Arrumando BDs: o pacote janitor

No primeiro post sobre arrumação de base de dados, a gente viu como usar as funções do stringr para arrumar o nome das variáveis. Seguindo a dica do Julio, o quebrador de captchas, vamos falar do pacote janitor, que traz algumas funções para dar aquele trato nas BDs.

Antes de mais nada, instale e carregue o pacote:

install.packages("janitor")
devtools::install_github("sfirke/janitor") # Versão de desenvolvimento
library(tidyverse)
library(janitor)

Arrumando o nome das variáveis

Assim como no post passado, utilizaremos a base com informações de pacientes com arritmia cardíaca, cujas variáveis selecionadas foram:

dados %>% names
##  [1] "ID"                   "Sexo"                 "Nascimento"          
##  [4] "Idade"                "Inclusão"             "Cor"                 
##  [7] "Peso"                 "Altura"               "cintura"             
## [10] "IMC"                  "Superfície corporal"  "Tabagismo"           
## [13] "cg.tabag (cig/dia)"   "Alcool (dose/semana)" "Drogas ilícitas"     
## [16] "Cafeína/dia"          "Refrig/dia"           "Sedentario"          
## [19] "ativ. Fisica"

Os nomes têm letras maiúsculas, acentos, parênteses, pontos e barras, o que atrapalha na hora da programação. Para resolver esse problema, usamos a função clean_names().

dados %>% 
  clean_names() %>% 
  names
##  [1] "id"                  "sexo"                "nascimento"         
##  [4] "idade"               "inclusao"            "cor"                
##  [7] "peso"                "altura"              "cintura"            
## [10] "imc"                 "superficie_corporal" "tabagismo"          
## [13] "cg_tabag_cig_dia"    "alcool_dose_semana"  "drogas_ilicitas"    
## [16] "cafeina_dia"         "refrig_dia"          "sedentario"         
## [19] "ativ_fisica"

Veja que a função removeu os parênteses, pontos e barras e substituiu os espaços por _. No entanto, ela não remove os acentos. Assim, podemos adicionar mais uma linha ao pipeline para chegar onde queremos.

dados %>%
  clean_names() %>% 
  names %>% 
  abjutils::rm_accent()
##  [1] "id"                  "sexo"                "nascimento"         
##  [4] "idade"               "inclusao"            "cor"                
##  [7] "peso"                "altura"              "cintura"            
## [10] "imc"                 "superficie_corporal" "tabagismo"          
## [13] "cg_tabag_cig_dia"    "alcool_dose_semana"  "drogas_ilicitas"    
## [16] "cafeina_dia"         "refrig_dia"          "sedentario"         
## [19] "ativ_fisica"

E para substituir na base.

nomes <- dados %>%
  clean_names() %>% 
  names %>% 
  abjutils::rm_accent()

names(dados) <- nomes

Removendo linhas e colunas vazias

Esse banco de dados também tinha outro problema: linhas vazias. Na verdade, elas não eram completamente vazias, pois havia algumas informações de identificação do paciente, mas nenhuma outra variável tinha sido computada.

dados[3,]
## # A tibble: 1 x 19
##      id sexo  nascimento          idade inclusao            cor    peso altura
##   <int> <chr> <dttm>              <dbl> <dttm>              <chr> <dbl>  <dbl>
## 1     3 <NA>  NA                     NA NA                  <NA>     NA     NA
## # … with 11 more variables: cintura <chr>, imc <dbl>,
## #   superficie_corporal <chr>, tabagismo <chr>, cg_tabag_cig_dia <dbl>,
## #   alcool_dose_semana <dbl>, drogas_ilicitas <chr>, cafeina_dia <dbl>,
## #   refrig_dia <dbl>, sedentario <chr>, ativ_fisica <chr>

Essa foi a solução que eu pensei para resolver o problema utilizando a função remove_empty().

dados %<>% 
  as.data.frame %>% 
  `row.names<-`(dados$id) %>%
  select(-id) %>% 
  remove_empty(which = c("rows")) %>% 
  mutate(id = row.names(.)) %>%
  select(id, everything())

dados %>% as_tibble()
## # A tibble: 4 x 19
##   id    sexo  nascimento          idade inclusao            cor    peso altura
##   <chr> <chr> <dttm>              <dbl> <dttm>              <chr> <dbl>  <dbl>
## 1 1     F     1964-01-31 00:00:00    41 2006-02-17 00:00:00 bran…    75   1.63
## 2 2     M     1959-01-28 00:00:00    45 2005-11-29 00:00:00 negra    71   1.7 
## 3 4     M     1957-09-13 00:00:00    50 2008-02-13 00:00:00 NT       80   1.64
## 4 5     F     1938-02-06 00:00:00    71 2009-06-25 00:00:00 parda    56   1.51
## # … with 11 more variables: cintura <chr>, imc <dbl>,
## #   superficie_corporal <chr>, tabagismo <chr>, cg_tabag_cig_dia <dbl>,
## #   alcool_dose_semana <dbl>, drogas_ilicitas <chr>, cafeina_dia <dbl>,
## #   refrig_dia <dbl>, sedentario <chr>, ativ_fisica <chr>

Eu precisei converter para data.frame primeiro porque não é possível definir os nomes das linhas de uma tibble. Se a linha estivesse completamente vazia, bastaria usar diretamente a função remove_empty_rows().

Equivalentemente para colunas, existe a função remove_empty_cols().

Identificando linhas duplicadas

O pacote janitor possui uma função para identificar entradas duplicadas numa base de dados: get_dupes(). Vamos criar uma base genérica para testá-la.


p_nome <- c("Athos", "Daniel", "Fernando", "Julio", "William")
sobrenome <- c("Damiani", "Falbel", "Corrêa", "Trecenti", "Amorim")

base_qualquer <- tibble(nome = sample(p_nome, 25, replace = T),
                        sobrenome = sample(sobrenome, 25, replace = T),
                        variavel_importante = rnorm(25))

get_dupes(base_qualquer, nome, sobrenome)
## # A tibble: 17 x 4
##    nome     sobrenome dupe_count variavel_importante
##    <chr>    <chr>          <int>               <dbl>
##  1 Athos    Trecenti           3              0.827 
##  2 Athos    Trecenti           3              1.17  
##  3 Athos    Trecenti           3              0.0986
##  4 Daniel   Amorim             2             -0.961 
##  5 Daniel   Amorim             2              1.56  
##  6 Daniel   Damiani            2             -0.919 
##  7 Daniel   Damiani            2             -0.763 
##  8 Daniel   Falbel             2             -1.23  
##  9 Daniel   Falbel             2              0.240 
## 10 Daniel   Trecenti           2             -0.0794
## 11 Daniel   Trecenti           2             -1.03  
## 12 Fernando Trecenti           4             -1.98  
## 13 Fernando Trecenti           4             -0.326 
## 14 Fernando Trecenti           4              1.73  
## 15 Fernando Trecenti           4             -0.521 
## 16 William  Damiani            2             -1.08  
## 17 William  Damiani            2              0.670

Todas as linhas na tibble resultante representam uma combinação de nome-sobrenome repetida.

Outras funções

Por fim, o janitor também tem funções equivalentes à table() para produzir tabelas de frequência:

  • tabyl() - similar a table(), mas pipe-ável e com mais recursos.
  • adorn_totals() - acrescenta o total das linhas ou colunas.
  • adorn_crosstab() - deixa tabelas de contingência mais bonitas.
mtcars %>% 
  tabyl(cyl)
##  cyl  n percent
##    4 11 0.34375
##    6  7 0.21875
##    8 14 0.43750

mtcars %>% 
  tabyl(cyl) %>% 
  adorn_totals
##    cyl  n percent
##      4 11 0.34375
##      6  7 0.21875
##      8 14 0.43750
##  Total 32 1.00000

É isso! Espero que essas dicas e o pacote janitor ajudem a agilizar as suas análises. Dúvidas, críticas ou sugestões, deixe um comentário ou nos envie uma mensagem. :)

comments powered by Disqus