Novembro 2020 - R-br

[OFF -Tópic] Cotas em concursos para negros e índios!
by Andre Oliveira 12 Jun '49

12 Jun '49

Pessoal, tem um colegar meu que vou fazer um concurso ele é descendente de negro ele é pardo. Ele veio com a pergunta como provar que sou negro, pois, tem vagas reservada para negros e índios? Eu sinceramente não sei e não tenho ideia pois nunca tive esta curiosidade. O que de fato comprova sua raça? Algum documento? O que são usados em concursos para provar? obrigado André Oliveira Souza

5 6

Legenda eixo X
by Luciano F. Sgarbi 10 Jun '49

10 Jun '49

Prezados, Estou tentando centralizar a legenda do eixo X em uma figura com vários gráficos. Estou conseguindo centralizar a legenda da linha inferior como no exemplo, mas as linhas do meio não. par(mfrow=c(2,2)) plot(rnorm(100),xlab="",ylab="y1") plot(rnorm(100),xlab="",ylab="y2") mtext(side=1,cex=2,line=-1.8,text="Variável Explanatória 1",outer=TRUE) ### o problema está aqui, pois a legenda desce para a parte inferior da figura. plot(rnorm(100),xlab="",ylab="y1") plot(rnorm(100),xlab="",ylab="y2") mtext(side=1,cex=2,line=-1.8,text="Variável Explanatória 2",outer=TRUE)## Esse dá certo Alguém podia dar uma luz de como eu posso fazer isso? Abraços -- *Luciano F. Sgarbi* Mestrando em Ecologia e Evolução Laboratório de Ecologia de Insetos (sl. 222) Departamento de Ecologia Instituto de Ciências Biológicas - ICB 1 Universidade Federal de Goiás, campus II Goiânia-GO 74001-970 Brazil

2 2

Iniciar no Pyton
by sznelwar＠uol.com.br 27 Jan '21

27 Jan '21

4 3

Duvidas Análise de Componentes Principais
by Fernando Souza 09 Dez '20

09 Dez '20

Olá pessoal tudo bem Estou realizando uma análise de componentes principais, com o objetivo de selecionar as melhores variáveis para uma análise multivariada. Gostaria de uma orientação sobre a interpretação. Eu interpretei de forma correta? Variáveis que possuem alta correlação com um CP também estão correlacionadas entre si. Isso significa que posso utilizar somente uma das principais variáveis do CP1 (por exemplo) para incluir no modelo multivariado? No caso a variável que apresentar significado para o trabalho. Os círculos de correlação, screem plot e corrplot geradas pelo Pca estão disponíveis no link https://drive.google.com/open?id=1jS5tCX-2-qHo2Gbej00DkFQBpLztwXks A interpretação que fiz foi a seguinte: Considerei as variáveis PC,IC e Prod leite (Azul no gráfico) como variável suplementar quantitativa. Baseado no ScreenPlot selecionei somente 5 CP para avaliação que explicaram 67,80% da variancia total. Pela minha interpretação cheguei as seguintes conclusões Principais variáveis para cada componente: Consumos (CP1): CMS,CMO,CPB,CEE,CCNF,CFDNcp,CFDA,CNDT,CEB,CED,CEM,CEL Energia (CP2) : EB,ED,EM,EL Peso (CP3): PV,PCJ,PCVZ,PCVZ075 Composição do Leite(CP4) : Solido e DCNF Variaveis sanguíneas (CP5): PT e ALBUMINA Segue uma descrição do trabalho para compreensão. Aceito sugestões sobre a melhor forma trabalhar esses dados O banco de dados é oriundo dois estudos realizados pelo mesmo grupo de pesquisa nas mesmas condições experimentais (animais,instalação,dieta,manejo) e avaliaram 48 variáveis. Os fatores experimentais foram: *Raça*: Estudo 1 avaliou 12 animais (6 raça1 e 6 da raça 2). O estudo 2 avaliou 13 animais (6 raça 1 e 7 raça 2) *Plano nutricional:* O estudo 1 avaliou os níveis (0,15,30) o estudo 2 avaliou os níveis (0,5,10,20) *Dias em lactação-DEL* (medidas repetidas no tempo): Estudo 1, dias dispersos entre os períodos de 30 a 120 dias. No estudo 2 os DEL foram avaliados em dias entre 150 a 250 dias. Eu realizei uma análise gráfica e não há indicações de haver diferenças entre estudos, o que era de certo modo esperado. Raça e DEL parecem ser os fatores que afetam as variáveis respostas. -- ========================================= Fernando Souza Zootecnista, DSc. Produção e Alimentação Animal Celular: (31)99796-8781 (Vivo) E-mail:nandodesouza@gmail.com <e-mail%3Anandodesouza(a)gmail.com> Lattes: http://lattes.cnpq.br/6519538815038307 Blog: https://producaoanimalcomr.wordpress.com/ ==========================================

6 14

Forçar a geração do número das linhas em as.matrix() combinado com funções do pacote dplyr
by ASANTOS 25 Nov '20

25 Nov '20

Prezados Membros do r-br, Estou tentando criar um objeto X_train através de funções do pacote dplyr e a função as.matrix(), mas eu não consigo criar o número das linhas para esse objeto. Meu CMR é: |library(dplyr) RES_F<-read.csv("https://raw.githubusercontent.com/Leprechault/trash/main/cnn_ds.csv",sep=",",h=T) RES_train<-RES_F%>% group_by(status) %>% sample_n(1280) X_train <- RES_train %>% select(-status) %>% as.matrix(nrow = length(RES_train[,2]), ncol = ncol(RES_train)-1, byrow = TRUE) str(X_train) # chr [1:2560, 1:5] "attack" "attack" "attack" "attack" "attack" "attack" "attack" "attack" "attack" "attack" "attack" ... # - attr(*, "dimnames")=List of 2 # ..$ : NULL # ..$ : chr [1:5] "status" "NDVI" "SIPI" "RGI" ...| Podemos ver que aparece NULL: |# ..$ : NULL # ..$ : chr [1:5] "status" "NDVI" "SIPI" "RGI" ...| , mas eu quero que meu output seja: |# ..$ : chr [1:2560] "1" "2" "3" "4" ... # ..$ : chr [1:5] "status" "NDVI" "SIPI" "RGI" ...| Por favor, alguma sugestão? Obrigado e abraços, Alexandre -- Alexandre dos Santos Geotechnologies and Spatial Statistics applied to Forest Entomology Instituto Federal de Mato Grosso (IFMT) - Campus Caceres Caixa Postal 244 (PO Box) Avenida dos Ramires, s/n - Vila Real Caceres - MT - CEP 78201-380 (ZIP code) Phone: (+55) 65 99686-6970 / (+55) 65 3221-2674 Lattes CV: http://lattes.cnpq.br/1360403201088680 OrcID: orcid.org/0000-0001-8232-6722 ResearchGate: www.researchgate.net/profile/Alexandre_Santos10 Publons: https://publons.com/researcher/3085587/alexandre-dos-santos/ --

2 1

Excluir parte dos caracteres e colocar caracteres em minúsculos
by Bia Rebelatto 18 Nov '20

18 Nov '20

Olá pessoal, Eu gostaria de retirar a UF que vem junto com os municípios dos dados do IBGE, coloca-la em uma nova coluna para os estados, e deixar todos os caracteres em minúsculo. Exemplo: De Nova_Nazare_(MT) para nova_nazare Este é o script que estou utilizando: #Calling the package group ---- library(tidyverse) #Load data ---- setwd('...') alldata = list.files() #Change especial character ---- chg = function(x){ iconv(x, to = "ASCII//TRANSLIT") } #Put NA info ---- ##We will replace all in this loop ##In the and, we will exporting all for (i in alldata) { df = read.csv(i, sep = ";") df[df == "-"] <- c(NA) df[df == "..."] <- c(NA) df$municipalities = chg(df$municipalities) df$municipalities = gsub("'", "", df$municipalities) df$municipalities = gsub(" ", "_", df$municipalities) Desde já agradeço! Bianca

3 4

Conversão de alguns elementos de texto em variáveis de um data frame com o pacote tidyverse
by ASANTOS 12 Nov '20

12 Nov '20

Bom dia Membros, Eu gostaria de realizar a manipulação de um *txt para uso de algumas informações como variáveis em um data frame a ser criado. Em meu exemplo: #Pacote library(tidyverse) # Leitura do arquivo myfile<-read_lines("https://raw.githubusercontent.com/Leprechault/trash/main/result_imgall_f_te…") # Visualização parcial da informação contida no *txt # [1] "Start processing imgall/sample_59178.jpg" # [2] "imgall/sample_59178.jpg: Predicted in 7337.640000 milli-seconds." # [3] "End" # [4] "Start processing imgall/sample_34773.jpg" # [5] "imgall/sample_34773.jpg: Predicted in 7376.639000 milli-seconds." # [6] "End" # [7] "Start processing imgall/sample_24908.jpg" # [8] "imgall/sample_24908.jpg: Predicted in 7412.858000 milli-seconds." # [9] "End" #[10] "Start processing imgall/sample_18922.jpg" #[11] "imgall/sample_18922.jpg: Predicted in 7424.998000 milli-seconds." #[12] "End" #[13] "Start processing imgall/sample_31653.jpg" #[14] "imgall/sample_31653.jpg: Predicted in 7311.578000 milli-seconds." #[15] "lca: 90.681282%\tleft_x: 18\ttop_y: 33\twidth: 18\theight: 30" #[16] "End" #[17] "Start processing imgall/sample_17341.jpg" #[18] "imgall/sample_17341.jpg: Predicted in 7418.365000 milli-seconds." #[19] "End" #[20] "Start processing imgall/sample_11440.jpg" #[21] "imgall/sample_11440.jpg: Predicted in 7365.160000 milli-seconds." #[22] "lca: 66.567978%\tleft_x: 54\ttop_y: 34\twidth: 18\theight: 23" #[23] "lca: 33.219677%\tleft_x: 74\ttop_y: 15\twidth: 23\theight: 22" #[24] "End" #Como output final eu gostaria de ter o seguinte dataframe: #[1] left top width height obj_id lca #[2] 54 34 18 23 sample_11440 66.567978 #[3] 74 15 23 22 sample_11440 33.219677 #[4] 1 38 19 28 sample_40452 66.658073 #Estou tentando algo com o pacote tidyverse, mas sem sucesso e com muita dificuldade em isolar o que esta após "imgall/" e recuperar o que está contido após "\t" : names_col <- c("left", "top", "width", "height", "obj_id","lca") mydf <- myfile %>% str_subset("lca$") %>% enframe(name = NULL) %>% separate(col = value, into = names_col, sep = "[\t]") mydf # A tibble: 0 x 6 # ... with 6 variables: left <dbl>, top <dbl>, width <dbl>, height <dbl>, obj_id <dbl>, lca <dbl #Dicas e/ou sugestões. Obrigado! -- Alexandre dos Santos Geotechnologies and Spatial Statistics applied to Forest Entomology Instituto Federal de Mato Grosso (IFMT) - Campus Caceres Caixa Postal 244 (PO Box) Avenida dos Ramires, s/n - Vila Real Caceres - MT - CEP 78201-380 (ZIP code) Phone: (+55) 65 99686-6970 / (+55) 65 3221-2674 Lattes CV: http://lattes.cnpq.br/1360403201088680 OrcID: orcid.org/0000-0001-8232-6722 ResearchGate: www.researchgate.net/profile/Alexandre_Santos10 Publons: https://publons.com/researcher/3085587/alexandre-dos-santos/ --

2 1

Re: [R-br] Traçar linha representando a média em gráfico ggplot2
by sznelwar＠uol.com.br 12 Nov '20

12 Nov '20

2 1

Traçar linha representando a média em gráfico ggplot2
by Marcelo Laia 11 Nov '20

11 Nov '20

Colegas, Estou usando a rotina abaixo para produzir gráficos de Altura ~ DAP em um fatorial com Clones em diferentes Espaçamentos. O código ficou assim: ggplot( dat , aes(x=DAP, y=Altura, color=as.factor(Espacamento) )) + geom_point(size=1) + facet_grid(Espacamento ~ Clone) + theme(legend.position="none") Como eu faço para traçar a média do DAP (y) e da Altura (x) em cada grid? É possível simular o código acima com os pacotes e código abaixo: library(ggplot2) head(mtcars) ggplot( mtcars , aes(x=mpg, y=wt, color=as.factor( cyl ))) + geom_point(size=1) + facet_grid( cyl ~ gear) + theme(legend.position="none") Obrigado -- Marcelo

2 1

Modelo Misto - Análise Experimento Switchback
by Fernando Souza 07 Nov '20

07 Nov '20

Boa tarde pessoal, Estou analisando um experimento em Switchback com vacas leiteiras e estou com duvidas sobre a montagem do modelo. Gostaria da ajuda de vocês. O experimento comparou dois tratamentos A e B. Utilizou 30 vacas, porém as vacas não foram avaliadas simultaneamente. 10 vacas entraram no momento 1, 10 entraram no momento 2 e 10 entraram no momento 3. As vacas dentro de cada momento foram sorteadas para uma das duas sequencias possíveis A-B-A ou B-A-B, sendo a sequencia aplicadas em 3 períodos diferentes de igual duração. Entendo que o desenho experimental desse trabalho é semelhante ao descrito nesse trabalho: https://www.sciencedirect.com/science/article/pii/S0022030287802734 (https://link.getmailspring.com/link/6AAC746E-76FD-40C3-9BB7-28232AAC3000@ge…) sendo o block os momentos (1,2 e 3) Porém nesse trabalho os autores utilizam o PROC GLM dos SAS. Eu no entanto desejo analisá-lo através da abordagem dos modelos mistos, com a função lme{nlme} Fiz o seguinte modelo e gostaria de uma opinião para saber se o modelo está correto? Se não como posso melhorá-lo dados<-structure(list(Bloco = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L, 3L), .Label = c("1", "2", "3"), class = "factor"), Ordem = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L), .Label = c("1", "2"), class = "factor"), Periodo = c(1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L), Tratamento = structure(c(1L, 2L, 1L, 1L, 2L, 1L, 1L, 2L, 1L, 1L, 2L, 1L, 2L, 1L, 2L, 2L, 1L, 2L, 2L, 1L, 2L, 2L, 1L, 2L, 2L, 1L, 2L, 1L, 2L, 1L, 1L, 2L, 1L, 1L, 2L, 1L, 1L, 2L, 1L, 1L, 2L, 1L, 1L, 2L, 1L, 2L, 1L, 2L, 2L, 1L, 2L, 2L, 1L, 2L, 2L, 1L, 2L, 1L, 2L, 1L, 1L, 2L, 1L, 1L, 2L, 1L, 1L, 2L, 1L, 1L, 2L, 1L, 1L, 2L, 1L, 2L, 1L, 2L, 2L, 1L, 2L, 2L, 1L, 2L, 2L, 1L, 2L, 1L, 2L, 1L), .Label = c("A", "B"), class = "factor"), Sequencia = structure(c(1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 1L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 2L, 1L, 1L, 1L), .Label = c("1", "2"), class = "factor"), Vacas = structure(c(1L, 1L, 1L, 2L, 2L, 2L, 3L, 3L, 3L, 4L, 4L, 4L, 5L, 5L, 5L, 6L, 6L, 6L, 7L, 7L, 7L, 8L, 8L, 8L, 9L, 9L, 9L, 10L, 10L, 10L, 11L, 11L, 11L, 12L, 12L, 12L, 13L, 13L, 13L, 14L, 14L, 14L, 15L, 15L, 15L, 16L, 16L, 16L, 17L, 17L, 17L, 18L, 18L, 18L, 19L, 19L, 19L, 20L, 20L, 20L, 21L, 21L, 21L, 22L, 22L, 22L, 23L, 23L, 23L, 24L, 24L, 24L, 25L, 25L, 25L, 26L, 26L, 26L, 27L, 27L, 27L, 28L, 28L, 28L, 29L, 29L, 29L, 30L, 30L, 30L), .Label = c("1", "2", "3", "4", "5", "6", "7", "8", "9", "10", "11", "12", "13", "14", "15", "16", "17", "18", "19", "20", "21", "22", "23", "24", "25", "26", "27", "28", "29", "30"), class = "factor"), Leite = c(18.28, 15.73, 14.96, 16.08, 15.64, 15.41, 16.21, 15.52, 14.93, 17.29, 14.52, 12.98, 13.28, 12.57, 12.31, 21.82, 19.28, 18.75, 16.69, 15.15, 14, 17.11, 15.51, 14.73, 15.38, 14.77, 13.37, 15.21, 14.46, 13.5, 12.67, 11.91, 11.55, 15.78, 14.68, 14.61, 13.29, 12.12, 11.77, 17.32, 14.81, 14.66, 16.13, 14.81, 14.29, 14.94, 13.45, 13.09, 15.27, 12.36, 11.29, 14.02, 13, 12.06, 15.25, 14.9, 14.59, 12.44, 11.8, 11.56, 12.56, 12.22, 7.68, 15.15, 14.56, 10.08, 14.26, 13.34, 10.21, 13.56, 12.85, 8.9, 14.09, 14.63, 11.52, 17.7, 17.24, 14.89, 16.69, 16.28, 12.25, 12.66, 12.14, 9, 18.74, 18.23, 14.98, 17.62, 17.4, 15.67), Per = structure(c(1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L, 1L, 2L, 3L), .Label = c("1", "2", "3" ), class = "factor")), class = "data.frame", row.names = c(NA, -90L)) #install.packages("nlme") library(nlme) options(contrasts=c("contr.sum","contr.poly")) controle<-lmeControl(maxIter = 200, msMaxIter = 200,opt = 'optim') mlme <- lme(Leite ~Tratamento,random=~1|Bloco/Vacas/Per,control=controle, data=dados) anova(mlme,type='marginal')

2 3