temospena / rnotebook Goto Github PK

adicionar esta função útil que transforma um resultado de vector já no formato c( , , )

> names(locais62)
[1] "Name"     "Lat"      "Lon"      "geometry"
> dput(names(locais62))
c("Name", "Lat", "Lon", "geometry")

Outra forma de atribuir lat e lon de um sf

#atribuir coordenadas latlon
PONTOS$Lon = st_coordinates(PONTOS)[,1] #W
PONTOS$Lat = st_coordinates(PONTOS)[,2] #Y

st_write(CicloviasCORRECT, "data/CicloviasCORRECT.shp", append = F)

vai fazer overwrite na shapefile existente, em vez de crashar :)

meter tudo com comentários
ctrl + shift + c

em vez de os carregar em cada chunk, ter só um require, e criar a lista das library que isto precisa para correr

exemplo de como fazer um Reprex.

copiar o que se quer fazer, e depois correr apenas a linha do reprex::, e colar onde se quer colar

library(dplyr)
library(tidyr)
# OD matrix as long_format
df = data.frame("From" = c("A","A","A","C","C","C","B","B","B","D","D","D"),
                 "To" = c("C","B","D","B","D","A","D","A","C","A","C","B"),
                 "count" = c(7,35,7,5,9,7,3,15,3,11,5,2))
df

#colors
grid_col=c("#E31A1C","#33A02C","#FF7F00","#1F78B4") #colors paired

#plot
circlize::circos.clear()
circlize::circos.par(start.degree = start.degree, gap.after = gap.after)
circlize::chordDiagram(
  df, 
  grid.col = grid_col,
  directional = 1,
  direction.type = c("diffHeight", "arrows"),
  link.arr.type = "big.arrow",
  diffHeight = -0.03 
)

reprex::reprex(outfile = NA, si=T) #system info = true

ou então seleccionar, e no menu de Addins > Reprex > Reprex selection

exemplo, para calcular feriados nacionais, incluindo carnaval

u = "https://date.nager.at/api/v2/publicholidays/"
feriados = data.frame()
for(i in 2020:2030){
  link = paste0(u, i, "/PT")
  feriados1 = jsonlite::fromJSON(link) %>% filter(global == TRUE) %>% select(date, localName, fixed, type)
  feriados = rbind(feriados,feriados1)
  rm(feriados1)
}

com pipes.
shortcut pipes ctrl+shift+m
shortcut seta alt+-

O package mudou, e agora não é preciso declarar todos os settings no início nem nos knitr opt.
Desde que tenha results='asis' deve funcionar

{r summary tables show, results='asis', echo=FALSE, message=FALSE, warning=FALSE}
dfSummary(df, valid.col = F, plain.ascii = FALSE, style = "grid", tmp.img.dir = "/tmp")

U-Shift/Transport-Demand-Modelling#6

table(duplicated(OTHER$ID1)) # verifica se há repetidos

#separa os repetidos dos que são únicos
cuidado com fazer apenas uma ordem! pq em 1123 > F,T,F,F e em fromLast=T > T,F,F,F

table(duplicated(HACKfamilias$ID1)) #4509 em 29121 (15,4%)
HACKfamilias$duplic <- duplicated(HACKfamilias$ID1)
HACKfamilias$duplic2 <- duplicated(HACKfamilias$ID1, fromLast = T)
HACKfamilias$duplic3 <- duplicated(HACKfamilias$ID2)
HACKfamilias$duplic4 <- duplicated(HACKfamilias$ID2, fromLast = T)
table(HACKfamilias$duplic==F & HACKfamilias$duplic2==F & HACKfamilias$duplic3==F & HACKfamilias$duplic4==F) #21655 limpinhos
CORRECTid <- HACKfamilias[HACKfamilias$duplic==F & HACKfamilias$duplic2==F & HACKfamilias$duplic3==F & HACKfamilias$duplic4==F,c(1,2,3)] #temos 21655 correctos, faltam 2963 ?
ERRADOS <- anti_join(HACKfamilias[,c(1,2,3)],CORRECTid) #são 7466 que têm de ser reduzidos a 2963 ?

filtrar texto começado ou terminado por...

VIAGENSlisboa = TRIPS %>% filter(str_starts(DICOFREor11, "1106")) #variavel, padrão

Sugestão do Carlos:

código para os partial proportional odds (PPO) model e o paper respetivo (acho que pode ajudar a perceber o que eu andei aqui a fazer).

IRSC_Code.docx
IRSC_PPOmodels.pdf

O cairo_pdf já vem com o R. O cairo driver torna as linhas vectoriais mais arredondadas, e mais bonitas que gravar como png.
https://www.rdocumentation.org/packages/grDevices/versions/3.6.2/topics/cairo
https://www.jumpingrivers.com/blog/r-graphics-cairo-png-pdf-saving/
Dá também para exportar como svg ou ps

#gravar a imagem em PDF - correr primeiro isto
    caminho = paste("pathblabla/",ponto,".pdf", sep="")
    cairo_pdf(filename = caminho, onefile= T, width=11, height=5, fallback_resolution = 300))

#depois plotar
   ggplot(dataframe)

 #correr isto sempre para "fechar" o pdf
    dev.off()

ListaAlojamentoID<-separate(ListaAlojamentoID, ID_aloj_1, into=c("IDa", "ID1"), sep="F1_", remove = F)

ERRADOS$ID1 %in% CORRECT$ID1
!(ERRADOS$ID1 %in% CORRECT$ID1) #not in
selecciona/conta os que há num vector e no outro

dar o exemplo dos modos de transporte por município

TRIPSmodemunicipio = TRIPSmode %>% pivot_wider(id_cols = c(1,2), names_from = modo, values_from = viagens)
#cols 1 e 2= origem e destino
TRIPSmodemunicipio[is.na(TRIPSmodemunicipio)] = 0

com a função dummy_columns do
library(fastDummies)
especificar diferenças para chr e num

#acrescentar o left_join por duas colunas com nomes diferentes , by=c("nomeA"="nomeB")

colocar secção antes de importar packages

• instalar do CRAN
• instalar do github
• instalar versões específicas
• desinstalar
• actualizar

the chunk r stplanr agregate is only working with version 0.3 (not the most recent 0.5)
to downgrade, use
install_version("stplanr", version = "0.3.1", repos = "http://cran.us.r-project.org")

Bom exemplo: https://github.com/nicercode/EnvironmentalComputing

ver este diagrama:
https://easystats.github.io/correlation/index.html

Simplificar, usando o stplanr

library(sf)
library(stplanr)

# 1 -- Importar lista de coordenadas que estava em shp
COORD = st_read("path/centroides.shp")
# 2 -- criar linhas entre pares OD, que estão em formato long (O | D | num)
desire_lines <- od2line(LISTAOD, COORD)
# 3 -- exportar shapefile
st_write(desire_line, "linhasdesejo.shp")

#Morans I' autocorrelação espacial
https://stats.idre.ucla.edu/r/faq/how-can-i-calculate-morans-i-in-r/
library(ape)

(ver GIS.r)

Many of us have been writing code for Windows and Linux (and OS X ...) for years. Construct yourself little helper functions
isLinux <- function() unname(Sys.info()["sysname"]) == "Linux"

and likewise for Windows. Then construct your path programmatically:

ourRootDir <- function() ifelse( isLinux(), "/opt/data/someThing", "D:/data")

via

datapath <- file.path( ourRootDir(), "project", "some", "where")

and afterwards all actual analysis commands will most likely be portable without change.

Among the 4200+ CRAN package, very few do not exist on all platforms.

Also, data written via save() on one system can be loaded on another and as this is a binary format with compression, you also save a lot of time.

https://stackoverflow.com/questions/14923800/how-to-run-r-code-written-under-windows-in-linux

reclassificar valores numa variável

tabela = tabela %>% mutate(Percursos = recode(LTS, `3` = "seguro", `4` = "direto"))

melhorar o capítulo do geocoding

acrescentar o geocode do DV
#alerta para remover os que têm O=D quando se exporta a shp para correr o ORS tools no QGIS!

tendo uma coluna com A1, B5, C3, etc, de seu nome "mixed"

TABELA$characters = gsub("[0-9]+", "", TABELA$mixed)