Curso
Introdução ao Tidyverse
4 h
394.9K
Este tutorial é a transcrição de um evento no Facebook Live que fizemos há uma semana. O tema foi "Introdução ao Tidyverse" e aqui você vai passar por todo o conteúdo que cobrimos durante a sessão de code-along!
Você pode assistir à primeira parte da sessão aqui:
E a segunda parte aqui:
Observação: você encontra todo o código da sessão neste repositório.
O tidyverse principal inclui os pacotes que você provavelmente vai usar no dia a dia de análise de dados, como o ggplot2 para visualização de dados e o dplyr para transformação e manipulação de dados. Neste tutorial, o foco é nesses dois.
Lembre-se de que um pacote é, essencialmente, um conjunto de ferramentas para trabalhar com dados. Se quiser saber mais sobre pacotes em R, confira este tutorial.
Para se aprofundar no Tidyverse, confira o curso Introduction to Tidyverse do David Robinson no DataCamp e os recursos Learn the Tidyverse.
primeiros passos
Para começar, instale o tidyverse, se ainda não fez isso:
# Install the tidyverse
# install.packages("tidyverse")Agora que você instalou o tidyverse, é hora de carregar seus dados e dar uma olhada nas observações.
Neste tutorial, você vai explorar o conjunto de dados Titanic, em que cada observação é uma pessoa e cada variável é uma característica como Name, Age e se Survived (sobreviveu) ou não.
Carregue seus dados assim:
# Import the Tidyverse
library(tidyverse)
# Import data
passengers <- read.csv("data/train.csv")
# Check out the first several observations of your dataframe
passengers
## PassengerId Survived Pclass
## 1 1 0 3
## 2 2 1 1
## 3 3 1 3
## 4 4 1 1
## 5 5 0 3
## 6 6 0 3
## Name Sex Age SibSp
## 1 Braund, Mr. Owen Harris male 22 1
## 2 Cumings, Mrs. John Bradley (Florence Briggs Thayer) female 38 1
## 3 Heikkinen, Miss. Laina female 26 0
## 4 Futrelle, Mrs. Jacques Heath (Lily May Peel) female 35 1
## 5 Allen, Mr. William Henry male 35 0
## 6 Moran, Mr. James male NA 0
## Parch Ticket Fare Cabin Embarked
## 1 0 A/5 21171 7.2500 S
## 2 0 PC 17599 71.2833 C85 C
## 3 0 STON/O2. 3101282 7.9250 S
## 4 0 113803 53.1000 C123 S
## 5 0 373450 8.0500 S
## 6 0 330877 8.4583 QObservação: o caminho que você vai passar para read.csv() pode variar conforme seu ambiente. Se quiser manter o mesmo caminho de arquivo, confira a estrutura de pastas deste projeto no nosso repositório no GitHub, disponível aqui.
Outra dica: se você quiser saber mais sobre todas as variáveis que aparecem ao executar passengers, consulte a descrição do dataset.
Para ter uma visão geral dos seus dados, use a função summary():
# Summarize titanic
summary(passengers)
## PassengerId Survived Pclass
## Min. : 1.0 Min. :0.0000 Min. :1.000
## 1st Qu.:223.5 1st Qu.:0.0000 1st Qu.:2.000
## Median :446.0 Median :0.0000 Median :3.000
## Mean :446.0 Mean :0.3838 Mean :2.309
## 3rd Qu.:668.5 3rd Qu.:1.0000 3rd Qu.:3.000
## Max. :891.0 Max. :1.0000 Max. :3.000
##
## Name Sex Age
## Abbing, Mr. Anthony : 1 female:314 Min. : 0.42
## Abbott, Mr. Rossmore Edward : 1 male :577 1st Qu.:20.12
## Abbott, Mrs. Stanton (Rosa Hunt) : 1 Median :28.00
## Abelson, Mr. Samuel : 1 Mean :29.70
## Abelson, Mrs. Samuel (Hannah Wizosky): 1 3rd Qu.:38.00
## Adahl, Mr. Mauritz Nils Martin : 1 Max. :80.00
## (Other) :885 NA's :177
## SibSp Parch Ticket Fare
## Min. :0.000 Min. :0.0000 1601 : 7 Min. : 0.00
## 1st Qu.:0.000 1st Qu.:0.0000 347082 : 7 1st Qu.: 7.91
## Median :0.000 Median :0.0000 CA. 2343: 7 Median : 14.45
## Mean :0.523 Mean :0.3816 3101295 : 6 Mean : 32.20
## 3rd Qu.:1.000 3rd Qu.:0.0000 347088 : 6 3rd Qu.: 31.00
## Max. :8.000 Max. :6.0000 CA 2144 : 6 Max. :512.33
## (Other) :852
## Cabin Embarked
## :687 : 2
## B96 B98 : 4 C:168
## C23 C25 C27: 4 Q: 77
## G6 : 4 S:644
## C22 C26 : 3
## D : 3
## (Other) :186Agora faça o mesmo usando um pipe %>%, uma das ferramentas mais práticas do tidyverse:
# Summarize titanic using a pipe
passengers %>%
summary()
## PassengerId Survived Pclass
## Min. : 1.0 Min. :0.0000 Min. :1.000
## 1st Qu.:223.5 1st Qu.:0.0000 1st Qu.:2.000
## Median :446.0 Median :0.0000 Median :3.000
## Mean :446.0 Mean :0.3838 Mean :2.309
## 3rd Qu.:668.5 3rd Qu.:1.0000 3rd Qu.:3.000
## Max. :891.0 Max. :1.0000 Max. :3.000
##
## Name Sex Age
## Abbing, Mr. Anthony : 1 female:314 Min. : 0.42
## Abbott, Mr. Rossmore Edward : 1 male :577 1st Qu.:20.12
## Abbott, Mrs. Stanton (Rosa Hunt) : 1 Median :28.00
## Abelson, Mr. Samuel : 1 Mean :29.70
## Abelson, Mrs. Samuel (Hannah Wizosky): 1 3rd Qu.:38.00
## Adahl, Mr. Mauritz Nils Martin : 1 Max. :80.00
## (Other) :885 NA's :177
## SibSp Parch Ticket Fare
## Min. :0.000 Min. :0.0000 1601 : 7 Min. : 0.00
## 1st Qu.:0.000 1st Qu.:0.0000 347082 : 7 1st Qu.: 7.91
## Median :0.000 Median :0.0000 CA. 2343: 7 Median : 14.45
## Mean :0.523 Mean :0.3816 3101295 : 6 Mean : 32.20
## 3rd Qu.:1.000 3rd Qu.:0.0000 347088 : 6 3rd Qu.: 31.00
## Max. :8.000 Max. :6.0000 CA 2144 : 6 Max. :512.33
## (Other) :852
## Cabin Embarked
## :687 : 2
## B96 B98 : 4 C:168
## C23 C25 C27: 4 Q: 77
## G6 : 4 S:644
## C22 C26 : 3
## D : 3
## (Other) :186Dica: se quiser saber mais sobre o operador pipe em R, confira este tutorial.
Faça o mesmo depois de remover observações com valores ausentes. Dica: você pode encadear pipes!
# Summarize titanic after dropping na
passengers %>%
drop_na() %>%
summary()
## PassengerId Survived Pclass
## Min. : 1.0 Min. :0.0000 Min. :1.000
## 1st Qu.:222.2 1st Qu.:0.0000 1st Qu.:1.000
## Median :445.0 Median :0.0000 Median :2.000
## Mean :448.6 Mean :0.4062 Mean :2.237
## 3rd Qu.:677.8 3rd Qu.:1.0000 3rd Qu.:3.000
## Max. :891.0 Max. :1.0000 Max. :3.000
##
## Name Sex Age
## Abbing, Mr. Anthony : 1 female:261 Min. : 0.42
## Abbott, Mr. Rossmore Edward : 1 male :453 1st Qu.:20.12
## Abbott, Mrs. Stanton (Rosa Hunt) : 1 Median :28.00
## Abelson, Mr. Samuel : 1 Mean :29.70
## Abelson, Mrs. Samuel (Hannah Wizosky): 1 3rd Qu.:38.00
## Adahl, Mr. Mauritz Nils Martin : 1 Max. :80.00
## (Other) :708
## SibSp Parch Ticket Fare
## Min. :0.0000 Min. :0.0000 347082 : 7 Min. : 0.00
## 1st Qu.:0.0000 1st Qu.:0.0000 3101295 : 6 1st Qu.: 8.05
## Median :0.0000 Median :0.0000 347088 : 6 Median : 15.74
## Mean :0.5126 Mean :0.4314 CA 2144 : 6 Mean : 34.69
## 3rd Qu.:1.0000 3rd Qu.:1.0000 382652 : 5 3rd Qu.: 33.38
## Max. :5.0000 Max. :6.0000 S.O.C. 14879: 5 Max. :512.33
## (Other) :679
## Cabin Embarked
## :529 : 2
## B96 B98 : 4 C:130
## C23 C25 C27: 4 Q: 28
## G6 : 4 S:554
## C22 C26 : 3
## D : 3
## (Other) :167Você deve ter notado uma consistência de estilo no código acima. Isso acontece porque você está seguindo um guia de estilo. Em ciência de dados e programação em geral, é importante se acostumar a usar um guia de estilo o quanto antes. Como o Hadley Wickham coloca no guia de estilo do tidyverse,
Good coding style is like correct punctuation: you can manage without it, butitsuremakesthingseasiertoread.
Na próxima seção, você vai manipular dados com o dplyr para filtrar, ordenar e criar novas variáveis a partir de outras.
organize seus dados
Agora é hora de explorar seus dados e obter insights iniciais sobre o conjunto. Você vai usar os verbos do dplyr, como filter(), arrange() e mutate(), que fazem exatamente o que o nome sugere.
Vamos supor que você queira escolher um conjunto específico de observações, por exemplo, aquelas em que "Sex" seja 'female'. O dplyr permite fazer isso de forma intuitiva, em uma linguagem que reflete como você pensa e fala sobre dados.
O verbo filter seleciona apenas as observações que atendem à condição. Veja em ação:
# Filter to get all "male" rows
passengers %>%
filter(Sex == "male")
## PassengerId Survived Pclass Name Sex Age
## 1 1 0 3 Braund, Mr. Owen Harris male 22
## 2 5 0 3 Allen, Mr. William Henry male 35
## 3 6 0 3 Moran, Mr. James male NA
## 4 7 0 1 McCarthy, Mr. Timothy J male 54
## 5 8 0 3 Palsson, Master. Gosta Leonard male 2
## 6 13 0 3 Saundercock, Mr. William Henry male 20
## SibSp Parch Ticket Fare Cabin Embarked
## 1 1 0 A/5 21171 7.2500 S
## 2 0 0 373450 8.0500 S
## 3 0 0 330877 8.4583 Q
## 4 0 0 17463 51.8625 E46 S
## 5 3 1 349909 21.0750 S
## 6 0 0 A/5. 2151 8.0500 SAo olhar o resultado do código acima, parece que muitos homens não sobreviveram ao naufrágio do RMS Titanic. Isso é interessante, e você vai explorar isso com mais rigor ainda neste tutorial!
Observação: você pode ler o código do dplyr como uma frase: pegue seus dados e então (%>%) filtre de acordo com a condição de que o sexo é masculino. O código exibido acima não altera o data frame original. filter(Sex = "male") é um erro comum (o Hugo cometeu o mesmo engano!); há um ótimo guia de erros do tidyverse.
# Filter to get all "female" rows
passengers %>%
filter(Sex == "female")
## PassengerId Survived Pclass
## 1 2 1 1
## 2 3 1 3
## 3 4 1 1
## 4 9 1 3
## 5 10 1 2
## 6 11 1 3
## Name Sex Age SibSp
## 1 Cumings, Mrs. John Bradley (Florence Briggs Thayer) female 38 1
## 2 Heikkinen, Miss. Laina female 26 0
## 3 Futrelle, Mrs. Jacques Heath (Lily May Peel) female 35 1
## 4 Johnson, Mrs. Oscar W (Elisabeth Vilhelmina Berg) female 27 0
## 5 Nasser, Mrs. Nicholas (Adele Achem) female 14 1
## 6 Sandstrom, Miss. Marguerite Rut female 4 1
## Parch Ticket Fare Cabin Embarked
## 1 0 PC 17599 71.2833 C85 C
## 2 0 STON/O2. 3101282 7.9250 S
## 3 0 113803 53.1000 C123 S
## 4 2 347742 11.1333 S
## 5 0 237736 30.0708 C
## 6 1 PP 9549 16.7000 G6 SMulheres parecem ter tido mais chances de sobreviver ao desastre do Titanic, pelo menos de forma anedótica.
Ao explorar dados, você deve fazer e responder perguntas de interesse com o máximo de rigor possível! Agora, você pode querer arrange() suas observações por Fare crescente para ver se nota alguma tendência. Use o verbo arrange() para isso:
# Arrange by increasing Fare
passengers %>%
arrange(Fare)
## PassengerId Survived Pclass Name Sex Age
## 1 180 0 3 Leonard, Mr. Lionel male 36
## 2 264 0 1 Harrison, Mr. William male 40
## 3 272 1 3 Tornquist, Mr. William Henry male 25
## 4 278 0 2 Parkes, Mr. Francis "Frank" male NA
## 5 303 0 3 Johnson, Mr. William Cahoone Jr male 19
## 6 414 0 2 Cunningham, Mr. Alfred Fleming male NA
## SibSp Parch Ticket Fare Cabin Embarked
## 1 0 0 LINE 0 S
## 2 0 0 112059 0 B94 S
## 3 0 0 LINE 0 S
## 4 0 0 239853 0 S
## 5 0 0 LINE 0 S
## 6 0 0 239853 0 SMuitas pessoas que pagaram menos não sobreviveram ao desastre. Isso é algo interessante que você descobriu apenas reorganizando seus dados!
Você também pode arrange por Fare decrescente:
# Arrange by decreasing Fare
passengers %>%
arrange(desc(Fare))
## PassengerId Survived Pclass Name Sex
## 1 259 1 1 Ward, Miss. Anna female
## 2 680 1 1 Cardeza, Mr. Thomas Drake Martinez male
## 3 738 1 1 Lesurer, Mr. Gustave J male
## 4 28 0 1 Fortune, Mr. Charles Alexander male
## 5 89 1 1 Fortune, Miss. Mabel Helen female
## 6 342 1 1 Fortune, Miss. Alice Elizabeth female
## Age SibSp Parch Ticket Fare Cabin Embarked
## 1 35 0 0 PC 17755 512.3292 C
## 2 36 0 1 PC 17755 512.3292 B51 B53 B55 C
## 3 35 0 0 PC 17755 512.3292 B101 C
## 4 19 3 2 19950 263.0000 C23 C25 C27 S
## 5 23 3 2 19950 263.0000 C23 C25 C27 S
## 6 24 3 2 19950 263.0000 C23 C25 C27 SHá mesmo mais sobreviventes no topo!
Às vezes, você pode querer criar novas variáveis. Você sabe que a variável Parch é o número de pais e filhos, enquanto SibSp é o número de irmãos e cônjuges. Você pode somá-las para obter uma nova variável FamSize. Isso é engenharia de atributos (feature engineering) e é uma parte importante de machine learning na maior parte do tempo!
Para criar sua nova variável, você usa mutate() para transformar as variáveis originais na nova.
# Create new column FamSize (size of family)
passengers %>%
mutate(FamSize = Parch + SibSp)
## PassengerId Survived Pclass
## 1 1 0 3
## 2 2 1 1
## 3 3 1 3
## 4 4 1 1
## 5 5 0 3
## 6 6 0 3
## Name Sex Age SibSp
## 1 Braund, Mr. Owen Harris male 22 1
## 2 Cumings, Mrs. John Bradley (Florence Briggs Thayer) female 38 1
## 3 Heikkinen, Miss. Laina female 26 0
## 4 Futrelle, Mrs. Jacques Heath (Lily May Peel) female 35 1
## 5 Allen, Mr. William Henry male 35 0
## 6 Moran, Mr. James male NA 0
## Parch Ticket Fare Cabin Embarked FamSize
## 1 0 A/5 21171 7.2500 S 1
## 2 0 PC 17599 71.2833 C85 C 1
## 3 0 STON/O2. 3101282 7.9250 S 0
## 4 0 113803 53.1000 C123 S 1
## 5 0 373450 8.0500 S 0
## 6 0 330877 8.4583 Q 0Observação: mutate() pode ser usado para criar novas colunas e também para modificar colunas existentes, de maneira análoga ao que uma mutação faz do ponto de vista biológico. Não é uma analogia perfeita, mas ajuda a dar contexto à escolha do verbo.
Agora que você tem a variável extra, pode fazer outras perguntas, como: "É possível que famílias maiores tenham uma taxa de sobrevivência menor?".
Para testar essa hipótese, crie a nova variável FamSize como a soma de Parch e SibSp como acima e depois ordene por FamSize decrescente:
# Create new column FamSize (size of family)
# Arrange by decreasing FamSize
passengers %>%
mutate(FamSize = Parch + SibSp) %>%
arrange(desc(FamSize))
## PassengerId Survived Pclass Name Sex Age
## 1 160 0 3 Sage, Master. Thomas Henry male NA
## 2 181 0 3 Sage, Miss. Constance Gladys female NA
## 3 202 0 3 Sage, Mr. Frederick male NA
## 4 325 0 3 Sage, Mr. George John Jr male NA
## 5 793 0 3 Sage, Miss. Stella Anna female NA
## 6 847 0 3 Sage, Mr. Douglas Bullen male NA
## SibSp Parch Ticket Fare Cabin Embarked FamSize
## 1 8 2 CA. 2343 69.55 S 10
## 2 8 2 CA. 2343 69.55 S 10
## 3 8 2 CA. 2343 69.55 S 10
## 4 8 2 CA. 2343 69.55 S 10
## 5 8 2 CA. 2343 69.55 S 10
## 6 8 2 CA. 2343 69.55 S 10Todos da maior família no topo não sobreviveram! Isso pode ser significativo: talvez, se você fazia parte de uma família grande, não conseguiu deixar o Titanic a tempo.
Como zeros e uns nem sempre dizem muita coisa, transforme os valores da variável Survived em strings No e Yes (e crie um novo data frame!):
# Turn numerical values of Survived column to "No" & "Yes" (new data frame)
passengers1 <- passengers %>%
mutate(Survived = ifelse(Survived == 0, "No", "Yes"))
passengers1
## PassengerId Survived Pclass
## 1 1 No 3
## 2 2 Yes 1
## 3 3 Yes 3
## 4 4 Yes 1
## 5 5 No 3
## 6 6 No 3
## Name Sex Age SibSp
## 1 Braund, Mr. Owen Harris male 22 1
## 2 Cumings, Mrs. John Bradley (Florence Briggs Thayer) female 38 1
## 3 Heikkinen, Miss. Laina female 26 0
## 4 Futrelle, Mrs. Jacques Heath (Lily May Peel) female 35 1
## 5 Allen, Mr. William Henry male 35 0
## 6 Moran, Mr. James male NA 0
## Parch Ticket Fare Cabin Embarked
## 1 0 A/5 21171 7.2500 S
## 2 0 PC 17599 71.2833 C85 C
## 3 0 STON/O2. 3101282 7.9250 S
## 4 0 113803 53.1000 C123 S
## 5 0 373450 8.0500 S
## 6 0 330877 8.4583 Qvisualizando seus dados
Para plotar seus dados com o ggplot2, você especifica três coisas:
- Seus dados
- Suas estéticas (por exemplo, o que vai no eixo x)
- Suas camadas (por exemplo, gráfico de barras, dispersão)
Primeiro, faça um gráfico de barras de Sex para ver quantos homens e mulheres estavam a bordo do Titanic:
# Plot barplot of passenger Sex
ggplot(passengers, aes(x = Sex)) +
geom_bar()
Pelo gráfico acima, dá para ver que havia cerca de 600 homens e 300 mulheres a bordo do RMS Titanic.
Observação: a função aes() é a forma de mapear as aestéticas do gráfico para as variáveis dos dados. Veja mais em Modern Dive, de Chester Ismay e Albert Y. Kim.
Agora é a vez dos gráficos de dispersão. A Age de um passageiro tem correlação com a Fare que ele pagou?
# Scatter plot of Age vs Fare
ggplot(passengers, aes(x = Age, y = Fare)) +
geom_point()
## Warning: Removed 177 rows containing missing values (geom_point).
Você já tira vários insights só com esse gráfico! Dá para ver que muitas pessoas que pagaram mais também eram bem mais velhas. Pode ter havido um aumento de tarifa conforme a idade... Além disso, os dois outliers no topo do gráfico chamam atenção e podem ser investigados!
Você pode ler o código do ggplot2 como uma frase, assim como fez com o dplyr acima: "Você pega os dados titanic, mapeia Age para o eixo x e Fare para o eixo y, adicionando pontos como a camada do gráfico."
Vamos pegar o gráfico anterior e colorir cada ponto por Sex para ver correlações entre Sex, Age e Fare:
# Scatter plot of Age vs Fare colored by Sex
ggplot(passengers %>% drop_na(), aes(x = Age, y = Fare, color = Sex)) +
geom_point()
Dá para ver que muitos dos que pagaram menos, na parte de baixo, eram homens. Há também um aglomerado de mulheres na parte superior do gráfico que eram um pouco mais velhas e pagaram mais para embarcar no Titanic.
Visualizar três variáveis (duas numéricas, Age e Fare, e uma categórica, Sex) em um só gráfico é ótimo, mas e se você quiser incluir a variável Survived para ver tendências aparentes? Você pode fazer isso com facetas (faceting), que é uma forma de produzir múltiplos gráficos simultaneamente:
# Scatter plot of Age vs Fare colored by Sex faceted by Survived
ggplot(passengers1, aes(x = Age, y = Fare, color = Sex)) +
geom_point() +
facet_grid(~Survived)
## Warning: Removed 177 rows containing missing values (geom_point).
De repente, você percebe que muitas daquelas mulheres destacadas no gráfico anterior sobreviveram e que a maioria das que não sobreviveram pagou menos de 50 unidades. Dica: tente descobrir por conta própria quais são as unidades da moeda!
Agora vamos refazer o gráfico de barras de Sex e, desta vez, preencher as barras de acordo com Survived:
# Plot barplot of passenger Sex & fill according to Survival
ggplot(passengers1, aes(x = Sex, fill = Survived)) +
geom_bar()
Você vê que a grande maioria dos homens não sobreviveu, enquanto mais de dois terços das mulheres sobreviveram!
resumindo e agrupando seus dados
Use o verbo summarise() para descobrir a tarifa média paga:
# Check out mean Fare
passengers %>%
summarise(meanFare = mean(Fare))
## meanFare
## 1 32.20421Use o verbo summarise() para descobrir a mediana da tarifa paga:
# Check out mean Fare
passengers %>%
summarise(medianFare = median(Fare))
## medianFare
## 1 14.4542Você também pode combinar filter() e summarise() para descobrir a tarifa média paga entre os homens:
# Check out mean Fare for men
passengers %>%
filter(Sex == "male") %>%
summarise(meanFare = mean(Fare))
## meanFare
## 1 25.52389Use filter() e summarise() para descobrir a tarifa média paga entre as mulheres:
# Check out mean Fare for women
passengers %>%
filter(Sex == "female") %>%
summarise(meanFare = mean(Fare))
## meanFare
## 1 44.47982Use filter() e summarise() para descobrir a tarifa média paga entre as mulheres e quantas mulheres sobreviveram:
# Check out mean Fare & number of survivors for women
passengers %>%
filter(Sex == "female") %>%
summarise(meanFare = mean(Fare), numSurv = sum(Survived))
## meanFare numSurv
## 1 44.47982 233Use group_by() e summarise() para encontrar a tarifa média e o número de sobreviventes em função do sexo:
# Check out mean Fare & number of survivors grouped by Sex
passengers %>%
group_by(Sex) %>%
summarise(meanFare = mean(Fare), numSurv = sum(Survived))
## # A tibble: 2 x 3
## Sex meanFare numSurv
## <fct> <dbl> <int>
## 1 female 44.5 233
## 2 male 25.5 109Use group_by() e summarise() para encontrar a tarifa média e a proporção de sobreviventes em função do sexo:
# Check out mean Fare & proportion of survivors grouped by Sex
passengers %>%
group_by(Sex) %>%
summarise(meanFare = mean(Fare), numSurv = sum(Survived)/n())
## # A tibble: 2 x 3
## Sex meanFare numSurv
## <fct> <dbl> <dbl>
## 1 female 44.5 0.742
## 2 male 25.5 0.189conclusão
Neste tutorial, você saiu do zero e aprendeu o básico de análise de dados usando o tidyverse e suas ferramentas. Você aprendeu a filter() seus dados, arrange() e mutate(), a plotar e a summarise() com dplyr e ggplot2, tudo escrevendo código que reflete a forma como pensamos e falamos sobre dados. Parabéns. Recomendo continuar aprendendo com o curso Introduction to Tidyverse do David Robinson e aplicando essas ferramentas em outros conjuntos de dados que te interessem. Compartilhe suas análises com a gente no Twitter @DataCamp e @hugobowne. Obrigado pela leitura.
