library(readr)
library(readr)
url <- "http://leg.ufpr.br/~wagner/ms_livro/anovareg.txt"
dados <- read_tsv(url, col_names = TRUE)
dados <- read_tsv(url, col_names = TRUE)
head(dados)
url <- "http://leg.ufpr.br/~wagner/ms_livro/reglinear.csv"
dados <- read_table(url, col_names = TRUE)
head(dados)
dados <- read_table("reglinear.csv", col_names = TRUE)
library(dplyr)
glimpse(dados)
library(tidyr)
help(tidyr)
tb1 <- data.frame("cidade" = c("Curitiba", "São Paulo", "Rio de Janeiro"),
'2011' = c(5, 7, 3),
'2012' = c(6, 2, 5),
'2013' = c(6, 9, 7), check.names = FALSE)
tb1
library(magrittr)
tb1_long <- tb1 %>% pivot_longer(names_to = 'ano',
values_to = 'resposta',
cols = -cidade)
tb1_long
tb1_long %>% pivot_wider(names_from =  'ano',
values_from = 'resposta')
tb <- data.frame(US = c("US1", "US2", "US3"),
cidade_ano = c("Curitiba/2012", "Santos/2012", "Viçosa/2016"),
local = c("Curitiba-PR", "Santos-SP", "Viçosa-MG"))
tb
tb_nova1 <- tb %>% separate(col = cidade_ano,
into = c('Cidade', 'Ano'),
sep = '/')
tb_nova1
tb_nova2 <- tb_nova1 %>% separate(col = local,
into = c('Município', 'UF'),
sep = '-')
tb_nova2
tb <- data.frame(dia = c(1, 5, 23, 16),
mes = c(3, 6, 2, 9),
ano = 2018)
tb <- tb %>% unite(col = 'data',
sep = '/',
c('dia', 'mes', 'ano'),
remove = FALSE)
tb
tb$data <- as.Date(tb$data, format =  "%d/%m/%Y")
tb
tb <- data.frame(Paciente = 1:5,
N_consultas = c(0, 1, 3, 1, 2),
N_tratamentos = c(NA, 0, 0, 2, 1),
N_remedios = c(NA, 1, 1, 0, 0))
drop_na(tb)
tb %>% replace_na(list(N_tratamentos = 0,
N_remedios = 0))
library(dplyr)
help(dplyr)
df1 <- data.frame(
codigo = c(256, 487, 965,
125, 458, 874, 963),
paciente = c("João", "Vanessa", "Tiago",
"Luana", "Gisele", "Pedro",
"André"),
US = c("US1", "US1", "US2", "US2",
"US2", "US1", "US2"),
severidade1 = c(8, 7.5, 9.5, 7, 4.5, 5.5, 3),
severidade2 = c(9, 7.5, 8, 8.5, 5, 7.5, NA),
severidade3 = c(8, 7.5, 7.5, 5, NA, 9, 3),
medicamentos = c(4, 4, 0, 8, 2, 0, 5))
df1 %>% arrange(codigo)
df1 %>% arrange(desc(codigo))
df1 %>% arrange(US, severidade1)
df1 %>% select(c("paciente", "US", "medicamentos"))
df1 %>% select(c(2,3,7))
df1 %>% filter(medicamentos > 2 )
df1 %>% slice(3:5)
# Cabeça
df1 %>% slice_head(n = 3)
# Cauda
df1 %>% slice_tail(n = 3)
df1 %>% filter(US == "US1")
df1 %>% filter(US == "US1" &  (severidade1 + severidade2 + severidade3) > 18)
df1 %>% filter(medicamentos != 0)
df1 %>% filter(paciente %in% c("Aline", "Vanessa"))
df1 <- df1 %>% rename(cod = 'codigo',
pac = 'paciente',
US = 'US',
s1 = 'severidade1',
s2 = 'severidade2',
s3 = 'severidade3',
med = 'medicamentos')
df1[,c(4,5,6,1,2,3)]
df1 %>% mutate(media = (s1 + s2 + s3)/3)
df1 <- df1 %>% replace_na(list(s1 = 0,
s2 = 0,
s3 = 0))
df1
df1 <- df1 %>% mutate(media = (s1 + s2 + s3)/3)
df1
breaks <- c(0, 4, 7, 10)
df1$classificacao <- cut(df1$media,
breaks = breaks,
labels = c("Baixa", "Média", "Alta"))
df1
df1_temp <- df1 %>% select(-c(cod, med, media, classificacao))
df1_long <- df1_temp %>% pivot_longer(names_to = 'consulta',
values_to = 'valor',
cols = -c(pac, US))
df1_long
df1_long %>%
group_by(consulta) %>%
summarise(media = mean(valor))
df1_long %>%
group_by(US, consulta) %>%
summarise(media = mean(valor))
df1_long %>%
group_by(US, consulta) %>%
summarise(media = mean(valor),
sd = sd(valor))
df2 <- data.frame(
codigo = c(505, 658, 713),
paciente = c("Bia", "Carlos", "Cris"),
unidade_saude = c("US3", "US3", "US3"),
severidade1 = c(6.5, 7.5, 7.5),
severidade2 = c(8.5, 8.0, 9.0),
medicamentos = c(0, 0, 2))
df1 <- data.frame(
codigo = c(256, 487, 965,
125, 458, 874, 963),
paciente = c("João", "Vanessa", "Tiago",
"Luana", "Gisele", "Pedro",
"André"),
unidade_saude = c("US1", "US1", "US2", "US2",
"US2", "US1", "US2"),
severidade1 = c(8, 7.5, 9.5, 7, 4.5, 5.5, 3),
severidade2 = c(9, 7.5, 8, 8.5, 5, 7.5, NA),
severidade3 = c(8, 7.5, 7.5, 5, NA, 9, 3),
medicamentos = c(4, 4, 0, 8, 2, 0, 5))
df2$severidade3 <- NA
df <- rbind(df1, df2)
df
df_extra <- data.frame(
"codigo" = c(256, 965, 285, 125, 874, 321, 669, 963),
"paciente" = c("João", "Tiago", "Tiago", "Luana",
"Pedro", "Mia", "Luana", "André"),
"idade" = c(18, 18, 22, 21, 19, 18, 19, 20),
"assist_social" = c("S", "N", "N", "S", "N", "N", "S", "N"))
# Left join
left_join(df1, df_extra, by = "codigo")
# Right join
right_join(df1, df_extra, by = "codigo")
# inner join
inner_join(df1, df_extra, by = "codigo")
# full join
full_join(df1, df_extra, by = "codigo")
dados <- read_delim("dados.csv", col_names = TRUE, delim = ";", na = "-")
glimpse(dados)
library(stringr)
dados_temp <- data.frame(str_split(dados$Município, " ", 2, simplify = TRUE))
dados_temp <- dados_temp %>% rename("Codigo" = X1,
"Nome" = X2)
dados <- bind_cols(dados_temp, dados)
dados %>% slice_head(n = 5)
dados_long <- dados %>% pivot_longer(names_to = 'faixa_etaria',
values_to = 'contagem',
cols = -c(Codigo, Nome, Município))
dados_long %>% slice_head(n = 5)
dados_long <- dados_long %>%
replace_na(list(contagem = 0))
dados_long %>% slice_head(n = 5)
dados_long %>%
group_by(faixa_etaria) %>%
summarise("Total" = sum(contagem))
dados_long_faixa <- dados_long %>%
filter(faixa_etaria %in% c("Menor 1 ano", "1 a 4 anos" , "5 a 9 anos",
"10 a 14 anos", "15 a 19 anos" , " 20 a 29 anos" ,
"30 a 39 anos" , "40 a 49 anos", "50 a 59 anos" ,
"60 a 69 anos" , "70 a 79 anos" , "80 anos e mais"))
class(dados_long_faixa$faixa_etaria)
faixa <-  c("Menor 1 ano", "1 a 4 anos" , "5 a 9 anos",
"10 a 14 anos", "15 a 19 anos" , " 20 a 29 anos" ,
"30 a 39 anos" , "40 a 49 anos", "50 a 59 anos" ,
"60 a 69 anos" , "70 a 79 anos" , "80 anos e mais")
dados_long_faixa$faixa_etaria <- factor(dados_long_faixa$faixa_etaria,
levels = faixa)
dados_long_faixa %>%
group_by(faixa_etaria) %>%
summarise("Total" = sum(contagem))
dados_long_faixa %>%
filter(Nome == "Curitiba") %>%
summarize("Total" = sum(contagem))
pop2019 <- read_delim("Pop_2019.csv")
pop2019 %>%
slice_head(n = 5)
pop2019 <- pop2019 %>%
mutate("Codigo" = str_sub(str_c(COD, COD_MUNI), 1, 6))
pop2019 %>%
slice_head(n = 5)
completo <- left_join(pop2019, dados_long_faixa, by = "Codigo")
completo %>%
slice_head(n = 5)
municipio <- completo %>%
group_by(Codigo) %>%
summarize("Obitos" = sum(contagem),
"Nome" = unique(Nome),
"Populacao" = unique(POP),
"UF" = unique(UF))
UF <- municipio %>%
group_by(UF) %>%
summarize("Obitos" = sum(Obitos),
"Populacao" = sum(Populacao))
UF %>%
slice_head(n = 5)
UF <- UF %>%
mutate("Taxa" = (Obitos/Populacao)*100000) %>%
arrange(desc(Taxa))
UF %>%
slice_head(n = 5)
