1. Seus primeiros passos com R

Um guia amigável para começar sua jornada com R

☕ Assine o Café com R

Fique por dentro das aulas, conteúdos, newsletter!

Que cada gole desperte uma nova ideia.

Que cada script abra uma nova conversa.

Que o Café com R, se torne um ponto de encontro nosso!

Bem-vindo ao mundo do R!

Se você está aqui, é porque decidiu aprender R e essa é uma excelente decisão!

Allison Horst.

Não se preocupe se:

  • Você nunca programou antes
  • Tudo parecer confuso no início
  • Você cometer erros (todos cometemos!)
  • Precisar de tempo para aprender

Lembre-se: toda jornada começa com um primeiro passo, e este guia vai te acompanhar nessa caminhada.

O que é R, afinal?

R é uma linguagem de programação criada especialmente para análise de dados e estatística.

Por que R é especial:

  • Gratuito e de código aberto
  • Comunidade enorme e acolhedora
  • Milhares de pacotes prontos para usar
  • Excelente para visualização de dados
  • Muito usado em pesquisa e empresas

Em resumo: R é sua ferramenta para transformar dados em insights.

Passo 1: Instalando o R

Primeiro, vamos instalar o R no seu computador.

Acesse:

  • Site oficial: https://cran.r-project.org/
  • Escolha seu sistema operacional (Windows, Mac ou Linux)
  • Baixe e instale a versão mais recente

Passo 1: Instalando o R (cont)

Dica importante:

  • O R é o “motor” do seu carro.

  • Ele faz todo o trabalho, mas você ainda precisa de um “painel de controle” mais amigável o RStudio.

  • Não vamos praticar isso agora, mas estes são os passos que você fará no seu computador!

Passo 2: Instalando o RStudio

O RStudio (agora chamado Posit) é uma interface que torna o R muito mais fácil de usar.

Acesse:

Passo 2: Instalando o RStudio

Analogia útil:

  • R = motor do carro
  • RStudio = painel com volante, pedais, etc.

Você pode usar só o R, mas o RStudio torna tudo mais confortável!

Esta etapa você fará no seu computador após a apresentação.

Conhecendo o RStudio

Quando você abrir o RStudio, verá 4 painéis principais:

1. Script (superior esquerdo): Onde você escreve seus códigos

2. Console (inferior esquerdo): Onde o R executa os comandos

3. Environment (superior direito): Mostra objetos salvos na memória

4. Files/Plots/Help (inferior direito): Arquivos, gráficos e ajuda

Respire fundo! No começo parece muito, mas logo você se acostuma.

Conhecendo o RStudio

Essa imagem é minha e um pouco antiga, mas nada mudou!

Seu primeiro comando no R

Vamos começar com algo simples. No Console, digite:

2 + 2
[1] 4

Parabéns! Você acabou de fazer seu primeiro cálculo no R.

Seu primeiro comando no R

Agora tente:

"Olá, mundo do R!"
[1] "Olá, mundo do R!"

Dica: O R pode ser uma calculadora super poderosa!

Criando objetos (variáveis)

No R, guardamos valores em objetos usando <- (ou =):

# Criando objetos
meu_nome <- "Maria"
minha_idade <- 25

# Mostrando valores
meu_nome
[1] "Maria"

Pense nos objetos como gavetas onde você guarda informações para usar depois.

Regras para nomear objetos

Pode:

  • Usar letras, números e underscores: dados_2024
  • Começar com letra: resultado
  • Usar snake_case: meus_dados

Regras para nomear objetos

Não pode:

  • Começar com número: 2dados
  • Usar espaços: meus dados
  • Usar caracteres especiais: dados@2024

Dica: Use nomes descritivos! idade_pacientes é melhor que x.

Criando seu primeiro script

Scripts são arquivos onde você salva seus códigos.

Para criar um script:

  1. Clique em File → New File → R Script
  2. Ou use o atalho: Ctrl + Shift + N (Windows/Linux) ou Cmd + Shift + N (Mac) ## Criando seu primeiro script {background-color=“#E5D3B3”} Vantagens do script:
  • Salva seu trabalho
  • Permite revisitar e corrigir
  • Compartilha com outras pessoas
  • Reproduz análises

Seu primeiro script na prática

Digite no script (não no console):

# Meu primeiro script em R
# Data: 2025-11-29
# Autor: Seu Nome

# Calculando média de notas
nota1 <- 8
nota2 <- 7
nota3 <- 9

media <- (nota1 + nota2 + nota3) / 3
print(media)

Para executar: selecione o código e pressione Ctrl + Enter (Windows/Linux) ou Cmd + Enter (Mac)

Experimente isso quando estiver no RStudio!

A importância dos comentários

Comentários começam com # e são ignorados pelo R.

# Isto é um comentário - o R não executa
altura <- 1.75  # Comentário no final da linha

Use comentários para explicar SEU RACIOCÍNIO, não o que o código faz (isso já está óbvio)

Bom comentário:

# Removendo outliers acima de 3 desvios padrão
dados_limpos <- dados[dados$valor < media + 3*sd, ]

A importância dos comentários

Comentário desnecessário:

# Criando variável x
x <- 10

Passo 3: Instalando pacotes

Pacotes são coleções de funções prontas que expandem o R.

Para instalar um pacote:

# Instalar (faz UMA vez)
install.packages("tidyverse")

Para carregar um pacote:

# Carregar (faz TODA vez que abrir o R)
library(tidyverse)

Passo 3: Instalando pacotes

Analogia: Instalar é como baixar um app no celular. Carregar é como abrir o app para usar.

Não execute isso agora — só quando estiver no seu RStudio!

O kit inicial: tidyverse

O tidyverse é um conjunto de pacotes que trabalham bem juntos:

  • readr — ler dados
  • dplyr — manipular dados
  • tidyr — organizar dados
  • ggplot2 — visualizar dados
  • stringr — trabalhar com texto
  • lubridate — trabalhar com datas

Instalando tudo de uma vez (no seu computador):

O kit inicial: tidyverse

install.packages("tidyverse")
library(tidyverse)

Configurando sua pasta de trabalho

Pasta de trabalho (working directory) é onde o R procura e salva arquivos.

Ver qual é sua pasta atual:

getwd()

Configurando sua pasta de trabalho

Definir nova pasta:

setwd("C:/Users/SeuNome/Documentos/ProjetoR")

Dica melhor: Use Projetos do RStudio (falaremos disso em breve!)

Estes comandos você usará quando estiver trabalhando no RStudio.

Criando um Projeto no RStudio

Projetos organizam melhor seu trabalho.

Para criar:

  1. File → New Project
  2. Escolha “New Directory”
  3. Escolha “New Project”
  4. Dê um nome e escolha onde salvar

Criando um Projeto no RStudio

Vantagens:

  • Organiza arquivos automaticamente
  • Define pasta de trabalho
  • Facilita retomar trabalho depois
  • Facilita compartilhar

Estrutura de pastas recomendada

Dentro do seu projeto, crie pastas:

MeuProjeto/
├── dados/           # Dados brutos
├── scripts/         # Seus códigos R
├── resultados/      # Tabelas e arquivos gerados
├── graficos/        # Visualizações salvas
└── relatorios/      # Relatórios finais

Esta organização vai te salvar no futuro!

Importando dados - Primeiro exemplo

Vamos usar um dataset que já vem com o R:

# Carregar dados mtcars (dados de carros)
data(mtcars)

# Ver primeiras linhas
head(mtcars)
                   mpg cyl disp  hp drat    wt  qsec vs am gear carb
Mazda RX4         21.0   6  160 110 3.90 2.620 16.46  0  1    4    4
Mazda RX4 Wag     21.0   6  160 110 3.90 2.875 17.02  0  1    4    4
Datsun 710        22.8   4  108  93 3.85 2.320 18.61  1  1    4    1
Hornet 4 Drive    21.4   6  258 110 3.08 3.215 19.44  1  0    3    1
Hornet Sportabout 18.7   8  360 175 3.15 3.440 17.02  0  0    3    2
Valiant           18.1   6  225 105 2.76 3.460 20.22  1  0    3    1

Importando seus próprios dados

Arquivos CSV:

library(readr)

# Importar CSV
meus_dados <- read_csv("dados/arquivo.csv")

# Ver estrutura dos dados
glimpse(meus_dados)

Onde está meu arquivo?

  • Se estiver na pasta dados/ do seu projeto, use: "dados/arquivo.csv"
  • Use sempre caminhos relativos (nunca "C:/Users/...")

Explorando seus dados

# Ver estrutura
str(mtcars)
'data.frame':   32 obs. of  11 variables:
 $ mpg : num  21 21 22.8 21.4 18.7 18.1 14.3 24.4 22.8 19.2 ...
 $ cyl : num  6 6 4 6 8 6 8 4 4 6 ...
 $ disp: num  160 160 108 258 360 ...
 $ hp  : num  110 110 93 110 175 105 245 62 95 123 ...
 $ drat: num  3.9 3.9 3.85 3.08 3.15 2.76 3.21 3.69 3.92 3.92 ...
 $ wt  : num  2.62 2.88 2.32 3.21 3.44 ...
 $ qsec: num  16.5 17 18.6 19.4 17 ...
 $ vs  : num  0 0 1 1 0 1 0 1 1 1 ...
 $ am  : num  1 1 1 0 0 0 0 0 0 0 ...
 $ gear: num  4 4 4 3 3 3 3 4 4 4 ...
 $ carb: num  4 4 1 1 2 1 4 2 2 4 ...
# Resumo estatístico
summary(mtcars)
      mpg             cyl             disp             hp       
 Min.   :10.40   Min.   :4.000   Min.   : 71.1   Min.   : 52.0  
 1st Qu.:15.43   1st Qu.:4.000   1st Qu.:120.8   1st Qu.: 96.5  
 Median :19.20   Median :6.000   Median :196.3   Median :123.0  
 Mean   :20.09   Mean   :6.188   Mean   :230.7   Mean   :146.7  
 3rd Qu.:22.80   3rd Qu.:8.000   3rd Qu.:326.0   3rd Qu.:180.0  
 Max.   :33.90   Max.   :8.000   Max.   :472.0   Max.   :335.0  
      drat             wt             qsec             vs        
 Min.   :2.760   Min.   :1.513   Min.   :14.50   Min.   :0.0000  
 1st Qu.:3.080   1st Qu.:2.581   1st Qu.:16.89   1st Qu.:0.0000  
 Median :3.695   Median :3.325   Median :17.71   Median :0.0000  
 Mean   :3.597   Mean   :3.217   Mean   :17.85   Mean   :0.4375  
 3rd Qu.:3.920   3rd Qu.:3.610   3rd Qu.:18.90   3rd Qu.:1.0000  
 Max.   :4.930   Max.   :5.424   Max.   :22.90   Max.   :1.0000  
       am              gear            carb      
 Min.   :0.0000   Min.   :3.000   Min.   :1.000  
 1st Qu.:0.0000   1st Qu.:3.000   1st Qu.:2.000  
 Median :0.0000   Median :4.000   Median :2.000  
 Mean   :0.4062   Mean   :3.688   Mean   :2.812  
 3rd Qu.:1.0000   3rd Qu.:4.000   3rd Qu.:4.000  
 Max.   :1.0000   Max.   :5.000   Max.   :8.000

Explorando seus dados (cont.)

# Ver nomes das colunas
names(mtcars)
 [1] "mpg"  "cyl"  "disp" "hp"   "drat" "wt"   "qsec" "vs"   "am"   "gear"
[11] "carb"
# Primeiras e últimas linhas
head(mtcars, 3)
               mpg cyl disp  hp drat    wt  qsec vs am gear carb
Mazda RX4     21.0   6  160 110 3.90 2.620 16.46  0  1    4    4
Mazda RX4 Wag 21.0   6  160 110 3.90 2.875 17.02  0  1    4    4
Datsun 710    22.8   4  108  93 3.85 2.320 18.61  1  1    4    1

Manipulação básica com dplyr

library(dplyr)

# Filtrar linhas
carros_potentes <- mtcars |>
  filter(hp > 150)

# Ver resultado
head(carros_potentes, 3)
                   mpg cyl  disp  hp drat   wt  qsec vs am gear carb
Hornet Sportabout 18.7   8 360.0 175 3.15 3.44 17.02  0  0    3    2
Duster 360        14.3   8 360.0 245 3.21 3.57 15.84  0  0    3    4
Merc 450SE        16.4   8 275.8 180 3.07 4.07 17.40  0  0    3    3

Selecionando colunas

# Selecionar apenas algumas colunas
carros_simples <- mtcars |>
  select(mpg, cyl, hp)

head(carros_simples, 4)
                mpg cyl  hp
Mazda RX4      21.0   6 110
Mazda RX4 Wag  21.0   6 110
Datsun 710     22.8   4  93
Hornet 4 Drive 21.4   6 110

O operador |> (pipe) significa “e então…”

Leia como: “Pegue mtcars, E ENTÃO selecione as colunas…”

Criando novas variáveis

# Criar nova coluna
mtcars_novo <- mtcars |>
  mutate(
    hp_por_cyl = hp / cyl,
    eficiente = mpg > 20
  )

head(mtcars_novo[, c("hp", "cyl", "hp_por_cyl", "eficiente")], 3)
               hp cyl hp_por_cyl eficiente
Mazda RX4     110   6   18.33333      TRUE
Mazda RX4 Wag 110   6   18.33333      TRUE
Datsun 710     93   4   23.25000      TRUE

Seu primeiro gráfico!

library(ggplot2)

ggplot(mtcars, aes(x = wt, y = mpg)) +
  geom_point(color = "#224573", size = 3) +
  theme_minimal() +
  labs(
    title = "Relação entre Peso e Consumo",
    x = "Peso (1000 lbs)",
    y = "Milhas por galão"
  )

Entendendo o ggplot2

Todo gráfico ggplot2 tem 3 elementos:

  1. Dados: ggplot(mtcars, ...)
  2. Mapeamento estético: aes(x = wt, y = mpg)
  3. Geometria: geom_point() (tipo de gráfico)

Você CONSTRÓI gráficos adicionando camadas com +

ggplot(dados, aes(x, y)) +    # Base
  geom_point() +               # Adiciona pontos
  theme_minimal()              # Adiciona tema

Erros comuns (e como evitá-los)

Erro 1: Esquecer de carregar pacotes

# ❌ Erro
dados <- read_csv("arquivo.csv")

# ✅ Correto
library(readr)
dados <- read_csv("arquivo.csv")

Sempre carregue os pacotes no início do script!

Erros comuns (cont.)

Erro 2: Caminhos absolutos

# ❌ Ruim (só funciona no seu computador)
dados <- read_csv("C:/Users/Maria/Desktop/dados.csv")

# ✅ Bom (funciona em qualquer computador com o projeto)
dados <- read_csv("dados/dados.csv")

Use projetos e caminhos relativos!

Erros comuns (cont.)

Erro 3: Sobrescrever objetos importantes

# ❌ Perigo!
dados <- read_csv("originais.csv")
dados <- dados |> filter(idade > 18)  # perdeu os originais!

# ✅ Melhor
dados <- read_csv("originais.csv")
dados_adultos <- dados |> filter(idade > 18)

Guarde o original e crie novos objetos!

Erros comuns (cont.)

Erro 4: Não usar o pipe |>

# ❌ Difícil de ler
resultado <- arrange(filter(select(dados, nome, idade), idade > 18), nome)

# ✅ Muito melhor!
resultado <- dados |>
  select(nome, idade) |>
  filter(idade > 18) |>
  arrange(nome)

O pipe torna o código MUITO mais legível!

Pedindo ajuda no R

Ajuda sobre uma função:

?mean
help(mean)

Procurar ajuda:

??regression

Pedindo ajuda no R

Exemplos:

example(mean)

Não tenha vergonha de pedir ajuda! Até programadores experientes consultam a documentação constantemente.

Onde buscar ajuda

Dentro do R:

  • Aba “Help” no RStudio
  • ?funcao para ajuda específica
  • Vignettes dos pacotes

Na internet:

  • Stack Overflow (em inglês e português)
  • Google: “como fazer X em R”
  • ChatGPT/Claude para explicações
  • Comunidade R Brasil (Telegram/Discord)

Sites e recursos úteis

Aprendizado:

Comunidade:

Boas práticas desde o início

1. Use projetos do RStudio

  • Mantém tudo organizado
  • Facilita compartilhar

2. Comente seu código

  • Explique o PORQUÊ, não o QUÊ
  • Seu eu-futuro agradece

3. Use nomes descritivos

  • dados_vendas_2024 > df1
  • calcular_media() > func()

Boas práticas (cont.)

4. Salve frequentemente

  • Scripts: Ctrl + S / Cmd + S
  • Trabalho perdido dói!

5. Use versionamento

  • Git/GitHub quando estiver confortável
  • Por enquanto, use datas nos nomes: analise_2025-11-29.R

6. Teste em partes

  • Execute linha por linha
  • Verifique resultados parciais

Workflow típico de análise

1. Importar dados

dados <- read_csv("dados/arquivo.csv")

2. Explorar e limpar

glimpse(dados)
dados_limpos <- dados |> filter(!is.na(variavel))

3. Transformar

dados_processados <- dados_limpos |>
  mutate(nova_var = var1 + var2)

Este será seu workflow quando trabalhar com dados reais!

Workflow típico (cont.)

4. Visualizar

ggplot(dados_processados, aes(x, y)) +
  geom_point()

5. Modelar (quando necessário)

modelo <- lm(y ~ x, data = dados_processados)

6. Comunicar resultados

  • Gráficos salvos
  • Relatórios em Quarto/RMarkdown

Você vai praticar este workflow nos seus projetos!

Exemplo completo do zero

Vamos fazer uma análise completa com o dataset iris:

# 1. Carregar pacotes
library(dplyr)
library(ggplot2)

# 2. Carregar dados
data(iris)

# 3. Explorar
glimpse(iris)
Rows: 150
Columns: 5
$ Sepal.Length <dbl> 5.1, 4.9, 4.7, 4.6, 5.0, 5.4, 4.6, 5.0, 4.4, 4.9, 5.4, 4.…
$ Sepal.Width  <dbl> 3.5, 3.0, 3.2, 3.1, 3.6, 3.9, 3.4, 3.4, 2.9, 3.1, 3.7, 3.…
$ Petal.Length <dbl> 1.4, 1.4, 1.3, 1.5, 1.4, 1.7, 1.4, 1.5, 1.4, 1.5, 1.5, 1.…
$ Petal.Width  <dbl> 0.2, 0.2, 0.2, 0.2, 0.2, 0.4, 0.3, 0.2, 0.2, 0.1, 0.2, 0.…
$ Species      <fct> setosa, setosa, setosa, setosa, setosa, setosa, setosa, s…

Exemplo completo (cont.)

# 4. Resumir dados
resumo <- iris |>
  group_by(Species) |>
  summarise(
    media_sepala = mean(Sepal.Length),
    media_petala = mean(Petal.Length),
    n = n()
  )

print(resumo)
# A tibble: 3 × 4
  Species    media_sepala media_petala     n
  <fct>             <dbl>        <dbl> <int>
1 setosa             5.01         1.46    50
2 versicolor         5.94         4.26    50
3 virginica          6.59         5.55    50

Exemplo completo (cont.)

# 5. Visualizar
ggplot(iris, aes(x = Sepal.Length, y = Petal.Length, color = Species)) +
  geom_point(size = 3, alpha = 0.7) +
  scale_color_manual(values = c("#224573", "#6B4F4F", "#4A6FA5")) +
  theme_minimal() +
  labs(
    title = "Relação entre Comprimento da Sépala e Pétala",
    x = "Comprimento da Sépala (cm)",
    y = "Comprimento da Pétala (cm)"
  )

Salvando seu trabalho

Salvar script:

  • Ctrl + S / Cmd + S

Salvar gráfico:

ggsave("graficos/meu_grafico.png", 
       width = 10, height = 6)

Salvar dados processados:

write_csv(dados_processados, "resultados/dados_finais.csv")

Checklist do iniciante

Preparação:

Em cada análise:

Próximos passos na sua jornada

Curto prazo:

  • Pratique com datasets do R (iris, mtcars, diamonds)
  • Experimente diferentes gráficos no ggplot2
  • Refaça tutoriais com seus próprios dados

Médio prazo:

  • Aprenda a criar relatórios com Quarto
  • Explore análise exploratória com DataExplorer
  • Aprenda mais sobre dplyr e tidyr

Longo prazo:

  • Modelagem estatística
  • Machine learning com tidymodels
  • Dashboards com Shiny

Dicas de ouro

1. Pratique regularmente

  • 15 minutos por dia > 2 horas uma vez por semana

2. Copie e modifique

  • Não há problema em copiar código
  • Entenda o que está fazendo
  • Adapte para sua necessidade

3. Cometa erros

  • Erros são parte do aprendizado
  • Leia as mensagens de erro com calma
  • Google a mensagem de erro

Dicas de ouro (cont.)

4. Construa seu próprio banco de códigos

  • Salve snippets úteis
  • Crie templates de análises
  • Documente suas soluções

5. Participe da comunidade

  • Pergunte quando tiver dúvidas
  • Compartilhe o que aprender
  • Ajude outros iniciantes

6. Seja paciente consigo mesmo

  • Aprender leva tempo
  • Celebre pequenas vitórias
  • Compare-se apenas com você de ontem

Recursos gratuitos para continuar

Livros online gratuitos:

Tutoriais interativos:

Comunidades brasileiras:

Um último conselho

“A melhor maneira de aprender R é usando R.”

Não espere entender tudo antes de começar.

Comece pequeno:

  • Um gráfico simples hoje
  • Uma análise básica amanhã
  • Um mini projeto na semana que vem

Cada linha de código que você escreve é um passo na direção certa.

Você já deu o primeiro passo ao chegar até aqui. Parabéns!

Projeto prático sugerido

Para praticar, faça um mini projeto:

  1. Escolha um dataset (pode ser do R: iris, mtcars, diamonds)
  2. Crie um projeto no RStudio
  3. Escreva um script que:
    • Carregue os dados
    • Faça resumos estatísticos
    • Crie 2-3 gráficos
    • Tire pelo menos uma conclusão
  4. Salve tudo organizado nas pastas
  5. Adicione comentários explicando seu raciocínio

Este será seu primeiro projeto completo!

Recapitulando

Você aprendeu:

  • Instalar R e RStudio
  • Criar projetos e scripts
  • Usar o console e executar códigos
  • Instalar e carregar pacotes
  • Importar e explorar dados
  • Manipular dados com dplyr
  • Criar visualizações com ggplot2
  • Boas práticas e organização
  • Onde buscar ajuda

Isso é MUITO para um primeiro contato!

Mensagem final

Você não precisa saber tudo agora.

Você não precisa ser perfeito.

Você só precisa começar.

O R é uma ferramenta poderosa, e você acabou de ganhar a chave para usá-la.

O resto é prática, paciência e persistência.

Bem-vindo à comunidade R!

Agora

Seus primeiros passos estão completos!

Agora é hora de praticar e explorar.

Lembre-se: a comunidade R está aqui para ajudar. Não hesite em perguntar!

Bons estudos e ótimas análises!

Muito obrigada!

Esta apresentação é parte do projeto Café com R

É OPEN, USE, COMPARTILHE!

Allison Horst.

☕ Assine o Café com R

Fique por dentro das aulas, conteúdos, newsletter!

Que cada gole desperte uma nova ideia.

Que cada script abra uma nova conversa.

Que o Café com R, se torne um ponto de encontro nosso!