3  Organização dos dados: Tidy data

Nas ciências, a organização dos seus dados é tão importante quanto a análise em si. Um formato de dados bem estruturado facilita a manipulação, a análise e a visualização, tornando todo o processo mais eficiente e menos propenso a erros. É nesse contexto que entra o conceito de Tidy Data (Wickham (2014)).

As regras básicas são simples, mas poderosas:

1. Cada variável em uma coluna: As colunas do seu conjunto de dados devem representar variáveis distintas, como “espécie”, “altura” ou “temperatura”.

2. Cada observação em uma linha: Cada linha deve corresponder a uma observação individual, como uma medição, um indivíduo ou um evento.

3. Cada valor em uma célula: Cada célula na tabela deve conter um único valor, representando a interseção de uma variável e uma observação.

Uma função bastante útil para organizar os dados no fomato tidy é a função tidyr::pivot_longer¹.

Considere o conjunto de dados presente nesta planilha do Excel: liquido.xlsx (Figura Figura 3.1)

Figura 3.1: Exemplo de dados não organizados no formato tidy em uma planilha do Excel.

Os dados foram digitados de modo que os valores da variável tempo estão espalhados por 4 colunas. A variável repetição (implícita) está em uma linha (cabeçalho das colunas) e o nome das colunas (Tempo) está em uma célula mesclada.

Ao importar este arquivo com a função readxl::read_excel temos como resultado:

messy_data <- readxl::read_excel("liquido.xlsx")
messy_data

New names:
• `` -> `...1`
• `` -> `...3`
• `` -> `...4`
• `` -> `...5`

# A tibble: 4 × 5
  ...1    Tempo  ...3  ...4  ...5
  <chr>   <dbl> <dbl> <dbl> <dbl>
1 Líquido     1     2     3     4
2 Água       12    15    14    11
3 Óleo       29    26    24    23
4 Álcool      6     7     9     4

Observamos que a primeira linha (células mescladas) da planilha bagunçou ainda mais o resultado. Vamos importar novamente excluindo a primeira linha com o argumento skip = 1.

messy_data <- readxl::read_xlsx("liquido.xlsx", skip = 1)
messy_data

# A tibble: 3 × 5
  Líquido   `1`   `2`   `3`   `4`
  <chr>   <dbl> <dbl> <dbl> <dbl>
1 Água       12    15    14    11
2 Óleo       29    26    24    23
3 Álcool      6     7     9     4

Para transformar o data-frame no formato tidy, utilizamos a função tidyr::pivot_longer:

tidy_data <- tidyr::pivot_longer(messy_data, cols = 2:5, names_to = "rep", values_to = "tempo")
tidy_data

# A tibble: 12 × 3
   Líquido rep   tempo
   <chr>   <chr> <dbl>
 1 Água    1        12
 2 Água    2        15
 3 Água    3        14
 4 Água    4        11
 5 Óleo    1        29
 6 Óleo    2        26
 7 Óleo    3        24
 8 Óleo    4        23
 9 Álcool  1         6
10 Álcool  2         7
11 Álcool  3         9
12 Álcool  4         4

• cols: colunas a serem transformadas para o formato tidy;
• names_to: nome da nova coluna criada a partir das informações armazenadas originalmente nos cabeçalhos das colunas;
• values_to: nome da nova coluna criada a partir dos valores armazenados nas células.

O caminho inverso também pode ser feito, transformando um data-frame do formato longo para o formato wide com a função tidyr::pivot_wider

Wickham, Hadley. 2014. “Tidy data”. The Journal of Statistical Software 59. http://www.jstatsoft.org/v59/i10/.

---

1. O formato Tidy Data também é conhecido como Formato Longo.