Aprenda R em 10 minutos

1 October 2025 — Linguagem De Programação

R é uma linguagem de programação e ambiente poderoso para computação estatística, análise de dados e visualização. Este tutorial cobre os conceitos essenciais para você começar com programação em R.

1. Começando com R

Vamos começar com um programa simples. Abra o R ou RStudio e digite o seguinte código:

print("Olá, Mundo!")

Você também pode executar isso no console do R. A saída será:

[1] "Olá, Mundo!"

Este programa simples demonstra a funcionalidade básica de saída do R. A função print() exibe informações de texto no console.

2. Sintaxe Básica e Variáveis

A sintaxe do R é projetada para computação estatística e análise de dados. Vamos explorar a atribuição básica de variáveis e operações.

# Este é um comentário
x <- 5  # Atribuição usando operador <-
y = 10   # Atribuição usando operador = (menos comum)
print(x + y)

Regras básicas de sintaxe no R:

Atribuição: Use <- para atribuição de variáveis (preferido) ou =
Comentários: Comentários de linha única começam com #
Funções: Use parênteses () para chamadas de função
Vetores: R é vetorizado - operações funcionam em vetores inteiros

3. Tipos de Dados e Estruturas

R possui vários tipos de dados e estruturas fundamentais para computação estatística.

3.1 Tipos de Dados Básicos

# Numérico (double)
num <- 3.14
print(class(num))

# Inteiro
int <- 42L
print(class(int))

# Caractere (string)
texto <- "Olá R"
print(class(texto))

# Lógico (booleano)
flag <- TRUE
print(class(flag))

3.2 Vetores

Vetores são a estrutura de dados fundamental no R. São arrays unidimensionais que podem conter dados numéricos, de caractere ou lógicos.

# Criando vetores
vetor_numerico <- c(1, 2, 3, 4, 5)
vetor_caractere <- c("maçã", "banana", "cereja")
vetor_logico <- c(TRUE, FALSE, TRUE)

# Operações com vetores
print(vetor_numerico * 2)  # Multiplica cada elemento por 2
print(vetor_numerico + 1)  # Adiciona 1 a cada elemento
print(length(vetor_numerico))  # Obtém o comprimento do vetor

3.3 Listas

Listas são contêineres flexíveis que podem armazenar elementos de diferentes tipos.

# Criando uma lista
minha_lista <- list(
  nome = "João",
  idade = 30,
  notas = c(85, 92, 78),
  ativo = TRUE
)

# Acessando elementos da lista
print(minha_lista$nome)
print(minha_lista[["idade"]])
print(minha_lista[[3]])

3.4 Data Frames

Data frames são a estrutura de dados mais importante para análise de dados no R. São como tabelas com linhas e colunas.

# Criando um data frame
df <- data.frame(
  nome = c("Alice", "Bob", "Charlie"),
  idade = c(25, 30, 35),
  nota = c(88, 92, 85)
)

# Visualizando o data frame
print(df)
print(str(df))  # Estrutura do data frame
print(summary(df))  # Estatísticas resumidas

4. Operações Básicas

R fornece um conjunto rico de operadores para operações matemáticas e lógicas.

# Operações aritméticas
a <- 10
b <- 3

print(a + b)  # Adição
print(a - b)  # Subtração
print(a * b)  # Multiplicação
print(a / b)  # Divisão
print(a ^ b)  # Exponenciação
print(a %% b) # Módulo
print(a %/% b) # Divisão inteira

# Operações de comparação
print(a > b)   # Maior que
print(a == b)  # Igual a
print(a != b)  # Diferente de
print(a <= b)  # Menor ou igual a

# Operações lógicas
print(TRUE & FALSE)  # E
print(TRUE | FALSE)  # OU
print(!TRUE)         # NÃO

5. Estruturas de Controle

R fornece estruturas de controle padrão para fluxo de programa.

5.1 Declarações if

idade <- 20

if (idade >= 18) {
  print("Adulto")
} else if (idade >= 13) {
  print("Adolescente")
} else {
  print("Criança")
}

5.2 Loops for

# Iterando sobre um vetor
frutas <- c("maçã", "banana", "cereja")
for (fruta in frutas) {
  print(fruta)
}

# Usando sequência
for (i in 1:5) {
  print(paste("Número:", i))
}

5.3 Loops while

contador <- 1
while (contador <= 5) {
  print(contador)
  contador <- contador + 1
}

6. Funções

Funções em R são blocos de código reutilizáveis para tarefas específicas.

# Definição básica de função
calcular_area <- function(comprimento, largura) {
  area <- comprimento * largura
  return(area)
}

# Chamando a função
resultado <- calcular_area(5, 3)
print(resultado)

# Função com parâmetros padrão
cumprimentar <- function(nome = "Convidado") {
  return(paste("Olá,", nome))
}

print(cumprimentar("Alice"))
print(cumprimentar())  # Usa parâmetro padrão

7. Manipulação de Dados

R se destaca na manipulação de dados. Vamos explorar algumas operações básicas.

# Data frame de exemplo
alunos <- data.frame(
  nome = c("Alice", "Bob", "Charlie", "Diana"),
  nota_matematica = c(85, 92, 78, 95),
  nota_ciencias = c(88, 90, 82, 96),
  serie = c("A", "A", "B", "A")
)

# Subconjunto de dados
print(alunos[alunos$nota_matematica > 85, ])  # Linhas onde nota_matematica > 85
print(alunos[, c("nome", "nota_matematica")])   # Colunas específicas

# Adicionando novas colunas
alunos$nota_total <- alunos$nota_matematica + alunos$nota_ciencias
alunos$nota_media <- alunos$nota_total / 2

print(alunos)

8. Visualização de Dados

R possui capacidades poderosas de visualização, especialmente com ggplot2.

# Plotagem básica (R base)
# Criando alguns dados de exemplo
x <- 1:10
y <- x^2

# Gráfico de dispersão
plot(x, y, main = "Gráfico de Dispersão", xlab = "X", ylab = "Y", col = "azul", pch = 16)

# Gráfico de linha
plot(x, y, type = "l", main = "Gráfico de Linha", xlab = "X", ylab = "Y", col = "vermelho")

# Histograma
hist(rnorm(100), main = "Histograma", xlab = "Valores", col = "azul-claro")

8.1 Usando ggplot2 (se instalado)

# Instale e carregue ggplot2 se não estiver instalado
# install.packages("ggplot2")
library(ggplot2)

# Criando um data frame de exemplo
dados_plot <- data.frame(
  categoria = c("A", "B", "C", "D"),
  valor = c(25, 40, 30, 35)
)

# Criando um gráfico de barras
ggplot(dados_plot, aes(x = categoria, y = valor)) +
  geom_bar(stat = "identity", fill = "azul-aco") +
  labs(title = "Exemplo de Gráfico de Barras", x = "Categoria", y = "Valor") +
  theme_minimal()

9. Análise Estatística

R é projetado para computação estatística. Aqui estão algumas funções estatísticas básicas.

# Dados de exemplo
dados <- c(23, 45, 67, 34, 56, 78, 89, 12, 45, 67)

# Estatísticas básicas
print(mean(dados))     # Média
print(median(dados))   # Mediana
print(sd(dados))       # Desvio padrão
print(var(dados))      # Variância
print(min(dados))      # Mínimo
print(max(dados))      # Máximo
print(summary(dados))  # Resumo de cinco números

# Correlação
x <- 1:10
y <- x + rnorm(10)  # Adiciona algum ruído
print(cor(x, y))    # Coeficiente de correlação

# Regressão linear
modelo <- lm(y ~ x)
print(summary(modelo))

10. Trabalhando com Arquivos

R fornece funções para leitura e escrita de arquivos.

# Escrevendo em um arquivo
write.csv(alunos, "alunos.csv", row.names = FALSE)

# Lendo de um arquivo
# dados_lidos <- read.csv("alunos.csv")
# print(dados_lidos)

# Trabalhando com arquivos de texto
# writeLines(c("Linha 1", "Linha 2", "Linha 3"), "exemplo.txt")
# conteudo_texto <- readLines("exemplo.txt")
# print(conteudo_texto)

11. Pacotes e Bibliotecas

O poder do R vem de seu extenso ecossistema de pacotes.

# Instalando pacotes
# install.packages("dplyr")  # Para manipulação de dados
# install.packages("ggplot2") # Para visualização

# Carregando pacotes
library(dplyr)
library(ggplot2)

# Usando dplyr para manipulação de dados
# alunos %>%
#   filter(nota_matematica > 85) %>%
#   select(nome, nota_matematica) %>%
#   arrange(desc(nota_matematica))

12. Tratamento de Erros

R fornece mecanismos para tratamento de erros.

# Tratamento básico de erros
tryCatch({
  resultado <- 10 / 0
  print(resultado)
}, error = function(e) {
  print(paste("Erro ocorreu:", e$message))
}, finally = {
  print("Isso sempre executa")
})

# Usando try()
resultado <- try(10 / 0, silent = TRUE)
if (inherits(resultado, "try-error")) {
  print("Divisão falhou")
}

13. Tópicos Avançados

13.1 Funções da Família Apply

As funções da família apply são poderosas para operações vetorizadas.

# Criando uma matriz
mat <- matrix(1:12, nrow = 3, ncol = 4)
print(mat)

# Aplicando funções
print(apply(mat, 1, mean))  # Médias das linhas
print(apply(mat, 2, sum))   # Somas das colunas

# lapply para listas
minha_lista <- list(a = 1:5, b = 6:10, c = 11:15)
print(lapply(minha_lista, mean))  # Média de cada elemento da lista

# sapply (versão simplificada)
print(sapply(minha_lista, mean))

13.2 Manipulação de Strings

texto <- "Olá Programação R"

print(toupper(texto))    # Converte para maiúsculas
print(tolower(texto))    # Converte para minúsculas
print(nchar(texto))      # Conta caracteres
print(substr(texto, 1, 3))  # Extrai substring

# Usando pacote stringr (se instalado)
# library(stringr)
# str_split(texto, " ")  # Divide string

13.3 Data e Hora

# Data e hora atual
hora_atual <- Sys.time()
print(hora_atual)

# Formatando datas
data_formatada <- format(hora_atual, "%Y-%m-%d")
print(data_formatada)

# Aritmética de datas
hoje <- Sys.Date()
data_futura <- hoje + 30
print(data_futura)

14. Melhores Práticas

Aqui estão algumas dicas para escrever código R melhor:

Use nomes de variáveis significativos
Comente seu código apropriadamente
Use operações vetorizadas em vez de loops quando possível
Carregue pacotes no início do seu script
Use indentação consistente (2 espaços recomendados)
Teste seu código com dados de exemplo
Use controle de versão para seus projetos

15. Próximos Passos

Para continuar aprendendo R:

Pratique: Trabalhe em pequenos projetos de análise de dados
Explore Pacotes: Aprenda dplyr, ggplot2, tidyr e outros pacotes essenciais
Recursos Online: Use documentação do R, Stack Overflow e R-bloggers
Livros: “R para Ciência de Dados” por Hadley Wickham
Cursos: Faça cursos online sobre análise de dados com R

R é uma ferramenta poderosa para computação estatística e análise de dados. Com prática, você será capaz de realizar manipulações complexas de dados, criar visualizações bonitas e conduzir análises estatísticas sofisticadas.