lab04.Rmd

---
title: "Manipulação de Banco de dados - Laboratório 03"
author: "Ana Carolina"
date: "28 de agosto de 2019"
output: html_document
---

# Importação de Dados Retangulares - Excel.
  O conjunto de dados em questão é o conjunto de índices de desenvolvimento mundial, disponibilizado     pelo Banco Mundial através do link http://datatopics.worldbank.org/world-development-indicators/
  (http://datatopics.worldbank.org/world-development-indicators/).

# Objetivos
Ao fim deste laboratório, você deverá ser capaz de:
    - Importar dados de planilhas específicas de arquivos em formato Excel;
    - Trabalhar com variáveis cujos nomes fogem do padrão usual de programação (por exemplo, variáveis
      com espaços brancos em seus nomes);
    - Selecionar variáveis do interesse;
    - Verificar se os dados estão no formato tidy e transformá-los para tal formato;
    - Optar apropriadamente entre filtering joins e mutating joins;
    - Produzir visualizações de dados de séries temporais;

```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```

```{r}
library(dplyr)
```

## Q1: Carregue os pacotes readxl e tidyverse.
```{r}
library(tidyverse)
library(readxl)
```

## Q2: Crie uma variável chamada fname que contenha o caminho para o arquivo WDIEXCEL.xlsx, disponível no seu diretório de dados. Confirme que o R identifica a existência do arquivo utilizando o comando file.exists
```{r}
fname = file.path("C:/Users/ra212644/Downloads")
file.exists(fname)
```

## Q3: Leia a planilha “Country” e armazene no objeto countries.
```{r}
countries = read_excel("WDIEXCEL.xlsx", sheet="Country")
```

## Q4: Mantenha apenas os registros de 5 países (Brasil e outros 4 de sua escolha)
```{r}
countries = countries %>% 
  filter(`Country Code`  %in% c("USA", "ARG", "AUS", "JPN", "BRA"))
```

## Q5: Leia a planilha “Data” e armazene no objeto WDI.
```{r}
WDI = read_excel("WDIEXCEL.xlsx", sheet="Data")
WDI %>% head
```

## Q6: Selecione apenas as colunas:
      - Country Code
      - Indicator Code
      - E todos os anos de 1960-2018
```{r}
WDI = WDI %>% select(`Country Code`, `Indicator Code`, `1960`:`2018`)
```

## Q7: Confirme se os dados wm WDI estão em formato tidy. Se não estiverem, transforme-os para tal formato. Faça de forma que exista uma coluna referente ao ano chamada YEAR.
```{r}
# colunas sendo variáveis 

WDI = WDI %>% 
  gather("YEAR", "VALUE",`1960`:`2018`) %>% 
  spread(`Indicator Code`, VALUE) 
WDI$YEAR = as.integer(WDI$YEAR) 
```

## Q8: Confirme se a coluna referente ao ano está em formato inteiro.
```{r}
WDI$YEAR = as.integer(WDI$YEAR) 
```

## Q9: Para o objeto WDI, mantenha apenas os registros dos países listados em countries. Selecione as colunas:
    - Country Code
    - Short Name
    - YEAR
    - SP.DYN.CBRT.IN
```{r}
WDI = WDI %>% 
  semi_join(countries, by = "Country Code") %>% 
  select(c(`Country Code`, `Short Name`, `YEAR`, `SP.DYN.CBRT.IN`))
  
```

## Q10: Ordene o objeto de forma que, para cada país, as informações estejam ordenadas por ano.
```{r}
# WDI = WDI %>% group_by(`Country Code`) %>% arrange(YEAR)
WDI = WDI %>%
    arrange(`Country Code`, YEAR)
```

## Q11: Q11. Construa um gráfico de linhas, usando o pacote ggplot2 , que tenha no eixo X a variável YEAR, no eixo Y a variável SP.DYN.CBRT.IN e que cada linha corresponda a um país diferente.
```{r}
ggplot(WDI, AES(YEAR, SP.DYN.CBRT.IN, colour = `Country Code`)) +
  geom_line() 
```