Tomar amostras de bancos de dados
22 Jun 2024
sacamostras.Rmdsacamostras(data, size, prefix, suffixes, tipo = 2, seed = NULL)A função sacamostras() automatiza o processo de toma de múltiplas amostras aleatórias (sem reposição) de um banco de dados, gravando um arquivo .csv para cada amostra criada e um arquivo .RData com os bancos de dados (da classe data.frame). Foi motivada pela necessidade de organizar exercícios de bioestatística e epidemiologia em diferentes grupos de trabalho, de modo que um mesmo processo de manejo e análise de dados gere resultados diferentes. Resulta ainda em exemplo prático para discutir a variabilidade estocástica.
O usuário pode definir:
- o número e tamanho das amostras;
- o texto a preceder e suceder o nome dos bancos de dados criados;
- o formato dos arquivos .csv que serão salvos, se (1) campos separados por vírgula e decimais por ponto ou (2) campos separados por ponto-e-vírgula e decimais por vírgula;
- um número de origem (“semente”) para a definição das amostras (v.
?set.seed).
Exemplo
O pacote Rcoisas tem um banco de dados de Autorizações de Internação Hospitalar (AIHs) do SUS, com registros das internações hospitalares realizadas pelo SUS no Rio Grande do Sul (RS) em 2019.1 Pode ser usado para um exercício em que se pretenda saber como a ocorrência de morte intrahospitalar nas internações pelo SUS no RS em 2019 varia em função do tempo de internação e do sexo, idade e cor da pele do paciente. Imaginemos que o exercício será aplicado a uma turma dividida em três grupos e cada grupo trabalhará com uma amostra de 100 registros.
Se o exercício focar na análise, podemos entregar o banco já trabalhado antes de tirar as amostras. Assim, o script abaixo executa os seguintes passos:
- transforma as variáveis
SEXO,RACA_COReMORTEem fator, decodificando as categorias; e - computa a idade: neste exemplo a idade é calculada como a diferença entre a data da internação e do nascimento (variáveis
DT_INTEReNASC) dividida por 365,25 (para transformar o tempo, dado originalmente em dias, em anos, considerando os anos bissextos), para usar um método clássico e reprodutível em diferentes bancos de dados, embora não seja o método preferível nos arquivos da AIH2; e
- seleciona apenas as variáveis de interesse.
data("RDRS2019")
RDRS2019 <- within(RDRS2019, {
SEXO <- factor(SEXO, labels = c("Masculino", "Feminino"))
RACA_COR <- factor(RACA_COR, levels = c("01", "02", "03", "04", "05"),
labels = c("Branca", "Preta", "Parda", "Amarela", "Indígena"))
IDADE <- trunc(as.numeric((as.Date(DT_INTER, "%Y%m%d") - as.Date(NASC, "%Y%m%d"))/365.25))
MORTE <- factor(MORTE, levels = c(1,0), labels = c("Sim", "Não"))
})
RDRS2019 <- RDRS2019[c(11,51:53,84)]A estrutura do banco final é mostrada abaixo. Precisamos extrair três amostras aleatórias de 100 registros desse banco de dados.
str(RDRS2019)
'data.frame': 10000 obs. of 5 variables:
$ SEXO : Factor w/ 2 levels "Masculino","Feminino": 1 2 2 2 1 1 2 1 1 2 ...
$ IDADE : num 23 73 27 80 73 53 20 53 29 72 ...
$ DIAS_PERM: int 21 2 2 4 3 4 1 3 6 5 ...
$ MORTE : Factor w/ 2 levels "Sim","Não": 2 2 2 2 2 2 2 2 2 2 ...
$ RACA_COR : Factor w/ 5 levels "Branca","Preta",..: 1 1 1 1 1 1 3 1 NA 1 ...As amostras são criadas pela função sacamostras(), em que vale notar o uso dos argumentos prefix e suffixes:
-
prefixé um argumento obrigatório usado para identificação dos bancos e arquivos criados; é um argumento para permitir que o usuário ponha o texto de sua escolha e não tem valor padrão para que o usuário seja consciente dessa definição;-
Para evitar sobreescrever algum arquivo .csv inadvertidamente, verifico antes se o diretório de trabalho contém arquivos com o nome que será usado como prefixo:
-
-
suffixespode ser usado apenas para a identificação dos objetos e arquivos ccriados, se os valores de origem dos números aleatórios forem definidos no argumentosemente. Por padrão (nosso caso),suffixesé usado também para definir a semente de números aleatórios em cada amostra, pois pode ser conveniente identificar no nome do objeto a semente que o gerou.3 Assim, ao identificar um complemento no nome da amostra (um “sufixo”), o argumentosuffixesdefine ainda o número de amostras, pois para cada nome uma amostra. Assim, comosuffixes = 1:3gera um vetor de três elementos (1, 2 e 3), teremos três amostras.
sacamostras(data = RDRS2019, size = 100, prefix = "amostra_", suffixes = 1:3)
Sample 1 saved as amostra_1.csv
Sample 1 saved as an object: amostra_1
Sample 2 saved as amostra_2.csv
Sample 2 saved as an object: amostra_2
Sample 3 saved as amostra_3.csv
Sample 3 saved as an object: amostra_3
Samples saved as an RData file: amostra_samples.RDataA mensagem de execução da função nos informa que foram criadas três amostras como objetos no espaço de trabalho (amostra_1, amostra_2 e amostra_3) e que foram salvas cada uma em um arquivo csv e todas elas em um único arquivo RData (“amostra_samples.RData”). Efetivamente, agora os podemos ver no espaço de trabalho e no diretório do computador em que temos a sessão ativa:
ls(pattern = "^amostra")
[1] "amostra_1" "amostra_2" "amostra_3"
dir(pattern = "^amostra")
[1] "amostra_1.csv" "amostra_2.csv" "amostra_3.csv"
[4] "amostra_samples.RData"Um resumo breve das variáveis confirma que as amostras são realmente diferentes entre si:
summary(amostra_1)
SEXO IDADE DIAS_PERM MORTE RACA_COR
Masculino:53 Min. : 0.00 Min. : 0.00 Sim: 5 Branca :74
Feminino :47 1st Qu.:28.75 1st Qu.: 2.00 Não:95 Preta : 2
Median :49.50 Median : 3.00 Parda : 3
Mean :47.07 Mean : 6.01 Amarela : 0
3rd Qu.:68.50 3rd Qu.: 8.00 Indígena: 0
Max. :91.00 Max. :32.00 NA's :21
summary(amostra_2)
SEXO IDADE DIAS_PERM MORTE RACA_COR
Masculino:44 Min. : 0.00 Min. : 0.00 Sim: 4 Branca :77
Feminino :56 1st Qu.:26.25 1st Qu.: 2.00 Não:96 Preta : 5
Median :48.50 Median : 3.50 Parda : 5
Mean :45.33 Mean : 6.31 Amarela : 1
3rd Qu.:67.00 3rd Qu.: 7.00 Indígena: 0
Max. :88.00 Max. :68.00 NA's :12
summary(amostra_3)
SEXO IDADE DIAS_PERM MORTE RACA_COR
Masculino:49 Min. : 0.00 Min. : 0.00 Sim: 5 Branca :66
Feminino :51 1st Qu.:26.50 1st Qu.: 2.00 Não:95 Preta : 6
Median :51.00 Median : 4.00 Parda : 8
Mean :46.57 Mean : 7.33 Amarela : 0
3rd Qu.:68.00 3rd Qu.: 7.00 Indígena: 1
Max. :99.00 Max. :49.00 NA's :19Temos assim uma amostra para cada grupo, tanto em arquivos csv – interessantes se o exercício incluir a leitura de arquivos de dados – como em objetos num arquivo de dados do R.
O código abaixo: (1) apaga todos os objetos da sessão de trabalho e (2) carrega o recém criado arquivo “amostra_samples.RData”, com todas as amostras.
rm(list = ls()) ; ls()
character(0)
load("amostra_samples.RData") ; ls()
[1] "amostra_1" "amostra_2" "amostra_3" "RDRS2019"O processo de salvamento e leitura dos arquivos csv pode não respeitar o formato dos campos do banco original. Assim, o campo “nº da AIH”, que abriga um número de registro extenso pode ser lido como numérico mesmo que esteja armazenado como charactere no banco original. No mesmo sentido, vemos a seguir que ao ler os arquivos csv as variáveis categóricas são lidas no formato caractere (chr) e não fator. Há ainda uma diferença na estrutura das variáveis numéricas. Isso pode ser resolvido definindo as classes das variáveis no comando de leitura.
amostra_1 |> str()
'data.frame': 100 obs. of 5 variables:
$ SEXO : Factor w/ 2 levels "Masculino","Feminino": 2 2 1 2 2 2 2 2 1 1 ...
$ IDADE : num 4 49 83 84 42 19 60 46 80 50 ...
$ DIAS_PERM: int 0 3 8 21 1 1 11 1 5 10 ...
$ MORTE : Factor w/ 2 levels "Sim","Não": 2 2 2 1 2 2 2 2 2 2 ...
$ RACA_COR : Factor w/ 5 levels "Branca","Preta",..: 1 1 1 3 1 NA 1 1 NA NA ...
read.csv2("amostra_1.csv") |> str()
'data.frame': 100 obs. of 5 variables:
$ SEXO : chr "Feminino" "Feminino" "Masculino" "Feminino" ...
$ IDADE : int 4 49 83 84 42 19 60 46 80 50 ...
$ DIAS_PERM: int 0 3 8 21 1 1 11 1 5 10 ...
$ MORTE : chr "Não" "Não" "Não" "Sim" ...
$ RACA_COR : chr "Branca" "Branca" "Branca" "Parda" ...
read.csv2("amostra_1.csv", colClasses = c("factor", "numeric", "integer", "factor", "factor")) |> str()
'data.frame': 100 obs. of 5 variables:
$ SEXO : Factor w/ 2 levels "Feminino","Masculino": 1 1 2 1 1 1 1 1 2 2 ...
$ IDADE : num 4 49 83 84 42 19 60 46 80 50 ...
$ DIAS_PERM: int 0 3 8 21 1 1 11 1 5 10 ...
$ MORTE : Factor w/ 2 levels "Não","Sim": 1 1 1 2 1 1 1 1 1 1 ...
$ RACA_COR : Factor w/ 3 levels "Branca","Parda",..: 1 1 1 2 1 NA 1 1 NA NA ...Finalmente, vale lembrar que o ambiente de trabalho pode ser limpo com a função rm() e os arquivos podem ser apagados com a função unlink():