Nutrição • useR

library(tidyverse)
library(useR)

# carregando os dados
data(nutricao)
# visualizando:
glimpse(nutricao)

Rows: 44
Columns: 9
$ sexo         <chr> "M", "M", "F", "F", "M", "F", "F", "M", "F", "F", "F", "F…
$ idade        <int> 34, 17, 19, 22, 18, 22, 18, 21, 18, 18, 20, 21, 18, 17, 1…
$ peso         <int> 75, 89, 48, 48, 58, 64, 52, 75, 56, 46, 64, 60, 66, 67, 5…
$ altura       <dbl> 1.72, 1.81, 1.54, 1.55, 1.54, 1.56, 1.55, 1.75, 1.65, 1.6…
$ alimentacao  <chr> "sim", "não", "sim", "não", "sim", "sim", "não", "sim", "…
$ frutas       <int> 1, 2, 2, 1, 2, 1, 2, 2, 2, 2, 2, 1, 1, 4, 3, 2, 3, 1, 4, …
$ vegetais     <int> 2, 4, 4, 4, 1, 2, 4, 1, 1, 2, 1, 2, 2, 2, 2, 6, 3, 6, 2, …
$ sedentarismo <chr> "não", "não", "não", "sim", "não", "não", "sim", "não", "…
$ tempo        <chr> "entre 2 e 5 horas", "entre 5 e 10 horas", "entre 2 e 5 h…

Manipulações e sumários

A função dplyr::summarise() nos permite criar variados tipos de sumários do nosso conjunto de dados:

nutricao %>%
  summarise(
    min = min(peso),
    media = mean(peso),
    mediana = median(peso),
    max = max(peso),
    dp = sd(peso),
    cv = cv(peso)
  )

  min media mediana max       dp       cv
1  39 61.25      61  90 10.88657 17.77399

Warning

Mais adiante mostraremos uma forma alternativa (e na minha opinião mais interessante!) para obter o sumário apresentado acima.

Frequentemente na prática temos interesse em sumarizar variáveis quantitativas de acordo com os níveis de uma ou mais variáveis categóricas. Isso pode ser facilmente feito no R combinando as funções dplyr::summarise() e dplyr::group_by(), conforme ilustrado no exemplo abaixo:

nutricao %>%
  group_by(sexo, sedentarismo) %>%
  summarise(
    media = mean(peso),
    dp = sd(peso)
  )

# A tibble: 4 × 4
# Groups:   sexo [2]
  sexo  sedentarismo media    dp
  <chr> <chr>        <dbl> <dbl>
1 F     não           57    8.30
2 F     sim           60   11.8
3 M     não           70.8  8.83
4 M     sim           69   12.7

Note

A função dplyr::summarise() usada em conjunto com a função dplyr::group_by() fornece um sumário para cada combinação de níveis das variáveis categóricas fornecidas para a função dplyr::group_by()

Uma outra função bastante útil quando estamos trabalhando com a função dplyr::summarise() é a função dplyr::across(), conforme ilustrado nos exemplos apresentados a seguir:

# várias variáveis, uma função:
nutricao %>%
  summarise(
    across(c(peso, altura), mean)
  )

   peso   altura
1 61.25 1.663864

# uma variável, várias funções:
nutricao %>%
  summarise(
    across(peso, list(min = min, mediana=median, media=mean, max=max, dp=sd, cv=cv))
  )

  peso_min peso_mediana peso_media peso_max  peso_dp  peso_cv
1       39           61      61.25       90 10.88657 17.77399

# mudando os nomes na saída:
nutricao %>%
  summarise(
    across(peso, list(min = min, mediana=median, media=mean, max=max, dp=sd, cv=cv), .names = "{.fn}")
  )

  min mediana media max       dp       cv
1  39      61 61.25  90 10.88657 17.77399

# combinando across e group_by
nutricao %>%
  group_by(sexo) %>%
  summarise(
    across(peso, list(min = min, mediana=median, media=mean, max=max, dp=sd, cv=cv), .names = "{.fn}")
  )

# A tibble: 2 × 7
  sexo    min mediana media   max    dp    cv
  <chr> <int>   <int> <dbl> <int> <dbl> <dbl>
1 F        39      59  58.2    90  9.78  16.8
2 M        58      70  70.5    89  8.89  12.6

nutricao %>%
  group_by(sexo, sedentarismo) %>%
  summarise(
    across(peso, list(min = min, mediana=median, media=mean, max=max, dp=sd, cv=cv), .names = "{.fn}")
  )

# A tibble: 4 × 8
# Groups:   sexo [2]
  sexo  sedentarismo   min mediana media   max    dp    cv
  <chr> <chr>        <int>   <dbl> <dbl> <int> <dbl> <dbl>
1 F     não             39    57.5  57      70  8.30  14.6
2 F     sim             46    60    60      90 11.8   19.7
3 M     não             58    70    70.8    89  8.83  12.5
4 M     sim             60    69    69      78 12.7   18.4

Agora vamos utilizar a função dplyr::where() para calcular a média e o desvio padrão para todas as variáveis quantitativas do nosso banco de dados:

media <- nutricao %>%
  summarise(across(where(is.numeric), mean))
media

     idade  peso   altura   frutas vegetais
1 19.61364 61.25 1.663864 1.931818 2.613636

dp <- nutricao %>% 
  summarise(across(where(is.numeric), sd))
dp

     idade     peso     altura    frutas vegetais
1 3.229342 10.88657 0.08084484 0.8995536 1.497531

Agora vamos contriuir uma nova tabela juntando as médias e desvio padrões obtidos no passo anterior. Para realizar essa tarefa precisaremos do auxílio das funções dply::bind_rows() e dplyr::bind_cols():

estatisticas <- data.frame(
  estatistica = c("media", "dp") 
)
estatisticas

  estatistica
1       media
2          dp

tb <- bind_rows(media, dp)
tb

      idade     peso     altura    frutas vegetais
1 19.613636 61.25000 1.66386364 1.9318182 2.613636
2  3.229342 10.88657 0.08084484 0.8995536 1.497531

tb <- bind_cols(estatisticas, tb)
tb

  estatistica     idade     peso     altura    frutas vegetais
1       media 19.613636 61.25000 1.66386364 1.9318182 2.613636
2          dp  3.229342 10.88657 0.08084484 0.8995536 1.497531

Transformações

O Índice de Massa Corpórea (IMC) é uma medida internacional usada para avaliar nosso peso ideal. Seu cálculo é feito dividindo-se o peso pela altura elevada ao quadrado, isto é,

$\mbox{imc} = \frac{\mbox{peso}}{\mbox{altura}^2}.$

A Table 1 fornece uma classificação simplificada do IMC.

Table 1: Classificação simplificada do IMC.

faixa	classificação
imc < 18.5	magreza
18.5 $\leq$ imc < 25	saudável
25 $\leq$ imc < 30	pré-obesidade
$imc \ge$ 30	obesidade

Suponha que temos interesse em investigar o IMC em função do sexo dos alunos. A função dplyr::mutate() pode ser utilizada tanto para modificarmos variáveis existentes no nosso banco de dados, quanto para criarmos novas variáveis.

Vamos utilizar a função dplyr::mutate() para alterar a classe da variável sexo e criarmos a variável imc:

library(useR)
library(tidyverse)

data(nutricao)
glimpse(nutricao)

Rows: 44
Columns: 9
$ sexo         <chr> "M", "M", "F", "F", "M", "F", "F", "M", "F", "F", "F", "F…
$ idade        <int> 34, 17, 19, 22, 18, 22, 18, 21, 18, 18, 20, 21, 18, 17, 1…
$ peso         <int> 75, 89, 48, 48, 58, 64, 52, 75, 56, 46, 64, 60, 66, 67, 5…
$ altura       <dbl> 1.72, 1.81, 1.54, 1.55, 1.54, 1.56, 1.55, 1.75, 1.65, 1.6…
$ alimentacao  <chr> "sim", "não", "sim", "não", "sim", "sim", "não", "sim", "…
$ frutas       <int> 1, 2, 2, 1, 2, 1, 2, 2, 2, 2, 2, 1, 1, 4, 3, 2, 3, 1, 4, …
$ vegetais     <int> 2, 4, 4, 4, 1, 2, 4, 1, 1, 2, 1, 2, 2, 2, 2, 6, 3, 6, 2, …
$ sedentarismo <chr> "não", "não", "não", "sim", "não", "não", "sim", "não", "…
$ tempo        <chr> "entre 2 e 5 horas", "entre 5 e 10 horas", "entre 2 e 5 h…

nutricao <- nutricao %>%
  mutate(
    sexo = as.factor(sexo),
    imc = peso/(altura^2)
  )
glimpse(nutricao)

Rows: 44
Columns: 10
$ sexo         <fct> M, M, F, F, M, F, F, M, F, F, F, F, F, F, F, F, F, F, F, …
$ idade        <int> 34, 17, 19, 22, 18, 22, 18, 21, 18, 18, 20, 21, 18, 17, 1…
$ peso         <int> 75, 89, 48, 48, 58, 64, 52, 75, 56, 46, 64, 60, 66, 67, 5…
$ altura       <dbl> 1.72, 1.81, 1.54, 1.55, 1.54, 1.56, 1.55, 1.75, 1.65, 1.6…
$ alimentacao  <chr> "sim", "não", "sim", "não", "sim", "sim", "não", "sim", "…
$ frutas       <int> 1, 2, 2, 1, 2, 1, 2, 2, 2, 2, 2, 1, 1, 4, 3, 2, 3, 1, 4, …
$ vegetais     <int> 2, 4, 4, 4, 1, 2, 4, 1, 1, 2, 1, 2, 2, 2, 2, 6, 3, 6, 2, …
$ sedentarismo <chr> "não", "não", "não", "sim", "não", "não", "sim", "não", "…
$ tempo        <chr> "entre 2 e 5 horas", "entre 5 e 10 horas", "entre 2 e 5 h…
$ imc          <dbl> 25.35154, 27.16645, 20.23950, 19.97919, 24.45606, 26.2984…

Agora vamos utilizar a Table 1 para criarmos uma variável com a classificação dos estudantes:

# criando a faixa de valores:
faixa <- c(0, 18.5, 25, 30, Inf)

# incluindo a classificação no banco de dados:
nutricao <- nutricao %>%
  mutate(
    classificacao = cut(imc, faixa)
  )
glimpse(nutricao)

Rows: 44
Columns: 11
$ sexo          <fct> M, M, F, F, M, F, F, M, F, F, F, F, F, F, F, F, F, F, F,…
$ idade         <int> 34, 17, 19, 22, 18, 22, 18, 21, 18, 18, 20, 21, 18, 17, …
$ peso          <int> 75, 89, 48, 48, 58, 64, 52, 75, 56, 46, 64, 60, 66, 67, …
$ altura        <dbl> 1.72, 1.81, 1.54, 1.55, 1.54, 1.56, 1.55, 1.75, 1.65, 1.…
$ alimentacao   <chr> "sim", "não", "sim", "não", "sim", "sim", "não", "sim", …
$ frutas        <int> 1, 2, 2, 1, 2, 1, 2, 2, 2, 2, 2, 1, 1, 4, 3, 2, 3, 1, 4,…
$ vegetais      <int> 2, 4, 4, 4, 1, 2, 4, 1, 1, 2, 1, 2, 2, 2, 2, 6, 3, 6, 2,…
$ sedentarismo  <chr> "não", "não", "não", "sim", "não", "não", "sim", "não", …
$ tempo         <chr> "entre 2 e 5 horas", "entre 5 e 10 horas", "entre 2 e 5 …
$ imc           <dbl> 25.35154, 27.16645, 20.23950, 19.97919, 24.45606, 26.298…
$ classificacao <fct> "(25,30]", "(25,30]", "(18.5,25]", "(18.5,25]", "(18.5,2…

Recodificando os níveis da variável classificacao com o auxílio da função dplyr::recode():

nutricao <- nutricao %>%
  mutate(
    classificacao = recode(
      classificacao, 
      "(0,18.5]" = "magreza",
      "(18.5,25]" = "saudavel",
      "(25,30]" = "pre-obesidade",
      "(30,Inf]" = "obesidade",
    )
  )

# verificando:
levels(nutricao$classificacao)

[1] "magreza"       "saudavel"      "pre-obesidade" "obesidade"

Suponha agora que nós temos o interesse em obter uma tabela de contingência para as variáveis sexo e classificacao.

tb <- nutricao %>%
  group_by(sexo, classificacao) %>%
  summarise(
    n = n()
  ) %>%
  mutate(
    p = n/sum(n)
  )
tb

# A tibble: 6 × 4
# Groups:   sexo [2]
  sexo  classificacao     n      p
  <fct> <fct>         <int>  <dbl>
1 F     magreza           6 0.182
2 F     saudavel         23 0.697
3 F     pre-obesidade     3 0.0909
4 F     obesidade         1 0.0303
5 M     saudavel          9 0.818
6 M     pre-obesidade     2 0.182

class(tb)

[1] "grouped_df" "tbl_df"     "tbl"        "data.frame"

Precisamos alterar a classe do objeto tb para data.frame de modo a obtermos as frequências relativas relativas ao total geral:

tb <- tb %>%
  as.data.frame() %>%
  mutate(
    p = n/sum(n)
  )
tb

  sexo classificacao  n          p
1    F       magreza  6 0.13636364
2    F      saudavel 23 0.52272727
3    F pre-obesidade  3 0.06818182
4    F     obesidade  1 0.02272727
5    M      saudavel  9 0.20454545
6    M pre-obesidade  2 0.04545455

Finalmente, para obtermos a tabela de contingência desejada, vamos utilizar as funções dplyr::select() e tidyr::pivot_winder():

# frequência absoluta:
tb %>%
  select(-p) %>%
  pivot_wider(
    values_from = n,
    names_from = classificacao,
  )

# A tibble: 2 × 5
  sexo  magreza saudavel `pre-obesidade` obesidade
  <fct>   <int>    <int>           <int>     <int>
1 F           6       23               3         1
2 M          NA        9               2        NA

# para completar com zero:
tb %>%
  select(-p) %>%
  pivot_wider(
    values_from = n,
    names_from = classificacao,
    values_fill = 0
  )

# A tibble: 2 × 5
  sexo  magreza saudavel `pre-obesidade` obesidade
  <fct>   <int>    <int>           <int>     <int>
1 F           6       23               3         1
2 M           0        9               2         0

# frequência relativa:
tb %>%
  select(-n) %>%
  pivot_wider(
    values_from = p,
    names_from = classificacao,
    values_fill = 0
  )

# A tibble: 2 × 5
  sexo  magreza saudavel `pre-obesidade` obesidade
  <fct>   <dbl>    <dbl>           <dbl>     <dbl>
1 F       0.136    0.523          0.0682    0.0227
2 M       0        0.205          0.0455    0

No código acima a função dplyr::select() seleciona a variável que será excluida do tibble tb, enquanto a função tidyr::pivot_wider()

Note

Estudaremos a função tidyr::pivot_wider(), bem com a função tidyr::pivot_long(), mais adiante em nosso curso.

A média do IMC por sexo pode ser obtida da seguinte forma:

ggplot(nutricao, aes(x=sexo, y=imc)) +
  geom_boxplot()

ggplot(nutricao, aes(y=imc)) +
  geom_boxplot() +
  facet_grid(sexo ~ sedentarismo)