar de dashboards estáticos a mapas personalizados a lá google maps! É uma ótima maneira de apresentar resultados e serve muito bem como produto final de ferramentas de gestão.

4. tidyr (transformação de data.frames)

As principais funções são gather() e spread(). Elas pivotam/despivotam data.frames, ou derretem/condensam data.frames. Ela merece nosso quarto lugar porque possui uma grande sinergia com os terceiro e segundo lugares. Não raramente precisamos rearranjar conjunto de colunas em um par de colunas chave/valor ou vice-versa. Pivotar/despivotar é particularmente muito chato de fazer em SQL e o tidyr faz isso parecer trivial. Ele também possui outras funções úteis que recomendo dar uma olhada (ex: unite(), separete()).

3. dplyr (manipulação de data.frames)

Nossa medalha de bronze vai para dplyr porque ele trouxe os verbos de manipulação de base de dados para o nível mais simples e intuitivo. São eles:

• filter() filtra linhas
• arrange() ordena linhas
• select() seleciona colunas
• distinct() retira linhas duplicadas
• mutate() constrói novas colunas
• group_by() + summarise() sumariza valores por um ou mais fatores

E o pacote vai muito além desses verbos. Vale a pena explorar suas funções se você precisa deixar sua base pronta para analisar.

OBS: foi feito para funcionar com o “pipe” (%>%).

2. ggplot2 (visualização)

A medalha de prata eu acho que é o pacote mais famoso do R.

O R é conhecido pela sua rica capacidade gráfica, mas foi o ggplot2 que trouxe a alegria de viver para os usuários minimamente preocupados com a boa aparência de suas visualizações. O ggplot2 permite usar a “gramática de gráficos” (grammar of graphics) para construir gráficos em camadas e customizáveis. Há uma pequena curva de aprendizado, mas o tempo investido se paga no primeiro gráfico gerado. Gráficos que seriam veradeiras obras da engenharia se feitas no R-base não passariam de 5 linhas de ggplot2 e ainda ficariam mais bonitos!

Indispensável na caixa de ferramentas de qualquer cientista de dados.

1. magrittr (pipe!)

A medalha de ouro nos fornece o tal do pipe (%>%). Em vez de h(g(f(x))), escreva x %>% f %>% g %>% h. Pronto! É tudo o que o pipe faz. Você pode se perguntar por que raios isso merece o nosso primeiro lugar, mas acredite: o pipe é revolucionário. Ele mudou o jeito de se programar em R. Com ele o ganho em legibilidade dos códigos e agilidade na programação é inimaginável. E ainda abriu portas para desenvolvimento de pacotes que sem ele não seriam viáveis, incluindo o dplyr e tidyr.

E por isso que ele merece estar no primeiro lugar na nossa lista e no logo da nossa página.

Menções honrosas

Outros pacotes também merecem destaque! As medálhas de honra ao mérito vão para:

• forcats (utilidades para fatores)
• Rcpp (R para C++)
• FactoMiner (análise multivariada)
• RODBC (conexão com banco de dados)
• httr/xml2/rvest (ferramentas para web)
• flexdashboard (rmarkdown para formato de dashboard)
• janitor (limpeza de dados para modelagem)
• plyr (manipulação de vetores, listas e data.frames)
• roxygen2 (criação de pacotes de R)
• devtools (ferramentas diversas)
• htmlwidgets (integração entre R e bibliotecas JavaScript)
• leaflet (mapas interativos)

E você, concorda? Coloque nos comentários os pacotes que moram em seu coração! =)