From b6a636c4572aa081169cb69b73e8d48bf6a9ec34 Mon Sep 17 00:00:00 2001
From: Beatriz Milz <milz.bea@gmail.com>
Date: Fri, 21 Jun 2024 14:59:46 -0300
Subject: [PATCH] Built site for gh-pages

---
 .nojekyll             |   2 +-
 EDA.html              |   2 +-
 arrow.html            |   2 +-
 base-R.html           |   2 +-
 communicate.html      |   2 +-
 communication.html    |   2 +-
 data-import.html      | 606 +++++++++++++++++++++---------------------
 data-tidy.html        |   2 +-
 data-transform.html   |   2 +-
 data-visualize.html   |   2 +-
 databases.html        |  14 +-
 datetimes.html        |  14 +-
 factors.html          |   2 +-
 functions.html        |   2 +-
 import.html           |   2 +-
 index.html            |   2 +-
 intro.html            |   2 +-
 iteration.html        |  12 +-
 joins.html            |   2 +-
 layers.html           |   2 +-
 logicals.html         |   2 +-
 missing-values.html   |   2 +-
 numbers.html          |   2 +-
 preface-2e.html       |   2 +-
 program.html          |   2 +-
 quarto-formats.html   |   2 +-
 quarto.html           |   2 +-
 rectangling.html      |   2 +-
 regexps.html          |   2 +-
 search.json           |  92 +++----
 sitemap.xml           |   2 +-
 spreadsheets.html     |   2 +-
 strings.html          |   2 +-
 transform.html        |   2 +-
 visualize.html        |   2 +-
 webscraping.html      |   2 +-
 whole-game.html       |   4 +-
 workflow-basics.html  |   2 +-
 workflow-help.html    |   6 +-
 workflow-scripts.html |   6 +-
 workflow-style.html   |   2 +-
 41 files changed, 408 insertions(+), 412 deletions(-)

diff --git a/.nojekyll b/.nojekyll
index c95638058..b8efec9a7 100644
--- a/.nojekyll
+++ b/.nojekyll
@@ -1 +1 @@
-974f290a
\ No newline at end of file
+03546343
\ No newline at end of file
diff --git a/EDA.html b/EDA.html
index 0673d43ae..bd089b29c 100644
--- a/EDA.html
+++ b/EDA.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/arrow.html b/arrow.html
index 21c3eda38..dfd2101a3 100644
--- a/arrow.html
+++ b/arrow.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/base-R.html b/base-R.html
index c1e39bcf7..4b7b9e9aa 100644
--- a/base-R.html
+++ b/base-R.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/communicate.html b/communicate.html
index 1e10ff1e9..c0dfe0750 100644
--- a/communicate.html
+++ b/communicate.html
@@ -168,7 +168,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/communication.html b/communication.html
index 4ea17843b..6f401aae5 100644
--- a/communication.html
+++ b/communication.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/data-import.html b/data-import.html
index 4b738b15a..5ee721d3e 100644
--- a/data-import.html
+++ b/data-import.html
@@ -5,7 +5,7 @@
 <meta name="generator" content="quarto-1.4.549">
 <meta name="viewport" content="width=device-width, initial-scale=1.0, user-scalable=yes">
 <meta name="author" content="Hadley Wickham, Mine Çetinkaya-Rundel, e Garrett Grolemund">
-<title>R para Ciência de Dados (2ª edição) - 7&nbsp; Data import</title>
+<title>R para Ciência de Dados (2ª edição) - 7&nbsp; ✅ Importação de dados</title>
 <style>
 code{white-space: pre-wrap;}
 span.smallcaps{font-variant: small-caps;}
@@ -107,7 +107,7 @@
       <button type="button" class="quarto-btn-toggle btn" data-bs-toggle="collapse" data-bs-target=".quarto-sidebar-collapse-item" aria-controls="quarto-sidebar" aria-expanded="false" aria-label="Alternar barra lateral" onclick="if (window.quartoToggleHeadroom) { window.quartoToggleHeadroom(); }">
         <i class="bi bi-layout-text-sidebar-reverse"></i>
       </button>
-        <nav class="quarto-page-breadcrumbs" aria-label="breadcrumb"><ol class="breadcrumb"><li class="breadcrumb-item"><a href="./whole-game.html">✅ Visão geral</a></li><li class="breadcrumb-item"><a href="./data-import.html"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></a></li></ol></nav>
+        <nav class="quarto-page-breadcrumbs" aria-label="breadcrumb"><ol class="breadcrumb"><li class="breadcrumb-item"><a href="./whole-game.html">✅ Visão geral</a></li><li class="breadcrumb-item"><a href="./data-import.html"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></a></li></ol></nav>
         <a class="flex-grow-1" role="button" data-bs-toggle="collapse" data-bs-target=".quarto-sidebar-collapse-item" aria-controls="quarto-sidebar" aria-expanded="false" aria-label="Alternar barra lateral" onclick="if (window.quartoToggleHeadroom) { window.quartoToggleHeadroom(); }">      
         </a>
       <button type="button" class="btn quarto-search-button" aria-label="" onclick="window.quartoOpenSearch();">
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link active">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
@@ -403,37 +403,37 @@
    
   <ul>
 <li>
-<a href="#introduction" id="toc-introduction" class="nav-link active" data-scroll-target="#introduction"><span class="header-section-number">7.1</span> Introduction</a>
+<a href="#introdu%C3%A7%C3%A3o" id="toc-introdução" class="nav-link active" data-scroll-target="#introdu%C3%A7%C3%A3o"><span class="header-section-number">7.1</span> Introdução</a>
   <ul class="collapse">
-<li><a href="#prerequisites" id="toc-prerequisites" class="nav-link" data-scroll-target="#prerequisites"><span class="header-section-number">7.1.1</span> Prerequisites</a></li>
+<li><a href="#pr%C3%A9-requisitos" id="toc-pré-requisitos" class="nav-link" data-scroll-target="#pr%C3%A9-requisitos"><span class="header-section-number">7.1.1</span> Pré-requisitos</a></li>
   </ul>
 </li>
   <li>
-<a href="#reading-data-from-a-file" id="toc-reading-data-from-a-file" class="nav-link" data-scroll-target="#reading-data-from-a-file"><span class="header-section-number">7.2</span> Reading data from a file</a>
+<a href="#lendo-dados-de-um-arquivo" id="toc-lendo-dados-de-um-arquivo" class="nav-link" data-scroll-target="#lendo-dados-de-um-arquivo"><span class="header-section-number">7.2</span> Lendo dados de um arquivo</a>
   <ul class="collapse">
-<li><a href="#practical-advice" id="toc-practical-advice" class="nav-link" data-scroll-target="#practical-advice"><span class="header-section-number">7.2.1</span> Practical advice</a></li>
-  <li><a href="#other-arguments" id="toc-other-arguments" class="nav-link" data-scroll-target="#other-arguments"><span class="header-section-number">7.2.2</span> Other arguments</a></li>
-  <li><a href="#other-file-types" id="toc-other-file-types" class="nav-link" data-scroll-target="#other-file-types"><span class="header-section-number">7.2.3</span> Other file types</a></li>
-  <li><a href="#exercises" id="toc-exercises" class="nav-link" data-scroll-target="#exercises"><span class="header-section-number">7.2.4</span> Exercises</a></li>
+<li><a href="#dicas-pr%C3%A1ticas" id="toc-dicas-práticas" class="nav-link" data-scroll-target="#dicas-pr%C3%A1ticas"><span class="header-section-number">7.2.1</span> Dicas práticas</a></li>
+  <li><a href="#outros-argumentos" id="toc-outros-argumentos" class="nav-link" data-scroll-target="#outros-argumentos"><span class="header-section-number">7.2.2</span> Outros argumentos</a></li>
+  <li><a href="#outros-tipos-de-arquivos" id="toc-outros-tipos-de-arquivos" class="nav-link" data-scroll-target="#outros-tipos-de-arquivos"><span class="header-section-number">7.2.3</span> Outros tipos de arquivos</a></li>
+  <li><a href="#exerc%C3%ADcios" id="toc-exercícios" class="nav-link" data-scroll-target="#exerc%C3%ADcios"><span class="header-section-number">7.2.4</span> Exercícios</a></li>
   </ul>
 </li>
   <li>
-<a href="#sec-col-types" id="toc-sec-col-types" class="nav-link" data-scroll-target="#sec-col-types"><span class="header-section-number">7.3</span> Controlling column types</a>
+<a href="#sec-col-types" id="toc-sec-col-types" class="nav-link" data-scroll-target="#sec-col-types"><span class="header-section-number">7.3</span> Controlando tipos de colunas</a>
   <ul class="collapse">
-<li><a href="#guessing-types" id="toc-guessing-types" class="nav-link" data-scroll-target="#guessing-types"><span class="header-section-number">7.3.1</span> Guessing types</a></li>
-  <li><a href="#missing-values-column-types-and-problems" id="toc-missing-values-column-types-and-problems" class="nav-link" data-scroll-target="#missing-values-column-types-and-problems"><span class="header-section-number">7.3.2</span> Missing values, column types, and problems</a></li>
-  <li><a href="#column-types" id="toc-column-types" class="nav-link" data-scroll-target="#column-types"><span class="header-section-number">7.3.3</span> Column types</a></li>
+<li><a href="#adivinhando-tipos" id="toc-adivinhando-tipos" class="nav-link" data-scroll-target="#adivinhando-tipos"><span class="header-section-number">7.3.1</span> Adivinhando tipos</a></li>
+  <li><a href="#valores-ausentes-tipos-de-coluna-e-problemas" id="toc-valores-ausentes-tipos-de-coluna-e-problemas" class="nav-link" data-scroll-target="#valores-ausentes-tipos-de-coluna-e-problemas"><span class="header-section-number">7.3.2</span> Valores ausentes, tipos de coluna e problemas</a></li>
+  <li><a href="#tipos-de-colunas" id="toc-tipos-de-colunas" class="nav-link" data-scroll-target="#tipos-de-colunas"><span class="header-section-number">7.3.3</span> Tipos de colunas</a></li>
   </ul>
 </li>
-  <li><a href="#sec-readr-directory" id="toc-sec-readr-directory" class="nav-link" data-scroll-target="#sec-readr-directory"><span class="header-section-number">7.4</span> Reading data from multiple files</a></li>
-  <li><a href="#sec-writing-to-a-file" id="toc-sec-writing-to-a-file" class="nav-link" data-scroll-target="#sec-writing-to-a-file"><span class="header-section-number">7.5</span> Writing to a file</a></li>
-  <li><a href="#data-entry" id="toc-data-entry" class="nav-link" data-scroll-target="#data-entry"><span class="header-section-number">7.6</span> Data entry</a></li>
-  <li><a href="#summary" id="toc-summary" class="nav-link" data-scroll-target="#summary"><span class="header-section-number">7.7</span> Summary</a></li>
+  <li><a href="#sec-readr-directory" id="toc-sec-readr-directory" class="nav-link" data-scroll-target="#sec-readr-directory"><span class="header-section-number">7.4</span> Importando dados de múltiplos arquivos</a></li>
+  <li><a href="#sec-writing-to-a-file" id="toc-sec-writing-to-a-file" class="nav-link" data-scroll-target="#sec-writing-to-a-file"><span class="header-section-number">7.5</span> Exportando para um arquivo</a></li>
+  <li><a href="#entrada-de-dados" id="toc-entrada-de-dados" class="nav-link" data-scroll-target="#entrada-de-dados"><span class="header-section-number">7.6</span> Entrada de dados</a></li>
+  <li><a href="#resumo" id="toc-resumo" class="nav-link" data-scroll-target="#resumo"><span class="header-section-number">7.7</span> Resumo</a></li>
   </ul><div class="toc-actions"><ul><li><a href="https://github.com/cienciadedatos/pt-r4ds/edit/main/data-import.qmd" class="toc-action"><i class="bi bi-github"></i>Editar essa página</a></li><li><a href="https://github.com/cienciadedatos/pt-r4ds/issues/new" class="toc-action"><i class="bi empty"></i>Criar uma issue</a></li></ul></div></nav>
     </div>
 <!-- main -->
-<main class="content" id="quarto-document-content"><header id="title-block-header" class="quarto-title-block default"><nav class="quarto-page-breadcrumbs quarto-title-breadcrumbs d-none d-lg-block" aria-label="breadcrumb"><ol class="breadcrumb"><li class="breadcrumb-item"><a href="./whole-game.html">✅ Visão geral</a></li><li class="breadcrumb-item"><a href="./data-import.html"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></a></li></ol></nav><div class="quarto-title">
-<h1 class="title"><span id="sec-data-import" class="quarto-section-identifier"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></h1>
+<main class="content" id="quarto-document-content"><header id="title-block-header" class="quarto-title-block default"><nav class="quarto-page-breadcrumbs quarto-title-breadcrumbs d-none d-lg-block" aria-label="breadcrumb"><ol class="breadcrumb"><li class="breadcrumb-item"><a href="./whole-game.html">✅ Visão geral</a></li><li class="breadcrumb-item"><a href="./data-import.html"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></a></li></ol></nav><div class="quarto-title">
+<h1 class="title"><span id="sec-data-import" class="quarto-section-identifier"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></h1>
 </div>
 
 
@@ -447,101 +447,91 @@ <h1 class="title"><span id="sec-data-import" class="quarto-section-identifier"><
   
 
 
-</header><div class="callout callout-style-simple callout-warning">
-<div class="callout-body d-flex">
-<div class="callout-icon-container">
-<i class="callout-icon"></i>
-</div>
-<div class="callout-body-container">
-<p>Olá! Este capítulo do livro ainda <strong>não está traduzido</strong> para a versão Português-BR. <br> Caso você queira contribuir com o projeto de tradução, leia as instruções em: <a href="https://github.com/cienciadedatos/pt-r4ds/wiki" class="uri">https://github.com/cienciadedatos/pt-r4ds/wiki</a> <br> A versão original (em inglês) do livro R for Data Science está disponível em: <a href="https://r4ds.hadley.nz/" class="uri">https://r4ds.hadley.nz/</a></p>
-</div>
-</div>
-</div>
-<section id="introduction" class="level2" data-number="7.1"><h2 data-number="7.1" class="anchored" data-anchor-id="introduction">
-<span class="header-section-number">7.1</span> Introduction</h2>
-<p>Working with data provided by R packages is a great way to learn data science tools, but you want to apply what you’ve learned to your own data at some point. In this chapter, you’ll learn the basics of reading data files into R.</p>
-<p>Specifically, this chapter will focus on reading plain-text rectangular files. We’ll start with practical advice for handling features like column names, types, and missing data. You will then learn about reading data from multiple files at once and writing data from R to a file. Finally, you’ll learn how to handcraft data frames in R.</p>
-<section id="prerequisites" class="level3" data-number="7.1.1"><h3 data-number="7.1.1" class="anchored" data-anchor-id="prerequisites">
-<span class="header-section-number">7.1.1</span> Prerequisites</h3>
-<p>In this chapter, you’ll learn how to load flat files in R with the <strong>readr</strong> package, which is part of the core tidyverse.</p>
+</header><section id="introdução" class="level2" data-number="7.1"><h2 data-number="7.1" class="anchored" data-anchor-id="introdução">
+<span class="header-section-number">7.1</span> Introdução</h2>
+<p>Trabalhar com dados fornecidos por pacotes em R é uma ótima maneira de aprender ferramentas de ciência de dados, mas você irá querer aplicar o que aprendeu aos seus próprios dados em algum momento. Neste capítulo, você aprenderá o básico sobre como ler arquivos de dados no R.</p>
+<p>Especificamente, esse capítulo focará na leitura de arquivos de texto retangulares. Começaremos com conselhos práticos para lidar com recursos como nomes de colunas, tipos e dados ausentes. Você então aprenderá sobre como ler dados de múltiplos arquivos de uma única vez e exportar dados do R para um arquivo. Finalmente, você aprenderá a criar manualmente data frames no R.</p>
+<section id="pré-requisitos" class="level3" data-number="7.1.1"><h3 data-number="7.1.1" class="anchored" data-anchor-id="pré-requisitos">
+<span class="header-section-number">7.1.1</span> Pré-requisitos</h3>
+<p>Neste capítulo, você irá aprender como importar arquivos de texto no R com o pacote <strong>readr</strong>, que faz parte do tidyverse.</p>
 <div class="cell">
 <div class="sourceCode" id="cb1"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="kw"><a href="https://rdrr.io/r/base/library.html">library</a></span><span class="op">(</span><span class="va"><a href="https://tidyverse.tidyverse.org">tidyverse</a></span><span class="op">)</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-</section></section><section id="reading-data-from-a-file" class="level2" data-number="7.2"><h2 data-number="7.2" class="anchored" data-anchor-id="reading-data-from-a-file">
-<span class="header-section-number">7.2</span> Reading data from a file</h2>
-<p>To begin, we’ll focus on the most common rectangular data file type: CSV, which is short for comma-separated values. Here is what a simple CSV file looks like. The first row, commonly called the header row, gives the column names, and the following six rows provide the data. The columns are separated, aka delimited, by commas.</p>
+</section></section><section id="lendo-dados-de-um-arquivo" class="level2" data-number="7.2"><h2 data-number="7.2" class="anchored" data-anchor-id="lendo-dados-de-um-arquivo">
+<span class="header-section-number">7.2</span> Lendo dados de um arquivo</h2>
+<p>De início, vamos focar no tipo de arquivo de dados retangulares mais comum: CSV, que é a sigla em inglês para valores separados por vírgula (<em>comma-separated values</em>)<a href="#fn1" class="footnote-ref" id="fnref1" role="doc-noteref"><sup>1</sup></a>. Aqui está como um arquivo CSV simples se parece. A primeira linha, comumente chamada de linha de cabeçalho, fornece os nomes das colunas, e as seis linhas seguintes fornecem os dados. As colunas são separadas, ou delimitadas, por vírgulas.</p>
 <div class="cell">
-<pre><code>Student ID,Full Name,favourite.food,mealPlan,AGE
-1,Sunil Huffmann,Strawberry yoghurt,Lunch only,4
-2,Barclay Lynn,French fries,Lunch only,5
-3,Jayendra Lyne,N/A,Breakfast and lunch,7
-4,Leon Rossini,Anchovies,Lunch only,
-5,Chidiegwu Dunkel,Pizza,Breakfast and lunch,five
-6,Güvenç Attila,Ice cream,Lunch only,6</code></pre>
+<pre><code>ID Estudante,Nome Completo,comida.favorita,planoAlimentar,IDADE
+1,Pedro Cardoso,Iogurte de morango,Só almoço,4     
+2,Rafaela Lorenzoni,Batata frita,Só almoço,5       
+3,Otávio Barros,N/A,Café da manhã e almoço,7       
+4,Fernanda Melo,Brócolis,Só almoço,NA
+5,Leopoldo Souza,Pizza,Café da manhã e almoço,cinco
+6,Pérola Silva,Sorvete,Só almoço,6</code></pre>
 </div>
-<p><a href="#tbl-students-table" class="quarto-xref">Tabela&nbsp;<span>7.1</span></a> shows a representation of the same data as a table.</p>
+<p><a href="#tbl-estudantes-table" class="quarto-xref">Tabela&nbsp;<span>7.1</span></a> mostra uma representação dos mesmos dados como uma tabela.</p>
 <div class="cell">
-<div id="tbl-students-table" class="cell quarto-float anchored">
-<figure class="quarto-float quarto-float-tbl figure"><figcaption class="quarto-float-caption-top quarto-float-caption quarto-float-tbl" id="tbl-students-table-caption-0ceaefa1-69ba-4598-a22c-09a6ac19f8ca">
-Tabela&nbsp;7.1: Data from the students.csv file as a table.
-</figcaption><div aria-describedby="tbl-students-table-caption-0ceaefa1-69ba-4598-a22c-09a6ac19f8ca">
+<div id="tbl-estudantes-table" class="cell quarto-float anchored">
+<figure class="quarto-float quarto-float-tbl figure"><figcaption class="quarto-float-caption-top quarto-float-caption quarto-float-tbl" id="tbl-estudantes-table-caption-0ceaefa1-69ba-4598-a22c-09a6ac19f8ca">
+Tabela&nbsp;7.1: Dados do arquivo estudantes.csv como uma tabela.
+</figcaption><div aria-describedby="tbl-estudantes-table-caption-0ceaefa1-69ba-4598-a22c-09a6ac19f8ca">
 <div class="cell-output-display">
 <table class="do-not-create-environment cell table table-sm table-striped small">
 <colgroup>
-<col style="width: 15%">
-<col style="width: 23%">
-<col style="width: 26%">
-<col style="width: 27%">
-<col style="width: 6%">
+<col style="width: 16%">
+<col style="width: 22%">
+<col style="width: 24%">
+<col style="width: 29%">
+<col style="width: 7%">
 </colgroup>
 <thead><tr class="header">
-<th style="text-align: right;">Student ID</th>
-<th style="text-align: left;">Full Name</th>
-<th style="text-align: left;">favourite.food</th>
-<th style="text-align: left;">mealPlan</th>
-<th style="text-align: left;">AGE</th>
+<th style="text-align: right;">ID Estudante</th>
+<th style="text-align: left;">Nome Completo</th>
+<th style="text-align: left;">comida.favorita</th>
+<th style="text-align: left;">planoAlimentar</th>
+<th style="text-align: left;">IDADE</th>
 </tr></thead>
 <tbody>
 <tr class="odd">
 <td style="text-align: right;">1</td>
-<td style="text-align: left;">Sunil Huffmann</td>
-<td style="text-align: left;">Strawberry yoghurt</td>
-<td style="text-align: left;">Lunch only</td>
+<td style="text-align: left;">Pedro Cardoso</td>
+<td style="text-align: left;">Iogurte de morango</td>
+<td style="text-align: left;">Só almoço</td>
 <td style="text-align: left;">4</td>
 </tr>
 <tr class="even">
 <td style="text-align: right;">2</td>
-<td style="text-align: left;">Barclay Lynn</td>
-<td style="text-align: left;">French fries</td>
-<td style="text-align: left;">Lunch only</td>
+<td style="text-align: left;">Rafaela Lorenzoni</td>
+<td style="text-align: left;">Batata frita</td>
+<td style="text-align: left;">Só almoço</td>
 <td style="text-align: left;">5</td>
 </tr>
 <tr class="odd">
 <td style="text-align: right;">3</td>
-<td style="text-align: left;">Jayendra Lyne</td>
+<td style="text-align: left;">Otávio Barros</td>
 <td style="text-align: left;">N/A</td>
-<td style="text-align: left;">Breakfast and lunch</td>
+<td style="text-align: left;">Café da manhã e almoço</td>
 <td style="text-align: left;">7</td>
 </tr>
 <tr class="even">
 <td style="text-align: right;">4</td>
-<td style="text-align: left;">Leon Rossini</td>
-<td style="text-align: left;">Anchovies</td>
-<td style="text-align: left;">Lunch only</td>
+<td style="text-align: left;">Fernanda Melo</td>
+<td style="text-align: left;">Brócolis</td>
+<td style="text-align: left;">Só almoço</td>
 <td style="text-align: left;">NA</td>
 </tr>
 <tr class="odd">
 <td style="text-align: right;">5</td>
-<td style="text-align: left;">Chidiegwu Dunkel</td>
+<td style="text-align: left;">Leopoldo Souza</td>
 <td style="text-align: left;">Pizza</td>
-<td style="text-align: left;">Breakfast and lunch</td>
-<td style="text-align: left;">five</td>
+<td style="text-align: left;">Café da manhã e almoço</td>
+<td style="text-align: left;">cinco</td>
 </tr>
 <tr class="even">
 <td style="text-align: right;">6</td>
-<td style="text-align: left;">Güvenç Attila</td>
-<td style="text-align: left;">Ice cream</td>
-<td style="text-align: left;">Lunch only</td>
+<td style="text-align: left;">Pérola Silva</td>
+<td style="text-align: left;">Sorvete</td>
+<td style="text-align: left;">Só almoço</td>
 <td style="text-align: left;">6</td>
 </tr>
 </tbody>
@@ -551,123 +541,123 @@ <h1 class="title"><span id="sec-data-import" class="quarto-section-identifier"><
 </figure>
 </div>
 </div>
-<p>We can read this file into R using <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code>. The first argument is the most important: the path to the file. You can think about the path as the address of the file: the file is called <code>students.csv</code> and that it lives in the <code>data</code> folder.</p>
+<p>Podemos ler esse arquivo em R usando <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code>. O primeiro argumento é o mais importante: o caminho para o arquivo. Você pode pensar no caminho como um endereço do arquivo: o nome do arquivo é <code>estudantes.csv</code> e ele está armazenado na pasta <code>data</code>.</p>
 <div class="cell">
-<div class="sourceCode" id="cb3"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">students</span> <span class="op">&lt;-</span> <span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span><span class="st">"data/students.csv"</span><span class="op">)</span></span>
+<div class="sourceCode" id="cb3"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">estudantes</span> <span class="op">&lt;-</span> <span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span><span class="st">"data/estudantes.csv"</span><span class="op">)</span></span>
 <span><span class="co">#&gt; Rows: 6 Columns: 5</span></span>
 <span><span class="co">#&gt; ── Column specification ─────────────────────────────────────────────────────</span></span>
 <span><span class="co">#&gt; Delimiter: ","</span></span>
-<span><span class="co">#&gt; chr (4): Full Name, favourite.food, mealPlan, AGE</span></span>
-<span><span class="co">#&gt; dbl (1): Student ID</span></span>
+<span><span class="co">#&gt; chr (4): Nome Completo, comida.favorita, planoAlimentar, IDADE</span></span>
+<span><span class="co">#&gt; dbl (1): ID Estudante</span></span>
 <span><span class="co">#&gt; </span></span>
 <span><span class="co">#&gt; ℹ Use `spec()` to retrieve the full column specification for this data.</span></span>
 <span><span class="co">#&gt; ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-<p>The code above will work if you have the <code>students.csv</code> file in a <code>data</code> folder in your project. You can download the <code>students.csv</code> file from <a href="https://pos.it/r4ds-students-csv" class="uri">https://pos.it/r4ds-students-csv</a> or you can read it directly from that URL with:</p>
+<p>O código acima irá funcionar se você tiver o arquivo <code>estudantes.csv</code> em uma pasta chamada <code>data</code> no seu projeto. Você pode baixar o arquivo <code>estudantes.csv</code> de <a href="https://raw.githubusercontent.com/cienciadedatos/pt-r4ds/traducao-pt-2ed/data/estudantes.csv" class="uri">https://raw.githubusercontent.com/cienciadedatos/pt-r4ds/traducao-pt-2ed/data/estudantes.csv</a> ou você pode importá-lo diretamente dessa URL com:</p>
 <div class="cell">
-<div class="sourceCode" id="cb4"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">students</span> <span class="op">&lt;-</span> <span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span><span class="st">"https://pos.it/r4ds-students-csv"</span><span class="op">)</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
+<div class="sourceCode" id="cb4"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">estudantes</span> <span class="op">&lt;-</span> <span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span><span class="st">"https://raw.githubusercontent.com/cienciadedatos/pt-r4ds/traducao-pt-2ed/data/estudantes.csv"</span><span class="op">)</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-<p>When you run <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code>, it prints out a message telling you the number of rows and columns of data, the delimiter that was used, and the column specifications (names of columns organized by the type of data the column contains). It also prints out some information about retrieving the full column specification and how to quiet this message. This message is an integral part of readr, and we’ll return to it in <a href="#sec-col-types" class="quarto-xref"><span>Seção 7.3</span></a>.</p>
-<section id="practical-advice" class="level3" data-number="7.2.1"><h3 data-number="7.2.1" class="anchored" data-anchor-id="practical-advice">
-<span class="header-section-number">7.2.1</span> Practical advice</h3>
-<p>Once you read data in, the first step usually involves transforming it in some way to make it easier to work with in the rest of your analysis. Let’s take another look at the <code>students</code> data with that in mind.</p>
+<p>Quando você executa o comando <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code>, ele imprime uma mensagem informando o número de linhas e colunas de dados, o delimitador que foi usado e as especificações das colunas (nomes das colunas organizados pelo tipo de dados que a coluna contém). Ele também imprime algumas informações sobre como recuperar a especificação completa da coluna e como silenciar essa mensagem. Essa mensagem é uma parte integral do readr, e voltaremos a ela em <a href="#sec-col-types" class="quarto-xref"><span>Seção 7.3</span></a>.</p>
+<section id="dicas-práticas" class="level3" data-number="7.2.1"><h3 data-number="7.2.1" class="anchored" data-anchor-id="dicas-práticas">
+<span class="header-section-number">7.2.1</span> Dicas práticas</h3>
+<p>Após importar os dados, o próximo passo geralmente envolve transformá-los de um jeito que facilite o trabalho no restante da sua análise. Com isso em mente, vamos dar uma segunda olhada no conjunto de dados <code>estudantes</code>.</p>
 <div class="cell">
-<div class="sourceCode" id="cb5"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">students</span></span>
+<div class="sourceCode" id="cb5"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">estudantes</span></span>
 <span><span class="co">#&gt; # A tibble: 6 × 5</span></span>
-<span><span class="co">#&gt;   `Student ID` `Full Name`      favourite.food     mealPlan            AGE  </span></span>
-<span><span class="co">#&gt;          &lt;dbl&gt; &lt;chr&gt;            &lt;chr&gt;              &lt;chr&gt;               &lt;chr&gt;</span></span>
-<span><span class="co">#&gt; 1            1 Sunil Huffmann   Strawberry yoghurt Lunch only          4    </span></span>
-<span><span class="co">#&gt; 2            2 Barclay Lynn     French fries       Lunch only          5    </span></span>
-<span><span class="co">#&gt; 3            3 Jayendra Lyne    N/A                Breakfast and lunch 7    </span></span>
-<span><span class="co">#&gt; 4            4 Leon Rossini     Anchovies          Lunch only          &lt;NA&gt; </span></span>
-<span><span class="co">#&gt; 5            5 Chidiegwu Dunkel Pizza              Breakfast and lunch five </span></span>
-<span><span class="co">#&gt; 6            6 Güvenç Attila    Ice cream          Lunch only          6</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
+<span><span class="co">#&gt;   `ID Estudante` `Nome Completo`   comida.favorita    planoAlimentar    IDADE</span></span>
+<span><span class="co">#&gt;            &lt;dbl&gt; &lt;chr&gt;             &lt;chr&gt;              &lt;chr&gt;             &lt;chr&gt;</span></span>
+<span><span class="co">#&gt; 1              1 Pedro Cardoso     Iogurte de morango Só almoço         4    </span></span>
+<span><span class="co">#&gt; 2              2 Rafaela Lorenzoni Batata frita       Só almoço         5    </span></span>
+<span><span class="co">#&gt; 3              3 Otávio Barros     N/A                Café da manhã e … 7    </span></span>
+<span><span class="co">#&gt; 4              4 Fernanda Melo     Brócolis           Só almoço         &lt;NA&gt; </span></span>
+<span><span class="co">#&gt; 5              5 Leopoldo Souza    Pizza              Café da manhã e … cinco</span></span>
+<span><span class="co">#&gt; 6              6 Pérola Silva      Sorvete            Só almoço         6</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-<p>In the <code>favourite.food</code> column, there are a bunch of food items, and then the character string <code>N/A</code>, which should have been a real <code>NA</code> that R will recognize as “not available”. This is something we can address using the <code>na</code> argument. By default, <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code> only recognizes empty strings (<code>""</code>) in this dataset as <code>NA</code>s, we want it to also recognize the character string <code>"N/A"</code>.</p>
+<p>Na coluna <code>comida.favorita</code>, há uma série de itens de comida, e o texto (<em>string</em>) <code>"N/A"</code>, que deveria ter sido um <code>NA</code> real que o R reconheceria como um dado faltante (<em>not available</em>). Isso é algo que podemos resolver usando o argumento <code>na</code>. Por padrão, <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code> reconhece apenas strings vazias (<code>""</code>) como <code>NA</code>s, mas, para esse conjunto de dados, também queremos que ele reconheça a <em>string</em> de caracteres <code>"N/A"</code>.</p>
 <div class="cell">
-<div class="sourceCode" id="cb6"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">students</span> <span class="op">&lt;-</span> <span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span><span class="st">"data/students.csv"</span>, na <span class="op">=</span> <span class="fu"><a href="https://rdrr.io/r/base/c.html">c</a></span><span class="op">(</span><span class="st">"N/A"</span>, <span class="st">""</span><span class="op">)</span><span class="op">)</span></span>
+<div class="sourceCode" id="cb6"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">estudantes</span> <span class="op">&lt;-</span> <span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span><span class="st">"data/estudantes.csv"</span>, na <span class="op">=</span> <span class="fu"><a href="https://rdrr.io/r/base/c.html">c</a></span><span class="op">(</span><span class="st">"N/A"</span>, <span class="st">""</span><span class="op">)</span><span class="op">)</span></span>
 <span></span>
-<span><span class="va">students</span></span>
+<span><span class="va">estudantes</span></span>
 <span><span class="co">#&gt; # A tibble: 6 × 5</span></span>
-<span><span class="co">#&gt;   `Student ID` `Full Name`      favourite.food     mealPlan            AGE  </span></span>
-<span><span class="co">#&gt;          &lt;dbl&gt; &lt;chr&gt;            &lt;chr&gt;              &lt;chr&gt;               &lt;chr&gt;</span></span>
-<span><span class="co">#&gt; 1            1 Sunil Huffmann   Strawberry yoghurt Lunch only          4    </span></span>
-<span><span class="co">#&gt; 2            2 Barclay Lynn     French fries       Lunch only          5    </span></span>
-<span><span class="co">#&gt; 3            3 Jayendra Lyne    &lt;NA&gt;               Breakfast and lunch 7    </span></span>
-<span><span class="co">#&gt; 4            4 Leon Rossini     Anchovies          Lunch only          &lt;NA&gt; </span></span>
-<span><span class="co">#&gt; 5            5 Chidiegwu Dunkel Pizza              Breakfast and lunch five </span></span>
-<span><span class="co">#&gt; 6            6 Güvenç Attila    Ice cream          Lunch only          6</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
+<span><span class="co">#&gt;   `ID Estudante` `Nome Completo`   comida.favorita    planoAlimentar    IDADE</span></span>
+<span><span class="co">#&gt;            &lt;dbl&gt; &lt;chr&gt;             &lt;chr&gt;              &lt;chr&gt;             &lt;chr&gt;</span></span>
+<span><span class="co">#&gt; 1              1 Pedro Cardoso     Iogurte de morango Só almoço         4    </span></span>
+<span><span class="co">#&gt; 2              2 Rafaela Lorenzoni Batata frita       Só almoço         5    </span></span>
+<span><span class="co">#&gt; 3              3 Otávio Barros     &lt;NA&gt;               Café da manhã e … 7    </span></span>
+<span><span class="co">#&gt; 4              4 Fernanda Melo     Brócolis           Só almoço         NA   </span></span>
+<span><span class="co">#&gt; 5              5 Leopoldo Souza    Pizza              Café da manhã e … cinco</span></span>
+<span><span class="co">#&gt; 6              6 Pérola Silva      Sorvete            Só almoço         6</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-<p>You might also notice that the <code>Student ID</code> and <code>Full Name</code> columns are surrounded by backticks. That’s because they contain spaces, breaking R’s usual rules for variable names; they’re <strong>non-syntactic</strong> names. To refer to these variables, you need to surround them with backticks, <code>`</code>:</p>
+<p>Você também pode notar que as colunas <code>ID Estudante</code> e <code>Nome Completo</code> estão cercadas por crases. Isso ocorre porque elas contêm espaços, quebrando as regras usuais do R para nomes de variáveis; elas são nomes <strong>não-sintáticos</strong>. Para se referir a essas variáveis, você precisa cercá-las com crases, <code>`</code>:</p>
 <div class="cell">
-<div class="sourceCode" id="cb7"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">students</span> <span class="op">|&gt;</span> </span>
+<div class="sourceCode" id="cb7"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">estudantes</span> <span class="op">|&gt;</span> </span>
 <span>  <span class="fu"><a href="https://dplyr.tidyverse.org/reference/rename.html">rename</a></span><span class="op">(</span></span>
-<span>    student_id <span class="op">=</span> <span class="va">`Student ID`</span>,</span>
-<span>    full_name <span class="op">=</span> <span class="va">`Full Name`</span></span>
+<span>    id_estudante <span class="op">=</span> <span class="va">`ID Estudante`</span>,</span>
+<span>    nome_completo <span class="op">=</span> <span class="va">`Nome Completo`</span></span>
 <span>  <span class="op">)</span></span>
 <span><span class="co">#&gt; # A tibble: 6 × 5</span></span>
-<span><span class="co">#&gt;   student_id full_name        favourite.food     mealPlan            AGE  </span></span>
-<span><span class="co">#&gt;        &lt;dbl&gt; &lt;chr&gt;            &lt;chr&gt;              &lt;chr&gt;               &lt;chr&gt;</span></span>
-<span><span class="co">#&gt; 1          1 Sunil Huffmann   Strawberry yoghurt Lunch only          4    </span></span>
-<span><span class="co">#&gt; 2          2 Barclay Lynn     French fries       Lunch only          5    </span></span>
-<span><span class="co">#&gt; 3          3 Jayendra Lyne    &lt;NA&gt;               Breakfast and lunch 7    </span></span>
-<span><span class="co">#&gt; 4          4 Leon Rossini     Anchovies          Lunch only          &lt;NA&gt; </span></span>
-<span><span class="co">#&gt; 5          5 Chidiegwu Dunkel Pizza              Breakfast and lunch five </span></span>
-<span><span class="co">#&gt; 6          6 Güvenç Attila    Ice cream          Lunch only          6</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
+<span><span class="co">#&gt;   id_estudante nome_completo     comida.favorita    planoAlimentar      IDADE</span></span>
+<span><span class="co">#&gt;          &lt;dbl&gt; &lt;chr&gt;             &lt;chr&gt;              &lt;chr&gt;               &lt;chr&gt;</span></span>
+<span><span class="co">#&gt; 1            1 Pedro Cardoso     Iogurte de morango Só almoço           4    </span></span>
+<span><span class="co">#&gt; 2            2 Rafaela Lorenzoni Batata frita       Só almoço           5    </span></span>
+<span><span class="co">#&gt; 3            3 Otávio Barros     &lt;NA&gt;               Café da manhã e al… 7    </span></span>
+<span><span class="co">#&gt; 4            4 Fernanda Melo     Brócolis           Só almoço           NA   </span></span>
+<span><span class="co">#&gt; 5            5 Leopoldo Souza    Pizza              Café da manhã e al… cinco</span></span>
+<span><span class="co">#&gt; 6            6 Pérola Silva      Sorvete            Só almoço           6</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-<p>An alternative approach is to use <code><a href="https://sfirke.github.io/janitor/reference/clean_names.html">janitor::clean_names()</a></code> to use some heuristics to turn them all into snake case at once<a href="#fn1" class="footnote-ref" id="fnref1" role="doc-noteref"><sup>1</sup></a>.</p>
+<p>Uma abordagem alternativa é usar <code><a href="https://sfirke.github.io/janitor/reference/clean_names.html">janitor::clean_names()</a></code> para transformar todos os nomes de variáveis em <em>snake case</em> de uma só vez<a href="#fn2" class="footnote-ref" id="fnref2" role="doc-noteref"><sup>2</sup></a>.</p>
 <div class="cell">
-<div class="sourceCode" id="cb8"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">students</span> <span class="op">|&gt;</span> <span class="fu">janitor</span><span class="fu">::</span><span class="fu"><a href="https://sfirke.github.io/janitor/reference/clean_names.html">clean_names</a></span><span class="op">(</span><span class="op">)</span></span>
+<div class="sourceCode" id="cb8"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">estudantes</span> <span class="op">|&gt;</span> <span class="fu">janitor</span><span class="fu">::</span><span class="fu"><a href="https://sfirke.github.io/janitor/reference/clean_names.html">clean_names</a></span><span class="op">(</span><span class="op">)</span></span>
 <span><span class="co">#&gt; # A tibble: 6 × 5</span></span>
-<span><span class="co">#&gt;   student_id full_name        favourite_food     meal_plan           age  </span></span>
-<span><span class="co">#&gt;        &lt;dbl&gt; &lt;chr&gt;            &lt;chr&gt;              &lt;chr&gt;               &lt;chr&gt;</span></span>
-<span><span class="co">#&gt; 1          1 Sunil Huffmann   Strawberry yoghurt Lunch only          4    </span></span>
-<span><span class="co">#&gt; 2          2 Barclay Lynn     French fries       Lunch only          5    </span></span>
-<span><span class="co">#&gt; 3          3 Jayendra Lyne    &lt;NA&gt;               Breakfast and lunch 7    </span></span>
-<span><span class="co">#&gt; 4          4 Leon Rossini     Anchovies          Lunch only          &lt;NA&gt; </span></span>
-<span><span class="co">#&gt; 5          5 Chidiegwu Dunkel Pizza              Breakfast and lunch five </span></span>
-<span><span class="co">#&gt; 6          6 Güvenç Attila    Ice cream          Lunch only          6</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
+<span><span class="co">#&gt;   id_estudante nome_completo     comida_favorita    plano_alimentar     idade</span></span>
+<span><span class="co">#&gt;          &lt;dbl&gt; &lt;chr&gt;             &lt;chr&gt;              &lt;chr&gt;               &lt;chr&gt;</span></span>
+<span><span class="co">#&gt; 1            1 Pedro Cardoso     Iogurte de morango Só almoço           4    </span></span>
+<span><span class="co">#&gt; 2            2 Rafaela Lorenzoni Batata frita       Só almoço           5    </span></span>
+<span><span class="co">#&gt; 3            3 Otávio Barros     &lt;NA&gt;               Café da manhã e al… 7    </span></span>
+<span><span class="co">#&gt; 4            4 Fernanda Melo     Brócolis           Só almoço           NA   </span></span>
+<span><span class="co">#&gt; 5            5 Leopoldo Souza    Pizza              Café da manhã e al… cinco</span></span>
+<span><span class="co">#&gt; 6            6 Pérola Silva      Sorvete            Só almoço           6</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-<p>Another common task after reading in data is to consider variable types. For example, <code>meal_plan</code> is a categorical variable with a known set of possible values, which in R should be represented as a factor:</p>
+<p>Outra tarefa comum após a leitura dos dados é examinar os tipos de variáveis. Por exemplo, <code>plano_alimentar</code> é uma variável categórica com um conjunto conhecido de valores possíveis, que no R deve ser representado como um fator:</p>
 <div class="cell">
-<div class="sourceCode" id="cb9"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">students</span> <span class="op">|&gt;</span></span>
+<div class="sourceCode" id="cb9"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">estudantes</span> <span class="op">|&gt;</span></span>
 <span>  <span class="fu">janitor</span><span class="fu">::</span><span class="fu"><a href="https://sfirke.github.io/janitor/reference/clean_names.html">clean_names</a></span><span class="op">(</span><span class="op">)</span> <span class="op">|&gt;</span></span>
-<span>  <span class="fu"><a href="https://dplyr.tidyverse.org/reference/mutate.html">mutate</a></span><span class="op">(</span>meal_plan <span class="op">=</span> <span class="fu"><a href="https://rdrr.io/r/base/factor.html">factor</a></span><span class="op">(</span><span class="va">meal_plan</span><span class="op">)</span><span class="op">)</span></span>
+<span>  <span class="fu"><a href="https://dplyr.tidyverse.org/reference/mutate.html">mutate</a></span><span class="op">(</span>plano_alimentar <span class="op">=</span> <span class="fu"><a href="https://rdrr.io/r/base/factor.html">factor</a></span><span class="op">(</span><span class="va">plano_alimentar</span><span class="op">)</span><span class="op">)</span></span>
 <span><span class="co">#&gt; # A tibble: 6 × 5</span></span>
-<span><span class="co">#&gt;   student_id full_name        favourite_food     meal_plan           age  </span></span>
-<span><span class="co">#&gt;        &lt;dbl&gt; &lt;chr&gt;            &lt;chr&gt;              &lt;fct&gt;               &lt;chr&gt;</span></span>
-<span><span class="co">#&gt; 1          1 Sunil Huffmann   Strawberry yoghurt Lunch only          4    </span></span>
-<span><span class="co">#&gt; 2          2 Barclay Lynn     French fries       Lunch only          5    </span></span>
-<span><span class="co">#&gt; 3          3 Jayendra Lyne    &lt;NA&gt;               Breakfast and lunch 7    </span></span>
-<span><span class="co">#&gt; 4          4 Leon Rossini     Anchovies          Lunch only          &lt;NA&gt; </span></span>
-<span><span class="co">#&gt; 5          5 Chidiegwu Dunkel Pizza              Breakfast and lunch five </span></span>
-<span><span class="co">#&gt; 6          6 Güvenç Attila    Ice cream          Lunch only          6</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
+<span><span class="co">#&gt;   id_estudante nome_completo     comida_favorita    plano_alimentar     idade</span></span>
+<span><span class="co">#&gt;          &lt;dbl&gt; &lt;chr&gt;             &lt;chr&gt;              &lt;fct&gt;               &lt;chr&gt;</span></span>
+<span><span class="co">#&gt; 1            1 Pedro Cardoso     Iogurte de morango Só almoço           4    </span></span>
+<span><span class="co">#&gt; 2            2 Rafaela Lorenzoni Batata frita       Só almoço           5    </span></span>
+<span><span class="co">#&gt; 3            3 Otávio Barros     &lt;NA&gt;               Café da manhã e al… 7    </span></span>
+<span><span class="co">#&gt; 4            4 Fernanda Melo     Brócolis           Só almoço           NA   </span></span>
+<span><span class="co">#&gt; 5            5 Leopoldo Souza    Pizza              Café da manhã e al… cinco</span></span>
+<span><span class="co">#&gt; 6            6 Pérola Silva      Sorvete            Só almoço           6</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-<p>Note that the values in the <code>meal_plan</code> variable have stayed the same, but the type of variable denoted underneath the variable name has changed from character (<code>&lt;chr&gt;</code>) to factor (<code>&lt;fct&gt;</code>). You’ll learn more about factors in <a href="factors.html" class="quarto-xref"><span>Capítulo 16</span></a>.</p>
-<p>Before you analyze these data, you’ll probably want to fix the <code>age</code> and <code>id</code> columns. Currently, <code>age</code> is a character variable because one of the observations is typed out as <code>five</code> instead of a numeric <code>5</code>. We discuss the details of fixing this issue in <a href="spreadsheets.html" class="quarto-xref"><span>Capítulo 20</span></a>.</p>
+<p>Note que os valores em <code>plano_alimentar</code> permaneceram os mesmos, mas o tipo de variável denotado abaixo do nome da variável mudou de caractere (<code>&lt;chr&gt;</code>) para fator (<code>&lt;fct&gt;</code>). Você aprenderá mais sobre fatores em <a href="factors.html" class="quarto-xref"><span>Capítulo 16</span></a>.</p>
+<p>Antes de analisar esses dados, você provavelmente vai querer corrigir as colunas <code>idade</code> e <code>id</code>. Atualmente, <code>idade</code> é uma variável de caractere porque uma das observações está digitada como <code>cinco</code> em vez de um <code>5</code> numérico. Discutiremos os detalhes de como corrigir esse problema em <a href="spreadsheets.html" class="quarto-xref"><span>Capítulo 20</span></a>.</p>
 <div class="cell">
-<div class="sourceCode" id="cb10"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">students</span> <span class="op">&lt;-</span> <span class="va">students</span> <span class="op">|&gt;</span></span>
+<div class="sourceCode" id="cb10"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">estudantes</span> <span class="op">&lt;-</span> <span class="va">estudantes</span> <span class="op">|&gt;</span></span>
 <span>  <span class="fu">janitor</span><span class="fu">::</span><span class="fu"><a href="https://sfirke.github.io/janitor/reference/clean_names.html">clean_names</a></span><span class="op">(</span><span class="op">)</span> <span class="op">|&gt;</span></span>
 <span>  <span class="fu"><a href="https://dplyr.tidyverse.org/reference/mutate.html">mutate</a></span><span class="op">(</span></span>
-<span>    meal_plan <span class="op">=</span> <span class="fu"><a href="https://rdrr.io/r/base/factor.html">factor</a></span><span class="op">(</span><span class="va">meal_plan</span><span class="op">)</span>,</span>
-<span>    age <span class="op">=</span> <span class="fu"><a href="https://readr.tidyverse.org/reference/parse_number.html">parse_number</a></span><span class="op">(</span><span class="fu"><a href="https://dplyr.tidyverse.org/reference/if_else.html">if_else</a></span><span class="op">(</span><span class="va">age</span> <span class="op">==</span> <span class="st">"five"</span>, <span class="st">"5"</span>, <span class="va">age</span><span class="op">)</span><span class="op">)</span></span>
+<span>    plano_alimentar <span class="op">=</span> <span class="fu"><a href="https://rdrr.io/r/base/factor.html">factor</a></span><span class="op">(</span><span class="va">plano_alimentar</span><span class="op">)</span>,</span>
+<span>    idade <span class="op">=</span> <span class="fu"><a href="https://readr.tidyverse.org/reference/parse_number.html">parse_number</a></span><span class="op">(</span><span class="fu"><a href="https://dplyr.tidyverse.org/reference/if_else.html">if_else</a></span><span class="op">(</span><span class="va">idade</span> <span class="op">==</span> <span class="st">"cinco"</span>, <span class="st">"5"</span>, <span class="va">idade</span><span class="op">)</span><span class="op">)</span></span>
 <span>  <span class="op">)</span></span>
 <span></span>
-<span><span class="va">students</span></span>
+<span><span class="va">estudantes</span></span>
 <span><span class="co">#&gt; # A tibble: 6 × 5</span></span>
-<span><span class="co">#&gt;   student_id full_name        favourite_food     meal_plan             age</span></span>
-<span><span class="co">#&gt;        &lt;dbl&gt; &lt;chr&gt;            &lt;chr&gt;              &lt;fct&gt;               &lt;dbl&gt;</span></span>
-<span><span class="co">#&gt; 1          1 Sunil Huffmann   Strawberry yoghurt Lunch only              4</span></span>
-<span><span class="co">#&gt; 2          2 Barclay Lynn     French fries       Lunch only              5</span></span>
-<span><span class="co">#&gt; 3          3 Jayendra Lyne    &lt;NA&gt;               Breakfast and lunch     7</span></span>
-<span><span class="co">#&gt; 4          4 Leon Rossini     Anchovies          Lunch only             NA</span></span>
-<span><span class="co">#&gt; 5          5 Chidiegwu Dunkel Pizza              Breakfast and lunch     5</span></span>
-<span><span class="co">#&gt; 6          6 Güvenç Attila    Ice cream          Lunch only              6</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
+<span><span class="co">#&gt;   id_estudante nome_completo     comida_favorita    plano_alimentar     idade</span></span>
+<span><span class="co">#&gt;          &lt;dbl&gt; &lt;chr&gt;             &lt;chr&gt;              &lt;fct&gt;               &lt;dbl&gt;</span></span>
+<span><span class="co">#&gt; 1            1 Pedro Cardoso     Iogurte de morango Só almoço               4</span></span>
+<span><span class="co">#&gt; 2            2 Rafaela Lorenzoni Batata frita       Só almoço               5</span></span>
+<span><span class="co">#&gt; 3            3 Otávio Barros     &lt;NA&gt;               Café da manhã e al…     7</span></span>
+<span><span class="co">#&gt; 4            4 Fernanda Melo     Brócolis           Só almoço              NA</span></span>
+<span><span class="co">#&gt; 5            5 Leopoldo Souza    Pizza              Café da manhã e al…     5</span></span>
+<span><span class="co">#&gt; 6            6 Pérola Silva      Sorvete            Só almoço               6</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-<p>A new function here is <code><a href="https://dplyr.tidyverse.org/reference/if_else.html">if_else()</a></code>, which has three arguments. The first argument <code>test</code> should be a logical vector. The result will contain the value of the second argument, <code>yes</code>, when <code>test</code> is <code>TRUE</code>, and the value of the third argument, <code>no</code>, when it is <code>FALSE</code>. Here we’re saying if <code>age</code> is the character string <code>"five"</code>, make it <code>"5"</code>, and if not leave it as <code>age</code>. You will learn more about <code><a href="https://dplyr.tidyverse.org/reference/if_else.html">if_else()</a></code> and logical vectors in <a href="logicals.html" class="quarto-xref"><span>Capítulo 12</span></a>.</p>
-</section><section id="other-arguments" class="level3" data-number="7.2.2"><h3 data-number="7.2.2" class="anchored" data-anchor-id="other-arguments">
-<span class="header-section-number">7.2.2</span> Other arguments</h3>
-<p>There are a couple of other important arguments that we need to mention, and they’ll be easier to demonstrate if we first show you a handy trick: <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code> can read text strings that you’ve created and formatted like a CSV file:</p>
+<p>Uma nova função aqui é <code><a href="https://dplyr.tidyverse.org/reference/if_else.html">if_else()</a></code>, que tem três argumentos. O primeiro argumento <code>test</code> deve ser um vetor lógico. O resultado conterá o valor do segundo argumento, <code>yes</code>, quando <code>test</code> é <code>TRUE</code>, e o valor do terceiro argumento, <code>no</code>, quando é <code>FALSE</code>. Aqui estamos dizendo que se <code>idade</code> é a <em>string</em> de caracteres <code>"cinco"</code>, faça-a <code>"5"</code>, e se não, mantenha-a como <code>idade</code>. Você aprenderá mais sobre <code><a href="https://dplyr.tidyverse.org/reference/if_else.html">if_else()</a></code> e vetores lógicos em <a href="logicals.html" class="quarto-xref"><span>Capítulo 12</span></a>.</p>
+</section><section id="outros-argumentos" class="level3" data-number="7.2.2"><h3 data-number="7.2.2" class="anchored" data-anchor-id="outros-argumentos">
+<span class="header-section-number">7.2.2</span> Outros argumentos</h3>
+<p>Há alguns outros argumentos importantes que precisamos mencionar, e eles serão mais fáceis de demonstrar se primeiro mostrarmos um truque útil: <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code> pode ler <em>strings</em> de texto que você criou e formatou como um arquivo CSV:</p>
 <div class="cell">
 <div class="sourceCode" id="cb11"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span></span>
 <span>  <span class="st">"a,b,c</span></span>
@@ -680,11 +670,11 @@ <h1 class="title"><span id="sec-data-import" class="quarto-section-identifier"><
 <span><span class="co">#&gt; 1     1     2     3</span></span>
 <span><span class="co">#&gt; 2     4     5     6</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-<p>Usually, <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code> uses the first line of the data for the column names, which is a very common convention. But it’s not uncommon for a few lines of metadata to be included at the top of the file. You can use <code>skip = n</code> to skip the first <code>n</code> lines or use <code>comment = "#"</code> to drop all lines that start with (e.g.) <code>#</code>:</p>
+<p>Normalmente, <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code> usa a primeira linha de dados como os nomes das colunas, o que é uma convenção muito comum. Mas não é incomum que algumas linhas de metadados sejam incluídas no início do arquivo. Você pode usar <code>skip = n</code> para pular as primeiras <code>n</code> linhas ou usar <code>comment = "#"</code> para ignorar todas as linhas que começam com <code>#</code>, por exemplo:</p>
 <div class="cell">
 <div class="sourceCode" id="cb12"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span></span>
-<span>  <span class="st">"The first line of metadata</span></span>
-<span><span class="st">  The second line of metadata</span></span>
+<span>  <span class="st">"A primeira linha de metadados</span></span>
+<span><span class="st">  A segunda linha de metadados</span></span>
 <span><span class="st">  x,y,z</span></span>
 <span><span class="st">  1,2,3"</span>,</span>
 <span>  skip <span class="op">=</span> <span class="fl">2</span></span>
@@ -695,7 +685,7 @@ <h1 class="title"><span id="sec-data-import" class="quarto-section-identifier"><
 <span><span class="co">#&gt; 1     1     2     3</span></span>
 <span></span>
 <span><span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span></span>
-<span>  <span class="st">"# A comment I want to skip</span></span>
+<span>  <span class="st">"# Um comentário que gostaria de ignorar</span></span>
 <span><span class="st">  x,y,z</span></span>
 <span><span class="st">  1,2,3"</span>,</span>
 <span>  comment <span class="op">=</span> <span class="st">"#"</span></span>
@@ -705,7 +695,7 @@ <h1 class="title"><span id="sec-data-import" class="quarto-section-identifier"><
 <span><span class="co">#&gt;   &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt;</span></span>
 <span><span class="co">#&gt; 1     1     2     3</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-<p>In other cases, the data might not have column names. You can use <code>col_names = FALSE</code> to tell <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code> not to treat the first row as headings and instead label them sequentially from <code>X1</code> to <code>Xn</code>:</p>
+<p>Em outros casos, os dados podem não ter nomes de colunas. Você pode usar <code>col_names = FALSE</code> para dizer ao <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code> para não tratar a primeira linha como cabeçalho e, em vez disso, rotular as colunas sequencialmente de <code>X1</code> a <code>Xn</code>:</p>
 <div class="cell">
 <div class="sourceCode" id="cb13"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span></span>
 <span>  <span class="st">"1,2,3</span></span>
@@ -718,7 +708,7 @@ <h1 class="title"><span id="sec-data-import" class="quarto-section-identifier"><
 <span><span class="co">#&gt; 1     1     2     3</span></span>
 <span><span class="co">#&gt; 2     4     5     6</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-<p>Alternatively, you can pass <code>col_names</code> a character vector which will be used as the column names:</p>
+<p>Alternativamente, você pode fornecer à <code>col_names</code> um vetor de caracteres que será usado como os nomes das colunas:</p>
 <div class="cell">
 <div class="sourceCode" id="cb14"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span></span>
 <span>  <span class="st">"1,2,3</span></span>
@@ -731,31 +721,31 @@ <h1 class="title"><span id="sec-data-import" class="quarto-section-identifier"><
 <span><span class="co">#&gt; 1     1     2     3</span></span>
 <span><span class="co">#&gt; 2     4     5     6</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-<p>These arguments are all you need to know to read the majority of CSV files that you’ll encounter in practice. (For the rest, you’ll need to carefully inspect your <code>.csv</code> file and read the documentation for <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code>’s many other arguments.)</p>
-</section><section id="other-file-types" class="level3" data-number="7.2.3"><h3 data-number="7.2.3" class="anchored" data-anchor-id="other-file-types">
-<span class="header-section-number">7.2.3</span> Other file types</h3>
-<p>Once you’ve mastered <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code>, using readr’s other functions is straightforward; it’s just a matter of knowing which function to reach for:</p>
+<p>Esses argumentos são tudo o que você precisa saber para ler a maioria dos arquivos CSV que você encontrará na prática. (Para o restante, você precisará inspecionar cuidadosamente seu arquivo <code>.csv</code> e ler a documentação para os muitos outros argumentos de <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code>.)</p>
+</section><section id="outros-tipos-de-arquivos" class="level3" data-number="7.2.3"><h3 data-number="7.2.3" class="anchored" data-anchor-id="outros-tipos-de-arquivos">
+<span class="header-section-number">7.2.3</span> Outros tipos de arquivos</h3>
+<p>Uma vez que você tenha aprendido a usar <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code>, usar as outras funções do readr é simples; é apenas uma questão de saber qual função usar:</p>
 <ul>
-<li><p><code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv2()</a></code> reads semicolon-separated files. These use <code>;</code> instead of <code>,</code> to separate fields and are common in countries that use <code>,</code> as the decimal marker.</p></li>
-<li><p><code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_tsv()</a></code> reads tab-delimited files.</p></li>
-<li><p><code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_delim()</a></code> reads in files with any delimiter, attempting to automatically guess the delimiter if you don’t specify it.</p></li>
-<li><p><code><a href="https://readr.tidyverse.org/reference/read_fwf.html">read_fwf()</a></code> reads fixed-width files. You can specify fields by their widths with <code><a href="https://readr.tidyverse.org/reference/read_fwf.html">fwf_widths()</a></code> or by their positions with <code><a href="https://readr.tidyverse.org/reference/read_fwf.html">fwf_positions()</a></code>.</p></li>
-<li><p><code><a href="https://readr.tidyverse.org/reference/read_table.html">read_table()</a></code> reads a common variation of fixed-width files where columns are separated by white space.</p></li>
-<li><p><code><a href="https://readr.tidyverse.org/reference/read_log.html">read_log()</a></code> reads Apache-style log files.</p></li>
-</ul></section><section id="exercises" class="level3" data-number="7.2.4"><h3 data-number="7.2.4" class="anchored" data-anchor-id="exercises">
-<span class="header-section-number">7.2.4</span> Exercises</h3>
+<li><p><code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv2()</a></code> lê arquivos separados por ponto-e-vírgula. Usa <code>;</code> ao invés de <code>,</code> para separar os campos, e são comuns em países que usam <code>,</code> como marcador decimal.</p></li>
+<li><p><code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_tsv()</a></code> lê arquivos delimitados por tabulação.</p></li>
+<li><p><code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_delim()</a></code> lê arquivos com qualquer delimitador, tentando supor automaticamente o delimitador se você não o especificar.</p></li>
+<li><p><code><a href="https://readr.tidyverse.org/reference/read_fwf.html">read_fwf()</a></code> lê arquivos de largura fixa. Você pode especificar os campos por suas larguras com <code><a href="https://readr.tidyverse.org/reference/read_fwf.html">fwf_widths()</a></code> ou por suas posições com <code><a href="https://readr.tidyverse.org/reference/read_fwf.html">fwf_positions()</a></code>.</p></li>
+<li><p><code><a href="https://readr.tidyverse.org/reference/read_table.html">read_table()</a></code> lê uma variação comum de arquivos de largura fixa onde as colunas são separadas por espaços em branco.</p></li>
+<li><p><code><a href="https://readr.tidyverse.org/reference/read_log.html">read_log()</a></code> lê arquivos de log no estilo Apache.</p></li>
+</ul></section><section id="exercícios" class="level3" data-number="7.2.4"><h3 data-number="7.2.4" class="anchored" data-anchor-id="exercícios">
+<span class="header-section-number">7.2.4</span> Exercícios</h3>
 <ol type="1">
-<li><p>What function would you use to read a file where fields were separated with “|”?</p></li>
-<li><p>Apart from <code>file</code>, <code>skip</code>, and <code>comment</code>, what other arguments do <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code> and <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_tsv()</a></code> have in common?</p></li>
-<li><p>What are the most important arguments to <code><a href="https://readr.tidyverse.org/reference/read_fwf.html">read_fwf()</a></code>?</p></li>
+<li><p>Que função você usaria para ler um arquivo onde os campos são separados por <code>|</code>?</p></li>
+<li><p>Além de <code>file</code>, <code>skip</code> e <code>comment</code>, quais outros argumentos <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code> e <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_tsv()</a></code> têm em comum?</p></li>
+<li><p>Quais são os argumentos mais importantes para <code><a href="https://readr.tidyverse.org/reference/read_fwf.html">read_fwf()</a></code>?</p></li>
 <li>
-<p>Sometimes strings in a CSV file contain commas. To prevent them from causing problems, they need to be surrounded by a quoting character, like <code>"</code> or <code>'</code>. By default, <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code> assumes that the quoting character will be <code>"</code>. To read the following text into a data frame, what argument to <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code> do you need to specify?</p>
+<p>Às vezes, as <em>strings</em> em um arquivo CSV contêm vírgulas. Para evitar que elas causem problemas, elas precisam ser cercadas por um caractere de citação, como <code>"</code> ou <code>'</code>. Por padrão, <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code> assume que o caractere de citação será <code>"</code>. Para ler o seguinte texto em um data frame, que argumento para <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code> você precisa especificar?</p>
 <div class="cell">
 <div class="sourceCode" id="cb15"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="st">"x,y\n1,'a,b'"</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
 </li>
 <li>
-<p>Identify what is wrong with each of the following inline CSV files. What happens when you run the code?</p>
+<p>Identifique o que está errado com cada um dos seguintes arquivos CSV em linha. O que acontece quando você executa o código?</p>
 <div class="cell">
 <div class="sourceCode" id="cb16"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span><span class="st">"a,b\n1,2,3\n4,5,6"</span><span class="op">)</span></span>
 <span><span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span><span class="st">"a,b,c\n1,2\n1,2,3,4"</span><span class="op">)</span></span>
@@ -765,52 +755,52 @@ <h1 class="title"><span id="sec-data-import" class="quarto-section-identifier"><
 </div>
 </li>
 <li>
-<p>Practice referring to non-syntactic names in the following data frame by:</p>
+<p>Pratique se referir a nomes não-sintáticos no seguinte data frame:</p>
 <ol type="a">
-<li>Extracting the variable called <code>1</code>.</li>
-<li>Plotting a scatterplot of <code>1</code> vs.&nbsp;<code>2</code>.</li>
-<li>Creating a new column called <code>3</code>, which is <code>2</code> divided by <code>1</code>.</li>
-<li>Renaming the columns to <code>one</code>, <code>two</code>, and <code>three</code>.</li>
+<li>Extraindo a variável chamada <code>1</code>.</li>
+<li>Plotando um gráfico de dispersão de <code>1</code> vs.&nbsp;<code>2</code>.</li>
+<li>Criando uma nova coluna chamada <code>3</code>, que é <code>2</code> dividido por <code>1</code>.</li>
+<li>Renomeando as colunas para <code>um</code>, <code>dois</code> e <code>três</code>.</li>
 </ol>
 <div class="cell">
-<div class="sourceCode" id="cb17"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">annoying</span> <span class="op">&lt;-</span> <span class="fu"><a href="https://tibble.tidyverse.org/reference/tibble.html">tibble</a></span><span class="op">(</span></span>
+<div class="sourceCode" id="cb17"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">irritante</span> <span class="op">&lt;-</span> <span class="fu"><a href="https://tibble.tidyverse.org/reference/tibble.html">tibble</a></span><span class="op">(</span></span>
 <span>  `1` <span class="op">=</span> <span class="fl">1</span><span class="op">:</span><span class="fl">10</span>,</span>
 <span>  `2` <span class="op">=</span> <span class="va">`1`</span> <span class="op">*</span> <span class="fl">2</span> <span class="op">+</span> <span class="fu"><a href="https://rdrr.io/r/stats/Normal.html">rnorm</a></span><span class="op">(</span><span class="fu"><a href="https://rdrr.io/r/base/length.html">length</a></span><span class="op">(</span><span class="va">`1`</span><span class="op">)</span><span class="op">)</span></span>
 <span><span class="op">)</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
 </li>
 </ol></section></section><section id="sec-col-types" class="level2" data-number="7.3"><h2 data-number="7.3" class="anchored" data-anchor-id="sec-col-types">
-<span class="header-section-number">7.3</span> Controlling column types</h2>
-<p>A CSV file doesn’t contain any information about the type of each variable (i.e.&nbsp;whether it’s a logical, number, string, etc.), so readr will try to guess the type. This section describes how the guessing process works, how to resolve some common problems that cause it to fail, and, if needed, how to supply the column types yourself. Finally, we’ll mention a few general strategies that are useful if readr is failing catastrophically and you need to get more insight into the structure of your file.</p>
-<section id="guessing-types" class="level3" data-number="7.3.1"><h3 data-number="7.3.1" class="anchored" data-anchor-id="guessing-types">
-<span class="header-section-number">7.3.1</span> Guessing types</h3>
-<p>readr uses a heuristic to figure out the column types. For each column, it pulls the values of 1,000<a href="#fn2" class="footnote-ref" id="fnref2" role="doc-noteref"><sup>2</sup></a> rows spaced evenly from the first row to the last, ignoring missing values. It then works through the following questions:</p>
+<span class="header-section-number">7.3</span> Controlando tipos de colunas</h2>
+<p>Um arquivo CSV não contém informações sobre o tipo de cada variável (ou seja, se é lógico, número, <em>string</em>, etc.), então readr tentará adivinhar o tipo. Esta seção descreve como o processo de adivinhação funciona, como resolver alguns problemas comuns que fazem com que ele falhe e, se necessário, como fornecer os tipos de coluna você mesmo. Por fim, mencionaremos algumas estratégias gerais que são úteis se o readr estiver falhando catastróficamente e você precisar obter mais informações sobre a estrutura do seu arquivo.</p>
+<section id="adivinhando-tipos" class="level3" data-number="7.3.1"><h3 data-number="7.3.1" class="anchored" data-anchor-id="adivinhando-tipos">
+<span class="header-section-number">7.3.1</span> Adivinhando tipos</h3>
+<p>O pacote readr usa uma heurística para descobrir os tipos de coluna. Para cada coluna, ele pega os valores de 1.000<a href="#fn3" class="footnote-ref" id="fnref3" role="doc-noteref"><sup>3</sup></a> linhas espaçadas uniformemente da primeira à última, ignorando os valores ausentes. Ele então trabalha através das seguintes perguntas:</p>
 <ul>
-<li>Does it contain only <code>F</code>, <code>T</code>, <code>FALSE</code>, or <code>TRUE</code> (ignoring case)? If so, it’s a logical.</li>
-<li>Does it contain only numbers (e.g., <code>1</code>, <code>-4.5</code>, <code>5e6</code>, <code>Inf</code>)? If so, it’s a number.</li>
-<li>Does it match the ISO8601 standard? If so, it’s a date or date-time. (We’ll return to date-times in more detail in <a href="datetimes.html#sec-creating-datetimes" class="quarto-xref"><span>Seção 17.2</span></a>).</li>
-<li>Otherwise, it must be a string.</li>
+<li>Contém apenas <code>F</code>, <code>T</code>, <code>FALSE</code> ou <code>TRUE</code> (ignorando a caixa alta)? Se sim, é um lógico.</li>
+<li>Contém apenas números (por exemplo, <code>1</code>, <code>-4.5</code>, <code>5e6</code>, <code>Inf</code>)? Se sim, é um número.</li>
+<li>Corresponde ao padrão ISO8601? Se sim, é uma data ou data-hora. (Voltaremos às data-horas em mais detalhes em <a href="datetimes.html#sec-creating-datetimes" class="quarto-xref"><span>Seção 17.2</span></a>).</li>
+<li>Caso contrário, deve ser uma <em>string</em>.</li>
 </ul>
-<p>You can see that behavior in action in this simple example:</p>
+<p>Você pode ver esse comportamento em ação neste exemplo simples:</p>
 <div class="cell">
 <div class="sourceCode" id="cb18"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span><span class="st">"</span></span>
-<span><span class="st">  logical,numeric,date,string</span></span>
+<span><span class="st">  logico,numerico,data,string</span></span>
 <span><span class="st">  TRUE,1,2021-01-15,abc</span></span>
 <span><span class="st">  false,4.5,2021-02-15,def</span></span>
 <span><span class="st">  T,Inf,2021-02-16,ghi</span></span>
 <span><span class="st">"</span><span class="op">)</span></span>
 <span><span class="co">#&gt; # A tibble: 3 × 4</span></span>
-<span><span class="co">#&gt;   logical numeric date       string</span></span>
+<span><span class="co">#&gt;   logico numerico data       string</span></span>
 <span><span class="co">#&gt;   &lt;lgl&gt;     &lt;dbl&gt; &lt;date&gt;     &lt;chr&gt; </span></span>
 <span><span class="co">#&gt; 1 TRUE        1   2021-01-15 abc   </span></span>
 <span><span class="co">#&gt; 2 FALSE       4.5 2021-02-15 def   </span></span>
 <span><span class="co">#&gt; 3 TRUE      Inf   2021-02-16 ghi</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-<p>This heuristic works well if you have a clean dataset, but in real life, you’ll encounter a selection of weird and beautiful failures.</p>
-</section><section id="missing-values-column-types-and-problems" class="level3" data-number="7.3.2"><h3 data-number="7.3.2" class="anchored" data-anchor-id="missing-values-column-types-and-problems">
-<span class="header-section-number">7.3.2</span> Missing values, column types, and problems</h3>
-<p>The most common way column detection fails is that a column contains unexpected values, and you get a character column instead of a more specific type. One of the most common causes for this is a missing value, recorded using something other than the <code>NA</code> that readr expects.</p>
-<p>Take this simple 1 column CSV file as an example:</p>
+<p>Essa heurística funciona bem se você tiver um conjunto de dados limpo, mas, na vida real, você encontrará uma seleção de falhas estranhas e belas.</p>
+</section><section id="valores-ausentes-tipos-de-coluna-e-problemas" class="level3" data-number="7.3.2"><h3 data-number="7.3.2" class="anchored" data-anchor-id="valores-ausentes-tipos-de-coluna-e-problemas">
+<span class="header-section-number">7.3.2</span> Valores ausentes, tipos de coluna e problemas</h3>
+<p>A forma mais comum de falha na detecção de coluna é quando uma coluna contém valores inesperados, e você obtém uma coluna de caracteres em vez de um tipo mais específico. Uma das causas mais comuns para isso é um valor ausente registrado usando algo diferente do <code>NA</code> que o readr espera.</p>
+<p>Considere este exemplo simples de um arquivo CSV com 1 coluna:</p>
 <div class="cell">
 <div class="sourceCode" id="cb19"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">simple_csv</span> <span class="op">&lt;-</span> <span class="st">"</span></span>
 <span><span class="st">  x</span></span>
@@ -819,7 +809,7 @@ <h1 class="title"><span id="sec-data-import" class="quarto-section-identifier"><
 <span><span class="st">  20</span></span>
 <span><span class="st">  30"</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-<p>If we read it without any additional arguments, <code>x</code> becomes a character column:</p>
+<p>Se o lermos sem argumentos adicionais, <code>x</code> se torna uma coluna de caracteres:</p>
 <div class="cell">
 <div class="sourceCode" id="cb20"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span><span class="va">simple_csv</span><span class="op">)</span></span>
 <span><span class="co">#&gt; # A tibble: 4 × 1</span></span>
@@ -830,7 +820,7 @@ <h1 class="title"><span id="sec-data-import" class="quarto-section-identifier"><
 <span><span class="co">#&gt; 3 20   </span></span>
 <span><span class="co">#&gt; 4 30</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-<p>In this very small case, you can easily see the missing value <code>.</code>. But what happens if you have thousands of rows with only a few missing values represented by <code>.</code>s sprinkled among them? One approach is to tell readr that <code>x</code> is a numeric column, and then see where it fails. You can do that with the <code>col_types</code> argument, which takes a named list where the names match the column names in the CSV file:</p>
+<p>Nesse pequeno exemplo, você pode ver facilmente o valor ausente <code>.</code>. Mas o que acontece se você tiver milhares de linhas com apenas alguns valores ausentes representados por <code>.</code>s espalhados entre eles? Uma abordagem é dizer ao readr que <code>x</code> é uma coluna numérica e, em seguida, ver onde ele falha. Você pode fazer isso com o argumento <code>col_types</code>, que aceita uma lista nomeada onde os nomes correspondem aos nomes das colunas no arquivo CSV:</p>
 <div class="cell">
 <div class="sourceCode" id="cb21"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">df</span> <span class="op">&lt;-</span> <span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span></span>
 <span>  <span class="va">simple_csv</span>, </span>
@@ -841,7 +831,7 @@ <h1 class="title"><span id="sec-data-import" class="quarto-section-identifier"><
 <span><span class="co">#&gt;   dat &lt;- vroom(...)</span></span>
 <span><span class="co">#&gt;   problems(dat)</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-<p>Now <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code> reports that there was a problem, and tells us we can find out more with <code><a href="https://readr.tidyverse.org/reference/problems.html">problems()</a></code>:</p>
+<p>Agora <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code> relata que houve um problema e nos diz que podemos descobrir mais com <code><a href="https://readr.tidyverse.org/reference/problems.html">problems()</a></code>:</p>
 <div class="cell">
 <div class="sourceCode" id="cb22"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="fu"><a href="https://readr.tidyverse.org/reference/problems.html">problems</a></span><span class="op">(</span><span class="va">df</span><span class="op">)</span></span>
 <span><span class="co">#&gt; # A tibble: 1 × 5</span></span>
@@ -849,7 +839,7 @@ <h1 class="title"><span id="sec-data-import" class="quarto-section-identifier"><
 <span><span class="co">#&gt;   &lt;int&gt; &lt;int&gt; &lt;chr&gt;    &lt;chr&gt;  &lt;chr&gt;                                          </span></span>
 <span><span class="co">#&gt; 1     3     1 a double .      /private/var/folders/st/0346cszj61928zc133bfr8…</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-<p>This tells us that there was a problem in row 3, col 1 where readr expected a double but got a <code>.</code>. That suggests this dataset uses <code>.</code> for missing values. So then we set <code>na = "."</code>, the automatic guessing succeeds, giving us the numeric column that we want:</p>
+<p>Isso nos diz que houve um problema na linha 3, coluna 1, onde o readr esperava um número real, mas obteve um <code>.</code>. Isso sugere que este conjunto de dados usa <code>.</code> para valores ausentes. Então, definimos <code>na = "."</code>, a adivinhação automática tem sucesso, nos dando a coluna numérica que queremos:</p>
 <div class="cell">
 <div class="sourceCode" id="cb23"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span><span class="va">simple_csv</span>, na <span class="op">=</span> <span class="st">"."</span><span class="op">)</span></span>
 <span><span class="co">#&gt; # A tibble: 4 × 1</span></span>
@@ -860,31 +850,31 @@ <h1 class="title"><span id="sec-data-import" class="quarto-section-identifier"><
 <span><span class="co">#&gt; 3    20</span></span>
 <span><span class="co">#&gt; 4    30</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-</section><section id="column-types" class="level3" data-number="7.3.3"><h3 data-number="7.3.3" class="anchored" data-anchor-id="column-types">
-<span class="header-section-number">7.3.3</span> Column types</h3>
-<p>readr provides a total of nine column types for you to use:</p>
+</section><section id="tipos-de-colunas" class="level3" data-number="7.3.3"><h3 data-number="7.3.3" class="anchored" data-anchor-id="tipos-de-colunas">
+<span class="header-section-number">7.3.3</span> Tipos de colunas</h3>
+<p>O pacote readr fornece um total de nove tipos de coluna para você usar:</p>
 <ul>
 <li>
-<code><a href="https://readr.tidyverse.org/reference/parse_atomic.html">col_logical()</a></code> and <code><a href="https://readr.tidyverse.org/reference/parse_atomic.html">col_double()</a></code> read logicals and real numbers. They’re relatively rarely needed (except as above), since readr will usually guess them for you.</li>
+<code><a href="https://readr.tidyverse.org/reference/parse_atomic.html">col_logical()</a></code> e <code><a href="https://readr.tidyverse.org/reference/parse_atomic.html">col_double()</a></code> leem lógicos e números reais. É relativamente raro serem necessários (exceto como acima), já que o readr geralmente os adivinhará para você.</li>
 <li>
-<code><a href="https://readr.tidyverse.org/reference/parse_atomic.html">col_integer()</a></code> reads integers. We seldom distinguish integers and doubles in this book because they’re functionally equivalent, but reading integers explicitly can occasionally be useful because they occupy half the memory of doubles.</li>
+<code><a href="https://readr.tidyverse.org/reference/parse_atomic.html">col_integer()</a></code> lê números inteiros (<em>integer</em>). Raramente distinguimos os números inteiros (<em>integer</em>) e reais (<em>doubles</em>) neste livro porque eles são funcionalmente equivalentes, mas ler números inteiros explicitamente pode ocasionalmente ser útil porque ocupam metade da memória dos números reais.</li>
 <li>
-<code><a href="https://readr.tidyverse.org/reference/parse_atomic.html">col_character()</a></code> reads strings. This can be useful to specify explicitly when you have a column that is a numeric identifier, i.e., long series of digits that identifies an object but doesn’t make sense to apply mathematical operations to. Examples include phone numbers, social security numbers, credit card numbers, etc.</li>
+<code><a href="https://readr.tidyverse.org/reference/parse_atomic.html">col_character()</a></code> lê <em>strings</em>. Isso pode ser útil para especificar explicitamente quando você tem uma coluna que é um identificador numérico, ou seja, longas séries de dígitos que identificam um objeto, mas onde não faz sentido aplicar operações matemáticas. Exemplos incluem números de telefone, números de seguro social, números de cartão de crédito, etc.</li>
 <li>
-<code><a href="https://readr.tidyverse.org/reference/parse_factor.html">col_factor()</a></code>, <code><a href="https://readr.tidyverse.org/reference/parse_datetime.html">col_date()</a></code>, and <code><a href="https://readr.tidyverse.org/reference/parse_datetime.html">col_datetime()</a></code> create factors, dates, and date-times respectively; you’ll learn more about those when we get to those data types in <a href="factors.html" class="quarto-xref"><span>Capítulo 16</span></a> and <a href="datetimes.html" class="quarto-xref"><span>Capítulo 17</span></a>.</li>
+<code><a href="https://readr.tidyverse.org/reference/parse_factor.html">col_factor()</a></code>, <code><a href="https://readr.tidyverse.org/reference/parse_datetime.html">col_date()</a></code> e <code><a href="https://readr.tidyverse.org/reference/parse_datetime.html">col_datetime()</a></code> criam fatores, datas e data-horas, respectivamente; você aprenderá mais sobre esses tipos de dados quando chegarmos a eles em <a href="factors.html" class="quarto-xref"><span>Capítulo 16</span></a> e <a href="datetimes.html" class="quarto-xref"><span>Capítulo 17</span></a>.</li>
 <li>
-<code><a href="https://readr.tidyverse.org/reference/parse_number.html">col_number()</a></code> is a permissive numeric parser that will ignore non-numeric components, and is particularly useful for currencies. You’ll learn more about it in <a href="numbers.html" class="quarto-xref"><span>Capítulo 13</span></a>.</li>
+<code><a href="https://readr.tidyverse.org/reference/parse_number.html">col_number()</a></code> é um analisador numérico permissivo que ignorará componentes não numéricos, e é particularmente útil para moedas. Você aprenderá mais sobre ele em <a href="numbers.html" class="quarto-xref"><span>Capítulo 13</span></a>.</li>
 <li>
-<code><a href="https://readr.tidyverse.org/reference/col_skip.html">col_skip()</a></code> skips a column so it’s not included in the result, which can be useful for speeding up reading the data if you have a large CSV file and you only want to use some of the columns.</li>
+<code><a href="https://readr.tidyverse.org/reference/col_skip.html">col_skip()</a></code> pula uma coluna para que ela não seja incluída no resultado, o que pode ser útil para acelerar a leitura dos dados se você tiver um arquivo CSV grande e quiser usar apenas algumas das colunas.</li>
 </ul>
-<p>It’s also possible to override the default column by switching from <code><a href="https://rdrr.io/r/base/list.html">list()</a></code> to <code><a href="https://readr.tidyverse.org/reference/cols.html">cols()</a></code> and specifying <code>.default</code>:</p>
+<p>Também é possível substituir a coluna padrão trocando de <code><a href="https://rdrr.io/r/base/list.html">list()</a></code> para <code><a href="https://readr.tidyverse.org/reference/cols.html">cols()</a></code> e especificando <code>.default</code>:</p>
 <div class="cell">
-<div class="sourceCode" id="cb24"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">another_csv</span> <span class="op">&lt;-</span> <span class="st">"</span></span>
+<div class="sourceCode" id="cb24"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">outro_csv</span> <span class="op">&lt;-</span> <span class="st">"</span></span>
 <span><span class="st">x,y,z</span></span>
 <span><span class="st">1,2,3"</span></span>
 <span></span>
 <span><span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span></span>
-<span>  <span class="va">another_csv</span>, </span>
+<span>  <span class="va">outro_csv</span>, </span>
 <span>  col_types <span class="op">=</span> <span class="fu"><a href="https://readr.tidyverse.org/reference/cols.html">cols</a></span><span class="op">(</span>.default <span class="op">=</span> <span class="fu"><a href="https://readr.tidyverse.org/reference/parse_atomic.html">col_character</a></span><span class="op">(</span><span class="op">)</span><span class="op">)</span></span>
 <span><span class="op">)</span></span>
 <span><span class="co">#&gt; # A tibble: 1 × 3</span></span>
@@ -892,10 +882,10 @@ <h1 class="title"><span id="sec-data-import" class="quarto-section-identifier"><
 <span><span class="co">#&gt;   &lt;chr&gt; &lt;chr&gt; &lt;chr&gt;</span></span>
 <span><span class="co">#&gt; 1 1     2     3</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-<p>Another useful helper is <code><a href="https://readr.tidyverse.org/reference/cols.html">cols_only()</a></code> which will read in only the columns you specify:</p>
+<p>Outra função auxiliar útil é <code><a href="https://readr.tidyverse.org/reference/cols.html">cols_only()</a></code>, que lerá apenas as colunas que você especificar:</p>
 <div class="cell">
 <div class="sourceCode" id="cb25"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span></span>
-<span>  <span class="va">another_csv</span>,</span>
+<span>  <span class="va">outro_csv</span>,</span>
 <span>  col_types <span class="op">=</span> <span class="fu"><a href="https://readr.tidyverse.org/reference/cols.html">cols_only</a></span><span class="op">(</span>x <span class="op">=</span> <span class="fu"><a href="https://readr.tidyverse.org/reference/parse_atomic.html">col_character</a></span><span class="op">(</span><span class="op">)</span><span class="op">)</span></span>
 <span><span class="op">)</span></span>
 <span><span class="co">#&gt; # A tibble: 1 × 1</span></span>
@@ -904,108 +894,110 @@ <h1 class="title"><span id="sec-data-import" class="quarto-section-identifier"><
 <span><span class="co">#&gt; 1 1</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
 </section></section><section id="sec-readr-directory" class="level2" data-number="7.4"><h2 data-number="7.4" class="anchored" data-anchor-id="sec-readr-directory">
-<span class="header-section-number">7.4</span> Reading data from multiple files</h2>
-<p>Sometimes your data is split across multiple files instead of being contained in a single file. For example, you might have sales data for multiple months, with each month’s data in a separate file: <code>01-sales.csv</code> for January, <code>02-sales.csv</code> for February, and <code>03-sales.csv</code> for March. With <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code> you can read these data in at once and stack them on top of each other in a single data frame.</p>
+<span class="header-section-number">7.4</span> Importando dados de múltiplos arquivos</h2>
+<p>Às vezes seus dados estão divididos em vários arquivos em vez de estarem contidos em um único arquivo. Por exemplo, você pode ter dados de vendas para vários meses, com os dados de cada mês em um arquivo separado: <code>01-vendas.csv</code> para janeiro, <code>02-vendas.csv</code> para fevereiro e <code>03-vendas.csv</code> para março.</p>
 <div class="cell">
-<div class="sourceCode" id="cb26"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">sales_files</span> <span class="op">&lt;-</span> <span class="fu"><a href="https://rdrr.io/r/base/c.html">c</a></span><span class="op">(</span><span class="st">"data/01-sales.csv"</span>, <span class="st">"data/02-sales.csv"</span>, <span class="st">"data/03-sales.csv"</span><span class="op">)</span></span>
-<span><span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span><span class="va">sales_files</span>, id <span class="op">=</span> <span class="st">"file"</span><span class="op">)</span></span>
+<div class="sourceCode" id="cb26"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">arquivos_vendas</span> <span class="op">&lt;-</span> <span class="fu"><a href="https://rdrr.io/r/base/c.html">c</a></span><span class="op">(</span><span class="st">"data/01-vendas.csv"</span>, <span class="st">"data/02-vendas.csv"</span>, <span class="st">"data/03-vendas.csv"</span><span class="op">)</span></span>
+<span><span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span><span class="va">arquivos_vendas</span>, id <span class="op">=</span> <span class="st">"arquivo"</span><span class="op">)</span></span>
 <span><span class="co">#&gt; # A tibble: 19 × 6</span></span>
-<span><span class="co">#&gt;   file              month    year brand  item     n</span></span>
-<span><span class="co">#&gt;   &lt;chr&gt;             &lt;chr&gt;   &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt;</span></span>
-<span><span class="co">#&gt; 1 data/01-sales.csv January  2019     1  1234     3</span></span>
-<span><span class="co">#&gt; 2 data/01-sales.csv January  2019     1  8721     9</span></span>
-<span><span class="co">#&gt; 3 data/01-sales.csv January  2019     1  1822     2</span></span>
-<span><span class="co">#&gt; 4 data/01-sales.csv January  2019     2  3333     1</span></span>
-<span><span class="co">#&gt; 5 data/01-sales.csv January  2019     2  2156     9</span></span>
-<span><span class="co">#&gt; 6 data/01-sales.csv January  2019     2  3987     6</span></span>
+<span><span class="co">#&gt;   arquivo            mes       ano marca  item     n</span></span>
+<span><span class="co">#&gt;   &lt;chr&gt;              &lt;chr&gt;   &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt;</span></span>
+<span><span class="co">#&gt; 1 data/01-vendas.csv Janeiro  2019     1  1234     3</span></span>
+<span><span class="co">#&gt; 2 data/01-vendas.csv Janeiro  2019     1  8721     9</span></span>
+<span><span class="co">#&gt; 3 data/01-vendas.csv Janeiro  2019     1  1822     2</span></span>
+<span><span class="co">#&gt; 4 data/01-vendas.csv Janeiro  2019     2  3333     1</span></span>
+<span><span class="co">#&gt; 5 data/01-vendas.csv Janeiro  2019     2  2156     9</span></span>
+<span><span class="co">#&gt; 6 data/01-vendas.csv Janeiro  2019     2  3987     6</span></span>
 <span><span class="co">#&gt; # ℹ 13 more rows</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-<p>Once again, the code above will work if you have the CSV files in a <code>data</code> folder in your project. You can download these files from <a href="https://pos.it/r4ds-01-sales" class="uri">https://pos.it/r4ds-01-sales</a>, <a href="https://pos.it/r4ds-02-sales" class="uri">https://pos.it/r4ds-02-sales</a>, and <a href="https://pos.it/r4ds-03-sales" class="uri">https://pos.it/r4ds-03-sales</a> or you can read them directly with:</p>
+<p>Mais uma vez, o código acima funcionará apenas se você tiver os arquivos CSV em uma pasta chamada <code>data</code> no seu projeto. Você pode baixar esses arquivos de <a href="https://raw.githubusercontent.com/cienciadedatos/pt-r4ds/traducao-pt-2ed/data/01-vendas.csv" class="uri">https://raw.githubusercontent.com/cienciadedatos/pt-r4ds/traducao-pt-2ed/data/01-vendas.csv</a>, <a href="https://raw.githubusercontent.com/cienciadedatos/pt-r4ds/traducao-pt-2ed/data/02-vendas.csv" class="uri">https://raw.githubusercontent.com/cienciadedatos/pt-r4ds/traducao-pt-2ed/data/02-vendas.csv</a> e <a href="https://raw.githubusercontent.com/cienciadedatos/pt-r4ds/traducao-pt-2ed/data/03-vendas.csv" class="uri">https://raw.githubusercontent.com/cienciadedatos/pt-r4ds/traducao-pt-2ed/data/03-vendas.csv</a> ou você pode lê-los diretamente com:</p>
 <div class="cell">
-<div class="sourceCode" id="cb27"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">sales_files</span> <span class="op">&lt;-</span> <span class="fu"><a href="https://rdrr.io/r/base/c.html">c</a></span><span class="op">(</span></span>
-<span>  <span class="st">"https://pos.it/r4ds-01-sales"</span>,</span>
-<span>  <span class="st">"https://pos.it/r4ds-02-sales"</span>,</span>
-<span>  <span class="st">"https://pos.it/r4ds-03-sales"</span></span>
+<div class="sourceCode" id="cb27"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">arquivos_vendas</span> <span class="op">&lt;-</span> <span class="fu"><a href="https://rdrr.io/r/base/c.html">c</a></span><span class="op">(</span></span>
+<span>  <span class="st">"https://raw.githubusercontent.com/cienciadedatos/pt-r4ds/traducao-pt-2ed/data/01-vendas.csv"</span>,</span>
+<span>  <span class="st">"https://raw.githubusercontent.com/cienciadedatos/pt-r4ds/traducao-pt-2ed/data/02-vendas.csv"</span>,</span>
+<span>  <span class="st">"https://raw.githubusercontent.com/cienciadedatos/pt-r4ds/traducao-pt-2ed/data/03-vendas.csv"</span></span>
 <span><span class="op">)</span></span>
-<span><span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span><span class="va">sales_files</span>, id <span class="op">=</span> <span class="st">"file"</span><span class="op">)</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
+<span><span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span><span class="va">arquivos_vendas</span>, id <span class="op">=</span> <span class="st">"arquivo"</span><span class="op">)</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-<p>The <code>id</code> argument adds a new column called <code>file</code> to the resulting data frame that identifies the file the data come from. This is especially helpful in circumstances where the files you’re reading in do not have an identifying column that can help you trace the observations back to their original sources.</p>
-<p>If you have many files you want to read in, it can get cumbersome to write out their names as a list. Instead, you can use the base <code><a href="https://rdrr.io/r/base/list.files.html">list.files()</a></code> function to find the files for you by matching a pattern in the file names. You’ll learn more about these patterns in <a href="regexps.html" class="quarto-xref"><span>Capítulo 15</span></a>.</p>
+<p>O argumento <code>id</code> adiciona uma nova coluna chamada <code>arquivo</code> ao data frame resultante que identifica o arquivo de onde os dados vêm. Isso é especialmente útil nas circunstâncias em que os arquivos que você está lendo não têm uma coluna de identificação que possa ajudá-lo a rastrear as observações até suas fontes originais.</p>
+<p>Se você tiver muitos arquivos que deseja ler, pode ser complicado escrever seus nomes como uma lista. Em vez disso, você pode usar a função <code><a href="https://rdrr.io/r/base/list.files.html">list.files()</a></code> para encontrar os arquivos para você, identificando um padrão nos nomes dos arquivos. Você aprenderá mais sobre esses padrões em <a href="regexps.html" class="quarto-xref"><span>Capítulo 15</span></a>.</p>
 <div class="cell">
-<div class="sourceCode" id="cb28"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">sales_files</span> <span class="op">&lt;-</span> <span class="fu"><a href="https://rdrr.io/r/base/list.files.html">list.files</a></span><span class="op">(</span><span class="st">"data"</span>, pattern <span class="op">=</span> <span class="st">"sales\\.csv$"</span>, full.names <span class="op">=</span> <span class="cn">TRUE</span><span class="op">)</span></span>
-<span><span class="va">sales_files</span></span>
-<span><span class="co">#&gt; [1] "data/01-sales.csv" "data/02-sales.csv" "data/03-sales.csv"</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
+<div class="sourceCode" id="cb28"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">arquivos_vendas</span> <span class="op">&lt;-</span> <span class="fu"><a href="https://rdrr.io/r/base/list.files.html">list.files</a></span><span class="op">(</span><span class="st">"data"</span>, pattern <span class="op">=</span> <span class="st">"vendas\\.csv$"</span>, full.names <span class="op">=</span> <span class="cn">TRUE</span><span class="op">)</span></span>
+<span><span class="va">arquivos_vendas</span></span>
+<span><span class="co">#&gt; [1] "data/01-vendas.csv" "data/02-vendas.csv" "data/03-vendas.csv"</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
 </section><section id="sec-writing-to-a-file" class="level2" data-number="7.5"><h2 data-number="7.5" class="anchored" data-anchor-id="sec-writing-to-a-file">
-<span class="header-section-number">7.5</span> Writing to a file</h2>
-<p>readr also comes with two useful functions for writing data back to disk: <code><a href="https://readr.tidyverse.org/reference/write_delim.html">write_csv()</a></code> and <code><a href="https://readr.tidyverse.org/reference/write_delim.html">write_tsv()</a></code>. The most important arguments to these functions are <code>x</code> (the data frame to save) and <code>file</code> (the location to save it). You can also specify how missing values are written with <code>na</code>, and if you want to <code>append</code> to an existing file.</p>
+<span class="header-section-number">7.5</span> Exportando para um arquivo</h2>
+<p>O pacote readr também vem com duas funções úteis para escrever dados de volta para o disco: <code><a href="https://readr.tidyverse.org/reference/write_delim.html">write_csv()</a></code> e <code><a href="https://readr.tidyverse.org/reference/write_delim.html">write_tsv()</a></code>. Os argumentos mais importantes para essas funções são <code>x</code> (o data frame a ser salvo) e <code>file</code> (o local para salvá-lo). Você também pode especificar como os valores ausentes são escritos com <code>na</code>, e se você deseja acrescentar as linhas em um arquivo existente, utilizando o argumento <code>append</code>.</p>
 <div class="cell">
-<div class="sourceCode" id="cb29"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="fu"><a href="https://readr.tidyverse.org/reference/write_delim.html">write_csv</a></span><span class="op">(</span><span class="va">students</span>, <span class="st">"students.csv"</span><span class="op">)</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
+<div class="sourceCode" id="cb29"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="fu"><a href="https://readr.tidyverse.org/reference/write_delim.html">write_csv</a></span><span class="op">(</span><span class="va">estudantes</span>, <span class="st">"estudantes.csv"</span><span class="op">)</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-<p>Now let’s read that csv file back in. Note that the variable type information that you just set up is lost when you save to CSV because you’re starting over with reading from a plain text file again:</p>
+<p>Agora, vamos ler esse arquivo CSV novamente. Observe que as informações de tipo de variável que você acabou de configurar são perdidas quando você salva em CSV porque você está começando de novo com a leitura de um arquivo de texto simples:</p>
 <div class="cell">
-<div class="sourceCode" id="cb30"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">students</span></span>
+<div class="sourceCode" id="cb30"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="va">estudantes</span></span>
 <span><span class="co">#&gt; # A tibble: 6 × 5</span></span>
-<span><span class="co">#&gt;   student_id full_name        favourite_food     meal_plan             age</span></span>
-<span><span class="co">#&gt;        &lt;dbl&gt; &lt;chr&gt;            &lt;chr&gt;              &lt;fct&gt;               &lt;dbl&gt;</span></span>
-<span><span class="co">#&gt; 1          1 Sunil Huffmann   Strawberry yoghurt Lunch only              4</span></span>
-<span><span class="co">#&gt; 2          2 Barclay Lynn     French fries       Lunch only              5</span></span>
-<span><span class="co">#&gt; 3          3 Jayendra Lyne    &lt;NA&gt;               Breakfast and lunch     7</span></span>
-<span><span class="co">#&gt; 4          4 Leon Rossini     Anchovies          Lunch only             NA</span></span>
-<span><span class="co">#&gt; 5          5 Chidiegwu Dunkel Pizza              Breakfast and lunch     5</span></span>
-<span><span class="co">#&gt; 6          6 Güvenç Attila    Ice cream          Lunch only              6</span></span>
-<span><span class="fu"><a href="https://readr.tidyverse.org/reference/write_delim.html">write_csv</a></span><span class="op">(</span><span class="va">students</span>, <span class="st">"students-2.csv"</span><span class="op">)</span></span>
-<span><span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span><span class="st">"students-2.csv"</span><span class="op">)</span></span>
+<span><span class="co">#&gt;   id_estudante nome_completo     comida_favorita    plano_alimentar     idade</span></span>
+<span><span class="co">#&gt;          &lt;dbl&gt; &lt;chr&gt;             &lt;chr&gt;              &lt;fct&gt;               &lt;dbl&gt;</span></span>
+<span><span class="co">#&gt; 1            1 Pedro Cardoso     Iogurte de morango Só almoço               4</span></span>
+<span><span class="co">#&gt; 2            2 Rafaela Lorenzoni Batata frita       Só almoço               5</span></span>
+<span><span class="co">#&gt; 3            3 Otávio Barros     &lt;NA&gt;               Café da manhã e al…     7</span></span>
+<span><span class="co">#&gt; 4            4 Fernanda Melo     Brócolis           Só almoço              NA</span></span>
+<span><span class="co">#&gt; 5            5 Leopoldo Souza    Pizza              Café da manhã e al…     5</span></span>
+<span><span class="co">#&gt; 6            6 Pérola Silva      Sorvete            Só almoço               6</span></span>
+<span><span class="fu"><a href="https://readr.tidyverse.org/reference/write_delim.html">write_csv</a></span><span class="op">(</span><span class="va">estudantes</span>, <span class="st">"estudantes-2.csv"</span><span class="op">)</span></span>
+<span><span class="fu"><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv</a></span><span class="op">(</span><span class="st">"estudantes-2.csv"</span><span class="op">)</span></span>
 <span><span class="co">#&gt; # A tibble: 6 × 5</span></span>
-<span><span class="co">#&gt;   student_id full_name        favourite_food     meal_plan             age</span></span>
-<span><span class="co">#&gt;        &lt;dbl&gt; &lt;chr&gt;            &lt;chr&gt;              &lt;chr&gt;               &lt;dbl&gt;</span></span>
-<span><span class="co">#&gt; 1          1 Sunil Huffmann   Strawberry yoghurt Lunch only              4</span></span>
-<span><span class="co">#&gt; 2          2 Barclay Lynn     French fries       Lunch only              5</span></span>
-<span><span class="co">#&gt; 3          3 Jayendra Lyne    &lt;NA&gt;               Breakfast and lunch     7</span></span>
-<span><span class="co">#&gt; 4          4 Leon Rossini     Anchovies          Lunch only             NA</span></span>
-<span><span class="co">#&gt; 5          5 Chidiegwu Dunkel Pizza              Breakfast and lunch     5</span></span>
-<span><span class="co">#&gt; 6          6 Güvenç Attila    Ice cream          Lunch only              6</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
+<span><span class="co">#&gt;   id_estudante nome_completo     comida_favorita    plano_alimentar     idade</span></span>
+<span><span class="co">#&gt;          &lt;dbl&gt; &lt;chr&gt;             &lt;chr&gt;              &lt;chr&gt;               &lt;dbl&gt;</span></span>
+<span><span class="co">#&gt; 1            1 Pedro Cardoso     Iogurte de morango Só almoço               4</span></span>
+<span><span class="co">#&gt; 2            2 Rafaela Lorenzoni Batata frita       Só almoço               5</span></span>
+<span><span class="co">#&gt; 3            3 Otávio Barros     &lt;NA&gt;               Café da manhã e al…     7</span></span>
+<span><span class="co">#&gt; 4            4 Fernanda Melo     Brócolis           Só almoço              NA</span></span>
+<span><span class="co">#&gt; 5            5 Leopoldo Souza    Pizza              Café da manhã e al…     5</span></span>
+<span><span class="co">#&gt; 6            6 Pérola Silva      Sorvete            Só almoço               6</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-<p>This makes CSVs a little unreliable for caching interim results—you need to recreate the column specification every time you load in. There are two main alternatives:</p>
+<p>Isso faz arquivos CSVs um pouco não confiáveis para armazenar resultados intermediários — você precisa recriar a especificação das colunas toda vez que carrega os dados. Existem duas formas principais:</p>
 <ol type="1">
 <li>
-<p><code><a href="https://readr.tidyverse.org/reference/read_rds.html">write_rds()</a></code> and <code><a href="https://readr.tidyverse.org/reference/read_rds.html">read_rds()</a></code> are uniform wrappers around the base functions <code><a href="https://rdrr.io/r/base/readRDS.html">readRDS()</a></code> and <code><a href="https://rdrr.io/r/base/readRDS.html">saveRDS()</a></code>. These store data in R’s custom binary format called RDS. This means that when you reload the object, you are loading the <em>exact same</em> R object that you stored.</p>
+<p><code><a href="https://readr.tidyverse.org/reference/read_rds.html">write_rds()</a></code> e <code><a href="https://readr.tidyverse.org/reference/read_rds.html">read_rds()</a></code> são <em>wrappers</em> uniformes<a href="#fn4" class="footnote-ref" id="fnref4" role="doc-noteref"><sup>4</sup></a> em torno das funções base <code><a href="https://rdrr.io/r/base/readRDS.html">readRDS()</a></code> e <code><a href="https://rdrr.io/r/base/readRDS.html">saveRDS()</a></code>. Eles armazenam dados no formato binário personalizado do R chamado RDS. Isso significa que quando você recarrega o objeto, você está carregando <em>exatamente o mesmo</em> objeto R que você armazenou.</p>
 <div class="cell">
-<div class="sourceCode" id="cb31"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="fu"><a href="https://readr.tidyverse.org/reference/read_rds.html">write_rds</a></span><span class="op">(</span><span class="va">students</span>, <span class="st">"students.rds"</span><span class="op">)</span></span>
-<span><span class="fu"><a href="https://readr.tidyverse.org/reference/read_rds.html">read_rds</a></span><span class="op">(</span><span class="st">"students.rds"</span><span class="op">)</span></span>
+<div class="sourceCode" id="cb31"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="fu"><a href="https://readr.tidyverse.org/reference/read_rds.html">write_rds</a></span><span class="op">(</span><span class="va">estudantes</span>, <span class="st">"estudantes.rds"</span><span class="op">)</span></span>
+<span><span class="fu"><a href="https://readr.tidyverse.org/reference/read_rds.html">read_rds</a></span><span class="op">(</span><span class="st">"estudantes.rds"</span><span class="op">)</span></span>
 <span><span class="co">#&gt; # A tibble: 6 × 5</span></span>
-<span><span class="co">#&gt;   student_id full_name        favourite_food     meal_plan             age</span></span>
-<span><span class="co">#&gt;        &lt;dbl&gt; &lt;chr&gt;            &lt;chr&gt;              &lt;fct&gt;               &lt;dbl&gt;</span></span>
-<span><span class="co">#&gt; 1          1 Sunil Huffmann   Strawberry yoghurt Lunch only              4</span></span>
-<span><span class="co">#&gt; 2          2 Barclay Lynn     French fries       Lunch only              5</span></span>
-<span><span class="co">#&gt; 3          3 Jayendra Lyne    &lt;NA&gt;               Breakfast and lunch     7</span></span>
-<span><span class="co">#&gt; 4          4 Leon Rossini     Anchovies          Lunch only             NA</span></span>
-<span><span class="co">#&gt; 5          5 Chidiegwu Dunkel Pizza              Breakfast and lunch     5</span></span>
-<span><span class="co">#&gt; 6          6 Güvenç Attila    Ice cream          Lunch only              6</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
+<span><span class="co">#&gt;   id_estudante nome_completo     comida_favorita    plano_alimentar     idade</span></span>
+<span><span class="co">#&gt;          &lt;dbl&gt; &lt;chr&gt;             &lt;chr&gt;              &lt;fct&gt;               &lt;dbl&gt;</span></span>
+<span><span class="co">#&gt; 1            1 Pedro Cardoso     Iogurte de morango Só almoço               4</span></span>
+<span><span class="co">#&gt; 2            2 Rafaela Lorenzoni Batata frita       Só almoço               5</span></span>
+<span><span class="co">#&gt; 3            3 Otávio Barros     &lt;NA&gt;               Café da manhã e al…     7</span></span>
+<span><span class="co">#&gt; 4            4 Fernanda Melo     Brócolis           Só almoço              NA</span></span>
+<span><span class="co">#&gt; 5            5 Leopoldo Souza    Pizza              Café da manhã e al…     5</span></span>
+<span><span class="co">#&gt; 6            6 Pérola Silva      Sorvete            Só almoço               6</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
 </li>
 <li>
-<p>The arrow package allows you to read and write parquet files, a fast binary file format that can be shared across programming languages. We’ll return to arrow in more depth in <a href="arrow.html" class="quarto-xref"><span>Capítulo 22</span></a>.</p>
+<p>O pacote arrow te permite importar e exportar arquivos parquet, um formato de arquivo binário rápido que pode ser compartilhado entre diferentes linguagens de programação. Voltaremos ao arrow com mais detalhes em <a href="arrow.html" class="quarto-xref"><span>Capítulo 22</span></a>.</p>
 <div class="cell">
 <div class="sourceCode" id="cb32"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="kw"><a href="https://rdrr.io/r/base/library.html">library</a></span><span class="op">(</span><span class="va"><a href="https://github.com/apache/arrow/">arrow</a></span><span class="op">)</span></span>
-<span><span class="fu"><a href="https://arrow.apache.org/docs/r/reference/write_parquet.html">write_parquet</a></span><span class="op">(</span><span class="va">students</span>, <span class="st">"students.parquet"</span><span class="op">)</span></span>
-<span><span class="fu"><a href="https://arrow.apache.org/docs/r/reference/read_parquet.html">read_parquet</a></span><span class="op">(</span><span class="st">"students.parquet"</span><span class="op">)</span></span>
-<span><span class="co">#&gt; # A tibble: 6 × 5</span></span>
-<span><span class="co">#&gt;   student_id full_name        favourite_food     meal_plan             age</span></span>
-<span><span class="co">#&gt;        &lt;dbl&gt; &lt;chr&gt;            &lt;chr&gt;              &lt;fct&gt;               &lt;dbl&gt;</span></span>
-<span><span class="co">#&gt; 1          1 Sunil Huffmann   Strawberry yoghurt Lunch only              4</span></span>
-<span><span class="co">#&gt; 2          2 Barclay Lynn     French fries       Lunch only              5</span></span>
-<span><span class="co">#&gt; 3          3 Jayendra Lyne    NA                 Breakfast and lunch     7</span></span>
-<span><span class="co">#&gt; 4          4 Leon Rossini     Anchovies          Lunch only             NA</span></span>
-<span><span class="co">#&gt; 5          5 Chidiegwu Dunkel Pizza              Breakfast and lunch     5</span></span>
-<span><span class="co">#&gt; 6          6 Güvenç Attila    Ice cream          Lunch only              6</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
+<span><span class="fu"><a href="https://arrow.apache.org/docs/r/reference/write_parquet.html">write_parquet</a></span><span class="op">(</span><span class="va">estudantes</span>, <span class="st">"estudantes.parquet"</span><span class="op">)</span></span>
+<span><span class="fu"><a href="https://arrow.apache.org/docs/r/reference/read_parquet.html">read_parquet</a></span><span class="op">(</span><span class="st">"estudantes.parquet"</span><span class="op">)</span></span>
+<span><span class="co"># A tibble: 6 × 5</span></span>
+<span><span class="co">#   id_estudante nome_completo     comida_favorita</span></span>
+<span><span class="co">#          &lt;dbl&gt; &lt;chr&gt;             &lt;chr&gt;          </span></span>
+<span><span class="co"># 1            1 Pedro Cardoso     Iogurte de mor…</span></span>
+<span><span class="co"># 2            2 Rafaela Lorenzoni Batata frita   </span></span>
+<span><span class="co"># 3            3 Otávio Barros     &lt;NA&gt;           </span></span>
+<span><span class="co"># 4            4 Fernanda Melo     Brócolis       </span></span>
+<span><span class="co"># 5            5 Leopoldo Souza    Pizza          </span></span>
+<span><span class="co"># 6            6 Pérola Silva      Sorvete        </span></span>
+<span><span class="co"># # ℹ 2 more variables: plano_alimentar &lt;fct&gt;,</span></span>
+<span><span class="co"># #   idade &lt;dbl&gt;</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
 </li>
 </ol>
-<p>Parquet tends to be much faster than RDS and is usable outside of R, but does require the arrow package.</p>
-</section><section id="data-entry" class="level2" data-number="7.6"><h2 data-number="7.6" class="anchored" data-anchor-id="data-entry">
-<span class="header-section-number">7.6</span> Data entry</h2>
-<p>Sometimes you’ll need to assemble a tibble “by hand” doing a little data entry in your R script. There are two useful functions to help you do this which differ in whether you layout the tibble by columns or by rows. <code><a href="https://tibble.tidyverse.org/reference/tibble.html">tibble()</a></code> works by column:</p>
+<p>Parquet tende a ser muito mais rápido que RDS e é utilizável fora do R, mas requer o pacote arrow.</p>
+</section><section id="entrada-de-dados" class="level2" data-number="7.6"><h2 data-number="7.6" class="anchored" data-anchor-id="entrada-de-dados">
+<span class="header-section-number">7.6</span> Entrada de dados</h2>
+<p>Às vezes você precisará montar um tibble “à mão” fazendo um pouco de entrada de dados no seu script R. Existem duas funções úteis para ajudá-lo a fazer isso que diferem se você organiza o tibble por colunas ou por linhas. <code><a href="https://tibble.tidyverse.org/reference/tibble.html">tibble()</a></code> funciona por coluna:</p>
 <div class="cell">
 <div class="sourceCode" id="cb33"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="fu"><a href="https://tibble.tidyverse.org/reference/tibble.html">tibble</a></span><span class="op">(</span></span>
 <span>  x <span class="op">=</span> <span class="fu"><a href="https://rdrr.io/r/base/c.html">c</a></span><span class="op">(</span><span class="fl">1</span>, <span class="fl">2</span>, <span class="fl">5</span><span class="op">)</span>, </span>
@@ -1019,7 +1011,8 @@ <h1 class="title"><span id="sec-data-import" class="quarto-section-identifier"><
 <span><span class="co">#&gt; 2     2 m      0.83</span></span>
 <span><span class="co">#&gt; 3     5 g      0.6</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-<p>Laying out the data by column can make it hard to see how the rows are related, so an alternative is <code><a href="https://tibble.tidyverse.org/reference/tribble.html">tribble()</a></code>, short for <strong>tr</strong>ansposed t<strong>ibble</strong>, which lets you lay out your data row by row. <code><a href="https://tibble.tidyverse.org/reference/tribble.html">tribble()</a></code> is customized for data entry in code: column headings start with <code>~</code> and entries are separated by commas. This makes it possible to lay out small amounts of data in an easy to read form:</p>
+<p>Laying out the data by column can make it hard to see how the rows are related, so an alternative is <code><a href="https://tibble.tidyverse.org/reference/tribble.html">tribble()</a></code>, short for <strong>tr</strong>ansposed t<strong>ibble</strong>, which lets you lay out your data row by row. <code><a href="https://tibble.tidyverse.org/reference/tribble.html">tribble()</a></code> é customizado para entrada de dados no código: os cabeçalhos das colunas começam com <code>~</code> e as entradas são separadas por vírgulas. Isso torna possível dispor pequenas quantidades de dados em uma forma fácil de ler:</p>
+<p>Inserir os dados por coluna pode dificultar a visualização de como as linhas estão relacionadas, então uma alternativa é <code><a href="https://tibble.tidyverse.org/reference/tribble.html">tribble()</a></code>, abreviação de <em><strong>tr</strong>ansposed t<strong>ibble</strong></em> (tibble transposta), que permite organizar seus dados linha por linha.</p>
 <div class="cell">
 <div class="sourceCode" id="cb34"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="fu"><a href="https://tibble.tidyverse.org/reference/tribble.html">tribble</a></span><span class="op">(</span></span>
 <span>  <span class="op">~</span><span class="va">x</span>, <span class="op">~</span><span class="va">y</span>, <span class="op">~</span><span class="va">z</span>,</span>
@@ -1034,16 +1027,19 @@ <h1 class="title"><span id="sec-data-import" class="quarto-section-identifier"><
 <span><span class="co">#&gt; 2     2 m      0.83</span></span>
 <span><span class="co">#&gt; 3     5 g      0.6</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
-</section><section id="summary" class="level2" data-number="7.7"><h2 data-number="7.7" class="anchored" data-anchor-id="summary">
-<span class="header-section-number">7.7</span> Summary</h2>
-<p>In this chapter, you’ve learned how to load CSV files with <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code> and to do your own data entry with <code><a href="https://tibble.tidyverse.org/reference/tibble.html">tibble()</a></code> and <code><a href="https://tibble.tidyverse.org/reference/tribble.html">tribble()</a></code>. You’ve learned how csv files work, some of the problems you might encounter, and how to overcome them. We’ll come to data import a few times in this book: <a href="spreadsheets.html" class="quarto-xref"><span>Capítulo 20</span></a> from Excel and Google Sheets, <a href="databases.html" class="quarto-xref"><span>Capítulo 21</span></a> will show you how to load data from databases, <a href="arrow.html" class="quarto-xref"><span>Capítulo 22</span></a> from parquet files, <a href="rectangling.html" class="quarto-xref"><span>Capítulo 23</span></a> from JSON, and <a href="webscraping.html" class="quarto-xref"><span>Capítulo 24</span></a> from websites.</p>
-<p>We’re just about at the end of this section of the book, but there’s one important last topic to cover: how to get help. So in the next chapter, you’ll learn some good places to look for help, how to create a reprex to maximize your chances of getting good help, and some general advice on keeping up with the world of R.</p>
+</section><section id="resumo" class="level2" data-number="7.7"><h2 data-number="7.7" class="anchored" data-anchor-id="resumo">
+<span class="header-section-number">7.7</span> Resumo</h2>
+<p>Neste capítulo, você aprendeu como carregar arquivos CSV com <code><a href="https://readr.tidyverse.org/reference/read_delim.html">read_csv()</a></code> e como inserir seus próprios dados com <code><a href="https://tibble.tidyverse.org/reference/tibble.html">tibble()</a></code> e <code><a href="https://tibble.tidyverse.org/reference/tribble.html">tribble()</a></code>. Você aprendeu como arquivos CSV funcionam, alguns dos problemas que você pode encontrar e como superá-los. Voltaremos à importação de dados algumas vezes neste livro: <a href="spreadsheets.html" class="quarto-xref"><span>Capítulo 20</span></a> do Excel e do Google Planilhas, <a href="databases.html" class="quarto-xref"><span>Capítulo 21</span></a> mostrará para você como carregar dados de bancos de dados, <a href="arrow.html" class="quarto-xref"><span>Capítulo 22</span></a> de arquivos parquet, <a href="rectangling.html" class="quarto-xref"><span>Capítulo 23</span></a> de JSON e <a href="webscraping.html" class="quarto-xref"><span>Capítulo 24</span></a> de sites.</p>
+<p>Estamos quase no final desta seção do livro, mas há um último tópico importante a ser coberto: como obter ajuda. Então, no próximo capítulo, você aprenderá alguns bons lugares para procurar ajuda, como criar um exemplo reprodutível (<em>reprex</em>)<a href="#fn5" class="footnote-ref" id="fnref5" role="doc-noteref"><sup>5</sup></a> para maximizar suas chances de obter boa ajuda e alguns conselhos gerais sobre como acompanhar o mundo do R.</p>
 
 
 </section><section id="footnotes" class="footnotes footnotes-end-of-document" role="doc-endnotes"><hr>
 <ol>
-<li id="fn1"><p>The <a href="http://sfirke.github.io/janitor/">janitor</a> package is not part of the tidyverse, but it offers handy functions for data cleaning and works well within data pipelines that use <code>|&gt;</code>.<a href="#fnref1" class="footnote-back" role="doc-backlink">↩︎</a></p></li>
-<li id="fn2"><p>You can override the default of 1000 with the <code>guess_max</code> argument.<a href="#fnref2" class="footnote-back" role="doc-backlink">↩︎</a></p></li>
+<li id="fn1"><p>No Brasil, é mais comum o tipo CSV2, que utiliza ponto-e-vírgula como separador e é, portanto, compatível com o uso da vírgula como separador decimal. (N. dos T.)<a href="#fnref1" class="footnote-back" role="doc-backlink">↩︎</a></p></li>
+<li id="fn2"><p>O pacote <a href="http://sfirke.github.io/janitor/">janitor</a> não faz parte do tidyverse, mas oferece funções úteis para limpeza de dados e funciona bem em <em>pipelines</em> de dados que usam <code>|&gt;</code>.<a href="#fnref2" class="footnote-back" role="doc-backlink">↩︎</a></p></li>
+<li id="fn3"><p>Você pode substituir o padrão de 1.000 com o argumento <code>guess_max</code>.<a href="#fnref3" class="footnote-back" role="doc-backlink">↩︎</a></p></li>
+<li id="fn4"><p>No contexto de <em>wrappers</em>, funções ou métodos construídos como uma camada de abstração mais simples e consistente sobre outras funções ou métodos existentes, uniforme significa que o <em>wrapper</em> oferece uma interface padronizada em relação à outras funções e métodos de operações similares, oferecendo uma interação mais previsível ao usuário. (N. dos T.)<a href="#fnref4" class="footnote-back" role="doc-backlink">↩︎</a></p></li>
+<li id="fn5"><p>Reprex é o acrônimo para <em><strong>Repr</strong>oducible <strong>Ex</strong>ample</em> (exemplo reprodutível). (N. dos T.)<a href="#fnref5" class="footnote-back" role="doc-backlink">↩︎</a></p></li>
 </ol></section></main><!-- /main --><script id="quarto-html-after-body" type="application/javascript">
 window.document.addEventListener("DOMContentLoaded", function (event) {
   const toggleBodyColorMode = (bsSheetEl) => {
diff --git a/data-tidy.html b/data-tidy.html
index c527a9f95..9b73250e7 100644
--- a/data-tidy.html
+++ b/data-tidy.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/data-transform.html b/data-transform.html
index 0612c295a..4e929f8e8 100644
--- a/data-transform.html
+++ b/data-transform.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/data-visualize.html b/data-visualize.html
index c8e040c27..b3cb90094 100644
--- a/data-visualize.html
+++ b/data-visualize.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/databases.html b/databases.html
index 913362b6f..3bd9bab3d 100644
--- a/databases.html
+++ b/databases.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
@@ -838,12 +838,12 @@ <h1 class="title"><span id="sec-import-databases" class="quarto-section-identifi
 <span><span class="co">#&gt; # Database: DuckDB v0.10.0 [root@Darwin 21.6.0:R 4.3.3/:memory:]</span></span>
 <span><span class="co">#&gt;   destino atraso</span></span>
 <span><span class="co">#&gt;   &lt;chr&gt;    &lt;dbl&gt;</span></span>
-<span><span class="co">#&gt; 1 ATL      11.3 </span></span>
-<span><span class="co">#&gt; 2 MCO       5.45</span></span>
-<span><span class="co">#&gt; 3 MSY       6.49</span></span>
-<span><span class="co">#&gt; 4 XNA       7.47</span></span>
-<span><span class="co">#&gt; 5 BNA      11.8 </span></span>
-<span><span class="co">#&gt; 6 ALB      14.4 </span></span>
+<span><span class="co">#&gt; 1 CLT      7.36 </span></span>
+<span><span class="co">#&gt; 2 MDW     12.4  </span></span>
+<span><span class="co">#&gt; 3 HOU      7.18 </span></span>
+<span><span class="co">#&gt; 4 SDF     12.7  </span></span>
+<span><span class="co">#&gt; 5 LAS      0.258</span></span>
+<span><span class="co">#&gt; 6 PHX      2.10 </span></span>
 <span><span class="co">#&gt; # ℹ more rows</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
 <p>Se você quiser saber mais em como o <code>NULL</code> funciona, você irá gostar do artigo “<a href="https://modern-sql.com/concept/three-valued-logic"><em>Three valued logic</em></a>” de Markus Winand.</p>
diff --git a/datetimes.html b/datetimes.html
index b7fd861ba..4f2392a2c 100644
--- a/datetimes.html
+++ b/datetimes.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
@@ -492,9 +492,9 @@ <h1 class="title"><span id="sec-dates-and-times" class="quarto-section-identifie
 <p>To get the current date or date-time you can use <code><a href="https://lubridate.tidyverse.org/reference/now.html">today()</a></code> or <code><a href="https://lubridate.tidyverse.org/reference/now.html">now()</a></code>:</p>
 <div class="cell">
 <div class="sourceCode" id="cb2"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="fu"><a href="https://lubridate.tidyverse.org/reference/now.html">today</a></span><span class="op">(</span><span class="op">)</span></span>
-<span><span class="co">#&gt; [1] "2024-06-11"</span></span>
+<span><span class="co">#&gt; [1] "2024-06-21"</span></span>
 <span><span class="fu"><a href="https://lubridate.tidyverse.org/reference/now.html">now</a></span><span class="op">(</span><span class="op">)</span></span>
-<span><span class="co">#&gt; [1] "2024-06-11 16:57:23 -03"</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
+<span><span class="co">#&gt; [1] "2024-06-21 14:57:54 -03"</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
 <p>Otherwise, the following sections describe the four ways you’re likely to create a date/time:</p>
 <ul>
@@ -782,9 +782,9 @@ <h1 class="title"><span id="sec-dates-and-times" class="quarto-section-identifie
 <p>You may want to switch between a date-time and a date. That’s the job of <code><a href="https://lubridate.tidyverse.org/reference/as_date.html">as_datetime()</a></code> and <code><a href="https://lubridate.tidyverse.org/reference/as_date.html">as_date()</a></code>:</p>
 <div class="cell">
 <div class="sourceCode" id="cb13"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="fu"><a href="https://lubridate.tidyverse.org/reference/as_date.html">as_datetime</a></span><span class="op">(</span><span class="fu"><a href="https://lubridate.tidyverse.org/reference/now.html">today</a></span><span class="op">(</span><span class="op">)</span><span class="op">)</span></span>
-<span><span class="co">#&gt; [1] "2024-06-11 UTC"</span></span>
+<span><span class="co">#&gt; [1] "2024-06-21 UTC"</span></span>
 <span><span class="fu"><a href="https://lubridate.tidyverse.org/reference/as_date.html">as_date</a></span><span class="op">(</span><span class="fu"><a href="https://lubridate.tidyverse.org/reference/now.html">now</a></span><span class="op">(</span><span class="op">)</span><span class="op">)</span></span>
-<span><span class="co">#&gt; [1] "2024-06-11"</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
+<span><span class="co">#&gt; [1] "2024-06-21"</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
 <p>Sometimes you’ll get date/times as numeric offsets from the “Unix Epoch”, 1970-01-01. If the offset is in seconds, use <code><a href="https://lubridate.tidyverse.org/reference/as_date.html">as_datetime()</a></code>; if it’s in days, use <code><a href="https://lubridate.tidyverse.org/reference/as_date.html">as_date()</a></code>.</p>
 <div class="cell">
@@ -1010,12 +1010,12 @@ <h1 class="title"><span id="sec-dates-and-times" class="quarto-section-identifie
 <div class="sourceCode" id="cb28"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="co"># How old is Hadley?</span></span>
 <span><span class="va">h_age</span> <span class="op">&lt;-</span> <span class="fu"><a href="https://lubridate.tidyverse.org/reference/now.html">today</a></span><span class="op">(</span><span class="op">)</span> <span class="op">-</span> <span class="fu"><a href="https://lubridate.tidyverse.org/reference/ymd.html">ymd</a></span><span class="op">(</span><span class="st">"1979-10-14"</span><span class="op">)</span></span>
 <span><span class="va">h_age</span></span>
-<span><span class="co">#&gt; Time difference of 16312 days</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
+<span><span class="co">#&gt; Time difference of 16322 days</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
 <p>A <code>difftime</code> class object records a time span of seconds, minutes, hours, days, or weeks. This ambiguity can make difftimes a little painful to work with, so lubridate provides an alternative which always uses seconds: the <strong>duration</strong>.</p>
 <div class="cell">
 <div class="sourceCode" id="cb29"><pre class="downlit sourceCode r code-with-copy"><code class="sourceCode R"><span><span class="fu"><a href="https://lubridate.tidyverse.org/reference/as.duration.html">as.duration</a></span><span class="op">(</span><span class="va">h_age</span><span class="op">)</span></span>
-<span><span class="co">#&gt; [1] "1409356800s (~44.66 years)"</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
+<span><span class="co">#&gt; [1] "1410220800s (~44.69 years)"</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
 <p>Durations come with a bunch of convenient constructors:</p>
 <div class="cell">
diff --git a/factors.html b/factors.html
index 482fc4b14..9a6d595ba 100644
--- a/factors.html
+++ b/factors.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/functions.html b/functions.html
index 209793caf..7e46eb170 100644
--- a/functions.html
+++ b/functions.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/import.html b/import.html
index 3760dccaa..e11ad79e4 100644
--- a/import.html
+++ b/import.html
@@ -168,7 +168,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/index.html b/index.html
index faad944d1..5e40d9def 100644
--- a/index.html
+++ b/index.html
@@ -182,7 +182,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/intro.html b/intro.html
index 1fb952a3e..18f492687 100644
--- a/intro.html
+++ b/intro.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/iteration.html b/iteration.html
index e36e25c5d..a19b50bb9 100644
--- a/iteration.html
+++ b/iteration.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
@@ -1313,11 +1313,11 @@ <h1 class="title"><span id="sec-iteration" class="quarto-section-identifier"><sp
 <span><span class="co">#&gt;    year     n</span></span>
 <span><span class="co">#&gt;   &lt;dbl&gt; &lt;dbl&gt;</span></span>
 <span><span class="co">#&gt; 1  1967   142</span></span>
-<span><span class="co">#&gt; 2  1977   142</span></span>
-<span><span class="co">#&gt; 3  1987   142</span></span>
-<span><span class="co">#&gt; 4  1962   142</span></span>
-<span><span class="co">#&gt; 5  1982   142</span></span>
-<span><span class="co">#&gt; 6  1952   142</span></span>
+<span><span class="co">#&gt; 2  1952   142</span></span>
+<span><span class="co">#&gt; 3  1957   142</span></span>
+<span><span class="co">#&gt; 4  1972   142</span></span>
+<span><span class="co">#&gt; 5  1992   142</span></span>
+<span><span class="co">#&gt; 6  1997   142</span></span>
 <span><span class="co">#&gt; # ℹ more rows</span></span></code><button title="Copiar para a área de transferência" class="code-copy-button"><i class="bi"></i></button></pre></div>
 </div>
 </section><section id="writing-csv-files" class="level3" data-number="26.4.2"><h3 data-number="26.4.2" class="anchored" data-anchor-id="writing-csv-files">
diff --git a/joins.html b/joins.html
index bb28cdf4e..fdc98ac5e 100644
--- a/joins.html
+++ b/joins.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/layers.html b/layers.html
index 88f37f56e..3915098bc 100644
--- a/layers.html
+++ b/layers.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/logicals.html b/logicals.html
index 664b8d20a..a41f25fea 100644
--- a/logicals.html
+++ b/logicals.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/missing-values.html b/missing-values.html
index d3cbcb3c2..80925d911 100644
--- a/missing-values.html
+++ b/missing-values.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/numbers.html b/numbers.html
index 71cd6386f..a3fa1e5f9 100644
--- a/numbers.html
+++ b/numbers.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/preface-2e.html b/preface-2e.html
index 17fea490a..c959481b8 100644
--- a/preface-2e.html
+++ b/preface-2e.html
@@ -183,7 +183,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/program.html b/program.html
index ee0a6396c..e09da3444 100644
--- a/program.html
+++ b/program.html
@@ -168,7 +168,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/quarto-formats.html b/quarto-formats.html
index 7f512260a..c57c705ac 100644
--- a/quarto-formats.html
+++ b/quarto-formats.html
@@ -205,7 +205,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/quarto.html b/quarto.html
index 5a80655aa..fe9eea01f 100644
--- a/quarto.html
+++ b/quarto.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/rectangling.html b/rectangling.html
index bb209428c..f9d9342dc 100644
--- a/rectangling.html
+++ b/rectangling.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/regexps.html b/regexps.html
index b527bc075..f0138efdb 100644
--- a/regexps.html
+++ b/regexps.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/search.json b/search.json
index 3ac7fc311..4f9fd8e94 100644
--- a/search.json
+++ b/search.json
@@ -114,7 +114,7 @@
     "href": "whole-game.html",
     "title": "✅ Visão geral",
     "section": "",
-    "text": "O nosso objetivo nesta parte do livro é oferecer uma visão geral rápida das principais ferramentas da ciência de dados: importação, organização, transformação e visualização de dados, como mostrado na Figura Nesta parte do livro, você aprenderá como importar, organizar, transformar e visualizar dados.. Queremos apresentar para você uma visão geral da ciência de dados, fornecendo apenas o suficiente de todos os principais elementos para que você possa lidar com conjuntos de dados reais, ainda que simples. As partes posteriores do livro abordarão cada um desses tópicos com mais profundidade, ampliando o leque de desafios da ciência de dados que você pode enfrentar.\n\n\n\n\n\n\n\nFigura 1: Nesta parte do livro, você aprenderá como importar, organizar, transformar e visualizar dados.\n\n\n\n\nQuatro capítulos se concentram nas ferramentas da ciência de dados:\n\nA visualização é um ótimo ponto de partida para a programação em R, porque os resultados são claros: você pode criar gráficos elegantes e informativos que te ajudam a entender os dados. No 1  ✅ Visualização de dados, você mergulhará na visualização, aprendendo a estrutura básica de um gráfico ggplot2 e técnicas poderosas para transformar dados em gráficos.\nGeralmente, apenas a visualização não é suficiente. Portanto, no 3  ✅ Transformação de dados, você aprenderá os principais verbos que permitem selecionar variáveis importantes, filtrar observações essenciais, criar novas variáveis e fazer sumarizações.\nNo 5  ✅ Organizando os dados (data tidying), você aprenderá sobre dados organizados (tidy data), uma maneira consistente de armazenar seus dados que facilita a transformação, visualização e modelagem. Você aprenderá os princípios de tidy data e como deixar seus dados neste formato.\nAntes de poder transformar e visualizar seus dados, você precisa primeiro importá-los para o R. No 7  Data import, você aprenderá o básico de como importar arquivos .csv para o R.\n\nEntre esses capítulos, há outros quatro capítulos que se concentram no fluxo de trabalho no R. Em 2  ✅ Fluxo de Trabalho: básico, 4  ✅ Fluxo de trabalho: estilo de código e 6  ✅ Fluxo de trabalho: scripts e projetos, você aprenderá boas práticas de fluxo de trabalho para escrever e organizar seu código R. Isso te preparará para o sucesso a longo prazo, pois fornecerá as ferramentas necessárias para manter a organização ao enfrentar projetos reais. Por fim, no 8  ✅ Fluxo de trabalho: obtendo ajuda, você aprenderá como obter ajuda e continuar aprendendo.",
+    "text": "O nosso objetivo nesta parte do livro é oferecer uma visão geral rápida das principais ferramentas da ciência de dados: importação, organização, transformação e visualização de dados, como mostrado na Figura Nesta parte do livro, você aprenderá como importar, organizar, transformar e visualizar dados.. Queremos apresentar para você uma visão geral da ciência de dados, fornecendo apenas o suficiente de todos os principais elementos para que você possa lidar com conjuntos de dados reais, ainda que simples. As partes posteriores do livro abordarão cada um desses tópicos com mais profundidade, ampliando o leque de desafios da ciência de dados que você pode enfrentar.\n\n\n\n\n\n\n\nFigura 1: Nesta parte do livro, você aprenderá como importar, organizar, transformar e visualizar dados.\n\n\n\n\nQuatro capítulos se concentram nas ferramentas da ciência de dados:\n\nA visualização é um ótimo ponto de partida para a programação em R, porque os resultados são claros: você pode criar gráficos elegantes e informativos que te ajudam a entender os dados. No 1  ✅ Visualização de dados, você mergulhará na visualização, aprendendo a estrutura básica de um gráfico ggplot2 e técnicas poderosas para transformar dados em gráficos.\nGeralmente, apenas a visualização não é suficiente. Portanto, no 3  ✅ Transformação de dados, você aprenderá os principais verbos que permitem selecionar variáveis importantes, filtrar observações essenciais, criar novas variáveis e fazer sumarizações.\nNo 5  ✅ Organizando os dados (data tidying), você aprenderá sobre dados organizados (tidy data), uma maneira consistente de armazenar seus dados que facilita a transformação, visualização e modelagem. Você aprenderá os princípios de tidy data e como deixar seus dados neste formato.\nAntes de poder transformar e visualizar seus dados, você precisa primeiro importá-los para o R. No 7  ✅ Importação de dados, você aprenderá o básico de como importar arquivos .csv para o R.\n\nEntre esses capítulos, há outros quatro capítulos que se concentram no fluxo de trabalho no R. Em 2  ✅ Fluxo de Trabalho: básico, 4  ✅ Fluxo de trabalho: estilo de código e 6  ✅ Fluxo de trabalho: scripts e projetos, você aprenderá boas práticas de fluxo de trabalho para escrever e organizar seu código R. Isso te preparará para o sucesso a longo prazo, pois fornecerá as ferramentas necessárias para manter a organização ao enfrentar projetos reais. Por fim, no 8  ✅ Fluxo de trabalho: obtendo ajuda, você aprenderá como obter ajuda e continuar aprendendo.",
     "crumbs": [
       "✅ Visão geral"
     ]
@@ -628,100 +628,100 @@
   {
     "objectID": "data-import.html",
     "href": "data-import.html",
-    "title": "7  Data import",
+    "title": "7  ✅ Importação de dados",
     "section": "",
-    "text": "7.1 Introduction\nWorking with data provided by R packages is a great way to learn data science tools, but you want to apply what you’ve learned to your own data at some point. In this chapter, you’ll learn the basics of reading data files into R.\nSpecifically, this chapter will focus on reading plain-text rectangular files. We’ll start with practical advice for handling features like column names, types, and missing data. You will then learn about reading data from multiple files at once and writing data from R to a file. Finally, you’ll learn how to handcraft data frames in R.",
+    "text": "7.1 Introdução\nTrabalhar com dados fornecidos por pacotes em R é uma ótima maneira de aprender ferramentas de ciência de dados, mas você irá querer aplicar o que aprendeu aos seus próprios dados em algum momento. Neste capítulo, você aprenderá o básico sobre como ler arquivos de dados no R.\nEspecificamente, esse capítulo focará na leitura de arquivos de texto retangulares. Começaremos com conselhos práticos para lidar com recursos como nomes de colunas, tipos e dados ausentes. Você então aprenderá sobre como ler dados de múltiplos arquivos de uma única vez e exportar dados do R para um arquivo. Finalmente, você aprenderá a criar manualmente data frames no R.",
     "crumbs": [
       "✅ Visão geral",
-      "<span class='chapter-number'>7</span>  <span class='chapter-title'>Data import</span>"
+      "<span class='chapter-number'>7</span>  <span class='chapter-title'>✅ Importação de dados</span>"
     ]
   },
   {
-    "objectID": "data-import.html#introduction",
-    "href": "data-import.html#introduction",
-    "title": "7  Data import",
+    "objectID": "data-import.html#introdução",
+    "href": "data-import.html#introdução",
+    "title": "7  ✅ Importação de dados",
     "section": "",
-    "text": "7.1.1 Prerequisites\nIn this chapter, you’ll learn how to load flat files in R with the readr package, which is part of the core tidyverse.\n\nlibrary(tidyverse)",
+    "text": "7.1.1 Pré-requisitos\nNeste capítulo, você irá aprender como importar arquivos de texto no R com o pacote readr, que faz parte do tidyverse.\n\nlibrary(tidyverse)",
     "crumbs": [
       "✅ Visão geral",
-      "<span class='chapter-number'>7</span>  <span class='chapter-title'>Data import</span>"
+      "<span class='chapter-number'>7</span>  <span class='chapter-title'>✅ Importação de dados</span>"
     ]
   },
   {
-    "objectID": "data-import.html#reading-data-from-a-file",
-    "href": "data-import.html#reading-data-from-a-file",
-    "title": "7  Data import",
-    "section": "\n7.2 Reading data from a file",
-    "text": "7.2 Reading data from a file\nTo begin, we’ll focus on the most common rectangular data file type: CSV, which is short for comma-separated values. Here is what a simple CSV file looks like. The first row, commonly called the header row, gives the column names, and the following six rows provide the data. The columns are separated, aka delimited, by commas.\n\nStudent ID,Full Name,favourite.food,mealPlan,AGE\n1,Sunil Huffmann,Strawberry yoghurt,Lunch only,4\n2,Barclay Lynn,French fries,Lunch only,5\n3,Jayendra Lyne,N/A,Breakfast and lunch,7\n4,Leon Rossini,Anchovies,Lunch only,\n5,Chidiegwu Dunkel,Pizza,Breakfast and lunch,five\n6,Güvenç Attila,Ice cream,Lunch only,6\n\nTabela 7.1 shows a representation of the same data as a table.\n\n\n\nTabela 7.1: Data from the students.csv file as a table.\n\n\n\n\n\n\n\n\n\n\n\nStudent ID\nFull Name\nfavourite.food\nmealPlan\nAGE\n\n\n\n1\nSunil Huffmann\nStrawberry yoghurt\nLunch only\n4\n\n\n2\nBarclay Lynn\nFrench fries\nLunch only\n5\n\n\n3\nJayendra Lyne\nN/A\nBreakfast and lunch\n7\n\n\n4\nLeon Rossini\nAnchovies\nLunch only\nNA\n\n\n5\nChidiegwu Dunkel\nPizza\nBreakfast and lunch\nfive\n\n\n6\nGüvenç Attila\nIce cream\nLunch only\n6\n\n\n\n\n\n\n\n\nWe can read this file into R using read_csv(). The first argument is the most important: the path to the file. You can think about the path as the address of the file: the file is called students.csv and that it lives in the data folder.\n\nstudents &lt;- read_csv(\"data/students.csv\")\n#&gt; Rows: 6 Columns: 5\n#&gt; ── Column specification ─────────────────────────────────────────────────────\n#&gt; Delimiter: \",\"\n#&gt; chr (4): Full Name, favourite.food, mealPlan, AGE\n#&gt; dbl (1): Student ID\n#&gt; \n#&gt; ℹ Use `spec()` to retrieve the full column specification for this data.\n#&gt; ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.\n\nThe code above will work if you have the students.csv file in a data folder in your project. You can download the students.csv file from https://pos.it/r4ds-students-csv or you can read it directly from that URL with:\n\nstudents &lt;- read_csv(\"https://pos.it/r4ds-students-csv\")\n\nWhen you run read_csv(), it prints out a message telling you the number of rows and columns of data, the delimiter that was used, and the column specifications (names of columns organized by the type of data the column contains). It also prints out some information about retrieving the full column specification and how to quiet this message. This message is an integral part of readr, and we’ll return to it in Seção 7.3.\n\n7.2.1 Practical advice\nOnce you read data in, the first step usually involves transforming it in some way to make it easier to work with in the rest of your analysis. Let’s take another look at the students data with that in mind.\n\nstudents\n#&gt; # A tibble: 6 × 5\n#&gt;   `Student ID` `Full Name`      favourite.food     mealPlan            AGE  \n#&gt;          &lt;dbl&gt; &lt;chr&gt;            &lt;chr&gt;              &lt;chr&gt;               &lt;chr&gt;\n#&gt; 1            1 Sunil Huffmann   Strawberry yoghurt Lunch only          4    \n#&gt; 2            2 Barclay Lynn     French fries       Lunch only          5    \n#&gt; 3            3 Jayendra Lyne    N/A                Breakfast and lunch 7    \n#&gt; 4            4 Leon Rossini     Anchovies          Lunch only          &lt;NA&gt; \n#&gt; 5            5 Chidiegwu Dunkel Pizza              Breakfast and lunch five \n#&gt; 6            6 Güvenç Attila    Ice cream          Lunch only          6\n\nIn the favourite.food column, there are a bunch of food items, and then the character string N/A, which should have been a real NA that R will recognize as “not available”. This is something we can address using the na argument. By default, read_csv() only recognizes empty strings (\"\") in this dataset as NAs, we want it to also recognize the character string \"N/A\".\n\nstudents &lt;- read_csv(\"data/students.csv\", na = c(\"N/A\", \"\"))\n\nstudents\n#&gt; # A tibble: 6 × 5\n#&gt;   `Student ID` `Full Name`      favourite.food     mealPlan            AGE  \n#&gt;          &lt;dbl&gt; &lt;chr&gt;            &lt;chr&gt;              &lt;chr&gt;               &lt;chr&gt;\n#&gt; 1            1 Sunil Huffmann   Strawberry yoghurt Lunch only          4    \n#&gt; 2            2 Barclay Lynn     French fries       Lunch only          5    \n#&gt; 3            3 Jayendra Lyne    &lt;NA&gt;               Breakfast and lunch 7    \n#&gt; 4            4 Leon Rossini     Anchovies          Lunch only          &lt;NA&gt; \n#&gt; 5            5 Chidiegwu Dunkel Pizza              Breakfast and lunch five \n#&gt; 6            6 Güvenç Attila    Ice cream          Lunch only          6\n\nYou might also notice that the Student ID and Full Name columns are surrounded by backticks. That’s because they contain spaces, breaking R’s usual rules for variable names; they’re non-syntactic names. To refer to these variables, you need to surround them with backticks, `:\n\nstudents |&gt; \n  rename(\n    student_id = `Student ID`,\n    full_name = `Full Name`\n  )\n#&gt; # A tibble: 6 × 5\n#&gt;   student_id full_name        favourite.food     mealPlan            AGE  \n#&gt;        &lt;dbl&gt; &lt;chr&gt;            &lt;chr&gt;              &lt;chr&gt;               &lt;chr&gt;\n#&gt; 1          1 Sunil Huffmann   Strawberry yoghurt Lunch only          4    \n#&gt; 2          2 Barclay Lynn     French fries       Lunch only          5    \n#&gt; 3          3 Jayendra Lyne    &lt;NA&gt;               Breakfast and lunch 7    \n#&gt; 4          4 Leon Rossini     Anchovies          Lunch only          &lt;NA&gt; \n#&gt; 5          5 Chidiegwu Dunkel Pizza              Breakfast and lunch five \n#&gt; 6          6 Güvenç Attila    Ice cream          Lunch only          6\n\nAn alternative approach is to use janitor::clean_names() to use some heuristics to turn them all into snake case at once1.\n\nstudents |&gt; janitor::clean_names()\n#&gt; # A tibble: 6 × 5\n#&gt;   student_id full_name        favourite_food     meal_plan           age  \n#&gt;        &lt;dbl&gt; &lt;chr&gt;            &lt;chr&gt;              &lt;chr&gt;               &lt;chr&gt;\n#&gt; 1          1 Sunil Huffmann   Strawberry yoghurt Lunch only          4    \n#&gt; 2          2 Barclay Lynn     French fries       Lunch only          5    \n#&gt; 3          3 Jayendra Lyne    &lt;NA&gt;               Breakfast and lunch 7    \n#&gt; 4          4 Leon Rossini     Anchovies          Lunch only          &lt;NA&gt; \n#&gt; 5          5 Chidiegwu Dunkel Pizza              Breakfast and lunch five \n#&gt; 6          6 Güvenç Attila    Ice cream          Lunch only          6\n\nAnother common task after reading in data is to consider variable types. For example, meal_plan is a categorical variable with a known set of possible values, which in R should be represented as a factor:\n\nstudents |&gt;\n  janitor::clean_names() |&gt;\n  mutate(meal_plan = factor(meal_plan))\n#&gt; # A tibble: 6 × 5\n#&gt;   student_id full_name        favourite_food     meal_plan           age  \n#&gt;        &lt;dbl&gt; &lt;chr&gt;            &lt;chr&gt;              &lt;fct&gt;               &lt;chr&gt;\n#&gt; 1          1 Sunil Huffmann   Strawberry yoghurt Lunch only          4    \n#&gt; 2          2 Barclay Lynn     French fries       Lunch only          5    \n#&gt; 3          3 Jayendra Lyne    &lt;NA&gt;               Breakfast and lunch 7    \n#&gt; 4          4 Leon Rossini     Anchovies          Lunch only          &lt;NA&gt; \n#&gt; 5          5 Chidiegwu Dunkel Pizza              Breakfast and lunch five \n#&gt; 6          6 Güvenç Attila    Ice cream          Lunch only          6\n\nNote that the values in the meal_plan variable have stayed the same, but the type of variable denoted underneath the variable name has changed from character (&lt;chr&gt;) to factor (&lt;fct&gt;). You’ll learn more about factors in Capítulo 16.\nBefore you analyze these data, you’ll probably want to fix the age and id columns. Currently, age is a character variable because one of the observations is typed out as five instead of a numeric 5. We discuss the details of fixing this issue in Capítulo 20.\n\nstudents &lt;- students |&gt;\n  janitor::clean_names() |&gt;\n  mutate(\n    meal_plan = factor(meal_plan),\n    age = parse_number(if_else(age == \"five\", \"5\", age))\n  )\n\nstudents\n#&gt; # A tibble: 6 × 5\n#&gt;   student_id full_name        favourite_food     meal_plan             age\n#&gt;        &lt;dbl&gt; &lt;chr&gt;            &lt;chr&gt;              &lt;fct&gt;               &lt;dbl&gt;\n#&gt; 1          1 Sunil Huffmann   Strawberry yoghurt Lunch only              4\n#&gt; 2          2 Barclay Lynn     French fries       Lunch only              5\n#&gt; 3          3 Jayendra Lyne    &lt;NA&gt;               Breakfast and lunch     7\n#&gt; 4          4 Leon Rossini     Anchovies          Lunch only             NA\n#&gt; 5          5 Chidiegwu Dunkel Pizza              Breakfast and lunch     5\n#&gt; 6          6 Güvenç Attila    Ice cream          Lunch only              6\n\nA new function here is if_else(), which has three arguments. The first argument test should be a logical vector. The result will contain the value of the second argument, yes, when test is TRUE, and the value of the third argument, no, when it is FALSE. Here we’re saying if age is the character string \"five\", make it \"5\", and if not leave it as age. You will learn more about if_else() and logical vectors in Capítulo 12.\n\n7.2.2 Other arguments\nThere are a couple of other important arguments that we need to mention, and they’ll be easier to demonstrate if we first show you a handy trick: read_csv() can read text strings that you’ve created and formatted like a CSV file:\n\nread_csv(\n  \"a,b,c\n  1,2,3\n  4,5,6\"\n)\n#&gt; # A tibble: 2 × 3\n#&gt;       a     b     c\n#&gt;   &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt;\n#&gt; 1     1     2     3\n#&gt; 2     4     5     6\n\nUsually, read_csv() uses the first line of the data for the column names, which is a very common convention. But it’s not uncommon for a few lines of metadata to be included at the top of the file. You can use skip = n to skip the first n lines or use comment = \"#\" to drop all lines that start with (e.g.) #:\n\nread_csv(\n  \"The first line of metadata\n  The second line of metadata\n  x,y,z\n  1,2,3\",\n  skip = 2\n)\n#&gt; # A tibble: 1 × 3\n#&gt;       x     y     z\n#&gt;   &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt;\n#&gt; 1     1     2     3\n\nread_csv(\n  \"# A comment I want to skip\n  x,y,z\n  1,2,3\",\n  comment = \"#\"\n)\n#&gt; # A tibble: 1 × 3\n#&gt;       x     y     z\n#&gt;   &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt;\n#&gt; 1     1     2     3\n\nIn other cases, the data might not have column names. You can use col_names = FALSE to tell read_csv() not to treat the first row as headings and instead label them sequentially from X1 to Xn:\n\nread_csv(\n  \"1,2,3\n  4,5,6\",\n  col_names = FALSE\n)\n#&gt; # A tibble: 2 × 3\n#&gt;      X1    X2    X3\n#&gt;   &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt;\n#&gt; 1     1     2     3\n#&gt; 2     4     5     6\n\nAlternatively, you can pass col_names a character vector which will be used as the column names:\n\nread_csv(\n  \"1,2,3\n  4,5,6\",\n  col_names = c(\"x\", \"y\", \"z\")\n)\n#&gt; # A tibble: 2 × 3\n#&gt;       x     y     z\n#&gt;   &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt;\n#&gt; 1     1     2     3\n#&gt; 2     4     5     6\n\nThese arguments are all you need to know to read the majority of CSV files that you’ll encounter in practice. (For the rest, you’ll need to carefully inspect your .csv file and read the documentation for read_csv()’s many other arguments.)\n\n7.2.3 Other file types\nOnce you’ve mastered read_csv(), using readr’s other functions is straightforward; it’s just a matter of knowing which function to reach for:\n\nread_csv2() reads semicolon-separated files. These use ; instead of , to separate fields and are common in countries that use , as the decimal marker.\nread_tsv() reads tab-delimited files.\nread_delim() reads in files with any delimiter, attempting to automatically guess the delimiter if you don’t specify it.\nread_fwf() reads fixed-width files. You can specify fields by their widths with fwf_widths() or by their positions with fwf_positions().\nread_table() reads a common variation of fixed-width files where columns are separated by white space.\nread_log() reads Apache-style log files.\n\n7.2.4 Exercises\n\nWhat function would you use to read a file where fields were separated with “|”?\nApart from file, skip, and comment, what other arguments do read_csv() and read_tsv() have in common?\nWhat are the most important arguments to read_fwf()?\n\nSometimes strings in a CSV file contain commas. To prevent them from causing problems, they need to be surrounded by a quoting character, like \" or '. By default, read_csv() assumes that the quoting character will be \". To read the following text into a data frame, what argument to read_csv() do you need to specify?\n\n\"x,y\\n1,'a,b'\"\n\n\n\nIdentify what is wrong with each of the following inline CSV files. What happens when you run the code?\n\nread_csv(\"a,b\\n1,2,3\\n4,5,6\")\nread_csv(\"a,b,c\\n1,2\\n1,2,3,4\")\nread_csv(\"a,b\\n\\\"1\")\nread_csv(\"a,b\\n1,2\\na,b\")\nread_csv(\"a;b\\n1;3\")\n\n\n\nPractice referring to non-syntactic names in the following data frame by:\n\nExtracting the variable called 1.\nPlotting a scatterplot of 1 vs. 2.\nCreating a new column called 3, which is 2 divided by 1.\nRenaming the columns to one, two, and three.\n\n\nannoying &lt;- tibble(\n  `1` = 1:10,\n  `2` = `1` * 2 + rnorm(length(`1`))\n)",
+    "objectID": "data-import.html#lendo-dados-de-um-arquivo",
+    "href": "data-import.html#lendo-dados-de-um-arquivo",
+    "title": "7  ✅ Importação de dados",
+    "section": "\n7.2 Lendo dados de um arquivo",
+    "text": "7.2 Lendo dados de um arquivo\nDe início, vamos focar no tipo de arquivo de dados retangulares mais comum: CSV, que é a sigla em inglês para valores separados por vírgula (comma-separated values)1. Aqui está como um arquivo CSV simples se parece. A primeira linha, comumente chamada de linha de cabeçalho, fornece os nomes das colunas, e as seis linhas seguintes fornecem os dados. As colunas são separadas, ou delimitadas, por vírgulas.\n\nID Estudante,Nome Completo,comida.favorita,planoAlimentar,IDADE\n1,Pedro Cardoso,Iogurte de morango,Só almoço,4     \n2,Rafaela Lorenzoni,Batata frita,Só almoço,5       \n3,Otávio Barros,N/A,Café da manhã e almoço,7       \n4,Fernanda Melo,Brócolis,Só almoço,NA\n5,Leopoldo Souza,Pizza,Café da manhã e almoço,cinco\n6,Pérola Silva,Sorvete,Só almoço,6\n\nTabela 7.1 mostra uma representação dos mesmos dados como uma tabela.\n\n\n\nTabela 7.1: Dados do arquivo estudantes.csv como uma tabela.\n\n\n\n\n\n\n\n\n\n\n\nID Estudante\nNome Completo\ncomida.favorita\nplanoAlimentar\nIDADE\n\n\n\n1\nPedro Cardoso\nIogurte de morango\nSó almoço\n4\n\n\n2\nRafaela Lorenzoni\nBatata frita\nSó almoço\n5\n\n\n3\nOtávio Barros\nN/A\nCafé da manhã e almoço\n7\n\n\n4\nFernanda Melo\nBrócolis\nSó almoço\nNA\n\n\n5\nLeopoldo Souza\nPizza\nCafé da manhã e almoço\ncinco\n\n\n6\nPérola Silva\nSorvete\nSó almoço\n6\n\n\n\n\n\n\n\n\nPodemos ler esse arquivo em R usando read_csv(). O primeiro argumento é o mais importante: o caminho para o arquivo. Você pode pensar no caminho como um endereço do arquivo: o nome do arquivo é estudantes.csv e ele está armazenado na pasta data.\n\nestudantes &lt;- read_csv(\"data/estudantes.csv\")\n#&gt; Rows: 6 Columns: 5\n#&gt; ── Column specification ─────────────────────────────────────────────────────\n#&gt; Delimiter: \",\"\n#&gt; chr (4): Nome Completo, comida.favorita, planoAlimentar, IDADE\n#&gt; dbl (1): ID Estudante\n#&gt; \n#&gt; ℹ Use `spec()` to retrieve the full column specification for this data.\n#&gt; ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.\n\nO código acima irá funcionar se você tiver o arquivo estudantes.csv em uma pasta chamada data no seu projeto. Você pode baixar o arquivo estudantes.csv de https://raw.githubusercontent.com/cienciadedatos/pt-r4ds/traducao-pt-2ed/data/estudantes.csv ou você pode importá-lo diretamente dessa URL com:\n\nestudantes &lt;- read_csv(\"https://raw.githubusercontent.com/cienciadedatos/pt-r4ds/traducao-pt-2ed/data/estudantes.csv\")\n\nQuando você executa o comando read_csv(), ele imprime uma mensagem informando o número de linhas e colunas de dados, o delimitador que foi usado e as especificações das colunas (nomes das colunas organizados pelo tipo de dados que a coluna contém). Ele também imprime algumas informações sobre como recuperar a especificação completa da coluna e como silenciar essa mensagem. Essa mensagem é uma parte integral do readr, e voltaremos a ela em Seção 7.3.\n\n7.2.1 Dicas práticas\nApós importar os dados, o próximo passo geralmente envolve transformá-los de um jeito que facilite o trabalho no restante da sua análise. Com isso em mente, vamos dar uma segunda olhada no conjunto de dados estudantes.\n\nestudantes\n#&gt; # A tibble: 6 × 5\n#&gt;   `ID Estudante` `Nome Completo`   comida.favorita    planoAlimentar    IDADE\n#&gt;            &lt;dbl&gt; &lt;chr&gt;             &lt;chr&gt;              &lt;chr&gt;             &lt;chr&gt;\n#&gt; 1              1 Pedro Cardoso     Iogurte de morango Só almoço         4    \n#&gt; 2              2 Rafaela Lorenzoni Batata frita       Só almoço         5    \n#&gt; 3              3 Otávio Barros     N/A                Café da manhã e … 7    \n#&gt; 4              4 Fernanda Melo     Brócolis           Só almoço         &lt;NA&gt; \n#&gt; 5              5 Leopoldo Souza    Pizza              Café da manhã e … cinco\n#&gt; 6              6 Pérola Silva      Sorvete            Só almoço         6\n\nNa coluna comida.favorita, há uma série de itens de comida, e o texto (string) \"N/A\", que deveria ter sido um NA real que o R reconheceria como um dado faltante (not available). Isso é algo que podemos resolver usando o argumento na. Por padrão, read_csv() reconhece apenas strings vazias (\"\") como NAs, mas, para esse conjunto de dados, também queremos que ele reconheça a string de caracteres \"N/A\".\n\nestudantes &lt;- read_csv(\"data/estudantes.csv\", na = c(\"N/A\", \"\"))\n\nestudantes\n#&gt; # A tibble: 6 × 5\n#&gt;   `ID Estudante` `Nome Completo`   comida.favorita    planoAlimentar    IDADE\n#&gt;            &lt;dbl&gt; &lt;chr&gt;             &lt;chr&gt;              &lt;chr&gt;             &lt;chr&gt;\n#&gt; 1              1 Pedro Cardoso     Iogurte de morango Só almoço         4    \n#&gt; 2              2 Rafaela Lorenzoni Batata frita       Só almoço         5    \n#&gt; 3              3 Otávio Barros     &lt;NA&gt;               Café da manhã e … 7    \n#&gt; 4              4 Fernanda Melo     Brócolis           Só almoço         NA   \n#&gt; 5              5 Leopoldo Souza    Pizza              Café da manhã e … cinco\n#&gt; 6              6 Pérola Silva      Sorvete            Só almoço         6\n\nVocê também pode notar que as colunas ID Estudante e Nome Completo estão cercadas por crases. Isso ocorre porque elas contêm espaços, quebrando as regras usuais do R para nomes de variáveis; elas são nomes não-sintáticos. Para se referir a essas variáveis, você precisa cercá-las com crases, `:\n\nestudantes |&gt; \n  rename(\n    id_estudante = `ID Estudante`,\n    nome_completo = `Nome Completo`\n  )\n#&gt; # A tibble: 6 × 5\n#&gt;   id_estudante nome_completo     comida.favorita    planoAlimentar      IDADE\n#&gt;          &lt;dbl&gt; &lt;chr&gt;             &lt;chr&gt;              &lt;chr&gt;               &lt;chr&gt;\n#&gt; 1            1 Pedro Cardoso     Iogurte de morango Só almoço           4    \n#&gt; 2            2 Rafaela Lorenzoni Batata frita       Só almoço           5    \n#&gt; 3            3 Otávio Barros     &lt;NA&gt;               Café da manhã e al… 7    \n#&gt; 4            4 Fernanda Melo     Brócolis           Só almoço           NA   \n#&gt; 5            5 Leopoldo Souza    Pizza              Café da manhã e al… cinco\n#&gt; 6            6 Pérola Silva      Sorvete            Só almoço           6\n\nUma abordagem alternativa é usar janitor::clean_names() para transformar todos os nomes de variáveis em snake case de uma só vez2.\n\nestudantes |&gt; janitor::clean_names()\n#&gt; # A tibble: 6 × 5\n#&gt;   id_estudante nome_completo     comida_favorita    plano_alimentar     idade\n#&gt;          &lt;dbl&gt; &lt;chr&gt;             &lt;chr&gt;              &lt;chr&gt;               &lt;chr&gt;\n#&gt; 1            1 Pedro Cardoso     Iogurte de morango Só almoço           4    \n#&gt; 2            2 Rafaela Lorenzoni Batata frita       Só almoço           5    \n#&gt; 3            3 Otávio Barros     &lt;NA&gt;               Café da manhã e al… 7    \n#&gt; 4            4 Fernanda Melo     Brócolis           Só almoço           NA   \n#&gt; 5            5 Leopoldo Souza    Pizza              Café da manhã e al… cinco\n#&gt; 6            6 Pérola Silva      Sorvete            Só almoço           6\n\nOutra tarefa comum após a leitura dos dados é examinar os tipos de variáveis. Por exemplo, plano_alimentar é uma variável categórica com um conjunto conhecido de valores possíveis, que no R deve ser representado como um fator:\n\nestudantes |&gt;\n  janitor::clean_names() |&gt;\n  mutate(plano_alimentar = factor(plano_alimentar))\n#&gt; # A tibble: 6 × 5\n#&gt;   id_estudante nome_completo     comida_favorita    plano_alimentar     idade\n#&gt;          &lt;dbl&gt; &lt;chr&gt;             &lt;chr&gt;              &lt;fct&gt;               &lt;chr&gt;\n#&gt; 1            1 Pedro Cardoso     Iogurte de morango Só almoço           4    \n#&gt; 2            2 Rafaela Lorenzoni Batata frita       Só almoço           5    \n#&gt; 3            3 Otávio Barros     &lt;NA&gt;               Café da manhã e al… 7    \n#&gt; 4            4 Fernanda Melo     Brócolis           Só almoço           NA   \n#&gt; 5            5 Leopoldo Souza    Pizza              Café da manhã e al… cinco\n#&gt; 6            6 Pérola Silva      Sorvete            Só almoço           6\n\nNote que os valores em plano_alimentar permaneceram os mesmos, mas o tipo de variável denotado abaixo do nome da variável mudou de caractere (&lt;chr&gt;) para fator (&lt;fct&gt;). Você aprenderá mais sobre fatores em Capítulo 16.\nAntes de analisar esses dados, você provavelmente vai querer corrigir as colunas idade e id. Atualmente, idade é uma variável de caractere porque uma das observações está digitada como cinco em vez de um 5 numérico. Discutiremos os detalhes de como corrigir esse problema em Capítulo 20.\n\nestudantes &lt;- estudantes |&gt;\n  janitor::clean_names() |&gt;\n  mutate(\n    plano_alimentar = factor(plano_alimentar),\n    idade = parse_number(if_else(idade == \"cinco\", \"5\", idade))\n  )\n\nestudantes\n#&gt; # A tibble: 6 × 5\n#&gt;   id_estudante nome_completo     comida_favorita    plano_alimentar     idade\n#&gt;          &lt;dbl&gt; &lt;chr&gt;             &lt;chr&gt;              &lt;fct&gt;               &lt;dbl&gt;\n#&gt; 1            1 Pedro Cardoso     Iogurte de morango Só almoço               4\n#&gt; 2            2 Rafaela Lorenzoni Batata frita       Só almoço               5\n#&gt; 3            3 Otávio Barros     &lt;NA&gt;               Café da manhã e al…     7\n#&gt; 4            4 Fernanda Melo     Brócolis           Só almoço              NA\n#&gt; 5            5 Leopoldo Souza    Pizza              Café da manhã e al…     5\n#&gt; 6            6 Pérola Silva      Sorvete            Só almoço               6\n\nUma nova função aqui é if_else(), que tem três argumentos. O primeiro argumento test deve ser um vetor lógico. O resultado conterá o valor do segundo argumento, yes, quando test é TRUE, e o valor do terceiro argumento, no, quando é FALSE. Aqui estamos dizendo que se idade é a string de caracteres \"cinco\", faça-a \"5\", e se não, mantenha-a como idade. Você aprenderá mais sobre if_else() e vetores lógicos em Capítulo 12.\n\n7.2.2 Outros argumentos\nHá alguns outros argumentos importantes que precisamos mencionar, e eles serão mais fáceis de demonstrar se primeiro mostrarmos um truque útil: read_csv() pode ler strings de texto que você criou e formatou como um arquivo CSV:\n\nread_csv(\n  \"a,b,c\n  1,2,3\n  4,5,6\"\n)\n#&gt; # A tibble: 2 × 3\n#&gt;       a     b     c\n#&gt;   &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt;\n#&gt; 1     1     2     3\n#&gt; 2     4     5     6\n\nNormalmente, read_csv() usa a primeira linha de dados como os nomes das colunas, o que é uma convenção muito comum. Mas não é incomum que algumas linhas de metadados sejam incluídas no início do arquivo. Você pode usar skip = n para pular as primeiras n linhas ou usar comment = \"#\" para ignorar todas as linhas que começam com #, por exemplo:\n\nread_csv(\n  \"A primeira linha de metadados\n  A segunda linha de metadados\n  x,y,z\n  1,2,3\",\n  skip = 2\n)\n#&gt; # A tibble: 1 × 3\n#&gt;       x     y     z\n#&gt;   &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt;\n#&gt; 1     1     2     3\n\nread_csv(\n  \"# Um comentário que gostaria de ignorar\n  x,y,z\n  1,2,3\",\n  comment = \"#\"\n)\n#&gt; # A tibble: 1 × 3\n#&gt;       x     y     z\n#&gt;   &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt;\n#&gt; 1     1     2     3\n\nEm outros casos, os dados podem não ter nomes de colunas. Você pode usar col_names = FALSE para dizer ao read_csv() para não tratar a primeira linha como cabeçalho e, em vez disso, rotular as colunas sequencialmente de X1 a Xn:\n\nread_csv(\n  \"1,2,3\n  4,5,6\",\n  col_names = FALSE\n)\n#&gt; # A tibble: 2 × 3\n#&gt;      X1    X2    X3\n#&gt;   &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt;\n#&gt; 1     1     2     3\n#&gt; 2     4     5     6\n\nAlternativamente, você pode fornecer à col_names um vetor de caracteres que será usado como os nomes das colunas:\n\nread_csv(\n  \"1,2,3\n  4,5,6\",\n  col_names = c(\"x\", \"y\", \"z\")\n)\n#&gt; # A tibble: 2 × 3\n#&gt;       x     y     z\n#&gt;   &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt;\n#&gt; 1     1     2     3\n#&gt; 2     4     5     6\n\nEsses argumentos são tudo o que você precisa saber para ler a maioria dos arquivos CSV que você encontrará na prática. (Para o restante, você precisará inspecionar cuidadosamente seu arquivo .csv e ler a documentação para os muitos outros argumentos de read_csv().)\n\n7.2.3 Outros tipos de arquivos\nUma vez que você tenha aprendido a usar read_csv(), usar as outras funções do readr é simples; é apenas uma questão de saber qual função usar:\n\nread_csv2() lê arquivos separados por ponto-e-vírgula. Usa ; ao invés de , para separar os campos, e são comuns em países que usam , como marcador decimal.\nread_tsv() lê arquivos delimitados por tabulação.\nread_delim() lê arquivos com qualquer delimitador, tentando supor automaticamente o delimitador se você não o especificar.\nread_fwf() lê arquivos de largura fixa. Você pode especificar os campos por suas larguras com fwf_widths() ou por suas posições com fwf_positions().\nread_table() lê uma variação comum de arquivos de largura fixa onde as colunas são separadas por espaços em branco.\nread_log() lê arquivos de log no estilo Apache.\n\n7.2.4 Exercícios\n\nQue função você usaria para ler um arquivo onde os campos são separados por |?\nAlém de file, skip e comment, quais outros argumentos read_csv() e read_tsv() têm em comum?\nQuais são os argumentos mais importantes para read_fwf()?\n\nÀs vezes, as strings em um arquivo CSV contêm vírgulas. Para evitar que elas causem problemas, elas precisam ser cercadas por um caractere de citação, como \" ou '. Por padrão, read_csv() assume que o caractere de citação será \". Para ler o seguinte texto em um data frame, que argumento para read_csv() você precisa especificar?\n\n\"x,y\\n1,'a,b'\"\n\n\n\nIdentifique o que está errado com cada um dos seguintes arquivos CSV em linha. O que acontece quando você executa o código?\n\nread_csv(\"a,b\\n1,2,3\\n4,5,6\")\nread_csv(\"a,b,c\\n1,2\\n1,2,3,4\")\nread_csv(\"a,b\\n\\\"1\")\nread_csv(\"a,b\\n1,2\\na,b\")\nread_csv(\"a;b\\n1;3\")\n\n\n\nPratique se referir a nomes não-sintáticos no seguinte data frame:\n\nExtraindo a variável chamada 1.\nPlotando um gráfico de dispersão de 1 vs. 2.\nCriando uma nova coluna chamada 3, que é 2 dividido por 1.\nRenomeando as colunas para um, dois e três.\n\n\nirritante &lt;- tibble(\n  `1` = 1:10,\n  `2` = `1` * 2 + rnorm(length(`1`))\n)",
     "crumbs": [
       "✅ Visão geral",
-      "<span class='chapter-number'>7</span>  <span class='chapter-title'>Data import</span>"
+      "<span class='chapter-number'>7</span>  <span class='chapter-title'>✅ Importação de dados</span>"
     ]
   },
   {
     "objectID": "data-import.html#sec-col-types",
     "href": "data-import.html#sec-col-types",
-    "title": "7  Data import",
-    "section": "\n7.3 Controlling column types",
-    "text": "7.3 Controlling column types\nA CSV file doesn’t contain any information about the type of each variable (i.e. whether it’s a logical, number, string, etc.), so readr will try to guess the type. This section describes how the guessing process works, how to resolve some common problems that cause it to fail, and, if needed, how to supply the column types yourself. Finally, we’ll mention a few general strategies that are useful if readr is failing catastrophically and you need to get more insight into the structure of your file.\n\n7.3.1 Guessing types\nreadr uses a heuristic to figure out the column types. For each column, it pulls the values of 1,0002 rows spaced evenly from the first row to the last, ignoring missing values. It then works through the following questions:\n\nDoes it contain only F, T, FALSE, or TRUE (ignoring case)? If so, it’s a logical.\nDoes it contain only numbers (e.g., 1, -4.5, 5e6, Inf)? If so, it’s a number.\nDoes it match the ISO8601 standard? If so, it’s a date or date-time. (We’ll return to date-times in more detail in Seção 17.2).\nOtherwise, it must be a string.\n\nYou can see that behavior in action in this simple example:\n\nread_csv(\"\n  logical,numeric,date,string\n  TRUE,1,2021-01-15,abc\n  false,4.5,2021-02-15,def\n  T,Inf,2021-02-16,ghi\n\")\n#&gt; # A tibble: 3 × 4\n#&gt;   logical numeric date       string\n#&gt;   &lt;lgl&gt;     &lt;dbl&gt; &lt;date&gt;     &lt;chr&gt; \n#&gt; 1 TRUE        1   2021-01-15 abc   \n#&gt; 2 FALSE       4.5 2021-02-15 def   \n#&gt; 3 TRUE      Inf   2021-02-16 ghi\n\nThis heuristic works well if you have a clean dataset, but in real life, you’ll encounter a selection of weird and beautiful failures.\n\n7.3.2 Missing values, column types, and problems\nThe most common way column detection fails is that a column contains unexpected values, and you get a character column instead of a more specific type. One of the most common causes for this is a missing value, recorded using something other than the NA that readr expects.\nTake this simple 1 column CSV file as an example:\n\nsimple_csv &lt;- \"\n  x\n  10\n  .\n  20\n  30\"\n\nIf we read it without any additional arguments, x becomes a character column:\n\nread_csv(simple_csv)\n#&gt; # A tibble: 4 × 1\n#&gt;   x    \n#&gt;   &lt;chr&gt;\n#&gt; 1 10   \n#&gt; 2 .    \n#&gt; 3 20   \n#&gt; 4 30\n\nIn this very small case, you can easily see the missing value .. But what happens if you have thousands of rows with only a few missing values represented by .s sprinkled among them? One approach is to tell readr that x is a numeric column, and then see where it fails. You can do that with the col_types argument, which takes a named list where the names match the column names in the CSV file:\n\ndf &lt;- read_csv(\n  simple_csv, \n  col_types = list(x = col_double())\n)\n#&gt; Warning: One or more parsing issues, call `problems()` on your data frame for\n#&gt; details, e.g.:\n#&gt;   dat &lt;- vroom(...)\n#&gt;   problems(dat)\n\nNow read_csv() reports that there was a problem, and tells us we can find out more with problems():\n\nproblems(df)\n#&gt; # A tibble: 1 × 5\n#&gt;     row   col expected actual file                                           \n#&gt;   &lt;int&gt; &lt;int&gt; &lt;chr&gt;    &lt;chr&gt;  &lt;chr&gt;                                          \n#&gt; 1     3     1 a double .      /private/var/folders/st/0346cszj61928zc133bfr8…\n\nThis tells us that there was a problem in row 3, col 1 where readr expected a double but got a .. That suggests this dataset uses . for missing values. So then we set na = \".\", the automatic guessing succeeds, giving us the numeric column that we want:\n\nread_csv(simple_csv, na = \".\")\n#&gt; # A tibble: 4 × 1\n#&gt;       x\n#&gt;   &lt;dbl&gt;\n#&gt; 1    10\n#&gt; 2    NA\n#&gt; 3    20\n#&gt; 4    30\n\n\n7.3.3 Column types\nreadr provides a total of nine column types for you to use:\n\n\ncol_logical() and col_double() read logicals and real numbers. They’re relatively rarely needed (except as above), since readr will usually guess them for you.\n\ncol_integer() reads integers. We seldom distinguish integers and doubles in this book because they’re functionally equivalent, but reading integers explicitly can occasionally be useful because they occupy half the memory of doubles.\n\ncol_character() reads strings. This can be useful to specify explicitly when you have a column that is a numeric identifier, i.e., long series of digits that identifies an object but doesn’t make sense to apply mathematical operations to. Examples include phone numbers, social security numbers, credit card numbers, etc.\n\ncol_factor(), col_date(), and col_datetime() create factors, dates, and date-times respectively; you’ll learn more about those when we get to those data types in Capítulo 16 and Capítulo 17.\n\ncol_number() is a permissive numeric parser that will ignore non-numeric components, and is particularly useful for currencies. You’ll learn more about it in Capítulo 13.\n\ncol_skip() skips a column so it’s not included in the result, which can be useful for speeding up reading the data if you have a large CSV file and you only want to use some of the columns.\n\nIt’s also possible to override the default column by switching from list() to cols() and specifying .default:\n\nanother_csv &lt;- \"\nx,y,z\n1,2,3\"\n\nread_csv(\n  another_csv, \n  col_types = cols(.default = col_character())\n)\n#&gt; # A tibble: 1 × 3\n#&gt;   x     y     z    \n#&gt;   &lt;chr&gt; &lt;chr&gt; &lt;chr&gt;\n#&gt; 1 1     2     3\n\nAnother useful helper is cols_only() which will read in only the columns you specify:\n\nread_csv(\n  another_csv,\n  col_types = cols_only(x = col_character())\n)\n#&gt; # A tibble: 1 × 1\n#&gt;   x    \n#&gt;   &lt;chr&gt;\n#&gt; 1 1",
+    "title": "7  ✅ Importação de dados",
+    "section": "\n7.3 Controlando tipos de colunas",
+    "text": "7.3 Controlando tipos de colunas\nUm arquivo CSV não contém informações sobre o tipo de cada variável (ou seja, se é lógico, número, string, etc.), então readr tentará adivinhar o tipo. Esta seção descreve como o processo de adivinhação funciona, como resolver alguns problemas comuns que fazem com que ele falhe e, se necessário, como fornecer os tipos de coluna você mesmo. Por fim, mencionaremos algumas estratégias gerais que são úteis se o readr estiver falhando catastróficamente e você precisar obter mais informações sobre a estrutura do seu arquivo.\n\n7.3.1 Adivinhando tipos\nO pacote readr usa uma heurística para descobrir os tipos de coluna. Para cada coluna, ele pega os valores de 1.0003 linhas espaçadas uniformemente da primeira à última, ignorando os valores ausentes. Ele então trabalha através das seguintes perguntas:\n\nContém apenas F, T, FALSE ou TRUE (ignorando a caixa alta)? Se sim, é um lógico.\nContém apenas números (por exemplo, 1, -4.5, 5e6, Inf)? Se sim, é um número.\nCorresponde ao padrão ISO8601? Se sim, é uma data ou data-hora. (Voltaremos às data-horas em mais detalhes em Seção 17.2).\nCaso contrário, deve ser uma string.\n\nVocê pode ver esse comportamento em ação neste exemplo simples:\n\nread_csv(\"\n  logico,numerico,data,string\n  TRUE,1,2021-01-15,abc\n  false,4.5,2021-02-15,def\n  T,Inf,2021-02-16,ghi\n\")\n#&gt; # A tibble: 3 × 4\n#&gt;   logico numerico data       string\n#&gt;   &lt;lgl&gt;     &lt;dbl&gt; &lt;date&gt;     &lt;chr&gt; \n#&gt; 1 TRUE        1   2021-01-15 abc   \n#&gt; 2 FALSE       4.5 2021-02-15 def   \n#&gt; 3 TRUE      Inf   2021-02-16 ghi\n\nEssa heurística funciona bem se você tiver um conjunto de dados limpo, mas, na vida real, você encontrará uma seleção de falhas estranhas e belas.\n\n7.3.2 Valores ausentes, tipos de coluna e problemas\nA forma mais comum de falha na detecção de coluna é quando uma coluna contém valores inesperados, e você obtém uma coluna de caracteres em vez de um tipo mais específico. Uma das causas mais comuns para isso é um valor ausente registrado usando algo diferente do NA que o readr espera.\nConsidere este exemplo simples de um arquivo CSV com 1 coluna:\n\nsimple_csv &lt;- \"\n  x\n  10\n  .\n  20\n  30\"\n\nSe o lermos sem argumentos adicionais, x se torna uma coluna de caracteres:\n\nread_csv(simple_csv)\n#&gt; # A tibble: 4 × 1\n#&gt;   x    \n#&gt;   &lt;chr&gt;\n#&gt; 1 10   \n#&gt; 2 .    \n#&gt; 3 20   \n#&gt; 4 30\n\nNesse pequeno exemplo, você pode ver facilmente o valor ausente .. Mas o que acontece se você tiver milhares de linhas com apenas alguns valores ausentes representados por .s espalhados entre eles? Uma abordagem é dizer ao readr que x é uma coluna numérica e, em seguida, ver onde ele falha. Você pode fazer isso com o argumento col_types, que aceita uma lista nomeada onde os nomes correspondem aos nomes das colunas no arquivo CSV:\n\ndf &lt;- read_csv(\n  simple_csv, \n  col_types = list(x = col_double())\n)\n#&gt; Warning: One or more parsing issues, call `problems()` on your data frame for\n#&gt; details, e.g.:\n#&gt;   dat &lt;- vroom(...)\n#&gt;   problems(dat)\n\nAgora read_csv() relata que houve um problema e nos diz que podemos descobrir mais com problems():\n\nproblems(df)\n#&gt; # A tibble: 1 × 5\n#&gt;     row   col expected actual file                                           \n#&gt;   &lt;int&gt; &lt;int&gt; &lt;chr&gt;    &lt;chr&gt;  &lt;chr&gt;                                          \n#&gt; 1     3     1 a double .      /private/var/folders/st/0346cszj61928zc133bfr8…\n\nIsso nos diz que houve um problema na linha 3, coluna 1, onde o readr esperava um número real, mas obteve um .. Isso sugere que este conjunto de dados usa . para valores ausentes. Então, definimos na = \".\", a adivinhação automática tem sucesso, nos dando a coluna numérica que queremos:\n\nread_csv(simple_csv, na = \".\")\n#&gt; # A tibble: 4 × 1\n#&gt;       x\n#&gt;   &lt;dbl&gt;\n#&gt; 1    10\n#&gt; 2    NA\n#&gt; 3    20\n#&gt; 4    30\n\n\n7.3.3 Tipos de colunas\nO pacote readr fornece um total de nove tipos de coluna para você usar:\n\n\ncol_logical() e col_double() leem lógicos e números reais. É relativamente raro serem necessários (exceto como acima), já que o readr geralmente os adivinhará para você.\n\ncol_integer() lê números inteiros (integer). Raramente distinguimos os números inteiros (integer) e reais (doubles) neste livro porque eles são funcionalmente equivalentes, mas ler números inteiros explicitamente pode ocasionalmente ser útil porque ocupam metade da memória dos números reais.\n\ncol_character() lê strings. Isso pode ser útil para especificar explicitamente quando você tem uma coluna que é um identificador numérico, ou seja, longas séries de dígitos que identificam um objeto, mas onde não faz sentido aplicar operações matemáticas. Exemplos incluem números de telefone, números de seguro social, números de cartão de crédito, etc.\n\ncol_factor(), col_date() e col_datetime() criam fatores, datas e data-horas, respectivamente; você aprenderá mais sobre esses tipos de dados quando chegarmos a eles em Capítulo 16 e Capítulo 17.\n\ncol_number() é um analisador numérico permissivo que ignorará componentes não numéricos, e é particularmente útil para moedas. Você aprenderá mais sobre ele em Capítulo 13.\n\ncol_skip() pula uma coluna para que ela não seja incluída no resultado, o que pode ser útil para acelerar a leitura dos dados se você tiver um arquivo CSV grande e quiser usar apenas algumas das colunas.\n\nTambém é possível substituir a coluna padrão trocando de list() para cols() e especificando .default:\n\noutro_csv &lt;- \"\nx,y,z\n1,2,3\"\n\nread_csv(\n  outro_csv, \n  col_types = cols(.default = col_character())\n)\n#&gt; # A tibble: 1 × 3\n#&gt;   x     y     z    \n#&gt;   &lt;chr&gt; &lt;chr&gt; &lt;chr&gt;\n#&gt; 1 1     2     3\n\nOutra função auxiliar útil é cols_only(), que lerá apenas as colunas que você especificar:\n\nread_csv(\n  outro_csv,\n  col_types = cols_only(x = col_character())\n)\n#&gt; # A tibble: 1 × 1\n#&gt;   x    \n#&gt;   &lt;chr&gt;\n#&gt; 1 1",
     "crumbs": [
       "✅ Visão geral",
-      "<span class='chapter-number'>7</span>  <span class='chapter-title'>Data import</span>"
+      "<span class='chapter-number'>7</span>  <span class='chapter-title'>✅ Importação de dados</span>"
     ]
   },
   {
     "objectID": "data-import.html#sec-readr-directory",
     "href": "data-import.html#sec-readr-directory",
-    "title": "7  Data import",
-    "section": "\n7.4 Reading data from multiple files",
-    "text": "7.4 Reading data from multiple files\nSometimes your data is split across multiple files instead of being contained in a single file. For example, you might have sales data for multiple months, with each month’s data in a separate file: 01-sales.csv for January, 02-sales.csv for February, and 03-sales.csv for March. With read_csv() you can read these data in at once and stack them on top of each other in a single data frame.\n\nsales_files &lt;- c(\"data/01-sales.csv\", \"data/02-sales.csv\", \"data/03-sales.csv\")\nread_csv(sales_files, id = \"file\")\n#&gt; # A tibble: 19 × 6\n#&gt;   file              month    year brand  item     n\n#&gt;   &lt;chr&gt;             &lt;chr&gt;   &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt;\n#&gt; 1 data/01-sales.csv January  2019     1  1234     3\n#&gt; 2 data/01-sales.csv January  2019     1  8721     9\n#&gt; 3 data/01-sales.csv January  2019     1  1822     2\n#&gt; 4 data/01-sales.csv January  2019     2  3333     1\n#&gt; 5 data/01-sales.csv January  2019     2  2156     9\n#&gt; 6 data/01-sales.csv January  2019     2  3987     6\n#&gt; # ℹ 13 more rows\n\nOnce again, the code above will work if you have the CSV files in a data folder in your project. You can download these files from https://pos.it/r4ds-01-sales, https://pos.it/r4ds-02-sales, and https://pos.it/r4ds-03-sales or you can read them directly with:\n\nsales_files &lt;- c(\n  \"https://pos.it/r4ds-01-sales\",\n  \"https://pos.it/r4ds-02-sales\",\n  \"https://pos.it/r4ds-03-sales\"\n)\nread_csv(sales_files, id = \"file\")\n\nThe id argument adds a new column called file to the resulting data frame that identifies the file the data come from. This is especially helpful in circumstances where the files you’re reading in do not have an identifying column that can help you trace the observations back to their original sources.\nIf you have many files you want to read in, it can get cumbersome to write out their names as a list. Instead, you can use the base list.files() function to find the files for you by matching a pattern in the file names. You’ll learn more about these patterns in Capítulo 15.\n\nsales_files &lt;- list.files(\"data\", pattern = \"sales\\\\.csv$\", full.names = TRUE)\nsales_files\n#&gt; [1] \"data/01-sales.csv\" \"data/02-sales.csv\" \"data/03-sales.csv\"",
+    "title": "7  ✅ Importação de dados",
+    "section": "\n7.4 Importando dados de múltiplos arquivos",
+    "text": "7.4 Importando dados de múltiplos arquivos\nÀs vezes seus dados estão divididos em vários arquivos em vez de estarem contidos em um único arquivo. Por exemplo, você pode ter dados de vendas para vários meses, com os dados de cada mês em um arquivo separado: 01-vendas.csv para janeiro, 02-vendas.csv para fevereiro e 03-vendas.csv para março.\n\narquivos_vendas &lt;- c(\"data/01-vendas.csv\", \"data/02-vendas.csv\", \"data/03-vendas.csv\")\nread_csv(arquivos_vendas, id = \"arquivo\")\n#&gt; # A tibble: 19 × 6\n#&gt;   arquivo            mes       ano marca  item     n\n#&gt;   &lt;chr&gt;              &lt;chr&gt;   &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt;\n#&gt; 1 data/01-vendas.csv Janeiro  2019     1  1234     3\n#&gt; 2 data/01-vendas.csv Janeiro  2019     1  8721     9\n#&gt; 3 data/01-vendas.csv Janeiro  2019     1  1822     2\n#&gt; 4 data/01-vendas.csv Janeiro  2019     2  3333     1\n#&gt; 5 data/01-vendas.csv Janeiro  2019     2  2156     9\n#&gt; 6 data/01-vendas.csv Janeiro  2019     2  3987     6\n#&gt; # ℹ 13 more rows\n\nMais uma vez, o código acima funcionará apenas se você tiver os arquivos CSV em uma pasta chamada data no seu projeto. Você pode baixar esses arquivos de https://raw.githubusercontent.com/cienciadedatos/pt-r4ds/traducao-pt-2ed/data/01-vendas.csv, https://raw.githubusercontent.com/cienciadedatos/pt-r4ds/traducao-pt-2ed/data/02-vendas.csv e https://raw.githubusercontent.com/cienciadedatos/pt-r4ds/traducao-pt-2ed/data/03-vendas.csv ou você pode lê-los diretamente com:\n\narquivos_vendas &lt;- c(\n  \"https://raw.githubusercontent.com/cienciadedatos/pt-r4ds/traducao-pt-2ed/data/01-vendas.csv\",\n  \"https://raw.githubusercontent.com/cienciadedatos/pt-r4ds/traducao-pt-2ed/data/02-vendas.csv\",\n  \"https://raw.githubusercontent.com/cienciadedatos/pt-r4ds/traducao-pt-2ed/data/03-vendas.csv\"\n)\nread_csv(arquivos_vendas, id = \"arquivo\")\n\nO argumento id adiciona uma nova coluna chamada arquivo ao data frame resultante que identifica o arquivo de onde os dados vêm. Isso é especialmente útil nas circunstâncias em que os arquivos que você está lendo não têm uma coluna de identificação que possa ajudá-lo a rastrear as observações até suas fontes originais.\nSe você tiver muitos arquivos que deseja ler, pode ser complicado escrever seus nomes como uma lista. Em vez disso, você pode usar a função list.files() para encontrar os arquivos para você, identificando um padrão nos nomes dos arquivos. Você aprenderá mais sobre esses padrões em Capítulo 15.\n\narquivos_vendas &lt;- list.files(\"data\", pattern = \"vendas\\\\.csv$\", full.names = TRUE)\narquivos_vendas\n#&gt; [1] \"data/01-vendas.csv\" \"data/02-vendas.csv\" \"data/03-vendas.csv\"",
     "crumbs": [
       "✅ Visão geral",
-      "<span class='chapter-number'>7</span>  <span class='chapter-title'>Data import</span>"
+      "<span class='chapter-number'>7</span>  <span class='chapter-title'>✅ Importação de dados</span>"
     ]
   },
   {
     "objectID": "data-import.html#sec-writing-to-a-file",
     "href": "data-import.html#sec-writing-to-a-file",
-    "title": "7  Data import",
-    "section": "\n7.5 Writing to a file",
-    "text": "7.5 Writing to a file\nreadr also comes with two useful functions for writing data back to disk: write_csv() and write_tsv(). The most important arguments to these functions are x (the data frame to save) and file (the location to save it). You can also specify how missing values are written with na, and if you want to append to an existing file.\n\nwrite_csv(students, \"students.csv\")\n\nNow let’s read that csv file back in. Note that the variable type information that you just set up is lost when you save to CSV because you’re starting over with reading from a plain text file again:\n\nstudents\n#&gt; # A tibble: 6 × 5\n#&gt;   student_id full_name        favourite_food     meal_plan             age\n#&gt;        &lt;dbl&gt; &lt;chr&gt;            &lt;chr&gt;              &lt;fct&gt;               &lt;dbl&gt;\n#&gt; 1          1 Sunil Huffmann   Strawberry yoghurt Lunch only              4\n#&gt; 2          2 Barclay Lynn     French fries       Lunch only              5\n#&gt; 3          3 Jayendra Lyne    &lt;NA&gt;               Breakfast and lunch     7\n#&gt; 4          4 Leon Rossini     Anchovies          Lunch only             NA\n#&gt; 5          5 Chidiegwu Dunkel Pizza              Breakfast and lunch     5\n#&gt; 6          6 Güvenç Attila    Ice cream          Lunch only              6\nwrite_csv(students, \"students-2.csv\")\nread_csv(\"students-2.csv\")\n#&gt; # A tibble: 6 × 5\n#&gt;   student_id full_name        favourite_food     meal_plan             age\n#&gt;        &lt;dbl&gt; &lt;chr&gt;            &lt;chr&gt;              &lt;chr&gt;               &lt;dbl&gt;\n#&gt; 1          1 Sunil Huffmann   Strawberry yoghurt Lunch only              4\n#&gt; 2          2 Barclay Lynn     French fries       Lunch only              5\n#&gt; 3          3 Jayendra Lyne    &lt;NA&gt;               Breakfast and lunch     7\n#&gt; 4          4 Leon Rossini     Anchovies          Lunch only             NA\n#&gt; 5          5 Chidiegwu Dunkel Pizza              Breakfast and lunch     5\n#&gt; 6          6 Güvenç Attila    Ice cream          Lunch only              6\n\nThis makes CSVs a little unreliable for caching interim results—you need to recreate the column specification every time you load in. There are two main alternatives:\n\n\nwrite_rds() and read_rds() are uniform wrappers around the base functions readRDS() and saveRDS(). These store data in R’s custom binary format called RDS. This means that when you reload the object, you are loading the exact same R object that you stored.\n\nwrite_rds(students, \"students.rds\")\nread_rds(\"students.rds\")\n#&gt; # A tibble: 6 × 5\n#&gt;   student_id full_name        favourite_food     meal_plan             age\n#&gt;        &lt;dbl&gt; &lt;chr&gt;            &lt;chr&gt;              &lt;fct&gt;               &lt;dbl&gt;\n#&gt; 1          1 Sunil Huffmann   Strawberry yoghurt Lunch only              4\n#&gt; 2          2 Barclay Lynn     French fries       Lunch only              5\n#&gt; 3          3 Jayendra Lyne    &lt;NA&gt;               Breakfast and lunch     7\n#&gt; 4          4 Leon Rossini     Anchovies          Lunch only             NA\n#&gt; 5          5 Chidiegwu Dunkel Pizza              Breakfast and lunch     5\n#&gt; 6          6 Güvenç Attila    Ice cream          Lunch only              6\n\n\n\nThe arrow package allows you to read and write parquet files, a fast binary file format that can be shared across programming languages. We’ll return to arrow in more depth in Capítulo 22.\n\nlibrary(arrow)\nwrite_parquet(students, \"students.parquet\")\nread_parquet(\"students.parquet\")\n#&gt; # A tibble: 6 × 5\n#&gt;   student_id full_name        favourite_food     meal_plan             age\n#&gt;        &lt;dbl&gt; &lt;chr&gt;            &lt;chr&gt;              &lt;fct&gt;               &lt;dbl&gt;\n#&gt; 1          1 Sunil Huffmann   Strawberry yoghurt Lunch only              4\n#&gt; 2          2 Barclay Lynn     French fries       Lunch only              5\n#&gt; 3          3 Jayendra Lyne    NA                 Breakfast and lunch     7\n#&gt; 4          4 Leon Rossini     Anchovies          Lunch only             NA\n#&gt; 5          5 Chidiegwu Dunkel Pizza              Breakfast and lunch     5\n#&gt; 6          6 Güvenç Attila    Ice cream          Lunch only              6\n\n\n\nParquet tends to be much faster than RDS and is usable outside of R, but does require the arrow package.",
+    "title": "7  ✅ Importação de dados",
+    "section": "\n7.5 Exportando para um arquivo",
+    "text": "7.5 Exportando para um arquivo\nO pacote readr também vem com duas funções úteis para escrever dados de volta para o disco: write_csv() e write_tsv(). Os argumentos mais importantes para essas funções são x (o data frame a ser salvo) e file (o local para salvá-lo). Você também pode especificar como os valores ausentes são escritos com na, e se você deseja acrescentar as linhas em um arquivo existente, utilizando o argumento append.\n\nwrite_csv(estudantes, \"estudantes.csv\")\n\nAgora, vamos ler esse arquivo CSV novamente. Observe que as informações de tipo de variável que você acabou de configurar são perdidas quando você salva em CSV porque você está começando de novo com a leitura de um arquivo de texto simples:\n\nestudantes\n#&gt; # A tibble: 6 × 5\n#&gt;   id_estudante nome_completo     comida_favorita    plano_alimentar     idade\n#&gt;          &lt;dbl&gt; &lt;chr&gt;             &lt;chr&gt;              &lt;fct&gt;               &lt;dbl&gt;\n#&gt; 1            1 Pedro Cardoso     Iogurte de morango Só almoço               4\n#&gt; 2            2 Rafaela Lorenzoni Batata frita       Só almoço               5\n#&gt; 3            3 Otávio Barros     &lt;NA&gt;               Café da manhã e al…     7\n#&gt; 4            4 Fernanda Melo     Brócolis           Só almoço              NA\n#&gt; 5            5 Leopoldo Souza    Pizza              Café da manhã e al…     5\n#&gt; 6            6 Pérola Silva      Sorvete            Só almoço               6\nwrite_csv(estudantes, \"estudantes-2.csv\")\nread_csv(\"estudantes-2.csv\")\n#&gt; # A tibble: 6 × 5\n#&gt;   id_estudante nome_completo     comida_favorita    plano_alimentar     idade\n#&gt;          &lt;dbl&gt; &lt;chr&gt;             &lt;chr&gt;              &lt;chr&gt;               &lt;dbl&gt;\n#&gt; 1            1 Pedro Cardoso     Iogurte de morango Só almoço               4\n#&gt; 2            2 Rafaela Lorenzoni Batata frita       Só almoço               5\n#&gt; 3            3 Otávio Barros     &lt;NA&gt;               Café da manhã e al…     7\n#&gt; 4            4 Fernanda Melo     Brócolis           Só almoço              NA\n#&gt; 5            5 Leopoldo Souza    Pizza              Café da manhã e al…     5\n#&gt; 6            6 Pérola Silva      Sorvete            Só almoço               6\n\nIsso faz arquivos CSVs um pouco não confiáveis para armazenar resultados intermediários — você precisa recriar a especificação das colunas toda vez que carrega os dados. Existem duas formas principais:\n\n\nwrite_rds() e read_rds() são wrappers uniformes4 em torno das funções base readRDS() e saveRDS(). Eles armazenam dados no formato binário personalizado do R chamado RDS. Isso significa que quando você recarrega o objeto, você está carregando exatamente o mesmo objeto R que você armazenou.\n\nwrite_rds(estudantes, \"estudantes.rds\")\nread_rds(\"estudantes.rds\")\n#&gt; # A tibble: 6 × 5\n#&gt;   id_estudante nome_completo     comida_favorita    plano_alimentar     idade\n#&gt;          &lt;dbl&gt; &lt;chr&gt;             &lt;chr&gt;              &lt;fct&gt;               &lt;dbl&gt;\n#&gt; 1            1 Pedro Cardoso     Iogurte de morango Só almoço               4\n#&gt; 2            2 Rafaela Lorenzoni Batata frita       Só almoço               5\n#&gt; 3            3 Otávio Barros     &lt;NA&gt;               Café da manhã e al…     7\n#&gt; 4            4 Fernanda Melo     Brócolis           Só almoço              NA\n#&gt; 5            5 Leopoldo Souza    Pizza              Café da manhã e al…     5\n#&gt; 6            6 Pérola Silva      Sorvete            Só almoço               6\n\n\n\nO pacote arrow te permite importar e exportar arquivos parquet, um formato de arquivo binário rápido que pode ser compartilhado entre diferentes linguagens de programação. Voltaremos ao arrow com mais detalhes em Capítulo 22.\n\nlibrary(arrow)\nwrite_parquet(estudantes, \"estudantes.parquet\")\nread_parquet(\"estudantes.parquet\")\n# A tibble: 6 × 5\n#   id_estudante nome_completo     comida_favorita\n#          &lt;dbl&gt; &lt;chr&gt;             &lt;chr&gt;          \n# 1            1 Pedro Cardoso     Iogurte de mor…\n# 2            2 Rafaela Lorenzoni Batata frita   \n# 3            3 Otávio Barros     &lt;NA&gt;           \n# 4            4 Fernanda Melo     Brócolis       \n# 5            5 Leopoldo Souza    Pizza          \n# 6            6 Pérola Silva      Sorvete        \n# # ℹ 2 more variables: plano_alimentar &lt;fct&gt;,\n# #   idade &lt;dbl&gt;\n\n\n\nParquet tende a ser muito mais rápido que RDS e é utilizável fora do R, mas requer o pacote arrow.",
     "crumbs": [
       "✅ Visão geral",
-      "<span class='chapter-number'>7</span>  <span class='chapter-title'>Data import</span>"
+      "<span class='chapter-number'>7</span>  <span class='chapter-title'>✅ Importação de dados</span>"
     ]
   },
   {
-    "objectID": "data-import.html#data-entry",
-    "href": "data-import.html#data-entry",
-    "title": "7  Data import",
-    "section": "\n7.6 Data entry",
-    "text": "7.6 Data entry\nSometimes you’ll need to assemble a tibble “by hand” doing a little data entry in your R script. There are two useful functions to help you do this which differ in whether you layout the tibble by columns or by rows. tibble() works by column:\n\ntibble(\n  x = c(1, 2, 5), \n  y = c(\"h\", \"m\", \"g\"),\n  z = c(0.08, 0.83, 0.60)\n)\n#&gt; # A tibble: 3 × 3\n#&gt;       x y         z\n#&gt;   &lt;dbl&gt; &lt;chr&gt; &lt;dbl&gt;\n#&gt; 1     1 h      0.08\n#&gt; 2     2 m      0.83\n#&gt; 3     5 g      0.6\n\nLaying out the data by column can make it hard to see how the rows are related, so an alternative is tribble(), short for transposed tibble, which lets you lay out your data row by row. tribble() is customized for data entry in code: column headings start with ~ and entries are separated by commas. This makes it possible to lay out small amounts of data in an easy to read form:\n\ntribble(\n  ~x, ~y, ~z,\n  1, \"h\", 0.08,\n  2, \"m\", 0.83,\n  5, \"g\", 0.60\n)\n#&gt; # A tibble: 3 × 3\n#&gt;       x y         z\n#&gt;   &lt;dbl&gt; &lt;chr&gt; &lt;dbl&gt;\n#&gt; 1     1 h      0.08\n#&gt; 2     2 m      0.83\n#&gt; 3     5 g      0.6",
+    "objectID": "data-import.html#entrada-de-dados",
+    "href": "data-import.html#entrada-de-dados",
+    "title": "7  ✅ Importação de dados",
+    "section": "\n7.6 Entrada de dados",
+    "text": "7.6 Entrada de dados\nÀs vezes você precisará montar um tibble “à mão” fazendo um pouco de entrada de dados no seu script R. Existem duas funções úteis para ajudá-lo a fazer isso que diferem se você organiza o tibble por colunas ou por linhas. tibble() funciona por coluna:\n\ntibble(\n  x = c(1, 2, 5), \n  y = c(\"h\", \"m\", \"g\"),\n  z = c(0.08, 0.83, 0.60)\n)\n#&gt; # A tibble: 3 × 3\n#&gt;       x y         z\n#&gt;   &lt;dbl&gt; &lt;chr&gt; &lt;dbl&gt;\n#&gt; 1     1 h      0.08\n#&gt; 2     2 m      0.83\n#&gt; 3     5 g      0.6\n\nLaying out the data by column can make it hard to see how the rows are related, so an alternative is tribble(), short for transposed tibble, which lets you lay out your data row by row. tribble() é customizado para entrada de dados no código: os cabeçalhos das colunas começam com ~ e as entradas são separadas por vírgulas. Isso torna possível dispor pequenas quantidades de dados em uma forma fácil de ler:\nInserir os dados por coluna pode dificultar a visualização de como as linhas estão relacionadas, então uma alternativa é tribble(), abreviação de transposed tibble (tibble transposta), que permite organizar seus dados linha por linha.\n\ntribble(\n  ~x, ~y, ~z,\n  1, \"h\", 0.08,\n  2, \"m\", 0.83,\n  5, \"g\", 0.60\n)\n#&gt; # A tibble: 3 × 3\n#&gt;       x y         z\n#&gt;   &lt;dbl&gt; &lt;chr&gt; &lt;dbl&gt;\n#&gt; 1     1 h      0.08\n#&gt; 2     2 m      0.83\n#&gt; 3     5 g      0.6",
     "crumbs": [
       "✅ Visão geral",
-      "<span class='chapter-number'>7</span>  <span class='chapter-title'>Data import</span>"
+      "<span class='chapter-number'>7</span>  <span class='chapter-title'>✅ Importação de dados</span>"
     ]
   },
   {
-    "objectID": "data-import.html#summary",
-    "href": "data-import.html#summary",
-    "title": "7  Data import",
-    "section": "\n7.7 Summary",
-    "text": "7.7 Summary\nIn this chapter, you’ve learned how to load CSV files with read_csv() and to do your own data entry with tibble() and tribble(). You’ve learned how csv files work, some of the problems you might encounter, and how to overcome them. We’ll come to data import a few times in this book: Capítulo 20 from Excel and Google Sheets, Capítulo 21 will show you how to load data from databases, Capítulo 22 from parquet files, Capítulo 23 from JSON, and Capítulo 24 from websites.\nWe’re just about at the end of this section of the book, but there’s one important last topic to cover: how to get help. So in the next chapter, you’ll learn some good places to look for help, how to create a reprex to maximize your chances of getting good help, and some general advice on keeping up with the world of R.",
+    "objectID": "data-import.html#resumo",
+    "href": "data-import.html#resumo",
+    "title": "7  ✅ Importação de dados",
+    "section": "\n7.7 Resumo",
+    "text": "7.7 Resumo\nNeste capítulo, você aprendeu como carregar arquivos CSV com read_csv() e como inserir seus próprios dados com tibble() e tribble(). Você aprendeu como arquivos CSV funcionam, alguns dos problemas que você pode encontrar e como superá-los. Voltaremos à importação de dados algumas vezes neste livro: Capítulo 20 do Excel e do Google Planilhas, Capítulo 21 mostrará para você como carregar dados de bancos de dados, Capítulo 22 de arquivos parquet, Capítulo 23 de JSON e Capítulo 24 de sites.\nEstamos quase no final desta seção do livro, mas há um último tópico importante a ser coberto: como obter ajuda. Então, no próximo capítulo, você aprenderá alguns bons lugares para procurar ajuda, como criar um exemplo reprodutível (reprex)5 para maximizar suas chances de obter boa ajuda e alguns conselhos gerais sobre como acompanhar o mundo do R.",
     "crumbs": [
       "✅ Visão geral",
-      "<span class='chapter-number'>7</span>  <span class='chapter-title'>Data import</span>"
+      "<span class='chapter-number'>7</span>  <span class='chapter-title'>✅ Importação de dados</span>"
     ]
   },
   {
     "objectID": "data-import.html#footnotes",
     "href": "data-import.html#footnotes",
-    "title": "7  Data import",
+    "title": "7  ✅ Importação de dados",
     "section": "",
-    "text": "The janitor package is not part of the tidyverse, but it offers handy functions for data cleaning and works well within data pipelines that use |&gt;.↩︎\nYou can override the default of 1000 with the guess_max argument.↩︎",
+    "text": "No Brasil, é mais comum o tipo CSV2, que utiliza ponto-e-vírgula como separador e é, portanto, compatível com o uso da vírgula como separador decimal. (N. dos T.)↩︎\nO pacote janitor não faz parte do tidyverse, mas oferece funções úteis para limpeza de dados e funciona bem em pipelines de dados que usam |&gt;.↩︎\nVocê pode substituir o padrão de 1.000 com o argumento guess_max.↩︎\nNo contexto de wrappers, funções ou métodos construídos como uma camada de abstração mais simples e consistente sobre outras funções ou métodos existentes, uniforme significa que o wrapper oferece uma interface padronizada em relação à outras funções e métodos de operações similares, oferecendo uma interação mais previsível ao usuário. (N. dos T.)↩︎\nReprex é o acrônimo para Reproducible Example (exemplo reprodutível). (N. dos T.)↩︎",
     "crumbs": [
       "✅ Visão geral",
-      "<span class='chapter-number'>7</span>  <span class='chapter-title'>Data import</span>"
+      "<span class='chapter-number'>7</span>  <span class='chapter-title'>✅ Importação de dados</span>"
     ]
   },
   {
@@ -1629,7 +1629,7 @@
     "href": "datetimes.html#sec-creating-datetimes",
     "title": "17  Dates and times",
     "section": "\n17.2 Creating date/times",
-    "text": "17.2 Creating date/times\nThere are three types of date/time data that refer to an instant in time:\n\nA date. Tibbles print this as &lt;date&gt;.\nA time within a day. Tibbles print this as &lt;time&gt;.\nA date-time is a date plus a time: it uniquely identifies an instant in time (typically to the nearest second). Tibbles print this as &lt;dttm&gt;. Base R calls these POSIXct, but doesn’t exactly trip off the tongue.\n\nIn this chapter we are going to focus on dates and date-times as R doesn’t have a native class for storing times. If you need one, you can use the hms package.\nYou should always use the simplest possible data type that works for your needs. That means if you can use a date instead of a date-time, you should. Date-times are substantially more complicated because of the need to handle time zones, which we’ll come back to at the end of the chapter.\nTo get the current date or date-time you can use today() or now():\n\ntoday()\n#&gt; [1] \"2024-06-11\"\nnow()\n#&gt; [1] \"2024-06-11 16:57:23 -03\"\n\nOtherwise, the following sections describe the four ways you’re likely to create a date/time:\n\nWhile reading a file with readr.\nFrom a string.\nFrom individual date-time components.\nFrom an existing date/time object.\n\n\n17.2.1 During import\nIf your CSV contains an ISO8601 date or date-time, you don’t need to do anything; readr will automatically recognize it:\n\ncsv &lt;- \"\n  date,datetime\n  2022-01-02,2022-01-02 05:12\n\"\nread_csv(csv)\n#&gt; # A tibble: 1 × 2\n#&gt;   date       datetime           \n#&gt;   &lt;date&gt;     &lt;dttm&gt;             \n#&gt; 1 2022-01-02 2022-01-02 05:12:00\n\nIf you haven’t heard of ISO8601 before, it’s an international standard2 for writing dates where the components of a date are organized from biggest to smallest separated by -. For example, in ISO8601 May 3 2022 is 2022-05-03. ISO8601 dates can also include times, where hour, minute, and second are separated by :, and the date and time components are separated by either a T or a space. For example, you could write 4:26pm on May 3 2022 as either 2022-05-03 16:26 or 2022-05-03T16:26.\nFor other date-time formats, you’ll need to use col_types plus col_date() or col_datetime() along with a date-time format. The date-time format used by readr is a standard used across many programming languages, describing a date component with a % followed by a single character. For example, %Y-%m-%d specifies a date that’s a year, -, month (as number) -, day. Table Tabela 17.1 lists all the options.\n\n\nTabela 17.1: All date formats understood by readr\n\n\n\nType\nCode\nMeaning\nExample\n\n\n\nYear\n%Y\n4 digit year\n2021\n\n\n\n%y\n2 digit year\n21\n\n\nMonth\n%m\nNumber\n2\n\n\n\n%b\nAbbreviated name\nFeb\n\n\n\n%B\nFull name\nFebruary\n\n\nDay\n%d\nOne or two digits\n2\n\n\n\n%e\nTwo digits\n02\n\n\nTime\n%H\n24-hour hour\n13\n\n\n\n%I\n12-hour hour\n1\n\n\n\n%p\nAM/PM\npm\n\n\n\n%M\nMinutes\n35\n\n\n\n%S\nSeconds\n45\n\n\n\n%OS\nSeconds with decimal component\n45.35\n\n\n\n%Z\nTime zone name\nAmerica/Chicago\n\n\n\n%z\nOffset from UTC\n+0800\n\n\nOther\n%.\nSkip one non-digit\n:\n\n\n\n%*\nSkip any number of non-digits\n\n\n\n\n\n\n\nAnd this code shows a few options applied to a very ambiguous date:\n\ncsv &lt;- \"\n  date\n  01/02/15\n\"\n\nread_csv(csv, col_types = cols(date = col_date(\"%m/%d/%y\")))\n#&gt; # A tibble: 1 × 1\n#&gt;   date      \n#&gt;   &lt;date&gt;    \n#&gt; 1 2015-01-02\n\nread_csv(csv, col_types = cols(date = col_date(\"%d/%m/%y\")))\n#&gt; # A tibble: 1 × 1\n#&gt;   date      \n#&gt;   &lt;date&gt;    \n#&gt; 1 2015-02-01\n\nread_csv(csv, col_types = cols(date = col_date(\"%y/%m/%d\")))\n#&gt; # A tibble: 1 × 1\n#&gt;   date      \n#&gt;   &lt;date&gt;    \n#&gt; 1 2001-02-15\n\nNote that no matter how you specify the date format, it’s always displayed the same way once you get it into R.\nIf you’re using %b or %B and working with non-English dates, you’ll also need to provide a locale(). See the list of built-in languages in date_names_langs(), or create your own with date_names(),\n\n17.2.2 From strings\nThe date-time specification language is powerful, but requires careful analysis of the date format. An alternative approach is to use lubridate’s helpers which attempt to automatically determine the format once you specify the order of the component. To use them, identify the order in which year, month, and day appear in your dates, then arrange “y”, “m”, and “d” in the same order. That gives you the name of the lubridate function that will parse your date. For example:\n\nymd(\"2017-01-31\")\n#&gt; [1] \"2017-01-31\"\nmdy(\"January 31st, 2017\")\n#&gt; [1] \"2017-01-31\"\ndmy(\"31-Jan-2017\")\n#&gt; [1] \"2017-01-31\"\n\nymd() and friends create dates. To create a date-time, add an underscore and one or more of “h”, “m”, and “s” to the name of the parsing function:\n\nymd_hms(\"2017-01-31 20:11:59\")\n#&gt; [1] \"2017-01-31 20:11:59 UTC\"\nmdy_hm(\"01/31/2017 08:01\")\n#&gt; [1] \"2017-01-31 08:01:00 UTC\"\n\nYou can also force the creation of a date-time from a date by supplying a timezone:\n\nymd(\"2017-01-31\", tz = \"UTC\")\n#&gt; [1] \"2017-01-31 UTC\"\n\nHere I use the UTC3 timezone which you might also know as GMT, or Greenwich Mean Time, the time at 0° longitude4 . It doesn’t use daylight saving time, making it a bit easier to compute with .\n\n17.2.3 From individual components\nInstead of a single string, sometimes you’ll have the individual components of the date-time spread across multiple columns. This is what we have in the flights data:\n\nflights |&gt; \n  select(year, month, day, hour, minute)\n#&gt; # A tibble: 336,776 × 5\n#&gt;    year month   day  hour minute\n#&gt;   &lt;int&gt; &lt;int&gt; &lt;int&gt; &lt;dbl&gt;  &lt;dbl&gt;\n#&gt; 1  2013     1     1     5     15\n#&gt; 2  2013     1     1     5     29\n#&gt; 3  2013     1     1     5     40\n#&gt; 4  2013     1     1     5     45\n#&gt; 5  2013     1     1     6      0\n#&gt; 6  2013     1     1     5     58\n#&gt; # ℹ 336,770 more rows\n\nTo create a date/time from this sort of input, use make_date() for dates, or make_datetime() for date-times:\n\nflights |&gt; \n  select(year, month, day, hour, minute) |&gt; \n  mutate(departure = make_datetime(year, month, day, hour, minute))\n#&gt; # A tibble: 336,776 × 6\n#&gt;    year month   day  hour minute departure          \n#&gt;   &lt;int&gt; &lt;int&gt; &lt;int&gt; &lt;dbl&gt;  &lt;dbl&gt; &lt;dttm&gt;             \n#&gt; 1  2013     1     1     5     15 2013-01-01 05:15:00\n#&gt; 2  2013     1     1     5     29 2013-01-01 05:29:00\n#&gt; 3  2013     1     1     5     40 2013-01-01 05:40:00\n#&gt; 4  2013     1     1     5     45 2013-01-01 05:45:00\n#&gt; 5  2013     1     1     6      0 2013-01-01 06:00:00\n#&gt; 6  2013     1     1     5     58 2013-01-01 05:58:00\n#&gt; # ℹ 336,770 more rows\n\nLet’s do the same thing for each of the four time columns in flights. The times are represented in a slightly odd format, so we use modulus arithmetic to pull out the hour and minute components. Once we’ve created the date-time variables, we focus in on the variables we’ll explore in the rest of the chapter.\n\nmake_datetime_100 &lt;- function(year, month, day, time) {\n  make_datetime(year, month, day, time %/% 100, time %% 100)\n}\n\nflights_dt &lt;- flights |&gt; \n  filter(!is.na(dep_time), !is.na(arr_time)) |&gt; \n  mutate(\n    dep_time = make_datetime_100(year, month, day, dep_time),\n    arr_time = make_datetime_100(year, month, day, arr_time),\n    sched_dep_time = make_datetime_100(year, month, day, sched_dep_time),\n    sched_arr_time = make_datetime_100(year, month, day, sched_arr_time)\n  ) |&gt; \n  select(origin, dest, ends_with(\"delay\"), ends_with(\"time\"))\n\nflights_dt\n#&gt; # A tibble: 328,063 × 9\n#&gt;   origin dest  dep_delay arr_delay dep_time            sched_dep_time     \n#&gt;   &lt;chr&gt;  &lt;chr&gt;     &lt;dbl&gt;     &lt;dbl&gt; &lt;dttm&gt;              &lt;dttm&gt;             \n#&gt; 1 EWR    IAH           2        11 2013-01-01 05:17:00 2013-01-01 05:15:00\n#&gt; 2 LGA    IAH           4        20 2013-01-01 05:33:00 2013-01-01 05:29:00\n#&gt; 3 JFK    MIA           2        33 2013-01-01 05:42:00 2013-01-01 05:40:00\n#&gt; 4 JFK    BQN          -1       -18 2013-01-01 05:44:00 2013-01-01 05:45:00\n#&gt; 5 LGA    ATL          -6       -25 2013-01-01 05:54:00 2013-01-01 06:00:00\n#&gt; 6 EWR    ORD          -4        12 2013-01-01 05:54:00 2013-01-01 05:58:00\n#&gt; # ℹ 328,057 more rows\n#&gt; # ℹ 3 more variables: arr_time &lt;dttm&gt;, sched_arr_time &lt;dttm&gt;, …\n\nWith this data, we can visualize the distribution of departure times across the year:\n\nflights_dt |&gt; \n  ggplot(aes(x = dep_time)) + \n  geom_freqpoly(binwidth = 86400) # 86400 seconds = 1 day\n\n\n\n\n\n\n\nOr within a single day:\n\nflights_dt |&gt; \n  filter(dep_time &lt; ymd(20130102)) |&gt; \n  ggplot(aes(x = dep_time)) + \n  geom_freqpoly(binwidth = 600) # 600 s = 10 minutes\n\n\n\n\n\n\n\nNote that when you use date-times in a numeric context (like in a histogram), 1 means 1 second, so a binwidth of 86400 means one day. For dates, 1 means 1 day.\n\n17.2.4 From other types\nYou may want to switch between a date-time and a date. That’s the job of as_datetime() and as_date():\n\nas_datetime(today())\n#&gt; [1] \"2024-06-11 UTC\"\nas_date(now())\n#&gt; [1] \"2024-06-11\"\n\nSometimes you’ll get date/times as numeric offsets from the “Unix Epoch”, 1970-01-01. If the offset is in seconds, use as_datetime(); if it’s in days, use as_date().\n\nas_datetime(60 * 60 * 10)\n#&gt; [1] \"1970-01-01 10:00:00 UTC\"\nas_date(365 * 10 + 2)\n#&gt; [1] \"1980-01-01\"\n\n\n17.2.5 Exercises\n\n\nWhat happens if you parse a string that contains invalid dates?\n\nymd(c(\"2010-10-10\", \"bananas\"))\n\n\nWhat does the tzone argument to today() do? Why is it important?\n\nFor each of the following date-times, show how you’d parse it using a readr column specification and a lubridate function.\n\nd1 &lt;- \"January 1, 2010\"\nd2 &lt;- \"2015-Mar-07\"\nd3 &lt;- \"06-Jun-2017\"\nd4 &lt;- c(\"August 19 (2015)\", \"July 1 (2015)\")\nd5 &lt;- \"12/30/14\" # Dec 30, 2014\nt1 &lt;- \"1705\"\nt2 &lt;- \"11:15:10.12 PM\"",
+    "text": "17.2 Creating date/times\nThere are three types of date/time data that refer to an instant in time:\n\nA date. Tibbles print this as &lt;date&gt;.\nA time within a day. Tibbles print this as &lt;time&gt;.\nA date-time is a date plus a time: it uniquely identifies an instant in time (typically to the nearest second). Tibbles print this as &lt;dttm&gt;. Base R calls these POSIXct, but doesn’t exactly trip off the tongue.\n\nIn this chapter we are going to focus on dates and date-times as R doesn’t have a native class for storing times. If you need one, you can use the hms package.\nYou should always use the simplest possible data type that works for your needs. That means if you can use a date instead of a date-time, you should. Date-times are substantially more complicated because of the need to handle time zones, which we’ll come back to at the end of the chapter.\nTo get the current date or date-time you can use today() or now():\n\ntoday()\n#&gt; [1] \"2024-06-21\"\nnow()\n#&gt; [1] \"2024-06-21 14:57:54 -03\"\n\nOtherwise, the following sections describe the four ways you’re likely to create a date/time:\n\nWhile reading a file with readr.\nFrom a string.\nFrom individual date-time components.\nFrom an existing date/time object.\n\n\n17.2.1 During import\nIf your CSV contains an ISO8601 date or date-time, you don’t need to do anything; readr will automatically recognize it:\n\ncsv &lt;- \"\n  date,datetime\n  2022-01-02,2022-01-02 05:12\n\"\nread_csv(csv)\n#&gt; # A tibble: 1 × 2\n#&gt;   date       datetime           \n#&gt;   &lt;date&gt;     &lt;dttm&gt;             \n#&gt; 1 2022-01-02 2022-01-02 05:12:00\n\nIf you haven’t heard of ISO8601 before, it’s an international standard2 for writing dates where the components of a date are organized from biggest to smallest separated by -. For example, in ISO8601 May 3 2022 is 2022-05-03. ISO8601 dates can also include times, where hour, minute, and second are separated by :, and the date and time components are separated by either a T or a space. For example, you could write 4:26pm on May 3 2022 as either 2022-05-03 16:26 or 2022-05-03T16:26.\nFor other date-time formats, you’ll need to use col_types plus col_date() or col_datetime() along with a date-time format. The date-time format used by readr is a standard used across many programming languages, describing a date component with a % followed by a single character. For example, %Y-%m-%d specifies a date that’s a year, -, month (as number) -, day. Table Tabela 17.1 lists all the options.\n\n\nTabela 17.1: All date formats understood by readr\n\n\n\nType\nCode\nMeaning\nExample\n\n\n\nYear\n%Y\n4 digit year\n2021\n\n\n\n%y\n2 digit year\n21\n\n\nMonth\n%m\nNumber\n2\n\n\n\n%b\nAbbreviated name\nFeb\n\n\n\n%B\nFull name\nFebruary\n\n\nDay\n%d\nOne or two digits\n2\n\n\n\n%e\nTwo digits\n02\n\n\nTime\n%H\n24-hour hour\n13\n\n\n\n%I\n12-hour hour\n1\n\n\n\n%p\nAM/PM\npm\n\n\n\n%M\nMinutes\n35\n\n\n\n%S\nSeconds\n45\n\n\n\n%OS\nSeconds with decimal component\n45.35\n\n\n\n%Z\nTime zone name\nAmerica/Chicago\n\n\n\n%z\nOffset from UTC\n+0800\n\n\nOther\n%.\nSkip one non-digit\n:\n\n\n\n%*\nSkip any number of non-digits\n\n\n\n\n\n\n\nAnd this code shows a few options applied to a very ambiguous date:\n\ncsv &lt;- \"\n  date\n  01/02/15\n\"\n\nread_csv(csv, col_types = cols(date = col_date(\"%m/%d/%y\")))\n#&gt; # A tibble: 1 × 1\n#&gt;   date      \n#&gt;   &lt;date&gt;    \n#&gt; 1 2015-01-02\n\nread_csv(csv, col_types = cols(date = col_date(\"%d/%m/%y\")))\n#&gt; # A tibble: 1 × 1\n#&gt;   date      \n#&gt;   &lt;date&gt;    \n#&gt; 1 2015-02-01\n\nread_csv(csv, col_types = cols(date = col_date(\"%y/%m/%d\")))\n#&gt; # A tibble: 1 × 1\n#&gt;   date      \n#&gt;   &lt;date&gt;    \n#&gt; 1 2001-02-15\n\nNote that no matter how you specify the date format, it’s always displayed the same way once you get it into R.\nIf you’re using %b or %B and working with non-English dates, you’ll also need to provide a locale(). See the list of built-in languages in date_names_langs(), or create your own with date_names(),\n\n17.2.2 From strings\nThe date-time specification language is powerful, but requires careful analysis of the date format. An alternative approach is to use lubridate’s helpers which attempt to automatically determine the format once you specify the order of the component. To use them, identify the order in which year, month, and day appear in your dates, then arrange “y”, “m”, and “d” in the same order. That gives you the name of the lubridate function that will parse your date. For example:\n\nymd(\"2017-01-31\")\n#&gt; [1] \"2017-01-31\"\nmdy(\"January 31st, 2017\")\n#&gt; [1] \"2017-01-31\"\ndmy(\"31-Jan-2017\")\n#&gt; [1] \"2017-01-31\"\n\nymd() and friends create dates. To create a date-time, add an underscore and one or more of “h”, “m”, and “s” to the name of the parsing function:\n\nymd_hms(\"2017-01-31 20:11:59\")\n#&gt; [1] \"2017-01-31 20:11:59 UTC\"\nmdy_hm(\"01/31/2017 08:01\")\n#&gt; [1] \"2017-01-31 08:01:00 UTC\"\n\nYou can also force the creation of a date-time from a date by supplying a timezone:\n\nymd(\"2017-01-31\", tz = \"UTC\")\n#&gt; [1] \"2017-01-31 UTC\"\n\nHere I use the UTC3 timezone which you might also know as GMT, or Greenwich Mean Time, the time at 0° longitude4 . It doesn’t use daylight saving time, making it a bit easier to compute with .\n\n17.2.3 From individual components\nInstead of a single string, sometimes you’ll have the individual components of the date-time spread across multiple columns. This is what we have in the flights data:\n\nflights |&gt; \n  select(year, month, day, hour, minute)\n#&gt; # A tibble: 336,776 × 5\n#&gt;    year month   day  hour minute\n#&gt;   &lt;int&gt; &lt;int&gt; &lt;int&gt; &lt;dbl&gt;  &lt;dbl&gt;\n#&gt; 1  2013     1     1     5     15\n#&gt; 2  2013     1     1     5     29\n#&gt; 3  2013     1     1     5     40\n#&gt; 4  2013     1     1     5     45\n#&gt; 5  2013     1     1     6      0\n#&gt; 6  2013     1     1     5     58\n#&gt; # ℹ 336,770 more rows\n\nTo create a date/time from this sort of input, use make_date() for dates, or make_datetime() for date-times:\n\nflights |&gt; \n  select(year, month, day, hour, minute) |&gt; \n  mutate(departure = make_datetime(year, month, day, hour, minute))\n#&gt; # A tibble: 336,776 × 6\n#&gt;    year month   day  hour minute departure          \n#&gt;   &lt;int&gt; &lt;int&gt; &lt;int&gt; &lt;dbl&gt;  &lt;dbl&gt; &lt;dttm&gt;             \n#&gt; 1  2013     1     1     5     15 2013-01-01 05:15:00\n#&gt; 2  2013     1     1     5     29 2013-01-01 05:29:00\n#&gt; 3  2013     1     1     5     40 2013-01-01 05:40:00\n#&gt; 4  2013     1     1     5     45 2013-01-01 05:45:00\n#&gt; 5  2013     1     1     6      0 2013-01-01 06:00:00\n#&gt; 6  2013     1     1     5     58 2013-01-01 05:58:00\n#&gt; # ℹ 336,770 more rows\n\nLet’s do the same thing for each of the four time columns in flights. The times are represented in a slightly odd format, so we use modulus arithmetic to pull out the hour and minute components. Once we’ve created the date-time variables, we focus in on the variables we’ll explore in the rest of the chapter.\n\nmake_datetime_100 &lt;- function(year, month, day, time) {\n  make_datetime(year, month, day, time %/% 100, time %% 100)\n}\n\nflights_dt &lt;- flights |&gt; \n  filter(!is.na(dep_time), !is.na(arr_time)) |&gt; \n  mutate(\n    dep_time = make_datetime_100(year, month, day, dep_time),\n    arr_time = make_datetime_100(year, month, day, arr_time),\n    sched_dep_time = make_datetime_100(year, month, day, sched_dep_time),\n    sched_arr_time = make_datetime_100(year, month, day, sched_arr_time)\n  ) |&gt; \n  select(origin, dest, ends_with(\"delay\"), ends_with(\"time\"))\n\nflights_dt\n#&gt; # A tibble: 328,063 × 9\n#&gt;   origin dest  dep_delay arr_delay dep_time            sched_dep_time     \n#&gt;   &lt;chr&gt;  &lt;chr&gt;     &lt;dbl&gt;     &lt;dbl&gt; &lt;dttm&gt;              &lt;dttm&gt;             \n#&gt; 1 EWR    IAH           2        11 2013-01-01 05:17:00 2013-01-01 05:15:00\n#&gt; 2 LGA    IAH           4        20 2013-01-01 05:33:00 2013-01-01 05:29:00\n#&gt; 3 JFK    MIA           2        33 2013-01-01 05:42:00 2013-01-01 05:40:00\n#&gt; 4 JFK    BQN          -1       -18 2013-01-01 05:44:00 2013-01-01 05:45:00\n#&gt; 5 LGA    ATL          -6       -25 2013-01-01 05:54:00 2013-01-01 06:00:00\n#&gt; 6 EWR    ORD          -4        12 2013-01-01 05:54:00 2013-01-01 05:58:00\n#&gt; # ℹ 328,057 more rows\n#&gt; # ℹ 3 more variables: arr_time &lt;dttm&gt;, sched_arr_time &lt;dttm&gt;, …\n\nWith this data, we can visualize the distribution of departure times across the year:\n\nflights_dt |&gt; \n  ggplot(aes(x = dep_time)) + \n  geom_freqpoly(binwidth = 86400) # 86400 seconds = 1 day\n\n\n\n\n\n\n\nOr within a single day:\n\nflights_dt |&gt; \n  filter(dep_time &lt; ymd(20130102)) |&gt; \n  ggplot(aes(x = dep_time)) + \n  geom_freqpoly(binwidth = 600) # 600 s = 10 minutes\n\n\n\n\n\n\n\nNote that when you use date-times in a numeric context (like in a histogram), 1 means 1 second, so a binwidth of 86400 means one day. For dates, 1 means 1 day.\n\n17.2.4 From other types\nYou may want to switch between a date-time and a date. That’s the job of as_datetime() and as_date():\n\nas_datetime(today())\n#&gt; [1] \"2024-06-21 UTC\"\nas_date(now())\n#&gt; [1] \"2024-06-21\"\n\nSometimes you’ll get date/times as numeric offsets from the “Unix Epoch”, 1970-01-01. If the offset is in seconds, use as_datetime(); if it’s in days, use as_date().\n\nas_datetime(60 * 60 * 10)\n#&gt; [1] \"1970-01-01 10:00:00 UTC\"\nas_date(365 * 10 + 2)\n#&gt; [1] \"1980-01-01\"\n\n\n17.2.5 Exercises\n\n\nWhat happens if you parse a string that contains invalid dates?\n\nymd(c(\"2010-10-10\", \"bananas\"))\n\n\nWhat does the tzone argument to today() do? Why is it important?\n\nFor each of the following date-times, show how you’d parse it using a readr column specification and a lubridate function.\n\nd1 &lt;- \"January 1, 2010\"\nd2 &lt;- \"2015-Mar-07\"\nd3 &lt;- \"06-Jun-2017\"\nd4 &lt;- c(\"August 19 (2015)\", \"July 1 (2015)\")\nd5 &lt;- \"12/30/14\" # Dec 30, 2014\nt1 &lt;- \"1705\"\nt2 &lt;- \"11:15:10.12 PM\"",
     "crumbs": [
       "✅ Transformar",
       "<span class='chapter-number'>17</span>  <span class='chapter-title'>Dates and times</span>"
@@ -1651,7 +1651,7 @@
     "href": "datetimes.html#time-spans",
     "title": "17  Dates and times",
     "section": "\n17.4 Time spans",
-    "text": "17.4 Time spans\nNext you’ll learn about how arithmetic with dates works, including subtraction, addition, and division. Along the way, you’ll learn about three important classes that represent time spans:\n\n\nDurations, which represent an exact number of seconds.\n\nPeriods, which represent human units like weeks and months.\n\nIntervals, which represent a starting and ending point.\n\nHow do you pick between duration, periods, and intervals? As always, pick the simplest data structure that solves your problem. If you only care about physical time, use a duration; if you need to add human times, use a period; if you need to figure out how long a span is in human units, use an interval.\n\n17.4.1 Durations\nIn R, when you subtract two dates, you get a difftime object:\n\n# How old is Hadley?\nh_age &lt;- today() - ymd(\"1979-10-14\")\nh_age\n#&gt; Time difference of 16312 days\n\nA difftime class object records a time span of seconds, minutes, hours, days, or weeks. This ambiguity can make difftimes a little painful to work with, so lubridate provides an alternative which always uses seconds: the duration.\n\nas.duration(h_age)\n#&gt; [1] \"1409356800s (~44.66 years)\"\n\nDurations come with a bunch of convenient constructors:\n\ndseconds(15)\n#&gt; [1] \"15s\"\ndminutes(10)\n#&gt; [1] \"600s (~10 minutes)\"\ndhours(c(12, 24))\n#&gt; [1] \"43200s (~12 hours)\" \"86400s (~1 days)\"\nddays(0:5)\n#&gt; [1] \"0s\"                \"86400s (~1 days)\"  \"172800s (~2 days)\"\n#&gt; [4] \"259200s (~3 days)\" \"345600s (~4 days)\" \"432000s (~5 days)\"\ndweeks(3)\n#&gt; [1] \"1814400s (~3 weeks)\"\ndyears(1)\n#&gt; [1] \"31557600s (~1 years)\"\n\nDurations always record the time span in seconds. Larger units are created by converting minutes, hours, days, weeks, and years to seconds: 60 seconds in a minute, 60 minutes in an hour, 24 hours in a day, and 7 days in a week. Larger time units are more problematic. A year uses the “average” number of days in a year, i.e. 365.25. There’s no way to convert a month to a duration, because there’s just too much variation.\nYou can add and multiply durations:\n\n2 * dyears(1)\n#&gt; [1] \"63115200s (~2 years)\"\ndyears(1) + dweeks(12) + dhours(15)\n#&gt; [1] \"38869200s (~1.23 years)\"\n\nYou can add and subtract durations to and from days:\n\ntomorrow &lt;- today() + ddays(1)\nlast_year &lt;- today() - dyears(1)\n\nHowever, because durations represent an exact number of seconds, sometimes you might get an unexpected result:\n\none_am &lt;- ymd_hms(\"2026-03-08 01:00:00\", tz = \"America/New_York\")\n\none_am\n#&gt; [1] \"2026-03-08 01:00:00 EST\"\none_am + ddays(1)\n#&gt; [1] \"2026-03-09 02:00:00 EDT\"\n\nWhy is one day after 1am March 8, 2am March 9? If you look carefully at the date you might also notice that the time zones have changed. March 8 only has 23 hours because it’s when DST starts, so if we add a full days worth of seconds we end up with a different time.\n\n17.4.2 Periods\nTo solve this problem, lubridate provides periods. Periods are time spans but don’t have a fixed length in seconds, instead they work with “human” times, like days and months. That allows them to work in a more intuitive way:\n\none_am\n#&gt; [1] \"2026-03-08 01:00:00 EST\"\none_am + days(1)\n#&gt; [1] \"2026-03-09 01:00:00 EDT\"\n\nLike durations, periods can be created with a number of friendly constructor functions.\n\nhours(c(12, 24))\n#&gt; [1] \"12H 0M 0S\" \"24H 0M 0S\"\ndays(7)\n#&gt; [1] \"7d 0H 0M 0S\"\nmonths(1:6)\n#&gt; [1] \"1m 0d 0H 0M 0S\" \"2m 0d 0H 0M 0S\" \"3m 0d 0H 0M 0S\" \"4m 0d 0H 0M 0S\"\n#&gt; [5] \"5m 0d 0H 0M 0S\" \"6m 0d 0H 0M 0S\"\n\nYou can add and multiply periods:\n\n10 * (months(6) + days(1))\n#&gt; [1] \"60m 10d 0H 0M 0S\"\ndays(50) + hours(25) + minutes(2)\n#&gt; [1] \"50d 25H 2M 0S\"\n\nAnd of course, add them to dates. Compared to durations, periods are more likely to do what you expect:\n\n# A leap year\nymd(\"2024-01-01\") + dyears(1)\n#&gt; [1] \"2024-12-31 06:00:00 UTC\"\nymd(\"2024-01-01\") + years(1)\n#&gt; [1] \"2025-01-01\"\n\n# Daylight saving time\none_am + ddays(1)\n#&gt; [1] \"2026-03-09 02:00:00 EDT\"\none_am + days(1)\n#&gt; [1] \"2026-03-09 01:00:00 EDT\"\n\nLet’s use periods to fix an oddity related to our flight dates. Some planes appear to have arrived at their destination before they departed from New York City.\n\nflights_dt |&gt; \n  filter(arr_time &lt; dep_time) \n#&gt; # A tibble: 10,633 × 9\n#&gt;   origin dest  dep_delay arr_delay dep_time            sched_dep_time     \n#&gt;   &lt;chr&gt;  &lt;chr&gt;     &lt;dbl&gt;     &lt;dbl&gt; &lt;dttm&gt;              &lt;dttm&gt;             \n#&gt; 1 EWR    BQN           9        -4 2013-01-01 19:29:00 2013-01-01 19:20:00\n#&gt; 2 JFK    DFW          59        NA 2013-01-01 19:39:00 2013-01-01 18:40:00\n#&gt; 3 EWR    TPA          -2         9 2013-01-01 20:58:00 2013-01-01 21:00:00\n#&gt; 4 EWR    SJU          -6       -12 2013-01-01 21:02:00 2013-01-01 21:08:00\n#&gt; 5 EWR    SFO          11       -14 2013-01-01 21:08:00 2013-01-01 20:57:00\n#&gt; 6 LGA    FLL         -10        -2 2013-01-01 21:20:00 2013-01-01 21:30:00\n#&gt; # ℹ 10,627 more rows\n#&gt; # ℹ 3 more variables: arr_time &lt;dttm&gt;, sched_arr_time &lt;dttm&gt;, …\n\nThese are overnight flights. We used the same date information for both the departure and the arrival times, but these flights arrived on the following day. We can fix this by adding days(1) to the arrival time of each overnight flight.\n\nflights_dt &lt;- flights_dt |&gt; \n  mutate(\n    overnight = arr_time &lt; dep_time,\n    arr_time = arr_time + days(overnight),\n    sched_arr_time = sched_arr_time + days(overnight)\n  )\n\nNow all of our flights obey the laws of physics.\n\nflights_dt |&gt; \n  filter(arr_time &lt; dep_time) \n#&gt; # A tibble: 0 × 10\n#&gt; # ℹ 10 variables: origin &lt;chr&gt;, dest &lt;chr&gt;, dep_delay &lt;dbl&gt;,\n#&gt; #   arr_delay &lt;dbl&gt;, dep_time &lt;dttm&gt;, sched_dep_time &lt;dttm&gt;, …\n\n\n17.4.3 Intervals\nWhat does dyears(1) / ddays(365) return? It’s not quite one, because dyears() is defined as the number of seconds per average year, which is 365.25 days.\nWhat does years(1) / days(1) return? Well, if the year was 2015 it should return 365, but if it was 2016, it should return 366! There’s not quite enough information for lubridate to give a single clear answer. What it does instead is give an estimate:\n\nyears(1) / days(1)\n#&gt; [1] 365.25\n\nIf you want a more accurate measurement, you’ll have to use an interval. An interval is a pair of starting and ending date times, or you can think of it as a duration with a starting point.\nYou can create an interval by writing start %--% end:\n\ny2023 &lt;- ymd(\"2023-01-01\") %--% ymd(\"2024-01-01\")\ny2024 &lt;- ymd(\"2024-01-01\") %--% ymd(\"2025-01-01\")\n\ny2023\n#&gt; [1] 2023-01-01 UTC--2024-01-01 UTC\ny2024\n#&gt; [1] 2024-01-01 UTC--2025-01-01 UTC\n\nYou could then divide it by days() to find out how many days fit in the year:\n\ny2023 / days(1)\n#&gt; [1] 365\ny2024 / days(1)\n#&gt; [1] 366\n\n\n17.4.4 Exercises\n\nExplain days(!overnight) and days(overnight) to someone who has just started learning R. What is the key fact you need to know?\nCreate a vector of dates giving the first day of every month in 2015. Create a vector of dates giving the first day of every month in the current year.\nWrite a function that given your birthday (as a date), returns how old you are in years.\nWhy can’t (today() %--% (today() + years(1))) / months(1) work?",
+    "text": "17.4 Time spans\nNext you’ll learn about how arithmetic with dates works, including subtraction, addition, and division. Along the way, you’ll learn about three important classes that represent time spans:\n\n\nDurations, which represent an exact number of seconds.\n\nPeriods, which represent human units like weeks and months.\n\nIntervals, which represent a starting and ending point.\n\nHow do you pick between duration, periods, and intervals? As always, pick the simplest data structure that solves your problem. If you only care about physical time, use a duration; if you need to add human times, use a period; if you need to figure out how long a span is in human units, use an interval.\n\n17.4.1 Durations\nIn R, when you subtract two dates, you get a difftime object:\n\n# How old is Hadley?\nh_age &lt;- today() - ymd(\"1979-10-14\")\nh_age\n#&gt; Time difference of 16322 days\n\nA difftime class object records a time span of seconds, minutes, hours, days, or weeks. This ambiguity can make difftimes a little painful to work with, so lubridate provides an alternative which always uses seconds: the duration.\n\nas.duration(h_age)\n#&gt; [1] \"1410220800s (~44.69 years)\"\n\nDurations come with a bunch of convenient constructors:\n\ndseconds(15)\n#&gt; [1] \"15s\"\ndminutes(10)\n#&gt; [1] \"600s (~10 minutes)\"\ndhours(c(12, 24))\n#&gt; [1] \"43200s (~12 hours)\" \"86400s (~1 days)\"\nddays(0:5)\n#&gt; [1] \"0s\"                \"86400s (~1 days)\"  \"172800s (~2 days)\"\n#&gt; [4] \"259200s (~3 days)\" \"345600s (~4 days)\" \"432000s (~5 days)\"\ndweeks(3)\n#&gt; [1] \"1814400s (~3 weeks)\"\ndyears(1)\n#&gt; [1] \"31557600s (~1 years)\"\n\nDurations always record the time span in seconds. Larger units are created by converting minutes, hours, days, weeks, and years to seconds: 60 seconds in a minute, 60 minutes in an hour, 24 hours in a day, and 7 days in a week. Larger time units are more problematic. A year uses the “average” number of days in a year, i.e. 365.25. There’s no way to convert a month to a duration, because there’s just too much variation.\nYou can add and multiply durations:\n\n2 * dyears(1)\n#&gt; [1] \"63115200s (~2 years)\"\ndyears(1) + dweeks(12) + dhours(15)\n#&gt; [1] \"38869200s (~1.23 years)\"\n\nYou can add and subtract durations to and from days:\n\ntomorrow &lt;- today() + ddays(1)\nlast_year &lt;- today() - dyears(1)\n\nHowever, because durations represent an exact number of seconds, sometimes you might get an unexpected result:\n\none_am &lt;- ymd_hms(\"2026-03-08 01:00:00\", tz = \"America/New_York\")\n\none_am\n#&gt; [1] \"2026-03-08 01:00:00 EST\"\none_am + ddays(1)\n#&gt; [1] \"2026-03-09 02:00:00 EDT\"\n\nWhy is one day after 1am March 8, 2am March 9? If you look carefully at the date you might also notice that the time zones have changed. March 8 only has 23 hours because it’s when DST starts, so if we add a full days worth of seconds we end up with a different time.\n\n17.4.2 Periods\nTo solve this problem, lubridate provides periods. Periods are time spans but don’t have a fixed length in seconds, instead they work with “human” times, like days and months. That allows them to work in a more intuitive way:\n\none_am\n#&gt; [1] \"2026-03-08 01:00:00 EST\"\none_am + days(1)\n#&gt; [1] \"2026-03-09 01:00:00 EDT\"\n\nLike durations, periods can be created with a number of friendly constructor functions.\n\nhours(c(12, 24))\n#&gt; [1] \"12H 0M 0S\" \"24H 0M 0S\"\ndays(7)\n#&gt; [1] \"7d 0H 0M 0S\"\nmonths(1:6)\n#&gt; [1] \"1m 0d 0H 0M 0S\" \"2m 0d 0H 0M 0S\" \"3m 0d 0H 0M 0S\" \"4m 0d 0H 0M 0S\"\n#&gt; [5] \"5m 0d 0H 0M 0S\" \"6m 0d 0H 0M 0S\"\n\nYou can add and multiply periods:\n\n10 * (months(6) + days(1))\n#&gt; [1] \"60m 10d 0H 0M 0S\"\ndays(50) + hours(25) + minutes(2)\n#&gt; [1] \"50d 25H 2M 0S\"\n\nAnd of course, add them to dates. Compared to durations, periods are more likely to do what you expect:\n\n# A leap year\nymd(\"2024-01-01\") + dyears(1)\n#&gt; [1] \"2024-12-31 06:00:00 UTC\"\nymd(\"2024-01-01\") + years(1)\n#&gt; [1] \"2025-01-01\"\n\n# Daylight saving time\none_am + ddays(1)\n#&gt; [1] \"2026-03-09 02:00:00 EDT\"\none_am + days(1)\n#&gt; [1] \"2026-03-09 01:00:00 EDT\"\n\nLet’s use periods to fix an oddity related to our flight dates. Some planes appear to have arrived at their destination before they departed from New York City.\n\nflights_dt |&gt; \n  filter(arr_time &lt; dep_time) \n#&gt; # A tibble: 10,633 × 9\n#&gt;   origin dest  dep_delay arr_delay dep_time            sched_dep_time     \n#&gt;   &lt;chr&gt;  &lt;chr&gt;     &lt;dbl&gt;     &lt;dbl&gt; &lt;dttm&gt;              &lt;dttm&gt;             \n#&gt; 1 EWR    BQN           9        -4 2013-01-01 19:29:00 2013-01-01 19:20:00\n#&gt; 2 JFK    DFW          59        NA 2013-01-01 19:39:00 2013-01-01 18:40:00\n#&gt; 3 EWR    TPA          -2         9 2013-01-01 20:58:00 2013-01-01 21:00:00\n#&gt; 4 EWR    SJU          -6       -12 2013-01-01 21:02:00 2013-01-01 21:08:00\n#&gt; 5 EWR    SFO          11       -14 2013-01-01 21:08:00 2013-01-01 20:57:00\n#&gt; 6 LGA    FLL         -10        -2 2013-01-01 21:20:00 2013-01-01 21:30:00\n#&gt; # ℹ 10,627 more rows\n#&gt; # ℹ 3 more variables: arr_time &lt;dttm&gt;, sched_arr_time &lt;dttm&gt;, …\n\nThese are overnight flights. We used the same date information for both the departure and the arrival times, but these flights arrived on the following day. We can fix this by adding days(1) to the arrival time of each overnight flight.\n\nflights_dt &lt;- flights_dt |&gt; \n  mutate(\n    overnight = arr_time &lt; dep_time,\n    arr_time = arr_time + days(overnight),\n    sched_arr_time = sched_arr_time + days(overnight)\n  )\n\nNow all of our flights obey the laws of physics.\n\nflights_dt |&gt; \n  filter(arr_time &lt; dep_time) \n#&gt; # A tibble: 0 × 10\n#&gt; # ℹ 10 variables: origin &lt;chr&gt;, dest &lt;chr&gt;, dep_delay &lt;dbl&gt;,\n#&gt; #   arr_delay &lt;dbl&gt;, dep_time &lt;dttm&gt;, sched_dep_time &lt;dttm&gt;, …\n\n\n17.4.3 Intervals\nWhat does dyears(1) / ddays(365) return? It’s not quite one, because dyears() is defined as the number of seconds per average year, which is 365.25 days.\nWhat does years(1) / days(1) return? Well, if the year was 2015 it should return 365, but if it was 2016, it should return 366! There’s not quite enough information for lubridate to give a single clear answer. What it does instead is give an estimate:\n\nyears(1) / days(1)\n#&gt; [1] 365.25\n\nIf you want a more accurate measurement, you’ll have to use an interval. An interval is a pair of starting and ending date times, or you can think of it as a duration with a starting point.\nYou can create an interval by writing start %--% end:\n\ny2023 &lt;- ymd(\"2023-01-01\") %--% ymd(\"2024-01-01\")\ny2024 &lt;- ymd(\"2024-01-01\") %--% ymd(\"2025-01-01\")\n\ny2023\n#&gt; [1] 2023-01-01 UTC--2024-01-01 UTC\ny2024\n#&gt; [1] 2024-01-01 UTC--2025-01-01 UTC\n\nYou could then divide it by days() to find out how many days fit in the year:\n\ny2023 / days(1)\n#&gt; [1] 365\ny2024 / days(1)\n#&gt; [1] 366\n\n\n17.4.4 Exercises\n\nExplain days(!overnight) and days(overnight) to someone who has just started learning R. What is the key fact you need to know?\nCreate a vector of dates giving the first day of every month in 2015. Create a vector of dates giving the first day of every month in the current year.\nWrite a function that given your birthday (as a date), returns how old you are in years.\nWhy can’t (today() %--% (today() + years(1))) / months(1) work?",
     "crumbs": [
       "✅ Transformar",
       "<span class='chapter-number'>17</span>  <span class='chapter-title'>Dates and times</span>"
@@ -1969,7 +1969,7 @@
     "href": "databases.html#sql",
     "title": "21  ✅ Bancos de dados",
     "section": "\n21.5 SQL",
-    "text": "21.5 SQL\nO resto do capítulo irá te ensinar um pouco de SQL pelas lentes do dbplyr. É uma introdução não tradicional ao SQL, mas esperamos que te leve rapidamente a um conhecimento básico. Felizmente, se você conhece dplyr você está em um bom lugar para rapidamente aprender SQL, pois muitos conceitos são iguais.\nNós iremos explorar o relacionamento entre dplyr e SQL usando alguns velhos amigos do pacote dados: voos e avioes. Estes conjuntos de dados são fáceis para usar no aprendizado sobre bancos de dados, e podemos copiá-las 4:\n\n# Copiando as tabelas para o banco de dados\ndbWriteTable(con, name = \"voos\", value = voos)\ndbWriteTable(con, name = \"avioes\", value = avioes)\n\n# Lendo as tabelas do banco de dados\nvoos &lt;- tbl(con, \"voos\")\navioes &lt;- tbl(con, \"avioes\")\n\n\n21.5.1 O básico do SQL\nOs componentes de nível mais alto do SQL são chamados declarações (statements). Declarações comuns incluem CREATE para definir novas tableas, INSERT para adicionar dados e SELECT para retornar dados. Iremos focar em declarações SELECT, também chamadas de consultas (queries), pois são quase que exclusivamente o que você precisa para atuar em ciência de dados.\nUm consulta é formada por cláusulas (clauses). Existem cinco cláusulas importantes: SELECT, FROM, WHERE, ORDER BY e GROUP BY. Toda consulta precisa ter cláusulas SELECT5 e FROM6 e a consulta mais simples é SELECT * FROM tabela, que seleciona todas colunas de determinada tabela . Isto é o que dbplyr gera de uma tabela sem mudanças :\n\nvoos |&gt; show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT *\n#&gt; FROM voos\navioes |&gt; show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT *\n#&gt; FROM avioes\n\nWHERE e ORDER BY controlam quais linhas serão incluídas e como estarão ordenadas:\n\nvoos |&gt; \n  filter(destino == \"IAH\") |&gt; \n  arrange(atraso_saida) |&gt;\n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT voos.*\n#&gt; FROM voos\n#&gt; WHERE (destino = 'IAH')\n#&gt; ORDER BY atraso_saida\n\nGROUP BY converte a consulta em uma sumarização, fazendo com que aconteça uma agregação:\n\nvoos |&gt; \n  group_by(destino) |&gt; \n  summarize(atraso_saida = mean(atraso_saida, na.rm = TRUE)) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT destino, AVG(atraso_saida) AS atraso_saida\n#&gt; FROM voos\n#&gt; GROUP BY destino\n\nExistem duas principais diferenças entre verbos dplyr e cláusulas SELECT:\n\nNo SQL, a maiúscula e minúscula não fazem diferença: você pode escrever select, SELECT ou até SeLeCt. Neste livro ficaremos com a convenção comum de escrever as palavras-chaves SQL usando letras maiúsculas para distinguir de nomes de tabelas ou variáveis.\nNo SQL, a ordem importa: você sempre deve escrever as declarações em ordem SELECT, FROM, WHERE, GROUP BY, ORDER BY. É um pouco confuso, pois esta ordem não é a mesma de como as declarações são realmente avaliadas com FROM em primeiro, depois WHERE, GROUP BY, SELECT e ORDER BY.\n\nAs seções seguintes exploram com mais detalhes cada cláusula.\n\n\n\n\n\n\nObserve que apesar do SQL ser um padrão, ele é extramamente complexo e nenhum banco de dados o segue exatamente. Enquanto os componentes principais que iremos focar neste livro são muito similares entre os SGBDs, há muitas pequenas variações. Felizmente, dbplyr é desenhado para gerenciar este problema e gerar diferentes traduções para diferentes bancos de dados. Não é perfeito, mas está melhorando continuamente e se você encontrar um problema, pode abrir um caso (issue) no GitHub para nos ajudar a melhorar.\n\n\n\n\n21.5.2 SELECT\nA cláusula SELECT é o motor das consultas e faz o mesmo trabalho que select(), mutate(), rename(), relocate() e, como você aprenderá na próxima seção, summarize().\nselect(), rename() e relocate() tem uma tradução muito direta para o SELECT já que apenas afetam onde uma coluna aparece (e se aparece) assim como seu nome:\n\navioes |&gt; \n  select(codigo_cauda, tipo, fabricante, modelo, ano) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT codigo_cauda, tipo, fabricante, modelo, ano\n#&gt; FROM avioes\n\navioes |&gt; \n  select(codigo_cauda, tipo, fabricante, modelo, ano) |&gt; \n  rename(ano_construcao = ano) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT codigo_cauda, tipo, fabricante, modelo, ano AS ano_construcao\n#&gt; FROM avioes\n\navioes |&gt; \n  select(codigo_cauda, tipo, fabricante, modelo, ano) |&gt; \n  relocate(fabricante, modelo, .before = tipo) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT codigo_cauda, fabricante, modelo, tipo, ano\n#&gt; FROM avioes\n\nEste exemplo também mostra como SQL renomeia. Na terminologia SQL, renomear é chamado de aliasing e é feito com AS. Note que diferente de mutate(), o nome antigo vai ao lado esquerdo e o novo nome ao lado direito.\n\n\n\n\n\n\nNos exemplos acima, se tivéssemos os nomes de \"ano\" e \"tipo\", elas apareceriam entre aspas duplas. Isto é devido a year e type serem palavras reservadas (reserved words) no duckdb, então dbplyr coloca aspas para evitar potencial confusão entre nome de colunas/tabelas e os operadores SQL.\nQuando estiver trabalhando com outros bancos de dados é provavel que você veja todas as variáveis com aspas, pois apenas alguns poucos pacotes clientes, como o duckdb, sabem quais são todas as palavras reservadas, então eles colocam aspas em todas para evitar problemas.\nSELECT \"codigo_cauda\", \"tipo\", \"fabricante\", \"modelo\", \"ano\"\nFROM \"avioes\"\nAlguns outros bancos de dados usam a crase ao invés de aspas duplas:\nSELECT `codigo_cauda`, `tipo`, `fabricante`, `modelo`, `ano`\nFROM `avioes`\n\n\n\nA tradução para mutate() é da mesma forma bastante direta: cada variável se torna uma nova expressão no SELECT:\n\nvoos |&gt; \n  mutate(\n    velocidade = distancia / (tempo_voo / 60)\n  ) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT voos.*, distancia / (tempo_voo / 60.0) AS velocidade\n#&gt; FROM voos\n\nRetornaremos para a tradução de componentes individuais (como /) na Seção 21.6.\n\n21.5.3 FROM\nA cláusula FROM define a fonte de dados. Será um pouco desinteressante por um período, pois estamos usando apenas uma única tabela. Você verá exemplos mais complexos quando chegarmos nas funções de união (join).\n\n21.5.4 GROUP BY\ngroup_by() é traduzido como a clásula GROUP BY7 e summarize() é traduzido como a cláusula SELECT:\n\ndiamantes_bd |&gt; \n  group_by(corte) |&gt; \n  summarize(\n    n = n(),\n    avg_price = mean(preco, na.rm = TRUE)\n  ) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT corte, COUNT(*) AS n, AVG(preco) AS avg_price\n#&gt; FROM diamante\n#&gt; GROUP BY corte\n\nRetornaremos em o que acontece com a tradução de n() e mean() na Seção 21.6.\n\n21.5.5 WHERE\nfilter() é traduzido como a cláusula WHERE:\n\nvoos |&gt; \n  filter(destino == \"IAH\" | destino == \"HOU\") |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT voos.*\n#&gt; FROM voos\n#&gt; WHERE (destino = 'IAH' OR destino = 'HOU')\n\nvoos |&gt; \n  filter(atraso_chegada &gt; 0 & atraso_chegada &lt; 20) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT voos.*\n#&gt; FROM voos\n#&gt; WHERE (atraso_chegada &gt; 0.0 AND atraso_chegada &lt; 20.0)\n\nExistem alguns detalhes importantes a serem observados aqui:\n\n\n| se torna OR e & se torna AND.\nSQL usa = para comparação, e não ==. SQL não possui atribuição (assignment), portanto não há potencial para confusão aqui.\nSQL usa somente '' para strings, não usa \"\". No SQL, \"\" é usado para identificar variáveis, como a `` do R.\n\nOutro operator SQL útil é o IN, o qual se parece muito com o %in%do R:\n\nvoos |&gt; \n  filter(destino %in% c(\"IAH\", \"HOU\")) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT voos.*\n#&gt; FROM voos\n#&gt; WHERE (destino IN ('IAH', 'HOU'))\n\nSQL usa NULL ao invés de NA. NULL se comporta de forma similar ao NA. A principal diferença é que enquanto são considerados nas comparações e aritmética, eles são silenciosamente ignorados quando sumarizados. dbplyr irá te lembrar disto a primeira vez que você encontrar:\n\nvoos |&gt; \n  group_by(destino) |&gt; \n  summarize(atraso = mean(atraso_chegada))\n#&gt; Warning: Missing values are always removed in SQL aggregation functions.\n#&gt; Use `na.rm = TRUE` to silence this warning\n#&gt; This warning is displayed once every 8 hours.\n#&gt; # Source:   SQL [?? x 2]\n#&gt; # Database: DuckDB v0.10.0 [root@Darwin 21.6.0:R 4.3.3/:memory:]\n#&gt;   destino atraso\n#&gt;   &lt;chr&gt;    &lt;dbl&gt;\n#&gt; 1 ATL      11.3 \n#&gt; 2 MCO       5.45\n#&gt; 3 MSY       6.49\n#&gt; 4 XNA       7.47\n#&gt; 5 BNA      11.8 \n#&gt; 6 ALB      14.4 \n#&gt; # ℹ more rows\n\nSe você quiser saber mais em como o NULL funciona, você irá gostar do artigo “Three valued logic” de Markus Winand.\nEm geral, você pode trabalhar com NULL usando as funções que você usaria para NA no R:\n\nvoos |&gt; \n  filter(!is.na(atraso_saida)) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT voos.*\n#&gt; FROM voos\n#&gt; WHERE (NOT((atraso_saida IS NULL)))\n\nEsta consulta SQL ilustra uma das desvatagens do dbplyr: apesar do SQL estar correto, ela não é tão simples quanto se estivesse sido escrita à mão. Neste caso, você poderia eliminar os parênteses e usar um operador especial que é mais simples de se ler:\nWHERE \"atraso_saida\" IS NOT NULL\nNote que se você usar filter() em uma variável que você criou usando um summarize, dbplyr irá gerar uma cláusula HAVING, ao invés de uma cláusula WHERE. Esta é uma das indiosincrasias do SQL: WHERE é avaliado antes do SELECT e GROUP BY, então o SQL precisa de uma outra cláusula que seja avaliada depois.\n\ndiamantes_bd |&gt; \n  group_by(corte) |&gt; \n  summarize(n = n()) |&gt; \n  filter(n &gt; 100) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT corte, COUNT(*) AS n\n#&gt; FROM diamante\n#&gt; GROUP BY corte\n#&gt; HAVING (COUNT(*) &gt; 100.0)\n\n\n21.5.6 ORDER BY\nOrdenar linhas involve uma tradução direta de arrange() para a cláusula ORDER BY:\n\nvoos |&gt; \n  arrange(ano, mes, dia, desc(atraso_saida)) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT voos.*\n#&gt; FROM voos\n#&gt; ORDER BY ano, mes, dia, atraso_saida DESC\n\nNote como desc() é traduzido para DESC: esta é uma das muitas funções dplyr cujo o nome foi diretamente inspirado pelo SQL.\n\n21.5.7 Subconsultas\nAlgumas vezes não é possível traduzir um pipeline dplyr em uma única declaração SELECT e você precisa usar uma subconsulta. Uma subconsulta é apenas uma consulta usada como uma fonte de dados na cláusula FROM ao invés de uma tabela normal.\nO dbplyr tipicamente usa subconsultas para solucionar paleativamente limitações do SQL. Por exemplo, expressões na cláusula SELECT não podem referenciar colunas que acabaram de ser criadas. Isto significa que o seguinte pipeline (muito simples) precisa acontecer em duas etapas: a primeira consulta (interna) computa ano1 e então a segunda consulta (externa) pode computar ano2.\n\nvoos |&gt; \n  mutate(\n    ano1 = ano + 1,\n    ano2 = ano1 + 1\n  ) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT q01.*, ano1 + 1.0 AS ano2\n#&gt; FROM (\n#&gt;   SELECT voos.*, ano + 1.0 AS ano1\n#&gt;   FROM voos\n#&gt; ) q01\n\nVocê também verá isso se tentar filtrar com filter() a variável que você criou recentemente. Lembre-se que, apesar de WHERE ser escrita depois de SELECT, ela é avaliada antes, por isso você precisa de uma subconsulta neste simples exemplo:\n\nvoos |&gt; \n  mutate(ano1 = ano + 1) |&gt; \n  filter(ano1 == 2014) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT q01.*\n#&gt; FROM (\n#&gt;   SELECT voos.*, ano + 1.0 AS ano1\n#&gt;   FROM voos\n#&gt; ) q01\n#&gt; WHERE (ano1 = 2014.0)\n\nAlgumas vezes, dbplyr irá criar uma subconsulta mesmo onde não é necessário, pois não sabe ainda como otimizar tal tradução. Conforme dbplyr melhora, estes casos vão ficando mais raros, mas provavelmente nunca desaparecerão por completo.\n\n21.5.8 Uniões (Joins)\nSe você está familiarizado com uniões (joins) com dplyr, as uniões do SQL são bem parecidas. Aqui está um exemplo simples:\n\nvoos |&gt; \n  left_join(avioes |&gt; rename(ano_construcao = ano), by = \"codigo_cauda\") |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT\n#&gt;   voos.*,\n#&gt;   avioes.ano AS ano_construcao,\n#&gt;   tipo,\n#&gt;   fabricante,\n#&gt;   modelo,\n#&gt;   motores,\n#&gt;   assentos,\n#&gt;   velocidade,\n#&gt;   tipo_motor\n#&gt; FROM voos\n#&gt; LEFT JOIN avioes\n#&gt;   ON (voos.codigo_cauda = avioes.codigo_cauda)\n\nA principal coisa a se notar aqui é a sintaxe: as uniões SQL usam sub-cláusulas da cláusula FROM para associar tabelas adicionais, usando ON para definir como as tabelas estão relacionadas.\nOs nomes das funções dplyr são tão parecidas com as do SQL que você pode facilmente adivinhar o SQL equivalente para inner_join(), right_join() e full_join():\nSELECT voos.*, \"tipo\", fabricante, modelo, motores, assentos, velocidade\nFROM voos\nINNER JOIN avioes ON (voos.codigo_cauda = avioes.codigo_cauda)\n\nSELECT voos.*, \"tipo\", fabricante, modelo, motores, assentos, velocidade\nFROM voos\nRIGHT JOIN avioes ON (voos.codigo_cauda = avioes.codigo_cauda)\n\nSELECT voos.*, \"tipo\", fabricante, modelo, motores, assentos, velocidade\nFROM voos\nFULL JOIN avioes ON (voos.codigo_cauda = avioes.codigo_cauda)\nÉ muito provavel que você precise de muitas uniões (joins) quando trabalhar com dados de um banco de dados. Isto porque tabelas são frequentemente armazenadas de uma forma altamente normalizada, onde cada “fato” é armazenado em um único local e para manter um conjunto de dados completo para análise, você precisa navegar por uma rede complexa de tabelas conectadas por chaves primárias (primary key) e chaves estrangeiras (foreign key). Se você encontrar este cenário, o pacote dm, de Tobias Schieferdecker, Kirill Müller e Darko Bergant é um salva-vidas. Ele pode automaticamente determinar as conexões entre as tabelas usando restrições (constraints) que as pessoas que adminstram bancos de dados (DBAs) geralmente fornecem, gera visualizações para que você entenda o que está acontecendo e gera as uniões (joins) que você precisa para conectar uma tabela à outra.\n\n21.5.9 Outros verbos\nO dbplyr também traduz outros verbos como distinct(), slice_*(), intersect(), e uma seleção crescente de funções do tidyr como pivot_longer() e pivot_wider(). O jeito mais fácil de ver a lista completa do que está disponível no momento é visitando o website dbplyr: https://dbplyr.tidyverse.org/reference/.\n\n21.5.10 Exercícios\n\nEm que se traduz a distinct()? E a head()?\n\nExplique o que cada um desses comandos SQL fazem e tente recriá-los usando dbplyr.\nSELECT * \nFROM voos\nWHERE atraso_saida &lt; atraso_chegada\n\nSELECT *, distancia / (tempo_voo / 60) AS velocidade\nFROM voos",
+    "text": "21.5 SQL\nO resto do capítulo irá te ensinar um pouco de SQL pelas lentes do dbplyr. É uma introdução não tradicional ao SQL, mas esperamos que te leve rapidamente a um conhecimento básico. Felizmente, se você conhece dplyr você está em um bom lugar para rapidamente aprender SQL, pois muitos conceitos são iguais.\nNós iremos explorar o relacionamento entre dplyr e SQL usando alguns velhos amigos do pacote dados: voos e avioes. Estes conjuntos de dados são fáceis para usar no aprendizado sobre bancos de dados, e podemos copiá-las 4:\n\n# Copiando as tabelas para o banco de dados\ndbWriteTable(con, name = \"voos\", value = voos)\ndbWriteTable(con, name = \"avioes\", value = avioes)\n\n# Lendo as tabelas do banco de dados\nvoos &lt;- tbl(con, \"voos\")\navioes &lt;- tbl(con, \"avioes\")\n\n\n21.5.1 O básico do SQL\nOs componentes de nível mais alto do SQL são chamados declarações (statements). Declarações comuns incluem CREATE para definir novas tableas, INSERT para adicionar dados e SELECT para retornar dados. Iremos focar em declarações SELECT, também chamadas de consultas (queries), pois são quase que exclusivamente o que você precisa para atuar em ciência de dados.\nUm consulta é formada por cláusulas (clauses). Existem cinco cláusulas importantes: SELECT, FROM, WHERE, ORDER BY e GROUP BY. Toda consulta precisa ter cláusulas SELECT5 e FROM6 e a consulta mais simples é SELECT * FROM tabela, que seleciona todas colunas de determinada tabela . Isto é o que dbplyr gera de uma tabela sem mudanças :\n\nvoos |&gt; show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT *\n#&gt; FROM voos\navioes |&gt; show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT *\n#&gt; FROM avioes\n\nWHERE e ORDER BY controlam quais linhas serão incluídas e como estarão ordenadas:\n\nvoos |&gt; \n  filter(destino == \"IAH\") |&gt; \n  arrange(atraso_saida) |&gt;\n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT voos.*\n#&gt; FROM voos\n#&gt; WHERE (destino = 'IAH')\n#&gt; ORDER BY atraso_saida\n\nGROUP BY converte a consulta em uma sumarização, fazendo com que aconteça uma agregação:\n\nvoos |&gt; \n  group_by(destino) |&gt; \n  summarize(atraso_saida = mean(atraso_saida, na.rm = TRUE)) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT destino, AVG(atraso_saida) AS atraso_saida\n#&gt; FROM voos\n#&gt; GROUP BY destino\n\nExistem duas principais diferenças entre verbos dplyr e cláusulas SELECT:\n\nNo SQL, a maiúscula e minúscula não fazem diferença: você pode escrever select, SELECT ou até SeLeCt. Neste livro ficaremos com a convenção comum de escrever as palavras-chaves SQL usando letras maiúsculas para distinguir de nomes de tabelas ou variáveis.\nNo SQL, a ordem importa: você sempre deve escrever as declarações em ordem SELECT, FROM, WHERE, GROUP BY, ORDER BY. É um pouco confuso, pois esta ordem não é a mesma de como as declarações são realmente avaliadas com FROM em primeiro, depois WHERE, GROUP BY, SELECT e ORDER BY.\n\nAs seções seguintes exploram com mais detalhes cada cláusula.\n\n\n\n\n\n\nObserve que apesar do SQL ser um padrão, ele é extramamente complexo e nenhum banco de dados o segue exatamente. Enquanto os componentes principais que iremos focar neste livro são muito similares entre os SGBDs, há muitas pequenas variações. Felizmente, dbplyr é desenhado para gerenciar este problema e gerar diferentes traduções para diferentes bancos de dados. Não é perfeito, mas está melhorando continuamente e se você encontrar um problema, pode abrir um caso (issue) no GitHub para nos ajudar a melhorar.\n\n\n\n\n21.5.2 SELECT\nA cláusula SELECT é o motor das consultas e faz o mesmo trabalho que select(), mutate(), rename(), relocate() e, como você aprenderá na próxima seção, summarize().\nselect(), rename() e relocate() tem uma tradução muito direta para o SELECT já que apenas afetam onde uma coluna aparece (e se aparece) assim como seu nome:\n\navioes |&gt; \n  select(codigo_cauda, tipo, fabricante, modelo, ano) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT codigo_cauda, tipo, fabricante, modelo, ano\n#&gt; FROM avioes\n\navioes |&gt; \n  select(codigo_cauda, tipo, fabricante, modelo, ano) |&gt; \n  rename(ano_construcao = ano) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT codigo_cauda, tipo, fabricante, modelo, ano AS ano_construcao\n#&gt; FROM avioes\n\navioes |&gt; \n  select(codigo_cauda, tipo, fabricante, modelo, ano) |&gt; \n  relocate(fabricante, modelo, .before = tipo) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT codigo_cauda, fabricante, modelo, tipo, ano\n#&gt; FROM avioes\n\nEste exemplo também mostra como SQL renomeia. Na terminologia SQL, renomear é chamado de aliasing e é feito com AS. Note que diferente de mutate(), o nome antigo vai ao lado esquerdo e o novo nome ao lado direito.\n\n\n\n\n\n\nNos exemplos acima, se tivéssemos os nomes de \"ano\" e \"tipo\", elas apareceriam entre aspas duplas. Isto é devido a year e type serem palavras reservadas (reserved words) no duckdb, então dbplyr coloca aspas para evitar potencial confusão entre nome de colunas/tabelas e os operadores SQL.\nQuando estiver trabalhando com outros bancos de dados é provavel que você veja todas as variáveis com aspas, pois apenas alguns poucos pacotes clientes, como o duckdb, sabem quais são todas as palavras reservadas, então eles colocam aspas em todas para evitar problemas.\nSELECT \"codigo_cauda\", \"tipo\", \"fabricante\", \"modelo\", \"ano\"\nFROM \"avioes\"\nAlguns outros bancos de dados usam a crase ao invés de aspas duplas:\nSELECT `codigo_cauda`, `tipo`, `fabricante`, `modelo`, `ano`\nFROM `avioes`\n\n\n\nA tradução para mutate() é da mesma forma bastante direta: cada variável se torna uma nova expressão no SELECT:\n\nvoos |&gt; \n  mutate(\n    velocidade = distancia / (tempo_voo / 60)\n  ) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT voos.*, distancia / (tempo_voo / 60.0) AS velocidade\n#&gt; FROM voos\n\nRetornaremos para a tradução de componentes individuais (como /) na Seção 21.6.\n\n21.5.3 FROM\nA cláusula FROM define a fonte de dados. Será um pouco desinteressante por um período, pois estamos usando apenas uma única tabela. Você verá exemplos mais complexos quando chegarmos nas funções de união (join).\n\n21.5.4 GROUP BY\ngroup_by() é traduzido como a clásula GROUP BY7 e summarize() é traduzido como a cláusula SELECT:\n\ndiamantes_bd |&gt; \n  group_by(corte) |&gt; \n  summarize(\n    n = n(),\n    avg_price = mean(preco, na.rm = TRUE)\n  ) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT corte, COUNT(*) AS n, AVG(preco) AS avg_price\n#&gt; FROM diamante\n#&gt; GROUP BY corte\n\nRetornaremos em o que acontece com a tradução de n() e mean() na Seção 21.6.\n\n21.5.5 WHERE\nfilter() é traduzido como a cláusula WHERE:\n\nvoos |&gt; \n  filter(destino == \"IAH\" | destino == \"HOU\") |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT voos.*\n#&gt; FROM voos\n#&gt; WHERE (destino = 'IAH' OR destino = 'HOU')\n\nvoos |&gt; \n  filter(atraso_chegada &gt; 0 & atraso_chegada &lt; 20) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT voos.*\n#&gt; FROM voos\n#&gt; WHERE (atraso_chegada &gt; 0.0 AND atraso_chegada &lt; 20.0)\n\nExistem alguns detalhes importantes a serem observados aqui:\n\n\n| se torna OR e & se torna AND.\nSQL usa = para comparação, e não ==. SQL não possui atribuição (assignment), portanto não há potencial para confusão aqui.\nSQL usa somente '' para strings, não usa \"\". No SQL, \"\" é usado para identificar variáveis, como a `` do R.\n\nOutro operator SQL útil é o IN, o qual se parece muito com o %in%do R:\n\nvoos |&gt; \n  filter(destino %in% c(\"IAH\", \"HOU\")) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT voos.*\n#&gt; FROM voos\n#&gt; WHERE (destino IN ('IAH', 'HOU'))\n\nSQL usa NULL ao invés de NA. NULL se comporta de forma similar ao NA. A principal diferença é que enquanto são considerados nas comparações e aritmética, eles são silenciosamente ignorados quando sumarizados. dbplyr irá te lembrar disto a primeira vez que você encontrar:\n\nvoos |&gt; \n  group_by(destino) |&gt; \n  summarize(atraso = mean(atraso_chegada))\n#&gt; Warning: Missing values are always removed in SQL aggregation functions.\n#&gt; Use `na.rm = TRUE` to silence this warning\n#&gt; This warning is displayed once every 8 hours.\n#&gt; # Source:   SQL [?? x 2]\n#&gt; # Database: DuckDB v0.10.0 [root@Darwin 21.6.0:R 4.3.3/:memory:]\n#&gt;   destino atraso\n#&gt;   &lt;chr&gt;    &lt;dbl&gt;\n#&gt; 1 CLT      7.36 \n#&gt; 2 MDW     12.4  \n#&gt; 3 HOU      7.18 \n#&gt; 4 SDF     12.7  \n#&gt; 5 LAS      0.258\n#&gt; 6 PHX      2.10 \n#&gt; # ℹ more rows\n\nSe você quiser saber mais em como o NULL funciona, você irá gostar do artigo “Three valued logic” de Markus Winand.\nEm geral, você pode trabalhar com NULL usando as funções que você usaria para NA no R:\n\nvoos |&gt; \n  filter(!is.na(atraso_saida)) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT voos.*\n#&gt; FROM voos\n#&gt; WHERE (NOT((atraso_saida IS NULL)))\n\nEsta consulta SQL ilustra uma das desvatagens do dbplyr: apesar do SQL estar correto, ela não é tão simples quanto se estivesse sido escrita à mão. Neste caso, você poderia eliminar os parênteses e usar um operador especial que é mais simples de se ler:\nWHERE \"atraso_saida\" IS NOT NULL\nNote que se você usar filter() em uma variável que você criou usando um summarize, dbplyr irá gerar uma cláusula HAVING, ao invés de uma cláusula WHERE. Esta é uma das indiosincrasias do SQL: WHERE é avaliado antes do SELECT e GROUP BY, então o SQL precisa de uma outra cláusula que seja avaliada depois.\n\ndiamantes_bd |&gt; \n  group_by(corte) |&gt; \n  summarize(n = n()) |&gt; \n  filter(n &gt; 100) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT corte, COUNT(*) AS n\n#&gt; FROM diamante\n#&gt; GROUP BY corte\n#&gt; HAVING (COUNT(*) &gt; 100.0)\n\n\n21.5.6 ORDER BY\nOrdenar linhas involve uma tradução direta de arrange() para a cláusula ORDER BY:\n\nvoos |&gt; \n  arrange(ano, mes, dia, desc(atraso_saida)) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT voos.*\n#&gt; FROM voos\n#&gt; ORDER BY ano, mes, dia, atraso_saida DESC\n\nNote como desc() é traduzido para DESC: esta é uma das muitas funções dplyr cujo o nome foi diretamente inspirado pelo SQL.\n\n21.5.7 Subconsultas\nAlgumas vezes não é possível traduzir um pipeline dplyr em uma única declaração SELECT e você precisa usar uma subconsulta. Uma subconsulta é apenas uma consulta usada como uma fonte de dados na cláusula FROM ao invés de uma tabela normal.\nO dbplyr tipicamente usa subconsultas para solucionar paleativamente limitações do SQL. Por exemplo, expressões na cláusula SELECT não podem referenciar colunas que acabaram de ser criadas. Isto significa que o seguinte pipeline (muito simples) precisa acontecer em duas etapas: a primeira consulta (interna) computa ano1 e então a segunda consulta (externa) pode computar ano2.\n\nvoos |&gt; \n  mutate(\n    ano1 = ano + 1,\n    ano2 = ano1 + 1\n  ) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT q01.*, ano1 + 1.0 AS ano2\n#&gt; FROM (\n#&gt;   SELECT voos.*, ano + 1.0 AS ano1\n#&gt;   FROM voos\n#&gt; ) q01\n\nVocê também verá isso se tentar filtrar com filter() a variável que você criou recentemente. Lembre-se que, apesar de WHERE ser escrita depois de SELECT, ela é avaliada antes, por isso você precisa de uma subconsulta neste simples exemplo:\n\nvoos |&gt; \n  mutate(ano1 = ano + 1) |&gt; \n  filter(ano1 == 2014) |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT q01.*\n#&gt; FROM (\n#&gt;   SELECT voos.*, ano + 1.0 AS ano1\n#&gt;   FROM voos\n#&gt; ) q01\n#&gt; WHERE (ano1 = 2014.0)\n\nAlgumas vezes, dbplyr irá criar uma subconsulta mesmo onde não é necessário, pois não sabe ainda como otimizar tal tradução. Conforme dbplyr melhora, estes casos vão ficando mais raros, mas provavelmente nunca desaparecerão por completo.\n\n21.5.8 Uniões (Joins)\nSe você está familiarizado com uniões (joins) com dplyr, as uniões do SQL são bem parecidas. Aqui está um exemplo simples:\n\nvoos |&gt; \n  left_join(avioes |&gt; rename(ano_construcao = ano), by = \"codigo_cauda\") |&gt; \n  show_query()\n#&gt; &lt;SQL&gt;\n#&gt; SELECT\n#&gt;   voos.*,\n#&gt;   avioes.ano AS ano_construcao,\n#&gt;   tipo,\n#&gt;   fabricante,\n#&gt;   modelo,\n#&gt;   motores,\n#&gt;   assentos,\n#&gt;   velocidade,\n#&gt;   tipo_motor\n#&gt; FROM voos\n#&gt; LEFT JOIN avioes\n#&gt;   ON (voos.codigo_cauda = avioes.codigo_cauda)\n\nA principal coisa a se notar aqui é a sintaxe: as uniões SQL usam sub-cláusulas da cláusula FROM para associar tabelas adicionais, usando ON para definir como as tabelas estão relacionadas.\nOs nomes das funções dplyr são tão parecidas com as do SQL que você pode facilmente adivinhar o SQL equivalente para inner_join(), right_join() e full_join():\nSELECT voos.*, \"tipo\", fabricante, modelo, motores, assentos, velocidade\nFROM voos\nINNER JOIN avioes ON (voos.codigo_cauda = avioes.codigo_cauda)\n\nSELECT voos.*, \"tipo\", fabricante, modelo, motores, assentos, velocidade\nFROM voos\nRIGHT JOIN avioes ON (voos.codigo_cauda = avioes.codigo_cauda)\n\nSELECT voos.*, \"tipo\", fabricante, modelo, motores, assentos, velocidade\nFROM voos\nFULL JOIN avioes ON (voos.codigo_cauda = avioes.codigo_cauda)\nÉ muito provavel que você precise de muitas uniões (joins) quando trabalhar com dados de um banco de dados. Isto porque tabelas são frequentemente armazenadas de uma forma altamente normalizada, onde cada “fato” é armazenado em um único local e para manter um conjunto de dados completo para análise, você precisa navegar por uma rede complexa de tabelas conectadas por chaves primárias (primary key) e chaves estrangeiras (foreign key). Se você encontrar este cenário, o pacote dm, de Tobias Schieferdecker, Kirill Müller e Darko Bergant é um salva-vidas. Ele pode automaticamente determinar as conexões entre as tabelas usando restrições (constraints) que as pessoas que adminstram bancos de dados (DBAs) geralmente fornecem, gera visualizações para que você entenda o que está acontecendo e gera as uniões (joins) que você precisa para conectar uma tabela à outra.\n\n21.5.9 Outros verbos\nO dbplyr também traduz outros verbos como distinct(), slice_*(), intersect(), e uma seleção crescente de funções do tidyr como pivot_longer() e pivot_wider(). O jeito mais fácil de ver a lista completa do que está disponível no momento é visitando o website dbplyr: https://dbplyr.tidyverse.org/reference/.\n\n21.5.10 Exercícios\n\nEm que se traduz a distinct()? E a head()?\n\nExplique o que cada um desses comandos SQL fazem e tente recriá-los usando dbplyr.\nSELECT * \nFROM voos\nWHERE atraso_saida &lt; atraso_chegada\n\nSELECT *, distancia / (tempo_voo / 60) AS velocidade\nFROM voos",
     "crumbs": [
       "✅ Importar",
       "<span class='chapter-number'>21</span>  <span class='chapter-title'>✅ Bancos de dados</span>"
@@ -2419,7 +2419,7 @@
     "href": "iteration.html#saving-multiple-outputs",
     "title": "26  Iteration",
     "section": "\n26.4 Saving multiple outputs",
-    "text": "26.4 Saving multiple outputs\nIn the last section, you learned about map(), which is useful for reading multiple files into a single object. In this section, we’ll now explore sort of the opposite problem: how can you take one or more R objects and save it to one or more files? We’ll explore this challenge using three examples:\n\nSaving multiple data frames into one database.\nSaving multiple data frames into multiple .csv files.\nSaving multiple plots to multiple .png files.\n\n\n26.4.1 Writing to a database\nSometimes when working with many files at once, it’s not possible to fit all your data into memory at once, and you can’t do map(files, read_csv). One approach to deal with this problem is to load your data into a database so you can access just the bits you need with dbplyr.\nIf you’re lucky, the database package you’re using will provide a handy function that takes a vector of paths and loads them all into the database. This is the case with duckdb’s duckdb_read_csv():\n\ncon &lt;- DBI::dbConnect(duckdb::duckdb())\nduckdb::duckdb_read_csv(con, \"gapminder\", paths)\n\nThis would work well here, but we don’t have csv files, instead we have excel spreadsheets. So we’re going to have to do it “by hand”. Learning to do it by hand will also help you when you have a bunch of csvs and the database that you’re working with doesn’t have one function that will load them all in.\nWe need to start by creating a table that will fill in with data. The easiest way to do this is by creating a template, a dummy data frame that contains all the columns we want, but only a sampling of the data. For the gapminder data, we can make that template by reading a single file and adding the year to it:\n\ntemplate &lt;- readxl::read_excel(paths[[1]])\ntemplate$year &lt;- 1952\ntemplate\n#&gt; # A tibble: 142 × 6\n#&gt;   country     continent lifeExp      pop gdpPercap  year\n#&gt;   &lt;chr&gt;       &lt;chr&gt;       &lt;dbl&gt;    &lt;dbl&gt;     &lt;dbl&gt; &lt;dbl&gt;\n#&gt; 1 Afghanistan Asia         28.8  8425333      779.  1952\n#&gt; 2 Albania     Europe       55.2  1282697     1601.  1952\n#&gt; 3 Algeria     Africa       43.1  9279525     2449.  1952\n#&gt; 4 Angola      Africa       30.0  4232095     3521.  1952\n#&gt; 5 Argentina   Americas     62.5 17876956     5911.  1952\n#&gt; 6 Australia   Oceania      69.1  8691212    10040.  1952\n#&gt; # ℹ 136 more rows\n\nNow we can connect to the database, and use DBI::dbCreateTable() to turn our template into a database table:\n\ncon &lt;- DBI::dbConnect(duckdb::duckdb())\nDBI::dbCreateTable(con, \"gapminder\", template)\n\ndbCreateTable() doesn’t use the data in template, just the variable names and types. So if we inspect the gapminder table now you’ll see that it’s empty but it has the variables we need with the types we expect:\n\ncon |&gt; tbl(\"gapminder\")\n#&gt; # Source:   table&lt;gapminder&gt; [0 x 6]\n#&gt; # Database: DuckDB v0.10.0 [root@Darwin 21.6.0:R 4.3.3/:memory:]\n#&gt; # ℹ 6 variables: country &lt;chr&gt;, continent &lt;chr&gt;, lifeExp &lt;dbl&gt;, pop &lt;dbl&gt;,\n#&gt; #   gdpPercap &lt;dbl&gt;, year &lt;dbl&gt;\n\nNext, we need a function that takes a single file path, reads it into R, and adds the result to the gapminder table. We can do that by combining read_excel() with DBI::dbAppendTable():\n\nappend_file &lt;- function(path) {\n  df &lt;- readxl::read_excel(path)\n  df$year &lt;- parse_number(basename(path))\n  \n  DBI::dbAppendTable(con, \"gapminder\", df)\n}\n\nNow we need to call append_file() once for each element of paths. That’s certainly possible with map():\n\npaths |&gt; map(append_file)\n\nBut we don’t care about the output of append_file(), so instead of map() it’s slightly nicer to use walk(). walk() does exactly the same thing as map() but throws the output away:\n\npaths |&gt; walk(append_file)\n\nNow we can see if we have all the data in our table:\n\ncon |&gt; \n  tbl(\"gapminder\") |&gt; \n  count(year)\n#&gt; # Source:   SQL [?? x 2]\n#&gt; # Database: DuckDB v0.10.0 [root@Darwin 21.6.0:R 4.3.3/:memory:]\n#&gt;    year     n\n#&gt;   &lt;dbl&gt; &lt;dbl&gt;\n#&gt; 1  1967   142\n#&gt; 2  1977   142\n#&gt; 3  1987   142\n#&gt; 4  1962   142\n#&gt; 5  1982   142\n#&gt; 6  1952   142\n#&gt; # ℹ more rows\n\n\n26.4.2 Writing csv files\nThe same basic principle applies if we want to write multiple csv files, one for each group. Let’s imagine that we want to take the ggplot2::diamonds data and save one csv file for each clarity. First we need to make those individual datasets. There are many ways you could do that, but there’s one way we particularly like: group_nest().\n\nby_clarity &lt;- diamonds |&gt; \n  group_nest(clarity)\n\nby_clarity\n#&gt; # A tibble: 8 × 2\n#&gt;   clarity               data\n#&gt;   &lt;ord&gt;   &lt;list&lt;tibble[,9]&gt;&gt;\n#&gt; 1 I1               [741 × 9]\n#&gt; 2 SI2            [9,194 × 9]\n#&gt; 3 SI1           [13,065 × 9]\n#&gt; 4 VS2           [12,258 × 9]\n#&gt; 5 VS1            [8,171 × 9]\n#&gt; 6 VVS2           [5,066 × 9]\n#&gt; # ℹ 2 more rows\n\nThis gives us a new tibble with eight rows and two columns. clarity is our grouping variable and data is a list-column containing one tibble for each unique value of clarity:\n\nby_clarity$data[[1]]\n#&gt; # A tibble: 741 × 9\n#&gt;   carat cut       color depth table price     x     y     z\n#&gt;   &lt;dbl&gt; &lt;ord&gt;     &lt;ord&gt; &lt;dbl&gt; &lt;dbl&gt; &lt;int&gt; &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt;\n#&gt; 1  0.32 Premium   E      60.9    58   345  4.38  4.42  2.68\n#&gt; 2  1.17 Very Good J      60.2    61  2774  6.83  6.9   4.13\n#&gt; 3  1.01 Premium   F      61.8    60  2781  6.39  6.36  3.94\n#&gt; 4  1.01 Fair      E      64.5    58  2788  6.29  6.21  4.03\n#&gt; 5  0.96 Ideal     F      60.7    55  2801  6.37  6.41  3.88\n#&gt; 6  1.04 Premium   G      62.2    58  2801  6.46  6.41  4   \n#&gt; # ℹ 735 more rows\n\nWhile we’re here, let’s create a column that gives the name of output file, using mutate() and str_glue():\n\nby_clarity &lt;- by_clarity |&gt; \n  mutate(path = str_glue(\"diamonds-{clarity}.csv\"))\n\nby_clarity\n#&gt; # A tibble: 8 × 3\n#&gt;   clarity               data path             \n#&gt;   &lt;ord&gt;   &lt;list&lt;tibble[,9]&gt;&gt; &lt;glue&gt;           \n#&gt; 1 I1               [741 × 9] diamonds-I1.csv  \n#&gt; 2 SI2            [9,194 × 9] diamonds-SI2.csv \n#&gt; 3 SI1           [13,065 × 9] diamonds-SI1.csv \n#&gt; 4 VS2           [12,258 × 9] diamonds-VS2.csv \n#&gt; 5 VS1            [8,171 × 9] diamonds-VS1.csv \n#&gt; 6 VVS2           [5,066 × 9] diamonds-VVS2.csv\n#&gt; # ℹ 2 more rows\n\nSo if we were going to save these data frames by hand, we might write something like:\n\nwrite_csv(by_clarity$data[[1]], by_clarity$path[[1]])\nwrite_csv(by_clarity$data[[2]], by_clarity$path[[2]])\nwrite_csv(by_clarity$data[[3]], by_clarity$path[[3]])\n...\nwrite_csv(by_clarity$by_clarity[[8]], by_clarity$path[[8]])\n\nThis is a little different to our previous uses of map() because there are two arguments that are changing, not just one. That means we need a new function: map2(), which varies both the first and second arguments. And because we again don’t care about the output, we want walk2() rather than map2(). That gives us:\n\nwalk2(by_clarity$data, by_clarity$path, write_csv)\n\n\n26.4.3 Saving plots\nWe can take the same basic approach to create many plots. Let’s first make a function that draws the plot we want:\n\ncarat_histogram &lt;- function(df) {\n  ggplot(df, aes(x = carat)) + geom_histogram(binwidth = 0.1)  \n}\n\ncarat_histogram(by_clarity$data[[1]])\n\n\n\n\n\n\n\nNow we can use map() to create a list of many plots7 and their eventual file paths:\n\nby_clarity &lt;- by_clarity |&gt; \n  mutate(\n    plot = map(data, carat_histogram),\n    path = str_glue(\"clarity-{clarity}.png\")\n  )\n\nThen use walk2() with ggsave() to save each plot:\n\nwalk2(\n  by_clarity$path,\n  by_clarity$plot,\n  \\(path, plot) ggsave(path, plot, width = 6, height = 6)\n)\n\nThis is shorthand for:\n\nggsave(by_clarity$path[[1]], by_clarity$plot[[1]], width = 6, height = 6)\nggsave(by_clarity$path[[2]], by_clarity$plot[[2]], width = 6, height = 6)\nggsave(by_clarity$path[[3]], by_clarity$plot[[3]], width = 6, height = 6)\n...\nggsave(by_clarity$path[[8]], by_clarity$plot[[8]], width = 6, height = 6)",
+    "text": "26.4 Saving multiple outputs\nIn the last section, you learned about map(), which is useful for reading multiple files into a single object. In this section, we’ll now explore sort of the opposite problem: how can you take one or more R objects and save it to one or more files? We’ll explore this challenge using three examples:\n\nSaving multiple data frames into one database.\nSaving multiple data frames into multiple .csv files.\nSaving multiple plots to multiple .png files.\n\n\n26.4.1 Writing to a database\nSometimes when working with many files at once, it’s not possible to fit all your data into memory at once, and you can’t do map(files, read_csv). One approach to deal with this problem is to load your data into a database so you can access just the bits you need with dbplyr.\nIf you’re lucky, the database package you’re using will provide a handy function that takes a vector of paths and loads them all into the database. This is the case with duckdb’s duckdb_read_csv():\n\ncon &lt;- DBI::dbConnect(duckdb::duckdb())\nduckdb::duckdb_read_csv(con, \"gapminder\", paths)\n\nThis would work well here, but we don’t have csv files, instead we have excel spreadsheets. So we’re going to have to do it “by hand”. Learning to do it by hand will also help you when you have a bunch of csvs and the database that you’re working with doesn’t have one function that will load them all in.\nWe need to start by creating a table that will fill in with data. The easiest way to do this is by creating a template, a dummy data frame that contains all the columns we want, but only a sampling of the data. For the gapminder data, we can make that template by reading a single file and adding the year to it:\n\ntemplate &lt;- readxl::read_excel(paths[[1]])\ntemplate$year &lt;- 1952\ntemplate\n#&gt; # A tibble: 142 × 6\n#&gt;   country     continent lifeExp      pop gdpPercap  year\n#&gt;   &lt;chr&gt;       &lt;chr&gt;       &lt;dbl&gt;    &lt;dbl&gt;     &lt;dbl&gt; &lt;dbl&gt;\n#&gt; 1 Afghanistan Asia         28.8  8425333      779.  1952\n#&gt; 2 Albania     Europe       55.2  1282697     1601.  1952\n#&gt; 3 Algeria     Africa       43.1  9279525     2449.  1952\n#&gt; 4 Angola      Africa       30.0  4232095     3521.  1952\n#&gt; 5 Argentina   Americas     62.5 17876956     5911.  1952\n#&gt; 6 Australia   Oceania      69.1  8691212    10040.  1952\n#&gt; # ℹ 136 more rows\n\nNow we can connect to the database, and use DBI::dbCreateTable() to turn our template into a database table:\n\ncon &lt;- DBI::dbConnect(duckdb::duckdb())\nDBI::dbCreateTable(con, \"gapminder\", template)\n\ndbCreateTable() doesn’t use the data in template, just the variable names and types. So if we inspect the gapminder table now you’ll see that it’s empty but it has the variables we need with the types we expect:\n\ncon |&gt; tbl(\"gapminder\")\n#&gt; # Source:   table&lt;gapminder&gt; [0 x 6]\n#&gt; # Database: DuckDB v0.10.0 [root@Darwin 21.6.0:R 4.3.3/:memory:]\n#&gt; # ℹ 6 variables: country &lt;chr&gt;, continent &lt;chr&gt;, lifeExp &lt;dbl&gt;, pop &lt;dbl&gt;,\n#&gt; #   gdpPercap &lt;dbl&gt;, year &lt;dbl&gt;\n\nNext, we need a function that takes a single file path, reads it into R, and adds the result to the gapminder table. We can do that by combining read_excel() with DBI::dbAppendTable():\n\nappend_file &lt;- function(path) {\n  df &lt;- readxl::read_excel(path)\n  df$year &lt;- parse_number(basename(path))\n  \n  DBI::dbAppendTable(con, \"gapminder\", df)\n}\n\nNow we need to call append_file() once for each element of paths. That’s certainly possible with map():\n\npaths |&gt; map(append_file)\n\nBut we don’t care about the output of append_file(), so instead of map() it’s slightly nicer to use walk(). walk() does exactly the same thing as map() but throws the output away:\n\npaths |&gt; walk(append_file)\n\nNow we can see if we have all the data in our table:\n\ncon |&gt; \n  tbl(\"gapminder\") |&gt; \n  count(year)\n#&gt; # Source:   SQL [?? x 2]\n#&gt; # Database: DuckDB v0.10.0 [root@Darwin 21.6.0:R 4.3.3/:memory:]\n#&gt;    year     n\n#&gt;   &lt;dbl&gt; &lt;dbl&gt;\n#&gt; 1  1967   142\n#&gt; 2  1952   142\n#&gt; 3  1957   142\n#&gt; 4  1972   142\n#&gt; 5  1992   142\n#&gt; 6  1997   142\n#&gt; # ℹ more rows\n\n\n26.4.2 Writing csv files\nThe same basic principle applies if we want to write multiple csv files, one for each group. Let’s imagine that we want to take the ggplot2::diamonds data and save one csv file for each clarity. First we need to make those individual datasets. There are many ways you could do that, but there’s one way we particularly like: group_nest().\n\nby_clarity &lt;- diamonds |&gt; \n  group_nest(clarity)\n\nby_clarity\n#&gt; # A tibble: 8 × 2\n#&gt;   clarity               data\n#&gt;   &lt;ord&gt;   &lt;list&lt;tibble[,9]&gt;&gt;\n#&gt; 1 I1               [741 × 9]\n#&gt; 2 SI2            [9,194 × 9]\n#&gt; 3 SI1           [13,065 × 9]\n#&gt; 4 VS2           [12,258 × 9]\n#&gt; 5 VS1            [8,171 × 9]\n#&gt; 6 VVS2           [5,066 × 9]\n#&gt; # ℹ 2 more rows\n\nThis gives us a new tibble with eight rows and two columns. clarity is our grouping variable and data is a list-column containing one tibble for each unique value of clarity:\n\nby_clarity$data[[1]]\n#&gt; # A tibble: 741 × 9\n#&gt;   carat cut       color depth table price     x     y     z\n#&gt;   &lt;dbl&gt; &lt;ord&gt;     &lt;ord&gt; &lt;dbl&gt; &lt;dbl&gt; &lt;int&gt; &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt;\n#&gt; 1  0.32 Premium   E      60.9    58   345  4.38  4.42  2.68\n#&gt; 2  1.17 Very Good J      60.2    61  2774  6.83  6.9   4.13\n#&gt; 3  1.01 Premium   F      61.8    60  2781  6.39  6.36  3.94\n#&gt; 4  1.01 Fair      E      64.5    58  2788  6.29  6.21  4.03\n#&gt; 5  0.96 Ideal     F      60.7    55  2801  6.37  6.41  3.88\n#&gt; 6  1.04 Premium   G      62.2    58  2801  6.46  6.41  4   \n#&gt; # ℹ 735 more rows\n\nWhile we’re here, let’s create a column that gives the name of output file, using mutate() and str_glue():\n\nby_clarity &lt;- by_clarity |&gt; \n  mutate(path = str_glue(\"diamonds-{clarity}.csv\"))\n\nby_clarity\n#&gt; # A tibble: 8 × 3\n#&gt;   clarity               data path             \n#&gt;   &lt;ord&gt;   &lt;list&lt;tibble[,9]&gt;&gt; &lt;glue&gt;           \n#&gt; 1 I1               [741 × 9] diamonds-I1.csv  \n#&gt; 2 SI2            [9,194 × 9] diamonds-SI2.csv \n#&gt; 3 SI1           [13,065 × 9] diamonds-SI1.csv \n#&gt; 4 VS2           [12,258 × 9] diamonds-VS2.csv \n#&gt; 5 VS1            [8,171 × 9] diamonds-VS1.csv \n#&gt; 6 VVS2           [5,066 × 9] diamonds-VVS2.csv\n#&gt; # ℹ 2 more rows\n\nSo if we were going to save these data frames by hand, we might write something like:\n\nwrite_csv(by_clarity$data[[1]], by_clarity$path[[1]])\nwrite_csv(by_clarity$data[[2]], by_clarity$path[[2]])\nwrite_csv(by_clarity$data[[3]], by_clarity$path[[3]])\n...\nwrite_csv(by_clarity$by_clarity[[8]], by_clarity$path[[8]])\n\nThis is a little different to our previous uses of map() because there are two arguments that are changing, not just one. That means we need a new function: map2(), which varies both the first and second arguments. And because we again don’t care about the output, we want walk2() rather than map2(). That gives us:\n\nwalk2(by_clarity$data, by_clarity$path, write_csv)\n\n\n26.4.3 Saving plots\nWe can take the same basic approach to create many plots. Let’s first make a function that draws the plot we want:\n\ncarat_histogram &lt;- function(df) {\n  ggplot(df, aes(x = carat)) + geom_histogram(binwidth = 0.1)  \n}\n\ncarat_histogram(by_clarity$data[[1]])\n\n\n\n\n\n\n\nNow we can use map() to create a list of many plots7 and their eventual file paths:\n\nby_clarity &lt;- by_clarity |&gt; \n  mutate(\n    plot = map(data, carat_histogram),\n    path = str_glue(\"clarity-{clarity}.png\")\n  )\n\nThen use walk2() with ggsave() to save each plot:\n\nwalk2(\n  by_clarity$path,\n  by_clarity$plot,\n  \\(path, plot) ggsave(path, plot, width = 6, height = 6)\n)\n\nThis is shorthand for:\n\nggsave(by_clarity$path[[1]], by_clarity$plot[[1]], width = 6, height = 6)\nggsave(by_clarity$path[[2]], by_clarity$plot[[2]], width = 6, height = 6)\nggsave(by_clarity$path[[3]], by_clarity$plot[[3]], width = 6, height = 6)\n...\nggsave(by_clarity$path[[8]], by_clarity$plot[[8]], width = 6, height = 6)",
     "crumbs": [
       "✅ Programar",
       "<span class='chapter-number'>26</span>  <span class='chapter-title'>Iteration</span>"
diff --git a/sitemap.xml b/sitemap.xml
index 1044c8e8d..f2243149e 100644
--- a/sitemap.xml
+++ b/sitemap.xml
@@ -42,7 +42,7 @@
   </url>
   <url>
     <loc>https://cienciadedatos.github.io/pt-r4ds/data-import.html</loc>
-    <lastmod>2024-02-10T03:54:48.076Z</lastmod>
+    <lastmod>2024-06-21T17:54:47.273Z</lastmod>
   </url>
   <url>
     <loc>https://cienciadedatos.github.io/pt-r4ds/workflow-help.html</loc>
diff --git a/spreadsheets.html b/spreadsheets.html
index bda3b7713..6b392755f 100644
--- a/spreadsheets.html
+++ b/spreadsheets.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/strings.html b/strings.html
index 816335e49..55439283f 100644
--- a/strings.html
+++ b/strings.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/transform.html b/transform.html
index bc4a79eca..49afb90a4 100644
--- a/transform.html
+++ b/transform.html
@@ -168,7 +168,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/visualize.html b/visualize.html
index f2f1249bd..09b97b349 100644
--- a/visualize.html
+++ b/visualize.html
@@ -168,7 +168,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/webscraping.html b/webscraping.html
index 77cdd0dde..607837129 100644
--- a/webscraping.html
+++ b/webscraping.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/whole-game.html b/whole-game.html
index 266fbad42..0e0eaeeb1 100644
--- a/whole-game.html
+++ b/whole-game.html
@@ -168,7 +168,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
@@ -401,7 +401,7 @@ <h1 class="title"><span id="sec-whole-game-intro" class="quarto-section-identifi
 <li><p>A visualização é um ótimo ponto de partida para a programação em R, porque os resultados são claros: você pode criar gráficos elegantes e informativos que te ajudam a entender os dados. No <a href="data-visualize.html" class="quarto-xref"><span>1&nbsp; ✅ Visualização de dados</span></a>, você mergulhará na visualização, aprendendo a estrutura básica de um gráfico ggplot2 e técnicas poderosas para transformar dados em gráficos.</p></li>
 <li><p>Geralmente, apenas a visualização não é suficiente. Portanto, no <a href="data-transform.html" class="quarto-xref"><span>3&nbsp; ✅ Transformação de dados</span></a>, você aprenderá os principais verbos que permitem selecionar variáveis importantes, filtrar observações essenciais, criar novas variáveis e fazer sumarizações.</p></li>
 <li><p>No <a href="data-tidy.html" class="quarto-xref"><span>5&nbsp; ✅ Organizando os dados (data tidying)</span></a>, você aprenderá sobre dados organizados (<em>tidy data</em>), uma maneira consistente de armazenar seus dados que facilita a transformação, visualização e modelagem. Você aprenderá os princípios de <em>tidy data</em> e como deixar seus dados neste formato.</p></li>
-<li><p>Antes de poder transformar e visualizar seus dados, você precisa primeiro importá-los para o R. No <a href="data-import.html" class="quarto-xref"><span>7&nbsp; Data import</span></a>, você aprenderá o básico de como importar arquivos <code>.csv</code> para o R.</p></li>
+<li><p>Antes de poder transformar e visualizar seus dados, você precisa primeiro importá-los para o R. No <a href="data-import.html" class="quarto-xref"><span>7&nbsp; ✅ Importação de dados</span></a>, você aprenderá o básico de como importar arquivos <code>.csv</code> para o R.</p></li>
 </ul>
 <p>Entre esses capítulos, há outros quatro capítulos que se concentram no fluxo de trabalho no R. Em <a href="workflow-basics.html" class="quarto-xref"><span>2&nbsp; ✅ Fluxo de Trabalho: básico</span></a>, <a href="workflow-style.html" class="quarto-xref"><span>4&nbsp; ✅ Fluxo de trabalho: estilo de código</span></a> e <a href="workflow-scripts.html" class="quarto-xref"><span>6&nbsp; ✅ Fluxo de trabalho: scripts e projetos</span></a>, você aprenderá boas práticas de fluxo de trabalho para escrever e organizar seu código R. Isso te preparará para o sucesso a longo prazo, pois fornecerá as ferramentas necessárias para manter a organização ao enfrentar projetos reais. Por fim, no <a href="workflow-help.html" class="quarto-xref"><span>8&nbsp; ✅ Fluxo de trabalho: obtendo ajuda</span></a>, você aprenderá como obter ajuda e continuar aprendendo.</p>
 
diff --git a/workflow-basics.html b/workflow-basics.html
index 2be738ef2..c2b70bac0 100644
--- a/workflow-basics.html
+++ b/workflow-basics.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
diff --git a/workflow-help.html b/workflow-help.html
index 5c74d0c3d..87cbbee33 100644
--- a/workflow-help.html
+++ b/workflow-help.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
@@ -884,8 +884,8 @@ <h1 class="title"><span id="sec-workflow-getting-help" class="quarto-section-ide
   }
 });
 </script><nav class="page-navigation"><div class="nav-page nav-page-previous">
-      <a href="./data-import.html" class="pagination-link  aria-label=" import="">
-        <i class="bi bi-arrow-left-short"></i> <span class="nav-page-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span>
+      <a href="./data-import.html" class="pagination-link  aria-label=" importa="" de="" dados="">
+        <i class="bi bi-arrow-left-short"></i> <span class="nav-page-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span>
       </a>          
   </div>
   <div class="nav-page nav-page-next">
diff --git a/workflow-scripts.html b/workflow-scripts.html
index 3d82883b4..b1c4c39c9 100644
--- a/workflow-scripts.html
+++ b/workflow-scripts.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">
@@ -1052,8 +1052,8 @@ <h1 class="title"><span id="sec-workflow-scripts-projects" class="quarto-section
       </a>          
   </div>
   <div class="nav-page nav-page-next">
-      <a href="./data-import.html" class="pagination-link" aria-label="<span class='chapter-number'>7</span>&nbsp; <span class='chapter-title'>Data import</span>">
-        <span class="nav-page-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span> <i class="bi bi-arrow-right-short"></i>
+      <a href="./data-import.html" class="pagination-link" aria-label="<span class='chapter-number'>7</span>&nbsp; <span class='chapter-title'>✅ Importação de dados</span>">
+        <span class="nav-page-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span> <i class="bi bi-arrow-right-short"></i>
       </a>
   </div>
 </nav>
diff --git a/workflow-style.html b/workflow-style.html
index 2129e0878..5f840a28c 100644
--- a/workflow-style.html
+++ b/workflow-style.html
@@ -202,7 +202,7 @@
           <li class="sidebar-item">
   <div class="sidebar-item-container"> 
   <a href="./data-import.html" class="sidebar-item-text sidebar-link">
- <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">Data import</span></span></a>
+ <span class="menu-text"><span class="chapter-number">7</span>&nbsp; <span class="chapter-title">✅ Importação de dados</span></span></a>
   </div>
 </li>
           <li class="sidebar-item">