library(tidyverse)
library(readxl)
library(here)
source(here("scripts", "preparar-sinasc.R"))8 Dados organizados e combinação de tabelas
Pré-requisitos: Capítulo 7 · Pacotes: tidyr e dplyr (carregados com o tidyverse), readxl, here
Ao final deste capítulo, espera-se que o estudante seja capaz de explicar o que são dados organizados (tidy data); converter tabelas entre os formatos longo e largo e reconhecer quando cada um é útil; separar e unir colunas; empilhar tabelas com a mesma estrutura; combinar tabelas por meio de chaves, escolhendo o tipo de junção adequado; conferir o resultado de uma junção; e reconhecer problemas de chaves comuns nos dados de saúde brasileiros.
Até aqui, cada análise usou uma única tabela. Mas muitos indicadores de saúde exigem informações que estão em fontes diferentes. A taxa de natalidade, por exemplo, precisa do número de nascidos vivos, que vem do SINASC, e da população, que vem das estimativas populacionais. Para combinar essas fontes, as tabelas precisam estar bem organizadas e precisam ter uma coluna em comum. Este capítulo trata das duas coisas.
8.1 O que são dados organizados
Os mesmos dados podem ser dispostos em uma tabela de várias formas. Observe a planilha com a população dos municípios de Rondônia, importada no Capítulo 5.
populacao_anos <- read_excel(here("dados", "populacao_ro_2015_2024.xlsx"))
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>Cada linha é um município, e cada ano está em uma coluna. É um formato confortável para ler na tela, mas pouco prático para analisar. Como calcular, por exemplo, a população média de cada município no período, ou fazer um gráfico da população ao longo do tempo? A informação “ano” está espalhada nos nomes das colunas, e não em uma variável.
O conceito de dados organizados (tidy data), formalizado por WICKHAM (2014), propõe três regras simples. Cada variável fica em uma coluna. Cada observação fica em uma linha. Cada valor fica em uma célula. Na planilha acima, há três variáveis (município, ano e população), mas o ano não ocupa uma coluna própria. Organizá-la significa transformá-la em uma tabela com uma linha para cada combinação de município e ano. As ferramentas do tidyverse, incluindo o ggplot2, foram pensadas para trabalhar com dados nesse formato.
8.2 Do formato largo para o longo
A função pivot_longer(), do pacote tidyr, transforma colunas em linhas. Ela precisa de três informações: quais colunas serão empilhadas (cols), o nome da nova coluna que vai receber os antigos nomes de coluna (names_to) e o nome da coluna que vai receber os valores (values_to).
populacao_longa <- populacao_anos |>
pivot_longer(
cols = `2015`:`2024`,
names_to = "ano",
values_to = "populacao"
)
populacao_longa
#> # A tibble: 520 × 4
#> cod_municipio municipio ano populacao
#> <chr> <chr> <chr> <dbl>
#> 1 1100015 Alta Floresta D'Oeste 2015 24540
#> 2 1100015 Alta Floresta D'Oeste 2016 24396
#> 3 1100015 Alta Floresta D'Oeste 2017 24238
#> 4 1100015 Alta Floresta D'Oeste 2018 24068
#> 5 1100015 Alta Floresta D'Oeste 2019 23910
#> 6 1100015 Alta Floresta D'Oeste 2020 23752
#> 7 1100015 Alta Floresta D'Oeste 2021 23546
#> 8 1100015 Alta Floresta D'Oeste 2022 23309
#> 9 1100015 Alta Floresta D'Oeste 2023 23081
#> 10 1100015 Alta Floresta D'Oeste 2024 22853
#> # ℹ 510 more rowsOs nomes das colunas começam com números, e por isso foram escritos entre crases. A tabela passou de 52 linhas e 12 colunas para 520 linhas e 4 colunas, uma para cada município em cada ano. Repare, porém, que a nova coluna ano é do tipo texto, porque veio dos nomes das colunas. O argumento names_transform converte o tipo no próprio pivot_longer().
populacao_longa <- populacao_anos |>
pivot_longer(
cols = `2015`:`2024`,
names_to = "ano",
values_to = "populacao",
names_transform = list(ano = as.integer)
)Com os dados organizados, perguntas que antes eram difíceis ficam simples. Por exemplo, a variação percentual da população de cada município entre 2015 e 2024.
populacao_longa |>
group_by(municipio) |>
summarise(
pop_2015 = populacao[ano == 2015],
pop_2024 = populacao[ano == 2024],
variacao_perc = (pop_2024 / pop_2015 - 1) * 100
) |>
arrange(desc(variacao_perc)) |>
head(5)
#> # A tibble: 5 × 4
#> municipio pop_2015 pop_2024 variacao_perc
#> <chr> <dbl> <dbl> <dbl>
#> 1 Vilhena 88151 108528 23.1
#> 2 Nova Mamoré 25003 28496 14.0
#> 3 Cacoal 86910 97637 12.3
#> 4 Rolim de Moura 55815 62559 12.1
#> 5 Candeias do Jamari 21769 24163 11.08.3 Do formato longo para o largo
O caminho inverso é feito com pivot_wider(), que espalha os valores de uma coluna em várias colunas. Ele é usado principalmente para montar tabelas de apresentação, que ficam mais fáceis de ler no formato largo. Os argumentos principais são names_from, a coluna cujos valores viram nomes de colunas, e values_from, a coluna cujos valores preenchem a tabela.
nascidos |>
filter(!is.na(parto)) |>
count(faixa_idade_mae, parto) |>
pivot_wider(names_from = parto, values_from = n)
#> # A tibble: 3 × 3
#> faixa_idade_mae Vaginal Cesáreo
#> <fct> <int> <int>
#> 1 Menos de 20 2192 2359
#> 2 20 a 34 6062 13234
#> 3 35 ou mais 689 2443O resultado é uma tabela de dupla entrada, com as faixas de idade nas linhas e os tipos de parto nas colunas. Quando alguma combinação não existe nos dados, a célula correspondente fica com NA; o argumento values_fill = 0 permite preenchê-la com zero, o que costuma ser o correto para contagens.
8.4 Separando e unindo colunas
As tabelas exportadas pelo TabNet trazem o código e o nome do município em uma única coluna, como 110001 Alta Floresta D'Oeste. Para combinar essa tabela com outras, precisamos do código em uma coluna própria. A função separate_wider_delim() divide uma coluna em várias a partir de um delimitador.
populacao_sexo <- read_csv2(
here("dados", "tabnet_populacao_ro_2019.csv"),
locale = locale(encoding = "latin1"),
skip = 4, n_max = 52
)
populacao_sexo <- populacao_sexo |>
separate_wider_delim(
cols = Município,
delim = " ",
names = c("codigo", "nome"),
too_many = "merge"
)
populacao_sexo
#> # A tibble: 52 × 5
#> codigo nome Masculino Feminino Total
#> <chr> <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 rowsO delimitador é o espaço. Como os nomes dos municípios também têm espaços, usamos too_many = "merge", que divide a coluna apenas no primeiro espaço e mantém o resto junto. A operação inversa, juntar colunas em uma só, é feita com unite().
8.5 Empilhando tabelas
Quando duas tabelas têm as mesmas colunas e queremos colocar uma embaixo da outra, usamos bind_rows(). É o que acontece, por exemplo, quando os dados de cada ano ou de cada estado chegam em arquivos separados. O argumento .id cria uma coluna que identifica a origem de cada linha.
populacao <- read_csv(here("dados", "populacao_ro_2019.csv"),
col_types = cols(cod_municipio = col_character()))
feminina <- populacao |> filter(sexo == "Feminino") |> select(-sexo)
masculina <- populacao |> filter(sexo == "Masculino") |> select(-sexo)
bind_rows(Feminino = feminina, Masculino = masculina, .id = "sexo") |>
count(sexo)
#> # A tibble: 2 × 2
#> sexo n
#> <chr> <int>
#> 1 Feminino 884
#> 2 Masculino 884O exemplo é um pouco artificial, porque separamos uma tabela só para juntá-la de novo, mas mostra a lógica. As colunas são combinadas pelo nome, de modo que a ordem delas em cada tabela não importa.
8.6 Combinando tabelas por chaves
Chaves
Para combinar duas tabelas lado a lado, precisamos de uma ou mais colunas que identifiquem, nas duas tabelas, a mesma unidade. Essas colunas são chamadas de chaves. Em dados de saúde, as chaves mais comuns são o código do município, o código do estabelecimento de saúde e, em bases com identificação, o número do registro. Uma boa chave identifica cada linha de forma única em pelo menos uma das tabelas.
Vamos preparar as duas tabelas que queremos combinar. A primeira tem o número de nascidos vivos por município, calculado a partir do SINASC.
nv_municipio <- nascidos |>
count(codmunres, munresnome, name = "nascidos_vivos")
nv_municipio
#> # A tibble: 53 × 3
#> codmunres munresnome nascidos_vivos
#> <chr> <chr> <int>
#> 1 110000 Município ignorado - RO 1
#> 2 110001 Alta Floresta D'Oeste 367
#> 3 110002 Ariquemes 1729
#> 4 110003 Cabixi 80
#> 5 110004 Cacoal 1374
#> 6 110005 Cerejeiras 237
#> 7 110006 Colorado do Oeste 214
#> 8 110007 Corumbiara 127
#> 9 110008 Costa Marques 233
#> 10 110009 Espigão D'Oeste 450
#> # ℹ 43 more rowsA segunda tem a população total e a população feminina de 15 a 49 anos de cada município, calculadas a partir das estimativas populacionais.
pop_municipio <- populacao |>
group_by(cod_municipio) |>
summarise(
mulheres_15_49 = sum(populacao[sexo == "Feminino" &
faixa_etaria %in% c("15 a 19 anos", "20 a 24 anos",
"25 a 29 anos", "30 a 34 anos",
"35 a 39 anos", "40 a 44 anos",
"45 a 49 anos")]),
populacao = sum(populacao)
)
pop_municipio
#> # A tibble: 52 × 3
#> cod_municipio mulheres_15_49 populacao
#> <chr> <dbl> <dbl>
#> 1 1100015 6374 23910
#> 2 1100023 29807 103895
#> 3 1100031 1453 6059
#> 4 1100049 26391 92203
#> 5 1100056 4661 17284
#> 6 1100064 4627 17702
#> 7 1100072 2198 8412
#> 8 1100080 3600 13981
#> 9 1100098 8755 32010
#> 10 1100106 11465 43841
#> # ℹ 42 more rowsA ordem das duas linhas dentro do summarise() não é um detalhe. As medidas são calculadas em sequência, e uma medida criada pode ser usada pelas seguintes. Se populacao = sum(populacao) viesse primeiro, a coluna populacao seria substituída pelo total do município, e o cálculo das mulheres de 15 a 49 anos passaria a usar esse total, e não os valores por sexo e faixa etária. O resultado estaria errado sem nenhum aviso. Por isso, quando uma medida reutiliza o nome de uma coluna, ela deve vir por último, ou receber outro nome, como pop_total.
Tipos de junção
O dplyr oferece quatro funções de junção que acrescentam colunas de uma tabela a outra. Elas diferem no que fazem com as linhas que não encontram correspondência.
dplyr.
| Função | Linhas mantidas |
|---|---|
left_join(x, y) |
Todas as linhas de x; as de y que não encontram par são descartadas |
right_join(x, y) |
Todas as linhas de y; as de x sem par são descartadas |
inner_join(x, y) |
Apenas as linhas que existem nas duas tabelas |
full_join(x, y) |
Todas as linhas das duas tabelas |
A mais usada é left_join(), porque preserva a tabela principal da análise. As colunas que servem de chave são informadas no argumento by, com a função join_by(). Quando as chaves têm nomes diferentes nas duas tabelas, a correspondência é escrita com ==.
Vamos tentar combinar as duas tabelas.
nv_municipio |>
left_join(pop_municipio, by = join_by(codmunres == cod_municipio))
#> # A tibble: 53 × 5
#> codmunres munresnome nascidos_vivos mulheres_15_49 populacao
#> <chr> <chr> <int> <dbl> <dbl>
#> 1 110000 Município ignorado - RO 1 NA NA
#> 2 110001 Alta Floresta D'Oeste 367 NA NA
#> 3 110002 Ariquemes 1729 NA NA
#> 4 110003 Cabixi 80 NA NA
#> 5 110004 Cacoal 1374 NA NA
#> 6 110005 Cerejeiras 237 NA NA
#> 7 110006 Colorado do Oeste 214 NA NA
#> 8 110007 Corumbiara 127 NA NA
#> 9 110008 Costa Marques 233 NA NA
#> 10 110009 Espigão D'Oeste 450 NA NA
#> # ℹ 43 more rowsA junção foi feita, mas a população veio toda como NA. Nenhum município encontrou correspondência. O motivo está na próxima seção.
8.7 Chaves em dados de saúde no Brasil
Compare os códigos das duas tabelas.
head(nv_municipio$codmunres, 3)
#> [1] "110000" "110001" "110002"
head(pop_municipio$cod_municipio, 3)
#> [1] "1100015" "1100023" "1100031"O SINASC usa o código do município com seis dígitos, enquanto as estimativas populacionais usam o código com sete dígitos, definido pelo IBGE. O sétimo dígito é um dígito verificador. Essa diferença é uma das armadilhas mais comuns na combinação de bases de saúde brasileiras: muitos arquivos do DATASUS usam o código de seis dígitos, e a maior parte das bases do IBGE usa o de sete. A solução é criar, na tabela de população, uma coluna com os seis primeiros dígitos, usando str_sub() do pacote stringr (que será apresentado no Capítulo 9).
pop_municipio <- pop_municipio |>
mutate(codmun6 = str_sub(cod_municipio, start = 1, end = 6))
indicadores <- nv_municipio |>
left_join(pop_municipio, by = join_by(codmunres == codmun6))
indicadores
#> # A tibble: 53 × 6
#> codmunres munresnome nascidos_vivos cod_municipio mulheres_15_49 populacao
#> <chr> <chr> <int> <chr> <dbl> <dbl>
#> 1 110000 Município ig… 1 <NA> NA NA
#> 2 110001 Alta Florest… 367 1100015 6374 23910
#> 3 110002 Ariquemes 1729 1100023 29807 103895
#> 4 110003 Cabixi 80 1100031 1453 6059
#> 5 110004 Cacoal 1374 1100049 26391 92203
#> 6 110005 Cerejeiras 237 1100056 4661 17284
#> 7 110006 Colorado do … 214 1100064 4627 17702
#> 8 110007 Corumbiara 127 1100072 2198 8412
#> 9 110008 Costa Marques 233 1100080 3600 13981
#> 10 110009 Espigão D'Oe… 450 1100098 8755 32010
#> # ℹ 43 more rowsAgora a combinação funcionou. Outros problemas frequentes com chaves são a diferença de tipo (o código guardado como número em uma tabela e como texto na outra, o que faz o dplyr interromper a junção com um erro) e o uso de nomes como chave. Nomes de municípios não devem ser usados para combinar tabelas, porque a grafia varia entre fontes, com e sem acentos, com abreviações ou com apóstrofos diferentes, como em “Alta Floresta D’Oeste”.
Conferindo o resultado de uma junção
Toda junção deve ser conferida. Três perguntas ajudam. O número de linhas mudou? Se a tabela de destino tem mais linhas depois da junção, alguma chave estava repetida na outra tabela, e os registros foram duplicados. Há linhas sem correspondência? E, se há, por quê?
As junções de filtragem ajudam a responder à segunda pergunta. A função anti_join() devolve as linhas da primeira tabela que não têm par na segunda, e semi_join() devolve as que têm.
nrow(nv_municipio)
#> [1] 53
nrow(indicadores)
#> [1] 53
nv_municipio |>
anti_join(pop_municipio, by = join_by(codmunres == codmun6))
#> # A tibble: 1 × 3
#> codmunres munresnome nascidos_vivos
#> <chr> <chr> <int>
#> 1 110000 Município ignorado - RO 1O número de linhas se manteve, e apenas um registro ficou sem correspondência: o código 110000, de residência ignorada, que de fato não tem população associada. A junção está correta.
8.8 Estudo de caso: natalidade e fecundidade nos municípios de Rondônia
Com as duas tabelas combinadas, podemos calcular dois indicadores demográficos clássicos. A taxa bruta de natalidade é o número de nascidos vivos dividido pela população total, multiplicado por mil. A taxa de fecundidade geral é o número de nascidos vivos dividido pelo número de mulheres de 15 a 49 anos, também multiplicado por mil. A segunda é mais específica, porque relaciona os nascimentos apenas às mulheres em idade reprodutiva.
indicadores <- indicadores |>
filter(codmunres != "110000") |>
mutate(
taxa_natalidade = nascidos_vivos / populacao * 1000,
taxa_fecundidade_geral = nascidos_vivos / mulheres_15_49 * 1000
)
indicadores |>
select(munresnome, nascidos_vivos, populacao, taxa_natalidade, taxa_fecundidade_geral) |>
arrange(desc(taxa_fecundidade_geral)) |>
head(6)
#> # A tibble: 6 × 5
#> munresnome nascidos_vivos populacao taxa_natalidade taxa_fecundidade_geral
#> <chr> <int> <dbl> <dbl> <dbl>
#> 1 Guajará-Mirim 781 43841 17.8 68.1
#> 2 Pimenteiras d… 40 2346 17.1 67.1
#> 3 Buritis 583 32152 18.1 66.3
#> 4 Costa Marques 233 13981 16.7 64.7
#> 5 São Francisco… 303 17379 17.4 64.2
#> 6 Campo Novo de… 166 10514 15.8 62.3Para o estado como um todo, somamos numeradores e denominadores, como aprendemos no capítulo anterior. Os nascimentos com residência ignorada são de mães residentes em Rondônia e, por isso, entram no numerador estadual.
tibble(
nascidos_vivos = nrow(nascidos),
populacao = sum(pop_municipio$populacao),
mulheres_15_49 = sum(pop_municipio$mulheres_15_49)
) |>
mutate(
taxa_natalidade = nascidos_vivos / populacao * 1000,
taxa_fecundidade_geral = nascidos_vivos / mulheres_15_49 * 1000
)
#> # A tibble: 1 × 5
#> nascidos_vivos populacao mulheres_15_49 taxa_natalidade taxa_fecundidade_geral
#> <int> <dbl> <dbl> <dbl> <dbl>
#> 1 27028 1712560 475419 15.8 56.9Por fim, uma tabela de apresentação dos municípios mais populosos, com os indicadores arredondados.
indicadores |>
slice_max(populacao, n = 5) |>
transmute(
Município = munresnome,
`Nascidos vivos` = nascidos_vivos,
`Taxa de natalidade (por mil hab.)` = round(taxa_natalidade, 1),
`Taxa de fecundidade geral (por mil mulheres de 15 a 49 anos)` = round(taxa_fecundidade_geral, 1)
) |>
knitr::kable()| Município | Nascidos vivos | Taxa de natalidade (por mil hab.) | Taxa de fecundidade geral (por mil mulheres de 15 a 49 anos) |
|---|---|---|---|
| Porto Velho | 8437 | 17.1 | 59.4 |
| Ji-Paraná | 2182 | 16.3 | 57.6 |
| Ariquemes | 1729 | 16.6 | 58.0 |
| Vilhena | 1590 | 16.2 | 56.3 |
| Cacoal | 1374 | 14.9 | 52.1 |
A função transmute() funciona como mutate(), mas mantém apenas as colunas criadas. Os nomes entre crases permitem usar espaços e acentos nos títulos das colunas, o que é aceitável em tabelas de apresentação, mas deve ser evitado nas colunas usadas para análise.
A qualidade de um indicador depende da qualidade do numerador e do denominador. Onde parte dos nascimentos não é registrada no SINASC, as taxas calculadas diretamente dos dados subestimam a realidade, e por isso a cobertura do sistema em cada local deve ser considerada antes de comparar indicadores. As estimativas populacionais, por sua vez, são projeções revisadas periodicamente, sobretudo depois de cada censo. Ao comparar indicadores de anos diferentes, convém verificar se as populações usadas vêm da mesma série de estimativas.
8.9 Exercícios
Fixação
Transforme a tabela
populacao_anospara o formato longo e calcule a população total de Rondônia em cada ano.A partir da base
nascidos, construa uma tabela com o número de nascimentos por mês (nas linhas) e por sexo (nas colunas), usandocount()epivot_wider().Use
anti_join()para listar os municípios da tabela de população que não aparecem na tabela de nascidos vivos. Há algum? Interprete o resultado.
Aplicação
Combine a tabela
indicadores_municipio, construída no Capítulo 7 (com a proporção de baixo peso por município), com a tabela de população, e verifique se os municípios mais populosos têm proporções de baixo peso maiores ou menores que os demais.Usando a tabela de população por faixa etária, calcule para cada município a proporção da população com 60 anos ou mais. Combine essa informação com a taxa de natalidade e descreva a relação entre os dois indicadores.
Desafio
- Em seu computador, obtenha os óbitos de residentes em Rondônia em 2019 com o
microdatasusou com ohealthbR, conforme o código abaixo. Selecione os óbitos de menores de um ano, conte-os por município de residência, combine com os nascidos vivos e calcule a taxa de mortalidade infantil por mil nascidos vivos. Discuta os problemas de instabilidade nos municípios pequenos.
library(microdatasus)
sim_bruto <- fetch_datasus(year_start = 2019, year_end = 2019,
uf = "RO", information_system = "SIM-DO")
sim <- process_sim(sim_bruto)
# As variáveis IDADEminutos, IDADEhoras, IDADEdias, IDADEmeses e IDADEanos,
# criadas por process_sim(), permitem identificar os menores de um ano.- Explique por que uma junção pode aumentar o número de linhas da tabela de destino. Construa um pequeno exemplo, com duas tabelas fictícias, em que isso acontece, e mostre como identificar o problema.
8.10 Síntese
Dados organizados seguem três regras: cada variável em uma coluna, cada observação em uma linha e cada valor em uma célula. A função pivot_longer() transforma tabelas largas, com variáveis espalhadas nos nomes das colunas, em tabelas longas, adequadas à análise; pivot_wider() faz o caminho inverso, útil para tabelas de apresentação. A função separate_wider_delim() divide uma coluna em várias, e bind_rows() empilha tabelas. As junções combinam tabelas por meio de chaves: left_join(), inner_join(), right_join() e full_join() acrescentam colunas, enquanto semi_join() e anti_join() filtram linhas. No Brasil, a diferença entre o código de município com seis dígitos, usado pelo DATASUS, e com sete dígitos, usado pelo IBGE, é a armadilha mais comum. Toda junção deve ser conferida quanto ao número de linhas e às linhas sem correspondência.
| Função | Pacote | Finalidade |
|---|---|---|
pivot_longer(), pivot_wider() |
tidyr | Converter entre os formatos longo e largo |
separate_wider_delim(), unite() |
tidyr | Separar e unir colunas |
bind_rows() |
dplyr | Empilhar tabelas |
left_join(), right_join(), inner_join(), full_join() |
dplyr | Junções de mutação |
semi_join(), anti_join() |
dplyr | Junções de filtragem |
join_by() |
dplyr | Especificar as chaves da junção |
transmute() |
dplyr | Criar colunas mantendo apenas as novas |
str_sub() |
stringr | Extrair parte de um texto |
8.11 Para saber mais
O artigo de WICKHAM (2014) é a referência original sobre dados organizados e continua sendo uma leitura clara e útil. O capítulo 5 do R para Ciência de Dados (WICKHAM; ÇETINKAYA-RUNDEL; GROLEMUND, 2023) trata da reorganização de tabelas, e o capítulo 19, das junções, com uma explicação visual de como cada tipo funciona. O Manual de R para Epidemiologistas (BATRA et al., 2021) dedica o capítulo 12 à pivotagem e o capítulo 14 às junções, com exemplos de vigilância. Faria (FARIA, 2024) trata das bases relacionais no capítulo 6 e dos dados organizados no capítulo 7.
| Obra | Capítulo | Seções de interesse |
|---|---|---|
| R para Ciência de Dados (WICKHAM; ÇETINKAYA-RUNDEL; GROLEMUND, 2023) | 5. Organização de dados; 19. Uniões | Dados organizados; Alongando os dados; Chaves; Uniões básicas |
| Manual de R para Epidemiologistas (BATRA et al., 2021) | 12. Pivoteando dados; 14. Juntando dados | Largo-para-longo; Longo-para-largo; Joins com dplyr; Anexando (binding) |
| Introdução à Linguagem R (FARIA, 2024) | 6. Introdução a base de dados relacionais com dplyr; 7. Tidy Data |
Dados relacionais e o conceito de key; Diferentes tipos de join; Operações de pivô |
| Artigo de referência | WICKHAM (2014) | — |