dplyr

Author

Gabriel Orso

Pacotes

Esse material foca principalmente no uso do pacote dplyr, porém será carregado o pacote tidyverse, que contém diversos outros pacotes inclusos, entre eles o dplyre o ggplot2.

#install.packages("tidyverse")

library(tidyverse)

Carregando Dados

O banco de dados utilizado é um exemplo de parcelas de inventário florestal, onde foram obtidas, entre outras variáveis, o nome científico da espécie, o CAP, altura comercial e altura total.

dados <- read.csv2("data/dados_dplyr.csv", h = T)

str(dados)
'data.frame':   762 obs. of  13 variables:
 $ par    : int  3 3 3 3 3 3 3 3 3 3 ...
 $ ind    : int  1 2 3 4 5 6 7 8 8 9 ...
 $ fam    : chr  "Euphorbiaceae" "Meliaceae" "Lauraceae" "Elaeocarpaceae" ...
 $ cient  : chr  "Alchornea triplinervia" "Guarea macrophylla" "Ocotea dispersa" "Sloanea guianensis" ...
 $ autor  : chr  "(Spreng.) M�ll.Arg." "Vahl" "(Nees & Mart.) Mez" "(Aubl.) Benth." ...
 $ verna  : chr  "Tanheiro" "Caf�-bravo" "Canela-sab�o" "Urucurana" ...
 $ cap    : num  82 18 20 57 70 17 44 33 31 17 ...
 $ ht     : num  17 5.5 6 10 12 8 12 10 10 6 ...
 $ hc     : num  6 3 4 7 7 3 7 6 6 3 ...
 $ qf     : int  2 1 2 3 3 3 3 2 2 3 ...
 $ qc     : int  1 1 1 2 2 3 2 1 1 3 ...
 $ estrato: chr  "dossel" "sub" "sub" "inter" ...
 $ obs    : chr  "" "" "" "" ...

Introdução

O pacote dplyr é um conjunto de ferramentas para manipulação de bancos de dados, e fornece alternativas rápidas e intuitivas para resolver as principais demandas de análise, manipulação e resumo dos dados.

Motivação

Tomando-se como exemplo um inventário florestal, deseja-se obter a partir dos dados brutos, um resumo do número de indivíduos, diâmetro médio e área basal por parcela.

Usando o pacote base

# Calcular DAP e área transversal
dados$dap <- dados$cap/pi
dados$g <- (dados$dap**2*pi)/40000

# Calcular número de indivíduos
n.ind <- table(dados$par)

# Calcular o DAP médio e a área basal da parcela
dap.m <- tapply(X = dados$dap, INDEX = dados$par, FUN = mean, na.rm=T)
G <- tapply(X = dados$g, INDEX = dados$par, FUN = sum, na.rm=T)

resumo.base <- data.frame(n.ind, dap.m, G)


resumo.base
   Var1 Freq    dap.m         G
3     3   47 13.33515 1.2696864
6     6   36 16.49022 1.2675975
7     7   49 11.68002 0.7185567
8     8   53 12.02371 0.7833129
9     9   49 13.69707 0.8875057
10   10   39 14.23008 0.9500854
11   11   62 12.64512 0.9436257
12   12   37 13.39052 0.7791371
13   13   22 21.13867 1.0729828
14   14   38 17.55730 1.3661065
15   15   42 14.77867 1.1987550
16   16   30 16.43010 0.8968162
17   17   42 15.10456 1.1259496
18   18   37 14.69387 0.8780618
19   19   46 16.23034 1.4723444
20   20   29 19.07664 1.7538238
21   21   50 12.45228 1.1429553
22   22   54 14.33279 1.5268907

Usando o pacote dplyr

dados %>% 
  mutate(dap = cap/pi, g = (dap^2*pi)/40000) %>% 
  group_by(par) %>% 
  summarise(n.ind = n(), dap.m = mean(dap, na.rm=T), G = sum(g, na.rm=T))
# A tibble: 18 × 4
     par n.ind dap.m     G
   <int> <int> <dbl> <dbl>
 1     3    47  13.3 1.27 
 2     6    36  16.5 1.27 
 3     7    49  11.7 0.719
 4     8    53  12.0 0.783
 5     9    49  13.7 0.888
 6    10    39  14.2 0.950
 7    11    62  12.6 0.944
 8    12    37  13.4 0.779
 9    13    22  21.1 1.07 
10    14    38  17.6 1.37 
11    15    42  14.8 1.20 
12    16    30  16.4 0.897
13    17    42  15.1 1.13 
14    18    37  14.7 0.878
15    19    46  16.2 1.47 
16    20    29  19.1 1.75 
17    21    50  12.5 1.14 
18    22    54  14.3 1.53 

Colocando mais uma vez o código utilizado, agora mais desmembrado e explicado, é possível perceber que todos os comandos estão conectados por um operador %>%, chamado pipe. Esse operador é similar ao operador “+” utilizado para conectar os comandos do ggplot2, e sua principal vantagem é que diversas operações podem ser realizadas sem a necessidade de criar e armazenar novos objetos, tornando o script mais rápido e fluido.

resumo.dplyr <- dados %>% 
  
  mutate(dap = cap/pi,              # mutate cria novas colunas no data frame
         g = (dap^2*pi)/40000) %>%
  
  group_by(par) %>%    # group_by agrupa os dados com base na variável informada
  
  summarise(n.ind = n(),                 # summarise resume as informações
            dap.m = mean(dap, na.rm=T),
            G = sum(g, na.rm=T))


resumo.dplyr

No exemplo acima, mutate() cria novas colunas no data frame; group_by() agrupa os dados com base na coluna desejada, e summarise() resume os grupos com base na função informada (n(), mean() e sum()).

Pipes %>%

Os pipes %>% são operadores muito utilizados no pacote dplyr. Eles permitem encadear sequências de comandos, de forma similar ao operador “+” no pacote ggplot2.

De forma resumida, o operador pega tudo que está à esquerda, e joga como primeiro argumento na função que está à sua direita.

#Selecionar as primeiras 10 linhas do data frame
df <- dados[1:10, ]

#Selecionar apenas as colunas "cient", "cap" e "ht"
select(df, cient, cap, ht)
                     cient cap   ht
1   Alchornea triplinervia  82 17.0
2       Guarea macrophylla  18  5.5
3          Ocotea dispersa  20  6.0
4       Sloanea guianensis  57 10.0
5              Ilex dumosa  70 12.0
6           Myrcia reitzii  17  8.0
7  Calophyllum brasiliense  44 12.0
8       Sloanea guianensis  33 10.0
9       Sloanea guianensis  31 10.0
10         Myrcia racemosa  17  6.0
#Selecionar apenas as colunas "cient", "cap" e "ht"
df %>% select(cient, cap, ht)
                     cient cap   ht
1   Alchornea triplinervia  82 17.0
2       Guarea macrophylla  18  5.5
3          Ocotea dispersa  20  6.0
4       Sloanea guianensis  57 10.0
5              Ilex dumosa  70 12.0
6           Myrcia reitzii  17  8.0
7  Calophyllum brasiliense  44 12.0
8       Sloanea guianensis  33 10.0
9       Sloanea guianensis  31 10.0
10         Myrcia racemosa  17  6.0

Essa lógica se mantém para o uso de mais comandos em sequência, lembrando que o operador pega tudo que está à esquerda e insere como primeiro argumento no comando à direita.

df %>% select(cient, cap, ht) %>% mutate(dap = cap/pi)
                     cient cap   ht       dap
1   Alchornea triplinervia  82 17.0 26.101411
2       Guarea macrophylla  18  5.5  5.729578
3          Ocotea dispersa  20  6.0  6.366198
4       Sloanea guianensis  57 10.0 18.143664
5              Ilex dumosa  70 12.0 22.281692
6           Myrcia reitzii  17  8.0  5.411268
7  Calophyllum brasiliense  44 12.0 14.005635
8       Sloanea guianensis  33 10.0 10.504226
9       Sloanea guianensis  31 10.0  9.867606
10         Myrcia racemosa  17  6.0  5.411268
df %>% select(cient, ht) %>% mutate(dap = cap/pi)
Error in `mutate()`:
ℹ In argument: `dap = cap/pi`.
Caused by error:
! objeto 'cap' não encontrado

Esse último exemplo resultou em um erro pois a variável “cap” não foi selecionada, e como consequência não há como calcular a nova variável “dap”. O segundo operador %>% recebe um data frame contendo apenas as variáveis “cient” e “ht”, e insere esse data frame no início do comando mutate(). O erro surge por não existir a variável “dap” no data frame fornecido.

Pipes

Funções

filter()

A função filter() é utilizada para filtrar linhas que satisfaçam uma determinada condição.

dados <- as_tibble(dados)

dados %>% filter(par == 6)
# A tibble: 36 × 15
     par   ind fam       cient autor verna   cap    ht    hc    qf    qc estrato
   <int> <int> <chr>     <chr> <chr> <chr> <dbl> <dbl> <dbl> <int> <int> <chr>  
 1     6     1 Euphorbi… Alch… (Spr… Tanh…    63    11   6       1     2 dossel 
 2     6     2 Bignonia… Jaca… Cham. Caro…    28     5   3       2     1 sub    
 3     6     3 Primulac… Myrs… (Sw.… Capo…    27     9   5       1     1 dossel 
 4     6     4 Euphorbi… Alch… (Spr… Tanh…    21     7   5       1     2 inter  
 5     6     5 Melastom… Pler… DC.   Jaca…    21     7   4.5     1     1 inter  
 6     6     6 Lauraceae Ocot… Mez   Cane…    70    12   1       3     1 dossel 
 7     6     6 Lauraceae Ocot… Mez   Cane…    67    12   1       3     1 dossel 
 8     6     7 Meliaceae Guar… Vahl  Caf�…    18     6   2       3     1 sub    
 9     6     8 Calophyl… Calo… Camb… Guan…   212    17   8       1     1 dossel 
10     6     9 Myrtaceae Myrc… Kiae… Camb…    25     6   2       2     2 dub    
# ℹ 26 more rows
# ℹ 3 more variables: obs <chr>, dap <dbl>, g <dbl>
dados %>% filter(cap >= 140)
# A tibble: 23 × 15
     par   ind fam       cient autor verna   cap    ht    hc    qf    qc estrato
   <int> <int> <chr>     <chr> <chr> <chr> <dbl> <dbl> <dbl> <int> <int> <chr>  
 1     3    21 "Calophy… Calo… "Cam… "Gua…   199    25    10     1     1 "emerg"
 2     3    29 "Calophy… Calo… "Cam… "Gua…   200    24     8     1     1 "emerg"
 3     6     8 "Calophy… Calo… "Cam… "Gua…   212    17     8     1     1 "dosse…
 4     6    13 "Calophy… Calo… "Cam… "Gua…   141    17    12     1     1 "dosse…
 5    10    22 "Laurace… Nect… "Nee… "Can…   148    17    10     2     3 "dosse…
 6    10    25 ""        Morta ""    ""      142    NA    NA    NA    NA ""     
 7    12    11 "Sapinda… Mata… "Rad… "Mat…   163    16     2     2     1 "dosse…
 8    13    22 "Calophy… Calo… "Cam… "Gua…   229    17    10     1     1 "emerg"
 9    14     4 "Euphorb… Alch… "(Sp… "Tan…   165    19     7     2     1 "emerg"
10    14    19 "Euphorb… Alch… "(Sp… "Tan…   141    20     7     2     1 "emerg"
# ℹ 13 more rows
# ℹ 3 more variables: obs <chr>, dap <dbl>, g <dbl>
dados %>% filter(cap >= 140 & par == 10)
# A tibble: 2 × 15
    par   ind fam        cient autor verna   cap    ht    hc    qf    qc estrato
  <int> <int> <chr>      <chr> <chr> <chr> <dbl> <dbl> <dbl> <int> <int> <chr>  
1    10    22 "Lauracea… Nect… "Nee… "Can…   148    17    10     2     3 "dosse…
2    10    25 ""         Morta ""    ""      142    NA    NA    NA    NA ""     
# ℹ 3 more variables: obs <chr>, dap <dbl>, g <dbl>
# Separar as condições com vírgula é equivalente 


df <- dados %>% filter(cap >= 140)

Filter

Filtro OU ‘|’ - União de condições

O operador ‘|’ representa união entre condições, i.e., mantém as linhas que satisfaçam PELO MENOS uma das condições.

print(df)
# A tibble: 23 × 15
     par   ind fam       cient autor verna   cap    ht    hc    qf    qc estrato
   <int> <int> <chr>     <chr> <chr> <chr> <dbl> <dbl> <dbl> <int> <int> <chr>  
 1     3    21 "Calophy… Calo… "Cam… "Gua…   199    25    10     1     1 "emerg"
 2     3    29 "Calophy… Calo… "Cam… "Gua…   200    24     8     1     1 "emerg"
 3     6     8 "Calophy… Calo… "Cam… "Gua…   212    17     8     1     1 "dosse…
 4     6    13 "Calophy… Calo… "Cam… "Gua…   141    17    12     1     1 "dosse…
 5    10    22 "Laurace… Nect… "Nee… "Can…   148    17    10     2     3 "dosse…
 6    10    25 ""        Morta ""    ""      142    NA    NA    NA    NA ""     
 7    12    11 "Sapinda… Mata… "Rad… "Mat…   163    16     2     2     1 "dosse…
 8    13    22 "Calophy… Calo… "Cam… "Gua…   229    17    10     1     1 "emerg"
 9    14     4 "Euphorb… Alch… "(Sp… "Tan…   165    19     7     2     1 "emerg"
10    14    19 "Euphorb… Alch… "(Sp… "Tan…   141    20     7     2     1 "emerg"
# ℹ 13 more rows
# ℹ 3 more variables: obs <chr>, dap <dbl>, g <dbl>
df %>% filter(cap >= 200 | cient == 'Matayba intermedia')
# A tibble: 8 × 15
    par   ind fam        cient autor verna   cap    ht    hc    qf    qc estrato
  <int> <int> <chr>      <chr> <chr> <chr> <dbl> <dbl> <dbl> <int> <int> <chr>  
1     3    29 Calophyll… Calo… "Cam… "Gua…   200    24     8     1     1 emerg  
2     6     8 Calophyll… Calo… "Cam… "Gua…   212    17     8     1     1 dossel 
3    12    11 Sapindace… Mata… "Rad… "Mat…   163    16     2     2     1 dossel 
4    13    22 Calophyll… Calo… "Cam… "Gua…   229    17    10     1     1 emerg  
5    16     5 Sapindace… Mata… "Rad… "Mat…   150    15     8     2     1 emerg  
6    20     8 Sapotaceae Mani… "(Ma… "Ma�…   338    30    20     1     1 e      
7    21     9 Fabaceae   Pter… "Vah… "Pau…   230    25     6     2     1 dossel 
8    22    17 Indet.     Inde… ""    ""      228    23    10     2     1 dossel 
# ℹ 3 more variables: obs <chr>, dap <dbl>, g <dbl>

Filter Ou

Filtro E ‘&’ - Interseção de condições

O operador ‘&’ representa interseção de condições, i.e., mantém as linhas que satisfaçam TODAS as condições.

df %>% filter(dap > 50 & ht >= 20)
# A tibble: 6 × 15
    par   ind fam        cient autor verna   cap    ht    hc    qf    qc estrato
  <int> <int> <chr>      <chr> <chr> <chr> <dbl> <dbl> <dbl> <int> <int> <chr>  
1     3    21 Calophyll… Calo… "Cam… "Gua…   199    25    10     1     1 emerg  
2     3    29 Calophyll… Calo… "Cam… "Gua…   200    24     8     1     1 emerg  
3    20     8 Sapotaceae Mani… "(Ma… "Ma�…   338    30    20     1     1 e      
4    20    25 Fabaceae   Pter… "Vah… "Pau…   163    26    10     1     1 dossel 
5    21     9 Fabaceae   Pter… "Vah… "Pau…   230    25     6     2     1 dossel 
6    22    17 Indet.     Inde… ""    ""      228    23    10     2     1 dossel 
# ℹ 3 more variables: obs <chr>, dap <dbl>, g <dbl>
# Separar as condições por vírgula é análogo à interseção de condições
df %>% filter(dap > 50, ht >= 20)
# A tibble: 6 × 15
    par   ind fam        cient autor verna   cap    ht    hc    qf    qc estrato
  <int> <int> <chr>      <chr> <chr> <chr> <dbl> <dbl> <dbl> <int> <int> <chr>  
1     3    21 Calophyll… Calo… "Cam… "Gua…   199    25    10     1     1 emerg  
2     3    29 Calophyll… Calo… "Cam… "Gua…   200    24     8     1     1 emerg  
3    20     8 Sapotaceae Mani… "(Ma… "Ma�…   338    30    20     1     1 e      
4    20    25 Fabaceae   Pter… "Vah… "Pau…   163    26    10     1     1 dossel 
5    21     9 Fabaceae   Pter… "Vah… "Pau…   230    25     6     2     1 dossel 
6    22    17 Indet.     Inde… ""    ""      228    23    10     2     1 dossel 
# ℹ 3 more variables: obs <chr>, dap <dbl>, g <dbl>

Filter E

select()

A função select() é utilizada para selecionar ou remover colunas.

# Seleciona apenas as colunas 'cap' e 'ht'. Note que não é preciso escrever os nomes das colunas entre aspas.
dados %>% select(cap, ht)
# A tibble: 762 × 2
     cap    ht
   <dbl> <dbl>
 1    82  17  
 2    18   5.5
 3    20   6  
 4    57  10  
 5    70  12  
 6    17   8  
 7    44  12  
 8    33  10  
 9    31  10  
10    17   6  
# ℹ 752 more rows

Select

Para remover uma coluan do data frame, usa-se o sinal de menos ‘-’ para remover a coluna desejada.

dados %>% select(-par)
# A tibble: 762 × 14
     ind fam       cient autor verna   cap    ht    hc    qf    qc estrato obs  
   <int> <chr>     <chr> <chr> <chr> <dbl> <dbl> <dbl> <int> <int> <chr>   <chr>
 1     1 Euphorbi… Alch… (Spr… Tanh…    82  17       6     2     1 dossel  ""   
 2     2 Meliaceae Guar… Vahl  Caf�…    18   5.5     3     1     1 sub     ""   
 3     3 Lauraceae Ocot… (Nee… Cane…    20   6       4     2     1 sub     ""   
 4     4 Elaeocar… Sloa… (Aub… Uruc…    57  10       7     3     2 inter   ""   
 5     5 Aquifoli… Ilex… Reis… Ca�na    70  12       7     3     2 dossel  ""   
 6     6 Myrtaceae Myrc… (D.L… Camb…    17   8       3     3     3 sub     ""   
 7     7 Calophyl… Calo… Camb… Guan…    44  12       7     3     2 inter   ""   
 8     8 Elaeocar… Sloa… (Aub… Uruc…    33  10       6     2     1 inter   "bif"
 9     8 Elaeocar… Sloa… (Aub… Uruc…    31  10       6     2     1 inter   "bif"
10     9 Myrtaceae Myrc… (O.B… Guam…    17   6       3     3     3 sub     "bif"
# ℹ 752 more rows
# ℹ 2 more variables: dap <dbl>, g <dbl>
# Para remover mais de uma variável (coluna), basta concatenar as variáveis desejadas em um vetor.
dados %>% select(-c(par, fam, cient, autor, verna))
# A tibble: 762 × 10
     ind   cap    ht    hc    qf    qc estrato obs     dap       g
   <int> <dbl> <dbl> <dbl> <int> <int> <chr>   <chr> <dbl>   <dbl>
 1     1    82  17       6     2     1 dossel  ""    26.1  0.0535 
 2     2    18   5.5     3     1     1 sub     ""     5.73 0.00258
 3     3    20   6       4     2     1 sub     ""     6.37 0.00318
 4     4    57  10       7     3     2 inter   ""    18.1  0.0259 
 5     5    70  12       7     3     2 dossel  ""    22.3  0.0390 
 6     6    17   8       3     3     3 sub     ""     5.41 0.00230
 7     7    44  12       7     3     2 inter   ""    14.0  0.0154 
 8     8    33  10       6     2     1 inter   "bif" 10.5  0.00867
 9     8    31  10       6     2     1 inter   "bif"  9.87 0.00765
10     9    17   6       3     3     3 sub     "bif"  5.41 0.00230
# ℹ 752 more rows

Select Inverso

mutate()

A função mutate() permite criar e adicionar novas variáveis (colunas) no dataframe, utilizando tanto variáveis externas quanto do próprio dataframe.

# Carregando novamente os dados para criar variáveis
dados <- read_csv2('data/dados_dplyr.csv')
ℹ Using "','" as decimal and "'.'" as grouping mark. Use `read_delim()` for more control.
Rows: 762 Columns: 13
── Column specification ────────────────────────────────────────────────────────
Delimiter: ";"
chr (6): fam, cient, autor, verna, estrato, obs
dbl (7): par, ind, cap, ht, hc, qf, qc

ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
# Criando as variáveis dap e g
dados <- dados %>% mutate(dap = cap/pi,
                          g = dap^2*pi/40000)

head(dados %>% select(dap, g))
# A tibble: 6 × 2
    dap       g
  <dbl>   <dbl>
1 26.1  0.0535 
2  5.73 0.00258
3  6.37 0.00318
4 18.1  0.0259 
5 22.3  0.0390 
6  5.41 0.00230

Note que, para esse caso, a variável g fez uso da variável dap recém criada. Esse recurso chamado “on the fly” é oportuno para criar de forma encadeada diversas variáveis de maneira simples e direta Além disso, também fica implícito que há uma ordem de criação das variáveis dentro da função mutate().

Mutate

group_by()

A função group_by() agrupa o data frame com base em uma variável especificada. A função não faz alterações explícitas no dataframe, apenas marca internamente os grupos para que alguma outra função seja realizada sobre esses grupos marcados.

# Data frame antes da operação group_by()
head(tibble(dados))
# A tibble: 6 × 15
    par   ind fam        cient autor verna   cap    ht    hc    qf    qc estrato
  <dbl> <dbl> <chr>      <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>  
1     3     1 Euphorbia… Alch… (Spr… Tanh…    82  17       6     2     1 dossel 
2     3     2 Meliaceae  Guar… Vahl  Caf�…    18   5.5     3     1     1 sub    
3     3     3 Lauraceae  Ocot… (Nee… Cane…    20   6       4     2     1 sub    
4     3     4 Elaeocarp… Sloa… (Aub… Uruc…    57  10       7     3     2 inter  
5     3     5 Aquifolia… Ilex… Reis… Ca�na    70  12       7     3     2 dossel 
6     3     6 Myrtaceae  Myrc… (D.L… Camb…    17   8       3     3     3 sub    
# ℹ 3 more variables: obs <chr>, dap <dbl>, g <dbl>
# Data frame após a operação group_by()
head(dados %>% group_by(par))
# A tibble: 6 × 15
# Groups:   par [1]
    par   ind fam        cient autor verna   cap    ht    hc    qf    qc estrato
  <dbl> <dbl> <chr>      <chr> <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <chr>  
1     3     1 Euphorbia… Alch… (Spr… Tanh…    82  17       6     2     1 dossel 
2     3     2 Meliaceae  Guar… Vahl  Caf�…    18   5.5     3     1     1 sub    
3     3     3 Lauraceae  Ocot… (Nee… Cane…    20   6       4     2     1 sub    
4     3     4 Elaeocarp… Sloa… (Aub… Uruc…    57  10       7     3     2 inter  
5     3     5 Aquifolia… Ilex… Reis… Ca�na    70  12       7     3     2 dossel 
6     3     6 Myrtaceae  Myrc… (D.L… Camb…    17   8       3     3     3 sub    
# ℹ 3 more variables: obs <chr>, dap <dbl>, g <dbl>
# A função não modifica nenhuma observação ou variável do data frame

Mutate

summarise()

summarise() resume cada grupo em uma menor quantidade de linhas por meio de uma função desejada, por exemplo a função média ou soma. A função aplicada deve ser capaz de receber um vetor e retornar o resultado de alguma operação aplicada sobre esse vetor. Caso o data frame não tenha grupos (sem utilização da função group_by()), o resultado será uma única linha resumindo a informação de todas as observações. summarize() e summarise() são sinônimos.

# Sem a criação de grupos, a função mean() retornará a média de todas as observações
dados %>% summarise(media_dap = mean(dap))
# A tibble: 1 × 1
  media_dap
      <dbl>
1      14.5
# Com a definição de grupo por família botânica, a função retornará a operação por grupo. Neste caso por família botânica.
dados %>% group_by(fam) %>% summarise(media_ht = mean(ht))
# A tibble: 41 × 2
   fam            media_ht
   <chr>             <dbl>
 1 Anacardiaceae     13.4 
 2 Annonaceae         9.8 
 3 Aquifoliaceae     10.2 
 4 Araliaceae        11.5 
 5 Arecaceae          5.51
 6 Bignoniaceae       5   
 7 Boraginaceae       8.2 
 8 Burseraceae       14.2 
 9 Calophyllaceae    16.1 
10 Celastraceae       9.75
# ℹ 31 more rows

Summarise

pivot_longer()

pivot_longer()

pivot_longer

<tidy-select>

tidy-select