idades <- c(23, 31, 17, 40) # numérico (double)
filhos <- c(1L, 2L, 0L, 3L) # inteiro
municipios <- c("Porto Velho", "Ji-Paraná", "Ariquemes", "Cacoal") # texto
prematuro <- c(FALSE, TRUE, FALSE, FALSE) # lógico3 Vetores, tipos de dados e data frames
Pré-requisitos: Capítulo 2 · Pacotes: R base, tibble e dplyr (apenas a função glimpse())
Ao final deste capítulo, espera-se que o estudante seja capaz de distinguir as principais estruturas de dados do R (vetor, fator, matriz, lista e data frame) e os tipos de dados mais usados (numérico, inteiro, texto e lógico); descobrir a classe e o tipo de um objeto; explicar o que acontece quando o R converte um tipo em outro; reconhecer os valores especiais NA, NaN, Inf e NULL; selecionar elementos de vetores e de data frames por posição, por nome e por condição; e criar e inspecionar data frames e tibbles.
Uma base de dados de saúde costuma ter cara de planilha. Cada linha é um registro, como um nascimento, um óbito ou uma notificação, e cada coluna é uma informação sobre esse registro, como a data, a idade ou o município de residência. Antes de trabalhar com bases desse tipo, precisamos entender como o R as representa por dentro. É disso que trata este capítulo. Começamos pelo vetor, a peça mais simples, e terminamos no data frame, que é justamente a “planilha” do R.
3.1 Vetores e tipos de dados
No capítulo anterior, criamos um vetor de pesos com a função c(). Um vetor é uma sequência de valores do mesmo tipo. Ele é a estrutura mais básica do R. Até um único número, como 5, é na verdade um vetor de comprimento um.
Os vetores podem guardar diferentes tipos de dados. No dia a dia, quatro tipos aparecem quase sempre.
O tipo numérico (chamado internamente de double) guarda números com ou sem casas decimais. O tipo inteiro guarda apenas números inteiros; a letra L depois do número indica que queremos um inteiro, mas na prática raramente precisamos disso. O tipo texto (character) guarda palavras ou frases, sempre entre aspas. O tipo lógico guarda apenas TRUE ou FALSE, como os resultados das comparações do capítulo anterior.
Para descobrir o tipo de um objeto, usamos typeof(). A função class() informa a classe, que é a forma como o R vai tratar o objeto, e a função str() (de structure) mostra um resumo da estrutura.
typeof(idades)
#> [1] "double"
typeof(filhos)
#> [1] "integer"
class(municipios)
#> [1] "character"
str(prematuro)
#> logi [1:4] FALSE TRUE FALSE FALSEHá atalhos para criar vetores com sequências e repetições. O operador : cria sequências de inteiros, a função seq() cria sequências com qualquer intervalo e a função rep() repete valores.
1:10
#> [1] 1 2 3 4 5 6 7 8 9 10
seq(from = 0, to = 100, by = 25)
#> [1] 0 25 50 75 100
rep("ignorado", times = 3)
#> [1] "ignorado" "ignorado" "ignorado"Uma propriedade muito útil dos vetores é que as operações são aplicadas a todos os elementos de uma vez. Isso se chama vetorização.
pesos_gramas <- c(3200, 2850, 3540, 2410)
pesos_gramas / 1000
#> [1] 3.20 2.85 3.54 2.41Com uma única linha convertemos os quatro pesos de gramas para quilogramas. Em outras linguagens, seria preciso escrever uma repetição explícita para fazer o mesmo.
Quando combinamos dois vetores de tamanhos diferentes, o R repete o menor até completar o maior. Se o tamanho do maior não for múltiplo do menor, aparece um aviso. Esse comportamento, chamado de reciclagem, é útil quando um dos vetores tem um único valor (como em pesos_gramas / 1000), mas pode produzir resultados errados sem que se perceba quando os tamanhos não batem por engano.
3.2 Coerção
Um vetor só pode ter um tipo de dado. O que acontece, então, se misturarmos números e textos?
misturado <- c(10, "vinte", 30)
misturado
#> [1] "10" "vinte" "30"
typeof(misturado)
#> [1] "character"O R converteu tudo em texto. Esse processo se chama coerção. Quando tipos diferentes são misturados, o R escolhe o tipo mais flexível, seguindo a ordem lógico, inteiro, numérico e texto. Um lógico pode virar número (TRUE vira 1), um número pode virar texto (10 vira "10"), mas o contrário nem sempre é possível.
Também podemos converter tipos de forma explícita, com as funções as.numeric(), as.integer(), as.character() e as.logical().
as.numeric(c("3.5", "12", "7"))
#> [1] 3.5 12.0 7.0
as.character(c(1, 2, 3))
#> [1] "1" "2" "3"Agora veja um caso que aparece com frequência em dados brasileiros.
as.numeric(c("3,5", "12", "7"))
#> Warning: NAs introduced by coercion
#> [1] NA 12 7O primeiro valor virou NA, e o R emitiu um aviso. O motivo é a vírgula decimal. Para o R, "3,5" não é um número válido. Esse problema surge quando importamos planilhas preparadas com a configuração regional brasileira, e o Capítulo 5 mostra como evitá-lo já na leitura do arquivo. Por enquanto, o importante é perceber que uma coluna que deveria ser numérica pode chegar como texto, e que a conversão descuidada transforma valores em ausentes.
3.3 Valores especiais
O R tem quatro valores especiais que convém conhecer.
NA (not available) representa um valor ausente, ou seja, uma informação que existe mas não foi registrada, como a escolaridade de uma mãe que não foi preenchida na declaração de nascido vivo. NaN (not a number) é o resultado de uma operação matemática indefinida, como 0 / 0. Inf representa o infinito, resultado, por exemplo, de 1 / 0. NULL representa a ausência de um objeto, o que é diferente de um valor ausente.
c(0 / 0, 1 / 0, -1 / 0)
#> [1] NaN Inf -Inf
length(NULL)
#> [1] 0
length(NA)
#> [1] 1O valor NA merece atenção especial, porque ele “contamina” os cálculos. Qualquer operação que envolva um NA resulta em NA, já que não sabemos o valor que está faltando.
escolaridade_anos <- c(8, 11, NA, 15, 4)
mean(escolaridade_anos)
#> [1] NA
mean(escolaridade_anos, na.rm = TRUE)
#> [1] 9.5Para descobrir onde estão os valores ausentes, usamos is.na(), que devolve TRUE para cada posição sem informação. Somando o resultado, contamos os ausentes.
is.na(escolaridade_anos)
#> [1] FALSE FALSE TRUE FALSE FALSE
sum(is.na(escolaridade_anos))
#> [1] 1Atenção a um detalhe que pega muita gente. Não se testa ausência com escolaridade_anos == NA, porque comparar qualquer coisa com um valor desconhecido também dá um valor desconhecido. O teste correto é sempre is.na().
Nos sistemas de informação do SUS, a falta de informação nem sempre aparece como NA. Muitas variáveis usam códigos próprios para “ignorado”, como 9 ou 99. Na variável de escolaridade da mãe do SINASC, por exemplo, o código 9 indica que a informação foi ignorada. Se esse código não for convertido em NA antes da análise, o R vai tratá-lo como um número de verdade, e uma média de anos de estudo, por exemplo, ficará distorcida. A consulta ao dicionário de dados de cada sistema é, por isso, indispensável. O tratamento desses códigos é feito no Capítulo 6.
3.4 Selecionando elementos de vetores
Muitas vezes queremos apenas parte de um vetor. Para isso usamos colchetes, [ ], depois do nome do objeto. Há três formas principais de indicar o que queremos.
A primeira é pela posição. Os elementos de um vetor são numerados a partir de 1.
municipios[2]
#> [1] "Ji-Paraná"
municipios[c(1, 3)]
#> [1] "Porto Velho" "Ariquemes"
municipios[-1]
#> [1] "Ji-Paraná" "Ariquemes" "Cacoal"O número negativo exclui a posição indicada. Assim, municipios[-1] devolve todos os municípios exceto o primeiro.
A segunda é pelo nome. Os elementos de um vetor podem ter nomes, o que facilita a leitura.
populacao <- c(porto_velho = 529544, ji_parana = 128969, ariquemes = 107863)
populacao["ji_parana"]
#> ji_parana
#> 128969Os números acima são as estimativas populacionais do IBGE para 2019. A terceira forma, e a mais importante para a análise de dados, é a seleção por condição. Colocamos dentro dos colchetes um vetor lógico, e o R devolve apenas os elementos correspondentes a TRUE.
idades
#> [1] 23 31 17 40
idades[idades < 20]
#> [1] 17A função which() informa as posições em que a condição é verdadeira, o que pode ser útil para localizar registros.
which(idades < 20)
#> [1] 3A seleção por condição é a ideia por trás da filtragem de bases de dados, que faremos de forma mais confortável com a função filter() no Capítulo 6.
3.5 Fatores: uma primeira aproximação
Variáveis categóricas, como sexo, raça/cor ou tipo de parto, são muito comuns em saúde. Elas poderiam ser guardadas como texto, mas o R tem uma estrutura própria para elas, o fator. Um fator guarda os valores e também a lista de categorias possíveis, chamadas de níveis (levels).
Nos sistemas de informação, as categorias costumam ser registradas como códigos. No SINASC, o tipo de parto é registrado como 1 (vaginal), 2 (cesáreo) ou 9 (ignorado). A função factor() transforma esses códigos em categorias com rótulos.
parto_codigo <- c(1, 2, 2, 1, 9, 2)
parto <- factor(parto_codigo,
levels = c(1, 2, 9),
labels = c("Vaginal", "Cesáreo", "Ignorado"))
parto
#> [1] Vaginal Cesáreo Cesáreo Vaginal Ignorado Cesáreo
#> Levels: Vaginal Cesáreo Ignorado
levels(parto)
#> [1] "Vaginal" "Cesáreo" "Ignorado"
table(parto)
#> parto
#> Vaginal Cesáreo Ignorado
#> 2 3 1O argumento levels informa os códigos possíveis, e labels informa os rótulos correspondentes, na mesma ordem. A função table() conta quantas vezes cada categoria aparece. Repare que a ordem dos níveis é a ordem em que eles foram informados, e não a ordem alfabética. Isso importa porque determina a ordem das categorias em tabelas e gráficos.
Algumas variáveis categóricas têm uma ordem natural, como a escolaridade ou a classificação de gravidade. Para elas, existe o fator ordenado, criado com o argumento ordered = TRUE.
escolaridade <- factor(c("Médio", "Fundamental", "Superior", "Médio"),
levels = c("Fundamental", "Médio", "Superior"),
ordered = TRUE)
escolaridade
#> [1] Médio Fundamental Superior Médio
#> Levels: Fundamental < Médio < Superior
escolaridade < "Superior"
#> [1] TRUE TRUE FALSE TRUEOs fatores serão tratados com mais detalhe no Capítulo 9, com as ferramentas do pacote forcats.
3.6 Matrizes e listas
Duas outras estruturas aparecem com menos frequência neste livro, mas convém conhecê-las.
A matriz é um vetor organizado em linhas e colunas, com todos os elementos do mesmo tipo. Ela aparece, por exemplo, na tabela 2 × 2 das medidas de associação do Capítulo 15.
tabela <- matrix(c(30, 70, 15, 85), nrow = 2, byrow = TRUE)
tabela
#> [,1] [,2]
#> [1,] 30 70
#> [2,] 15 85
dim(tabela)
#> [1] 2 2A lista é uma estrutura que pode guardar objetos de tipos e tamanhos diferentes, inclusive outras listas. Os elementos de uma lista são acessados com dois colchetes, [[ ]], ou com o cifrão, $.
paciente <- list(nome = "Paciente A", idade = 34, exames = c(5.4, 6.1, 5.8))
paciente$idade
#> [1] 34
paciente[["exames"]]
#> [1] 5.4 6.1 5.8As listas parecem pouco úteis no começo, mas são muito comuns nos bastidores. O resultado de um teste estatístico, como o teste t do Capítulo 13, é uma lista com vários componentes (estatística, valor-p, intervalo de confiança), que podem ser extraídos um a um com $.
3.7 Data frames e tibbles
Chegamos à estrutura mais importante para a análise de dados. Um data frame é uma tabela em que cada coluna é um vetor e todas as colunas têm o mesmo comprimento. Cada coluna pode ter um tipo diferente, o que permite guardar, lado a lado, números, textos, datas e categorias. É exatamente o formato das bases de dados de saúde.
Podemos criar um data frame a partir de vetores com a função data.frame().
nascimentos <- data.frame(
id = 1:5,
peso = c(3200, 2350, 3540, NA, 2980),
semanas = c(39, 35, 40, 38, 41),
parto = c("Vaginal", "Cesáreo", "Cesáreo", "Vaginal", "Cesáreo")
)
nascimentos
#> id peso semanas parto
#> 1 1 3200 39 Vaginal
#> 2 2 2350 35 Cesáreo
#> 3 3 3540 40 Cesáreo
#> 4 4 NA 38 Vaginal
#> 5 5 2980 41 CesáreoEsses cinco registros são fictícios. Para acessar uma coluna inteira, usamos o cifrão. O resultado é um vetor, com o qual podemos fazer qualquer operação já vista.
nascimentos$peso
#> [1] 3200 2350 3540 NA 2980
mean(nascimentos$peso, na.rm = TRUE)
#> [1] 3017.5Para selecionar linhas e colunas ao mesmo tempo, usamos colchetes com duas posições separadas por vírgula, no formato [linhas, colunas]. Deixar uma das posições vazia significa “todas”.
nascimentos[2, ]
#> id peso semanas parto
#> 2 2 2350 35 Cesáreo
nascimentos[, c("id", "peso")]
#> id peso
#> 1 1 3200
#> 2 2 2350
#> 3 3 3540
#> 4 4 NA
#> 5 5 2980
nascimentos[nascimentos$semanas < 37, ]
#> id peso semanas parto
#> 2 2 2350 35 CesáreoA última linha seleciona os nascimentos prematuros, isto é, com menos de 37 semanas de gestação. É a mesma ideia da seleção por condição, agora aplicada às linhas de uma tabela.
Várias funções ajudam a conhecer um data frame. As principais estão na Tabela 3.1.
| Função | O que mostra |
|---|---|
head(), tail() |
As primeiras ou as últimas linhas |
nrow(), ncol(), dim() |
Número de linhas, de colunas ou ambos |
names() |
Nomes das colunas |
str() |
Estrutura, com o tipo de cada coluna |
summary() |
Resumo de cada coluna |
dplyr::glimpse() |
Visão compacta das colunas e de seus tipos |
dim(nascimentos)
#> [1] 5 4
summary(nascimentos)
#> id peso semanas parto
#> Min. :1 Min. :2350 Min. :35.0 Length:5
#> 1st Qu.:2 1st Qu.:2822 1st Qu.:38.0 Class :character
#> Median :3 Median :3090 Median :39.0 Mode :character
#> Mean :3 Mean :3018 Mean :38.6
#> 3rd Qu.:4 3rd Qu.:3285 3rd Qu.:40.0
#> Max. :5 Max. :3540 Max. :41.0
#> NA's :1A função summary() mostra, para cada coluna numérica, o mínimo, os quartis, a média, o máximo e o número de valores ausentes. Para colunas de texto, mostra apenas o tamanho e o tipo.
Tibbles
O tidyverse, que usaremos a partir do Capítulo 5, trabalha com uma versão moderna do data frame, chamada tibble. Uma tibble é um data frame com algumas melhorias. Ela mostra no console apenas as primeiras linhas e as colunas que cabem na tela, informa o tipo de cada coluna e é mais rigorosa em algumas operações, o que evita erros silenciosos. Criamos uma tibble com a função tibble() do pacote de mesmo nome.
library(tibble)
nascimentos_tbl <- tibble(
id = 1:5,
peso = c(3200, 2350, 3540, NA, 2980),
semanas = c(39, 35, 40, 38, 41)
)
nascimentos_tbl
#> # A tibble: 5 × 3
#> id peso semanas
#> <int> <dbl> <dbl>
#> 1 1 3200 39
#> 2 2 2350 35
#> 3 3 3540 40
#> 4 4 NA 38
#> 5 5 2980 41Repare na linha <int>, <dbl> abaixo dos nomes das colunas. Ela informa que id é um vetor de inteiros e que peso e semanas são numéricos. Para todos os efeitos práticos deste livro, data frames e tibbles podem ser usados da mesma forma, e as funções do tidyverse devolvem sempre tibbles.
A função glimpse(), do pacote dplyr, é uma alternativa ao str() que se tornou muito popular por apresentar as colunas na vertical, o que funciona bem com bases que têm dezenas de variáveis, como as do DATASUS.
dplyr::glimpse(nascimentos_tbl)
#> Rows: 5
#> Columns: 3
#> $ id <int> 1, 2, 3, 4, 5
#> $ peso <dbl> 3200, 2350, 3540, NA, 2980
#> $ semanas <dbl> 39, 35, 40, 38, 413.8 Estudo de caso: estruturando um pequeno banco de notificações
Vamos aplicar os conceitos do capítulo a um pequeno banco de notificações de dengue. Os dez registros abaixo são fictícios, mas seguem a lógica dos dados do SINAN. O sexo está codificado como no sistema (M, F e I para ignorado), a idade está em anos e a classificação final usa os códigos 10 (dengue), 5 (descartado) e 8 (inconclusivo).
notificacoes <- tibble(
id = 1:10,
data_notificacao = c("2024-03-04", "2024-03-05", "2024-03-05", "2024-03-07",
"2024-03-08", "2024-03-11", "2024-03-12", "2024-03-12",
"2024-03-14", "2024-03-15"),
idade = c(34, 8, 51, NA, 27, 72, 19, 45, 3, 60),
sexo = c("F", "M", "F", "F", "M", "I", "F", "M", "M", "F"),
classificacao = c(10, 10, 5, 10, 8, 10, 5, 10, 10, 5)
)
notificacoes
#> # A tibble: 10 × 5
#> id data_notificacao idade sexo classificacao
#> <int> <chr> <dbl> <chr> <dbl>
#> 1 1 2024-03-04 34 F 10
#> 2 2 2024-03-05 8 M 10
#> 3 3 2024-03-05 51 F 5
#> 4 4 2024-03-07 NA F 10
#> 5 5 2024-03-08 27 M 8
#> 6 6 2024-03-11 72 I 10
#> 7 7 2024-03-12 19 F 5
#> 8 8 2024-03-12 45 M 10
#> 9 9 2024-03-14 3 M 10
#> 10 10 2024-03-15 60 F 5Repare que a data foi guardada como texto (<chr>). O R ainda não sabe que se trata de datas. A conversão para o tipo apropriado, que permite calcular intervalos e semanas epidemiológicas, é feita no Capítulo 9.
O primeiro passo é transformar os códigos de sexo e de classificação em fatores com rótulos legíveis.
notificacoes$sexo <- factor(notificacoes$sexo,
levels = c("F", "M", "I"),
labels = c("Feminino", "Masculino", "Ignorado"))
notificacoes$classificacao <- factor(notificacoes$classificacao,
levels = c(10, 5, 8),
labels = c("Dengue", "Descartado", "Inconclusivo"))
table(notificacoes$classificacao)
#>
#> Dengue Descartado Inconclusivo
#> 6 3 1Em seguida, verificamos se há valores ausentes na idade e calculamos a idade média dos notificados, ignorando o registro sem informação.
sum(is.na(notificacoes$idade))
#> [1] 1
mean(notificacoes$idade, na.rm = TRUE)
#> [1] 35.44444Por fim, selecionamos apenas os casos confirmados de dengue e guardamos o resultado em um novo objeto.
confirmados <- notificacoes[notificacoes$classificacao == "Dengue", ]
nrow(confirmados)
#> [1] 6
mean(confirmados$idade, na.rm = TRUE)
#> [1] 32.4Dos dez notificados, seis tiveram a dengue confirmada. A idade média entre os confirmados é diferente da idade média de todos os notificados, o que mostra a importância de definir com clareza qual população está sendo descrita. Nos próximos capítulos, faremos esse mesmo tipo de operação de forma mais simples e legível com as funções do tidyverse.
3.9 Exercícios
Fixação
Antes de executar, tente prever o tipo de cada vetor a seguir. Depois, confirme com
typeof().c(1, 2, 3),c(1, "2", 3),c(TRUE, FALSE, 1),c(TRUE, "FALSE").Crie um vetor com as idades 12, 25, 37, 44, 15, 68 e 19. Selecione, usando colchetes, as idades entre 15 e 49 anos (faixa etária considerada em idade fértil nos indicadores de saúde da mulher).
Usando o data frame
nascimentosdo texto, calcule a média de semanas de gestação e selecione as linhas com parto cesáreo.Crie um fator com os códigos de raça/cor
1, 4, 4, 2, 9, 1, 4, sabendo que, no SINASC, 1 é branca, 2 é preta, 3 é amarela, 4 é parda e 5 é indígena, e considerando o código 9 como ignorado. Inclua todos os níveis, mesmo os que não aparecem, e usetable()para contar as categorias.
Aplicação
Crie uma tibble fictícia com oito óbitos, contendo as colunas
idade(em anos),sexoecausa(com valores como “Doenças do aparelho circulatório”, “Neoplasias” e “Causas externas”). Calcule a idade média dos óbitos por causas externas e compare com a idade média geral.Uma planilha de cobertura vacinal chegou com os valores
"95,2","88,7","101,3"e"79,0", como texto. Converta esses valores para número sem que nenhum se transforme emNA. (Dica: a funçãosub(",", ".", x)troca a primeira vírgula de cada texto por um ponto.)
Desafio
Execute
mean(c(8, 11, 99, 15, 99)), imaginando que o código 99 representa “ignorado”. Explique por que o resultado é enganoso e reescreva o cálculo de modo que os códigos de ignorado sejam tratados como ausentes. Discuta que tipo de viés pode surgir se a proporção de ignorados for muito diferente entre os municípios comparados.A função
str()aplicada ao resultado det.test(c(3200, 2850, 3540, 2410, 3100), mu = 3000)mostra que o resultado é uma lista. Explore essa lista e extraia, com$, o valor-p e o intervalo de confiança. Não é preciso entender o teste agora; o objetivo é praticar a navegação em listas.
3.10 Síntese
Os dados no R são organizados em estruturas. O vetor é a mais simples, com valores de um único tipo, que pode ser numérico, inteiro, texto ou lógico. Quando tipos diferentes são misturados, o R os converte para o tipo mais flexível, processo chamado de coerção, que exige atenção com vírgulas decimais e códigos numéricos. O valor NA representa informação ausente e deve ser testado com is.na(); nos sistemas de informação do SUS, a ausência muitas vezes vem disfarçada de código, como 9 ou 99. Os elementos de um vetor podem ser selecionados por posição, por nome ou por condição. Fatores representam variáveis categóricas com níveis definidos. Matrizes e listas aparecem em situações específicas, como tabelas de contingência e resultados de testes. O data frame, e sua versão moderna, a tibble, é a estrutura que representa uma base de dados, com uma coluna para cada variável e uma linha para cada registro.
| Função | Pacote | Finalidade |
|---|---|---|
c(), seq(), rep(), : |
base | Criar vetores e sequências |
typeof(), class() |
base | Descobrir tipo e classe |
str() |
utils | Ver a estrutura de um objeto |
as.numeric(), as.integer(), as.character(), as.logical() |
base | Converter tipos |
is.na() |
base | Identificar valores ausentes |
which() |
base | Encontrar posições que atendem a uma condição |
factor(), levels(), table() |
base | Criar fatores e contar categorias |
matrix(), dim(), list() |
base | Matrizes e listas |
data.frame(), tibble() |
base, tibble | Criar tabelas de dados |
head(), tail(), nrow(), ncol(), names(), summary() |
base, utils | Inspecionar data frames |
glimpse() |
dplyr | Visão compacta de colunas e tipos |
3.11 Para saber mais
O capítulo 2 de Faria (FARIA, 2024) é provavelmente o texto mais completo em português sobre estruturas e tipos de dados no R, incluindo coerção, valores especiais e as várias formas de seleção. O capítulo 27 do R para Ciência de Dados (WICKHAM; ÇETINKAYA-RUNDEL; GROLEMUND, 2023) apresenta as formas de seleção do R base para quem já conhece o tidyverse, e o capítulo 16 trata dos fatores. Bougioukas (BOUGIOUKAS, 2025) dedica os capítulos 6 a 9 a objetos, vetores, matrizes, listas e data frames.
| Obra | Capítulo | Seções de interesse |
|---|---|---|
| Introdução à Linguagem R (FARIA, 2024) | 2. Fundamentos da Linguagem R | Estruturas de dados; Tipos de dados; Coerção no R; Subsetting; Valores especiais do R |
| R para Ciência de Dados (WICKHAM; ÇETINKAYA-RUNDEL; GROLEMUND, 2023) | 16. Fatores; 27. Um guia para o R base | O básico sobre fatores; Selecionando múltiplos elementos com [; Selecionando um único elemento com $ e [[ |
| Manual de R para Epidemiologistas (BATRA et al., 2021) | 3. Introdução ao R | Objetos; Principais operadores e funções |
| Practical Statistics in Medicine with R (BOUGIOUKAS, 2025) | 6. R objects; 7. Atomic vectors; 8. Matrices and arrays; 9. Lists and data frames | — |