library(tidyverse)
library(here)5 Importação e exportação de dados
Pré-requisitos: Capítulo 3 · Pacotes: readr, readxl, janitor, here; microdatasus e healthbR para obter dados do DATASUS
Ao final deste capítulo, espera-se que o estudante seja capaz de reconhecer os formatos de arquivo mais comuns em dados de saúde; importar arquivos de texto e planilhas, controlando separador de colunas, separador decimal, codificação de caracteres, tipos de colunas e valores ausentes; padronizar os nomes das colunas; conferir se a importação deu certo; exportar dados e resultados; e obter microdados dos sistemas de informação do SUS diretamente no R, consultando os dicionários de dados.
Toda análise começa com a leitura dos dados. Parece a etapa mais simples, e muitas vezes é, mas é também onde surgem alguns dos problemas mais traiçoeiros: números que viram texto, acentos que se transformam em símbolos estranhos, códigos de município que perdem o zero à esquerda. Este capítulo mostra como importar dados com cuidado e como verificar se tudo chegou como deveria. Usaremos arquivos reais, preparados para o livro a partir dos microdados do SINASC de Rondônia de 2019 e das estimativas populacionais do Ministério da Saúde.
5.1 Dados em saúde e seus formatos
Antes de abrir um arquivo, vale saber que tipo de dado ele contém. Os sistemas de informação do SUS oferecem dois tipos principais. Os microdados têm um registro por evento: cada linha do SINASC é um nascimento, cada linha do SIM é um óbito, cada linha do SINAN é uma notificação. Os dados tabulados já vêm agregados, como uma tabela com o número de nascimentos por município e ano, do jeito que o TabNet produz. Microdados permitem qualquer cruzamento, mas são maiores e exigem mais preparo; dados tabulados são práticos, mas limitados às combinações que foram escolhidas na tabulação.
Quanto ao formato, os arquivos mais comuns são os de texto delimitado (CSV), as planilhas do Excel, os arquivos compactados do DATASUS (com extensão .dbc), os arquivos de outros programas estatísticos, como Stata e SPSS, e o formato próprio do R, o RDS.
Seja qual for o formato, há um documento que sempre deve acompanhar os dados: o dicionário de dados. Ele informa o significado de cada variável, os códigos de cada categoria e a forma de registrar a ausência de informação. Os dicionários do SINASC, do SIM e do SINAN estão disponíveis no sítio do DATASUS e são citados no Apêndice B.
5.2 Arquivos de texto delimitado com readr
Um arquivo de texto delimitado guarda uma tabela em texto simples, com uma linha por registro e um caractere separando as colunas. No padrão internacional, o separador é a vírgula e o decimal é o ponto. No Brasil, como a vírgula é o separador decimal, os arquivos costumam usar ponto e vírgula entre as colunas. Ambos recebem a extensão .csv.
O pacote readr, parte do tidyverse, tem uma função para cada caso. A função read_csv() lê o padrão internacional, e a função read_csv2() lê o padrão com ponto e vírgula e vírgula decimal. Para qualquer outro separador, existe read_delim(), em que o separador é informado no argumento delim.
Antes de importar, é útil espiar as primeiras linhas do arquivo, sem interpretá-las. A função read_lines() faz isso.
read_lines(here("dados", "sinasc_ro_2019.csv"), n_max = 3)
#> [1] "\"CODMUNRES\";\"MUNRESNOME\";\"DTNASC\";\"SEXO\";\"PESO\";\"IDADEMAE\";\"ESCMAE\";\"ESTCIVMAE\";\"RACACOR\";\"GESTACAO\";\"SEMAGESTAC\";\"GRAVIDEZ\";\"PARTO\";\"CONSULTAS\";\"APGAR1\";\"APGAR5\";\"QTDFILVIVO\";\"LOCNASC\""
#> [2] "110001;\"Alta Floresta D'Oeste\";\"19022019\";\"Masculino\";3685;19;\"8 a 11 anos\";5;\"Branca\";\"37 a 41 semanas\";39;\"\xdanica\";\"Ces\xe1reo\";4;9;10;0;1"
#> [3] "110001;\"Alta Floresta D'Oeste\";\"21022019\";\"Feminino\";3055;29;\"8 a 11 anos\";2;\"Branca\";\"37 a 41 semanas\";38;\"\xdanica\";\"Ces\xe1reo\";4;8;9;1;1"Repare em duas coisas. As colunas estão separadas por ponto e vírgula, então a função certa é read_csv2(). E há um caractere estranho onde deveria haver um acento, em “Única”. Isso indica que o arquivo não está na codificação UTF-8, que o R usa por padrão, e sim em latin1 (ISO-8859-1), muito comum em arquivos gerados por sistemas brasileiros mais antigos. A codificação é informada pela função locale().
sinasc <- read_csv2(
here("dados", "sinasc_ro_2019.csv"),
locale = locale(encoding = "latin1")
)Ao terminar a leitura, o readr informa quantas linhas e colunas foram lidas e qual tipo foi atribuído a cada coluna. Essa mensagem merece atenção. O readr adivinha o tipo de cada coluna olhando os primeiros valores, e a adivinhação nem sempre é a que queremos. Duas colunas preocupam aqui. A coluna CODMUNRES, com o código do município de residência, foi lida como número; isso funciona em Rondônia, mas em estados cujo código começa com zero, ou quando o código é comparado a um texto, causa problemas. A coluna DTNASC, com a data de nascimento no formato ddmmaaaa, também foi lida como número, e com isso as datas de dias 1 a 9 perdem o zero inicial (01022019 vira 1022019).
A solução é dizer ao readr o tipo de cada coluna problemática, com o argumento col_types. Códigos de identificação, mesmo que sejam formados só por algarismos, devem ser lidos como texto.
sinasc <- read_csv2(
here("dados", "sinasc_ro_2019.csv"),
locale = locale(encoding = "latin1"),
col_types = cols(
CODMUNRES = col_character(),
DTNASC = col_character()
)
)
sinasc
#> # A tibble: 27,028 × 18
#> CODMUNRES MUNRESNOME DTNASC SEXO PESO IDADEMAE ESCMAE ESTCIVMAE RACACOR
#> <chr> <chr> <chr> <chr> <dbl> <dbl> <chr> <dbl> <chr>
#> 1 110001 Alta Floresta… 19022… Masc… 3685 19 8 a 1… 5 Branca
#> 2 110001 Alta Floresta… 21022… Femi… 3055 29 8 a 1… 2 Branca
#> 3 110001 Alta Floresta… 25022… Femi… 3460 37 8 a 1… 9 Branca
#> 4 110037 Alto Alegre d… 20032… Femi… 2982 30 12 an… 5 Parda
#> 5 110001 Alta Floresta… 23032… Femi… 3310 30 8 a 1… 2 Parda
#> 6 110001 Alta Floresta… 27032… Masc… 2740 33 1 a 3… 5 Branca
#> 7 110050 Novo Horizont… 01042… Femi… 3158 37 8 a 1… 1 Branca
#> 8 110001 Alta Floresta… 01042… Femi… 3192 27 12 an… 2 Parda
#> 9 110001 Alta Floresta… 28022… Masc… 3570 20 8 a 1… 5 <NA>
#> 10 110001 Alta Floresta… 11032… Femi… 3900 30 1 a 3… 2 Preta
#> # ℹ 27,018 more rows
#> # ℹ 9 more variables: GESTACAO <chr>, SEMAGESTAC <dbl>, GRAVIDEZ <chr>,
#> # PARTO <chr>, CONSULTAS <dbl>, APGAR1 <dbl>, APGAR5 <dbl>, QTDFILVIVO <dbl>,
#> # LOCNASC <dbl>Agora as duas colunas aparecem como <chr> e preservam seus zeros. A data ainda está como texto; sua conversão para o tipo data será feita no Capítulo 9.
Outros argumentos úteis de read_csv() e read_csv2() são na, que informa quais valores devem ser tratados como ausentes (por padrão, células vazias e o texto "NA"), skip, que pula linhas no início do arquivo, e n_max, que limita o número de linhas lidas. Veremos esses dois últimos em ação logo adiante.
Depois de importar um arquivo, olhe sempre os tipos das colunas. Uma coluna numérica que aparece como texto (<chr>) costuma indicar vírgula decimal, um valor como “ignorado” no meio dos números ou um símbolo de milhar. Um código que aparece como número (<dbl>) pode ter perdido zeros à esquerda. A função problems(), aplicada ao objeto importado, lista as linhas que o readr não conseguiu interpretar.
5.3 Primeira inspeção dos dados
Com os dados importados, o primeiro passo é conferir se o que chegou corresponde ao esperado. Uma rotina mínima tem três perguntas. Quantos registros e quantas variáveis há? Os tipos das colunas fazem sentido? Os valores parecem plausíveis?
dim(sinasc)
#> [1] 27028 18
glimpse(sinasc)
#> Rows: 27,028
#> Columns: 18
#> $ CODMUNRES <chr> "110001", "110001", "110001", "110037", "110001", "110001",…
#> $ MUNRESNOME <chr> "Alta Floresta D'Oeste", "Alta Floresta D'Oeste", "Alta Flo…
#> $ DTNASC <chr> "19022019", "21022019", "25022019", "20032019", "23032019",…
#> $ SEXO <chr> "Masculino", "Feminino", "Feminino", "Feminino", "Feminino"…
#> $ PESO <dbl> 3685, 3055, 3460, 2982, 3310, 2740, 3158, 3192, 3570, 3900,…
#> $ IDADEMAE <dbl> 19, 29, 37, 30, 30, 33, 37, 27, 20, 30, 31, 21, 21, 18, 31,…
#> $ ESCMAE <chr> "8 a 11 anos", "8 a 11 anos", "8 a 11 anos", "12 anos ou ma…
#> $ ESTCIVMAE <dbl> 5, 2, 9, 5, 2, 5, 1, 2, 5, 2, 5, 5, 5, 5, 1, 5, 2, 5, 5, 2,…
#> $ RACACOR <chr> "Branca", "Branca", "Branca", "Parda", "Parda", "Branca", "…
#> $ GESTACAO <chr> "37 a 41 semanas", "37 a 41 semanas", "37 a 41 semanas", "3…
#> $ SEMAGESTAC <dbl> 39, 38, 40, 38, 38, 38, 38, 39, 39, 39, 40, 38, 41, 39, 38,…
#> $ GRAVIDEZ <chr> "Única", "Única", "Única", "Única", "Única", "Única", "Únic…
#> $ PARTO <chr> "Cesáreo", "Cesáreo", "Cesáreo", "Cesáreo", "Cesáreo", "Ces…
#> $ CONSULTAS <dbl> 4, 4, 4, 3, 4, 4, 4, 4, 3, 4, 4, 3, 4, 3, 4, 3, 4, 3, 4, 4,…
#> $ APGAR1 <dbl> 9, 8, 8, 9, 8, 9, 9, 9, 8, 9, 8, 9, 8, 8, 5, 9, 9, 9, 9, 9,…
#> $ APGAR5 <dbl> 10, 9, 10, 10, 10, 10, 10, 10, 9, 10, 9, 10, 9, 9, 7, 10, 1…
#> $ QTDFILVIVO <dbl> 0, 1, 2, 0, 1, 2, 1, 0, 0, 1, 1, 1, 0, 0, 1, 0, 2, 2, 2, 1,…
#> $ LOCNASC <dbl> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,…Foram lidos 27.028 registros de nascimentos e 18 variáveis. Os nomes das colunas seguem o padrão do DATASUS, em letras maiúsculas. Para facilitar a digitação, é comum padronizá-los em letras minúsculas com a função clean_names() do pacote janitor, que também remove acentos, espaços e símbolos dos nomes.
sinasc <- janitor::clean_names(sinasc)
names(sinasc)
#> [1] "codmunres" "munresnome" "dtnasc" "sexo" "peso"
#> [6] "idademae" "escmae" "estcivmae" "racacor" "gestacao"
#> [11] "semagestac" "gravidez" "parto" "consultas" "apgar1"
#> [16] "apgar5" "qtdfilvivo" "locnasc"Por fim, um olhar sobre algumas variáveis ajuda a encontrar problemas logo no início.
summary(sinasc$peso)
#> Min. 1st Qu. Median Mean 3rd Qu. Max.
#> 258 2965 3270 3243 3575 5985
count(sinasc, parto)
#> # A tibble: 3 × 2
#> parto n
#> <chr> <int>
#> 1 Cesáreo 18036
#> 2 Vaginal 8943
#> 3 <NA> 49O peso varia de valores muito baixos, compatíveis com recém-nascidos extremamente prematuros, até quase 6 kg, valor raro, mas possível. O tipo de parto tem três situações: cesáreo, vaginal e ausente (NA). Essas verificações serão sistematizadas no protocolo de exploração do Capítulo 12.
Em Rondônia, em 2019, cerca de dois terços dos nascimentos ocorreram por cesariana. A Organização Mundial da Saúde observa que, no nível populacional, taxas de cesariana acima de 10% não se associam a reduções da mortalidade materna e neonatal (WORLD HEALTH ORGANIZATION, 2015). Esse é o tipo de achado que a simples contagem de uma variável já revela e que será aprofundado nos capítulos de descrição e de análise.
5.4 Planilhas eletrônicas com readxl
Muitos dados de saúde circulam em planilhas do Excel. O pacote readxl, instalado com o tidyverse mas não carregado automaticamente, lê arquivos .xls e .xlsx sem precisar do Excel instalado. A função excel_sheets() lista as abas de uma planilha, e read_excel() importa uma delas.
library(readxl)
excel_sheets(here("dados", "populacao_ro_2015_2024.xlsx"))
#> [1] "populacao"
populacao_anos <- read_excel(here("dados", "populacao_ro_2015_2024.xlsx"),
sheet = "populacao")
populacao_anos
#> # A tibble: 52 × 12
#> cod_municipio municipio `2015` `2016` `2017` `2018` `2019` `2020` `2021`
#> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
#> 1 1100015 Alta Floresta… 24540 24396 24238 24068 23910 23752 23546
#> 2 1100379 Alto Alegre d… 12983 12927 12864 12790 12723 12658 12569
#> 3 1100403 Alto Paraíso 17696 17712 17718 17704 17697 17680 17640
#> 4 1100346 Alvorada D'Oe… 16223 15964 15699 15436 15187 14938 14657
#> 5 1100023 Ariquemes 98956 100316 101559 102718 103895 105044 105986
#> 6 1100452 Buritis 32969 32810 32606 32368 32152 31915 31633
#> 7 1100031 Cabixi 6293 6235 6186 6117 6059 5995 5922
#> 8 1100601 Cacaulândia 5347 5218 5090 4967 4854 4745 4620
#> 9 1100049 Cacoal 86910 88323 89662 90912 92203 93443 94502
#> 10 1100700 Campo Novo de… 11709 11412 11110 10805 10514 10241 9952
#> # ℹ 42 more rows
#> # ℹ 3 more variables: `2022` <dbl>, `2023` <dbl>, `2024` <dbl>A planilha traz a população dos 52 municípios de Rondônia de 2015 a 2024, com um ano em cada coluna. Esse formato, com anos nas colunas, é muito comum em planilhas, mas não é o mais adequado para análise no R. A forma de reorganizá-lo é o assunto do Capítulo 8.
Os argumentos sheet, range e skip permitem escolher a aba, um intervalo de células (como "A1:D20") e o número de linhas a pular no início. Eles são especialmente úteis em planilhas preparadas para leitura humana, que costumam ter títulos, células mescladas, linhas de total e notas de rodapé. Quando possível, a melhor estratégia é pedir os dados em um formato mais simples. Quando não é, esses argumentos ajudam a isolar a parte da planilha que contém a tabela.
5.5 Tabelas exportadas pelo TabNet
O TabNet é a ferramenta do DATASUS para tabular dados dos sistemas de informação diretamente no navegador. As tabelas podem ser exportadas em CSV, mas o arquivo vem com linhas de título no começo e notas no final. Vamos espiar um arquivo nesse formato, com a população de Rondônia por município e sexo.
read_lines(here("dados", "tabnet_populacao_ro_2019.csv"),
locale = locale(encoding = "latin1"))[1:7]
#> [1] "Estimativas populacionais por município, sexo e faixa etária"
#> [2] "População residente por Município e Sexo"
#> [3] "Unidade da Federação: Rondônia"
#> [4] "Período: 2019"
#> [5] "\"Município\";\"Masculino\";\"Feminino\";\"Total\""
#> [6] "\"110001 Alta Floresta D'Oeste\";12239;11671;23910"
#> [7] "\"110002 Ariquemes\";52140;51755;103895"A tabela propriamente dita começa na quinta linha, com os nomes das colunas. Antes disso há quatro linhas de título. No final do arquivo há uma linha de total e algumas notas. Com skip = 4, pulamos o título, e com n_max = 52, lemos apenas as 52 linhas dos municípios, deixando de fora a linha de total e as notas.
populacao_sexo <- read_csv2(
here("dados", "tabnet_populacao_ro_2019.csv"),
locale = locale(encoding = "latin1"),
skip = 4,
n_max = 52
)
populacao_sexo
#> # A tibble: 52 × 4
#> Município Masculino Feminino Total
#> <chr> <dbl> <dbl> <dbl>
#> 1 110001 Alta Floresta D'Oeste 12239 11671 23910
#> 2 110002 Ariquemes 52140 51755 103895
#> 3 110003 Cabixi 3091 2968 6059
#> 4 110004 Cacoal 45744 46459 92203
#> 5 110005 Cerejeiras 8662 8622 17284
#> 6 110006 Colorado do Oeste 8881 8821 17702
#> 7 110007 Corumbiara 4436 3976 8412
#> 8 110008 Costa Marques 7335 6646 13981
#> 9 110009 Espigão D'Oeste 16246 15764 32010
#> 10 110010 Guajará-Mirim 22176 21665 43841
#> # ℹ 42 more rowsA primeira coluna junta o código e o nome do município, um padrão típico do TabNet. Separá-la em duas colunas é um dos exercícios do Capítulo 8.
5.6 Outros formatos
Bases produzidas em outros programas estatísticos podem ser lidas com o pacote haven. A função read_dta() lê arquivos do Stata, e read_sav() lê arquivos do SPSS. Esses arquivos costumam ter variáveis com rótulos, e a função as_factor() converte essas variáveis em fatores do R, usando os rótulos como categorias.
O R também tem um formato próprio, o RDS. Um arquivo RDS guarda um único objeto exatamente como ele está na memória, com tipos, fatores e datas preservados. É o formato ideal para guardar dados já preparados, que serão usados em outros scripts. As funções write_rds() e read_rds(), do readr, gravam e leem esses arquivos.
write_rds(sinasc, here("dados", "processados", "sinasc_ro_2019.rds"))
sinasc <- read_rds(here("dados", "processados", "sinasc_ro_2019.rds"))Por fim, os microdados do DATASUS são distribuídos em arquivos compactados com extensão .dbc, um formato próprio do sistema. Esses arquivos podem ser lidos com os pacotes apresentados na próxima seção, sem necessidade de conversão manual.
5.7 Obtendo dados dos sistemas de informação em saúde
Há três caminhos principais para obter dados do SUS. O primeiro é o TabNet, já comentado, adequado para tabelas agregadas. O segundo é o portal OpenDataSUS, que disponibiliza diversos conjuntos em CSV. O terceiro, e o mais flexível, é baixar os microdados diretamente no R, com pacotes desenvolvidos para isso. Dois deles são apresentados aqui.
O pacote microdatasus (SALDANHA; BASTOS; BARCELLOS, 2019) baixa os arquivos do servidor do DATASUS com a função fetch_datasus() e oferece funções de pré-processamento, como process_sinasc() e process_sim(), que convertem os códigos em categorias com rótulos, ajustam os tipos das variáveis e acrescentam informações sobre os municípios. O código abaixo baixa os nascimentos de mães residentes em Rondônia em 2019 e os processa. Foi assim que a base usada neste livro foi obtida.
# install.packages("microdatasus")
library(microdatasus)
sinasc_bruto <- fetch_datasus(
year_start = 2019,
year_end = 2019,
uf = "RO",
information_system = "SINASC"
)
sinasc_processado <- process_sinasc(sinasc_bruto)O pacote healthbR é uma alternativa mais recente, que reúne em um só lugar o acesso ao SINASC, ao SIM, ao SINAN, ao SIH, ao Programa Nacional de Imunizações, a pesquisas como a PNS e a dados do IBGE. Cada sistema tem uma função própria, como sinasc_data(), sim_data() e sinan_data(), e as funções *_dictionary() mostram o dicionário de cada sistema no próprio R.
# install.packages("healthbR")
library(healthbR)
sinasc_ro <- sinasc_data(year = 2019, uf = "RO")
sinasc_dictionary()O download depende da disponibilidade dos servidores do DATASUS, que às vezes ficam lentos ou fora do ar. Por isso, é boa prática baixar os dados uma vez, guardá-los na pasta dados/brutos/ do projeto e trabalhar a partir dessa cópia local. Os arquivos usados neste livro estão na pasta dados/ do projeto, e o Apêndice C descreve sua origem e seu conteúdo.
Os microdados dos sistemas de informação do SUS são públicos e não contêm nome, endereço ou documentos das pessoas. Mesmo assim, combinações de variáveis podem, em municípios pequenos, permitir a identificação de alguém. O uso desses dados deve se limitar a análises agregadas, e qualquer tentativa de identificar indivíduos é eticamente inaceitável e contraria a Lei Geral de Proteção de Dados (Lei nº 13.709/2018).
5.8 Exportando dados e resultados
Exportar é o caminho inverso. As funções write_csv() e write_csv2() gravam um data frame em arquivo de texto. A primeira usa vírgula como separador; a segunda usa ponto e vírgula e vírgula decimal, o padrão que o Excel espera quando está configurado para o português.
partos <- count(sinasc, parto)
write_csv2(partos, here("resultados", "tabelas", "partos_ro_2019.csv"))Uma regra de ouro merece ser repetida: os arquivos da pasta dados/brutos/ nunca são alterados. Toda transformação é feita por scripts, e os resultados são gravados em outras pastas. Assim, sempre é possível refazer o caminho dos dados originais até o resultado final.
5.9 Estudo de caso: importando e verificando o extrato do SINASC
Vamos reunir os passos deste capítulo em um script de importação, como o que faria parte do projeto organizado no Capítulo 1. O objetivo é ler o arquivo, padronizar os nomes, verificar se os dados estão completos e guardar uma cópia pronta para os próximos passos.
sinasc <- read_csv2(
here("dados", "sinasc_ro_2019.csv"),
locale = locale(encoding = "latin1"),
col_types = cols(CODMUNRES = col_character(), DTNASC = col_character())
) |>
janitor::clean_names()O símbolo |>, que aparece no fim da leitura, é o operador pipe. Ele passa o resultado da função anterior para a seguinte, e será explicado em detalhe no próximo capítulo. Por enquanto, basta ler a expressão como “leia o arquivo e, em seguida, padronize os nomes”.
Agora, as verificações. Começamos pelo número de municípios de residência. Rondônia tem 52 municípios.
n_distinct(sinasc$codmunres)
#> [1] 53Apareceram 53 códigos diferentes. Para descobrir qual é o código a mais, contamos os registros por código e nome e olhamos o menos frequente.
count(sinasc, codmunres, munresnome) |>
arrange(n) |>
head(3)
#> # A tibble: 3 × 3
#> codmunres munresnome n
#> <chr> <chr> <int>
#> 1 110000 Município ignorado - RO 1
#> 2 110090 Castanheiras 32
#> 3 110146 Pimenteiras do Oeste 40O código 110000 corresponde a “Município ignorado - RO”, usado quando se sabe que a mãe reside no estado, mas não em qual município. É um exemplo típico de categoria que precisa ser levada em conta em análises por município.
Em seguida, contamos os valores ausentes em cada variável. A função colSums() soma as colunas de uma tabela de TRUE e FALSE, o que resulta no número de ausentes por variável.
colSums(is.na(sinasc))
#> codmunres munresnome dtnasc sexo peso idademae escmae
#> 0 0 0 4 0 0 312
#> estcivmae racacor gestacao semagestac gravidez parto consultas
#> 317 647 1232 1238 79 49 0
#> apgar1 apgar5 qtdfilvivo locnasc
#> 96 103 1573 0A maioria das variáveis está bem preenchida. A idade gestacional em semanas (semagestac) tem cerca de 1.200 registros sem informação, o que deve ser levado em conta quando essa variável for analisada. A variável consultas, embora não tenha ausentes, usa o código 9 para “ignorado”, e esse código ainda precisará ser tratado.
Por fim, uma checagem simples de plausibilidade. A idade da mãe deve estar entre, aproximadamente, 10 e 55 anos.
range(sinasc$idademae, na.rm = TRUE)
#> [1] 11 53Os valores estão dentro do esperado. Com a base verificada, o último passo seria gravá-la em formato RDS na pasta dados/processados/, com write_rds(), para ser usada nos próximos scripts.
5.10 Exercícios
Fixação
Importe o arquivo
sinasc_ro_2019.csvsem informar a codificação. Observe como aparecem as categorias com acento da variávelGRAVIDEZe explique o que aconteceu.Importe o mesmo arquivo com
read_csv(), em vez deread_csv2(). Quantas colunas o R encontrou? Por quê?Leia a aba
populacaoda planilhapopulacao_ro_2015_2024.xlsxe responda: qual era a população de Porto Velho em 2024?
Aplicação
Importe o arquivo
tabnet_populacao_ro_2019.csvsem os argumentosskipen_maxe descreva o resultado. Em seguida, importe-o corretamente e verifique se a soma da colunaTotalcoincide com o valor informado na linha de total do arquivo original.Importe o arquivo
populacao_ro_2019.csv, com a população por município, sexo e faixa etária. Verifique os tipos das colunas, confira se há 52 municípios e calcule a população total do estado.
Desafio
Em seu computador, use o pacote
microdatasusou ohealthbRpara baixar os nascimentos de mães residentes em outro estado em 2019. Compare o número de registros e a proporção de partos cesáreos com os de Rondônia. Registre, em comentários no script, as dificuldades encontradas no download.Crie um arquivo CSV no padrão brasileiro com
write_csv2()e abra-o no Excel ou em outro programa de planilhas. Depois, faça o mesmo comwrite_csv(). Explique as diferenças que aparecem na abertura e relacione-as à configuração regional do computador.
5.11 Síntese
Importar dados exige atenção a quatro detalhes: o separador de colunas, o separador decimal, a codificação de caracteres e o tipo de cada coluna. Arquivos brasileiros costumam usar ponto e vírgula, vírgula decimal e, muitas vezes, a codificação latin1, o que pede read_csv2() com locale(encoding = "latin1"). Códigos de identificação devem ser lidos como texto, por meio de col_types. Planilhas são lidas com readxl, e tabelas do TabNet exigem skip e n_max para descartar títulos e notas. Depois da importação, uma verificação rápida de dimensões, tipos, valores ausentes e plausibilidade evita surpresas mais adiante. Os pacotes microdatasus e healthbR permitem obter os microdados do DATASUS diretamente no R, e a regra de nunca alterar os dados brutos garante que toda a análise possa ser refeita.
| Função | Pacote | Finalidade |
|---|---|---|
read_lines() |
readr | Espiar as primeiras linhas de um arquivo |
read_csv(), read_csv2(), read_delim() |
readr | Importar arquivos de texto delimitado |
locale(), cols(), col_character() |
readr | Codificação, separador decimal e tipos de colunas |
problems() |
readr | Listar problemas de leitura |
excel_sheets(), read_excel() |
readxl | Importar planilhas |
read_dta(), read_sav(), as_factor() |
haven | Arquivos do Stata e do SPSS |
read_rds(), write_rds() |
readr | Ler e gravar objetos do R |
write_csv(), write_csv2() |
readr | Exportar arquivos de texto delimitado |
clean_names() |
janitor | Padronizar nomes de colunas |
here() |
here | Caminhos a partir da raiz do projeto |
fetch_datasus(), process_sinasc() |
microdatasus | Baixar e pré-processar microdados do DATASUS |
sinasc_data(), sim_data(), sinan_data() |
healthbR | Baixar dados dos sistemas de informação |
colSums(), n_distinct() |
base, dplyr | Verificações rápidas |
5.12 Para saber mais
O capítulo 7 do R para Ciência de Dados (WICKHAM; ÇETINKAYA-RUNDEL; GROLEMUND, 2023) trata da importação com readr, inclusive da leitura de vários arquivos de uma vez, e o capítulo 20 trata das planilhas. O capítulo 7 do Manual de R para Epidemiologistas (BATRA et al., 2021) apresenta a importação com o pacote rio, uma alternativa que usa uma única função para muitos formatos, e o capítulo 4 de Faria (FARIA, 2024) discute em detalhe a codificação de caracteres, tema que costuma confundir usuários brasileiros. O artigo de apresentação do microdatasus (SALDANHA; BASTOS; BARCELLOS, 2019) explica como os arquivos do DATASUS são organizados.
| Obra | Capítulo | Seções de interesse |
|---|---|---|
| R para Ciência de Dados (WICKHAM; ÇETINKAYA-RUNDEL; GROLEMUND, 2023) | 7. Importação de dados; 20. Planilhas | Lendo dados de um arquivo; Controlando tipos de colunas; Exportando para um arquivo; Excel |
| Manual de R para Epidemiologistas (BATRA et al., 2021) | 7. Importar e exportar | O pacote here; Importar dados; Múltiplos arquivos; Exportar; Arquivos RDS |
| Introdução à Linguagem R (FARIA, 2024) | 4. Importando e exportando dados com readr, readxl e haven |
Importando arquivos de texto com readr; Importando planilhas do Excel com readxl; Encoding de caracteres |
| Practical Statistics in Medicine with R (BOUGIOUKAS, 2025) | 10. Data import, pre-processing, and transformation | — |