Primeiro café do ano ☕

Como organizar seus projetos desenvolvidos em R para 2026

Projetos
R
Pacotes
Ferramentas
Sabe aquele momento em que você abre um projeto de R que fez há 3 meses e não consegue entender ou lembrar o que estava fazendo?
Author

Jennifer Luz Lopes

Published

January 15, 2026

Bem-vindo ao nosso encontro!

Olá, querida comunidade!

Que alegria ter você aqui para no primeiro café de 2026. Nesta edição especial, preparei uma seleção de ferramentas e rotinas para você aplicar e organizar os seus projetos desenvolvidos no RStudio ou Positron.

Pegue sua xícara favorita e vamos juntos explorar o que há de mais interessante no universo R!

Dose da Semana

Pessoal …..

Sabe aquele momento em que você abre um projeto de R que fez há 3 meses e não consegue entender ou lembrar o que estava fazendo?

Já passei por isso muitas vezes. E se tem duas coisas que aprendi é que organização e documentação É NECESSIDADE BÁSICA no mundo dos dados.

Começamos 2026 e muitos de nós estamos querendo uma melhor organização em tudo. Então que tal aproveitar para deixar seus projetos de R estruturados de um jeito que o você do futuro vai agradecer?

Vem comigo que eu te mostro como.

A meguy está junto com nós!

A base: estrutura de pastas que faz sentido

Antes de mais nada, vamos combinar uma coisa: cada projeto precisa ser um projeto dedicado.

Vocês concordam?

Isso muda a forma que você trabalha porque você não precisa mais ficar usando setwd() para definir caminhos manualmente.

COMO COMEÇAR?

BORA?

Como criar um projeto no RStudio

O primeiro passo é criar um projeto, se você está trabalhando no RStudio.

No RStudio, criar um projeto é simples:

  1. Vá em File > New Project
  2. Escolha uma das opções:
    • New Directory: cria uma pasta nova para o projeto
    • Existing Directory: transforma uma pasta existente em projeto
    • Version Control: clona um repositório Git
  3. Se escolheu “New Directory”, selecione New Project
  4. Dê um nome para o projeto e escolha onde salvar
  5. Clique em Create Project

Pronto! O RStudio vai criar um arquivo .Rproj na pasta. É esse arquivo que você deve abrir para trabalhar no projeto.

Veja como criar:

Fonte: R For Data Science.

Primeiro projeto. A imagem é antiga, mas nada mudou!

Como criar um projeto no Positron

O Positron, a nova IDE da Posit, também trabalha com projetos:

  1. Vá em File > New Project
  2. Escolha o tipo de projeto:
    • New Folder from Template: cria um projeto em branco
    • Open Folder: transforma uma pasta em projeto
    • New Folder from git: clona um repositório Git
  3. Selecione a pasta onde quer criar o projeto
  4. O Positron cria automaticamente a estrutura necessária
Tip

O Positron reconhece projetos do RStudio (arquivos .Rproj) e vice-versa, então você pode alternar entre as duas IDEs sem problemas.

Uso de projetos no Positron:

Important
  • No Positron, as palavras “pasta”, “espaço de trabalho” e “projeto” são usadas quase como sinônimos, pois a forma mais comum de trabalhar é em um espaço de trabalho de pasta única.

Criando projetos no Positron

Opção 1 - Barra file

  • O recurso “New Folder from Template” ajuda você a iniciar novos projetos mais rapidamente.

Solicitação pelo menu file na barra superior, canto esquerdo.

Opção 1 - Welcome

Opção 2 - Modelos de pastas - Open Folder

  • Neste caso você já tem uma pasta com os arquivos do seu projeto.

Opção 3 - Modelos de pastas - New Folder from git

  • Clonando o repositório do GitHub

Aqui vai uma estrutura que uso e funciona muito bem:

meu-projeto/
│
├── meu-projeto.Rproj           # O arquivo do projeto
├── README.md                   # Explica o que é o projeto
├── .gitignore                  # Ignora coisas desnecessárias
│
├── data/
│   ├── raw/                    # Dados originais (NUNCA mexa aqui!)
│   └── processed/              # Dados limpos e processados
│
├── R/
│   ├── 01-importacao.R         # Scripts numerados = ordem clara
│   ├── 02-limpeza.R
│   ├── 03-analise.R
│   └── funcoes.R               # Suas funções customizadas
│
├── output/
│   ├── figures/                # Seus gráficos
│   ├── tables/                 # Tabelas exportadas
│   └── reports/                # Relatórios finais
│
└── docs/
    └── analise.qmd             # Seus documentos Quarto/RMarkdown

Por que essa estrutura?

  1. Você sempre sabe onde está cada coisa
  2. Fica fácil compartilhar com outras pessoas
  3. Dá pra versionar no Git sem problemas
  4. Scripts numerados mostram a ordem do fluxo de trabalho

Pacotes que vão facilitar sua vida

1. {here} - Fim dos problemas com caminhos de arquivo

install.packages("here")
library(here)

# Em vez de:
dados <- read.csv("C:/Users/SeusDocumentos/Projetos/projeto1/data/arquivo.csv")

# Faça:
dados <- read.csv(here("data", "arquivo.csv"))
Tip

O {here} sempre encontra a raiz do seu projeto, não importa de onde você rode o script. Funciona como um sistema de navegação para seus arquivos.

Documentação do pacote.

2. {renv} - Controle de versão de pacotes

Sabe quando você volta num projeto antigo e nada funciona porque os pacotes atualizaram? O {renv} resolve isso criando um ambiente isolado para cada projeto.

install.packages("renv")

# No seu projeto:
renv::init()        # Cria o ambiente
renv::snapshot()    # Salva as versões dos pacotes
renv::restore()     # Restaura as versões salvas
Tip

Isso permite que você restaure exatamente as mesmas versões dos pacotes quando voltar ao projeto. Uso em todos os projetos importantes.

Documentação do pacote.

3. {usethis} - Automatiza tarefas repetitivas

Este pacote é uma ferramenta versátil para criar e configurar projetos:

install.packages("usethis")
library(usethis)

# Cria um projeto novo já estruturado
usethis::create_project("~/meu-novo-projeto")

# Adiciona README
usethis::use_readme_md()

# Inicializa Git
usethis::use_git()

# Adiciona .gitignore com templates prontos
usethis::git_vaccinate()

# Cria arquivo de funções
usethis::use_r("minhas_funcoes")

Ele automatiza em segundos o que você levaria vários minutos fazendo manualmente.

EU AMO ESSE PACOTE!

Documentação do pacote.

4. {targets} - Para pipelines mais complexos

Se você trabalha com análises que têm várias etapas e demoram para rodar, o {targets} é muito útil. Ele cria um pipeline onde só reprocessa o que mudou.

install.packages("targets")

# Exemplo básico de _targets.R:
library(targets)

list(
  tar_target(dados_raw, ler_dados()),
  tar_target(dados_limpos, limpar_dados(dados_raw)),
  tar_target(modelo, treinar_modelo(dados_limpos)),
  tar_target(relatorio, gerar_relatorio(modelo)))
Tip

Mudou só a visualização? Ele não refaz a importação e limpeza dos dados. Isso economiza muito tempo.

Documentação

tar_visnetwork(): Exibe o gráfico de dependências do pipeline, mostrando um fluxo de trabalho natural da esquerda para a direita. É uma boa prática garantir que o gráfico tenha os nós corretos conectados com as arestas corretas. Leia mais sobre dependências e o gráfico na seção de dependências de um capítulo posterior .

Documente pensando no futuro

Você provavelmente vai esquecer detalhes do projeto depois de algum tempo. Por isso a documentação é importante.

README.md

Todo projeto precisa de um README explicando:

  1. O que é o projeto

  2. Quais pacotes precisa

  3. Como rodar

  4. Quem criou e quando

Exemplo básico:

# Análise de Vendas 2026

Análise exploratória dos dados de vendas da empresa no último ano.

## Pacotes necessários

```r
install.packages(c("tidyverse", "here", "janitor"))

Como rodar

  1. Abra o arquivo analise-vendas.Rproj
  2. Execute os scripts na pasta R/ em ordem numérica
  3. O relatório final estará em output/reports/

Autor

Seu Nome - Janeiro/2026


---

### Comente seu código (mas comente bem)

```r
# Comentário ruim:
x <- dados %>% filter(idade > 18) # filtra idade

# Comentário bom:
# Remove menores de idade pois a análise foca apenas no público adulto
dados_adultos <- dados %>% 
  filter(idade > 18)

# Ainda melhor - adiciona contexto de negócio:
# Regulamentação interna exige análise separada para menores de idade
# devido a políticas de proteção de dados (ver doc #123)
dados_adultos <- dados %>% 
  filter(idade > 18)

Convenções de nomenclatura que funcionam

Arquivos de script:

  1. Use números para ordem: 01-, 02-, 03-

  2. Nomes descritivos: 01-importacao-dados.R, não script.R

  3. Tudo em minúsculo, use hífens: analise-vendas.R, não AnáliseVendas.R

Versione com Git (mesmo que seja só você)

Muita gente acha que Git é só para trabalho em equipe, mas ele também é útil para não perder trabalho e poder voltar a versões anteriores quando necessário.

Comandos básicos para começar:

# No terminal do RStudio ou Positron:
git init
git add .
git commit -m "Versão inicial do projeto"

# A cada avanço importante:
git add .
git commit -m "Adiciona análise exploratória"

Dica importante: faça commits com frequência.

Dica de livro, com explicações sobre Git e GitHub: Happy Git and GitHub for the useR

Template inicial

Não precisa criar tudo do zero. Já trouxe um exemplo para você aplicar.

# Estrutura simples mas eficiente
usethis::create_project("analise-rapida")
usethis::use_readme_md()
usethis::use_r("funcoes")
fs::dir_create(c("data/raw", "data/processed", "output"))

Tutorial completo para apoiar vocês:

  1. Link Youtube

  2. Repositório no GitHub

  3. Apresentação

Minha rotina de início de projeto (checklist)

Quando começo um projeto novo, sigo estes passos:

  1. Criar projeto no RStudio ou Positron
  2. Inicializar {renv} se for algo importante
  3. Criar estrutura de pastas
  4. Adicionar README.md
  5. Inicializar Git
  6. Criar .gitignore apropriado
  7. Fazer primeiro commit

Parece muito, pouco? Depois de fazer algumas vezes vira automático, e o {usethis} ajuda bastante.

Mensagem final para os cafezeiros de plantão!

Sei que no começo pode parecer trabalhoso organizar tudo. Você está animado para fazer a análise e não quer perder tempo com estrutura, README, etc.

Mas a verdade é: você não está perdendo tempo, está ganhando tempo.

Cada minuto que você investe organizando agora economiza horas depois quando precisar:

  1. Voltar no projeto daqui 6 meses

  2. Compartilhar com alguém

  3. Replicar a análise com dados novos

  4. Descobrir onde há algum problema

Comece com o básico (projetos + estrutura de pastas + README) e vá adicionando as outras práticas aos poucos. Não precisa ser perfeito, precisa ser melhor que antes.

E você, como organiza seus projetos? Tem alguma dica que não mencionei aqui?

Me conta nos comentários ou responde esse email. Gosto de trocar ideias sobre workflow.

Um abraço e bom café (com R)!

P.S.: Se você achou útil, compartilhe com aquele amigo que vive perdido nos próprios scripts.

☕ Assine o Café com R

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!

Back to top