O que aprendemos?

1. Leitura de Arquivos Excel

  • Uso do read_excel() do pacote readxl
  • Leitura de planilhas específicas
  • Funções de visualização como head(), str(), glimpse()

2. Importação com Google Sheets

  • Importar dados diretamente da nuvem com gsheet

3. Manipulação de Dados

  • filter(), select(), group_by() e count()
  • Combinar dados com rbind()

4. Visualização com ggplot2

  • Gráficos de colunas (geom_col)
  • Boxplots (geom_boxplot)
  • Combinação de gráficos com patchwork

1. Leitura do Arquivo Excel

# Instalar e carregar o pacote readxl (se necessário)
# install.packages("readxl")
library(readxl)

# Importar arquivo Excel (salve o arquivo na mesma pasta do projeto)
dados <- read_excel("dados_exemplo.xlsx")

# Visualizar os dados
head(dados)
# A tibble: 6 × 3
  Idade Salario Altura
  <dbl>   <dbl>  <dbl>
1    26    2685    161
2    30    1729    185
3    56    2969    179
4    43    3920    159
5    51    3038    165
6    53    1826    169

Google Sheets

library(gsheet)

dados_nuvem <- gsheet2tbl("https://docs.google.com/spreadsheets/d/1bq2N19DcZdtax2fQW9OHSGMR0X2__Z9T/edit?gid=465348652#gid=465348652")
dados_mg <- gsheet2tbl("https://docs.google.com/spreadsheets/d/1bq2N19DcZdtax2fQW9OHSGMR0X2__Z9T/edit?gid=983033137#gid=983033137")
dados_survey <- gsheet2tbl("https://docs.google.com/spreadsheets/d/1bq2N19DcZdtax2fQW9OHSGMR0X2__Z9T/edit?gid=1118819738#gid=1118819738")

2. Manipulação com dplyr

Abaixo estão alguns exemplos de como usar o pacote dplyr para explorar, filtrar e organizar os dados de uma pesquisa:

library(dplyr)

Anexando pacote: 'dplyr'
Os seguintes objetos são mascarados por 'package:stats':

    filter, lag
Os seguintes objetos são mascarados por 'package:base':

    intersect, setdiff, setequal, union
# Agrupamentos
dados_survey |> group_by(species) |> count()
# A tibble: 2 × 2
# Groups:   species [2]
  species     n
  <chr>   <int>
1 Fgra      552
2 Fspp      114
dados_survey |> group_by(residue) |> count()
# A tibble: 3 × 2
# Groups:   residue [3]
  residue     n
  <chr>   <int>
1 corn      169
2 soybean   281
3 <NA>      216
dados_survey |> group_by(state, residue) |> count()
# A tibble: 3 × 3
# Groups:   state, residue [3]
  state residue     n
  <chr> <chr>   <int>
1 PR    <NA>      216
2 RS    corn      169
3 RS    soybean   281
# Filtros e combinação
RS <- dados_survey |> filter(state == "RS")
PR <- dados_survey |> filter(state == "PR")
combinado <- rbind(RS, PR)

# Seleção e filtros
survey_b <- dados_survey |> select(year, state, species)
survey_2009 <- survey_b |> filter(year == 2009)
survey_2010 <- survey_b |> filter(year == 2010)
survey_2011 <- survey_b |> filter(year == 2011)

Com poucas linhas de código usando o dplyr, é possível:

  • Agrupar e contar dados;
  • Filtrar por estado ou ano;
  • Selecionar variáveis relevantes;
  • Combinar subconjuntos para comparar regiões.

Essas operações ajudam a limpar, organizar e entender melhor os dados antes de aplicar modelos ou criar visualizações. Uma análise bem feita começa com dados bem preparados e o dplyr facilita esse processo.

4. Visualização com ggplot2

library(ggplot2)

survey_b |> group_by(year, species) |> count() |> 
  ggplot(aes(year, n, fill = species)) +
  geom_col() +
  scale_fill_viridis_d() +
  theme_classic()

Visualizações com Estudos de Caso

Exemplo 1: Efeito do Magnésio

plot_magnesio <- dados_mg |>
  ggplot(aes(trat, comp)) +
  geom_boxplot(fill = "white", outlier.colour = NA) +
  geom_jitter(width = 0.1) +
  scale_y_continuous(limits = c(0, 20)) +
  labs(
    x = "Tratamento", y = "Comprimento (mm)",
    title = "Efeito do Magnésio",
    subtitle = "Tamanho da lesão de mancha",
    caption = "Fonte: T. A. Machado et al. (2021)"
  ) +
  ggthemes::theme_clean()
plot_magnesio

Exemplo 2: Crescimento Micelial

micelial <- gsheet2tbl("https://docs.google.com/spreadsheets/d/1bq2N19DcZdtax2fQW9OHSGMR0X2__Z9T/edit?gid=959387827#gid=959387827")

plot_micelial <- micelial |> 
  ggplot(aes(x = reorder(especie, tcm), y = tcm)) +
  geom_boxplot(fill = "white", outlier.colour = NA) +
  geom_jitter(width = 0.1) +
  coord_flip() +
  labs(
    x = "Espécie", y = "TCM (mm)",
    title = "Taxa de Crescimento Micelial",
    caption = "Fonte: T. A. Machado et al. (2021)"
  ) +
  ggthemes::theme_clean()
plot_micelial

Combinação de Gráficos:

E por fim, vimos que dá pra exibir dois gráficos lado a lado diretamente no R sem depender de programas como PowerPoint ou ficar copiando imagem por imagem. Isso facilita a comparação entre visualizações e deixa o processo muito mais prático, tudo dentro do próprio ambiente de análise. Bem útil, né?

library(patchwork)

(plot_magnesio | plot_micelial) +
  plot_annotation(tag_levels = "A")

ggsave("Combo1.png", bg = "white", width = 8, height = 4)

Dicas Finais:

  • Confirme nomes de planilhas com excel_sheets("arquivo.xlsx")
  • Prefira nomes simples e sem espaços para variáveis
  • glimpse() dá uma boa visão geral do dataset
  • Combine gráficos com patchwork