R: Vetores em R

Última atualização: 2026-08-26

Na aula anterior, aprendemos sobre os seis tipos de dados no R. Nesta aula, começaremos a explorar a estrutura de dados principal do R — os vetores. No Python, digitar 1, 2, 3 retorna três números separados; para colocá-los em uma lista, é preciso digitar [1, 2, 3]. Mas o R é diferente — no R, 1, 2, 3 já é um vetor.

Os vetores no R são a base de toda a linguagem: números, cadeias de caracteres e valores booleanos são todos vetores. Nesta lição, vamos nos aprofundar no tema dos vetores, já que eles aparecerão no código de todas as lições seguintes.

1. O que você vai aprender

• O que é um vetor no R e por que ele é fundamental para o R?
• 4 maneiras de criar vetores (c() / : / seq() / rep())
• 5 maneiras de acessar elementos vetoriais (números inteiros positivos/negativos, valores booleanos, nomes)
• Aritmética vetorial (escalar + vetor, vetor + vetor)
• 9 funções agregadas comuns (soma, média, desvio padrão, etc.)
• Operações comuns de classificação, remoção de duplicatas e pesquisa

2. Uma história sobre a gestão das notas dos alunos

(1) Contexto da missão

Ivan é o professor responsável pela turma e, no final do semestre, precisa somar as notas dos 30 alunos da sua turma. Ele precisa fazer o seguinte:

• Calcular a nota média, a nota máxima e a taxa de aprovação
• Identificar os alunos que obtiveram nota 90 ou mais
• Classifique as notas da maior para a menor
• Atribuir uma nota a cada pontuação (Excelente/Bom/Aprovado/Reprovado)

Se ele usasse o Excel, teria que copiar e colar repetidamente + usar tabelas dinâmicas. Se usasse Python, teria que escrever listas, loops e compreensões de lista. Mas com o R—

(2) Solução usando R

# One-Line Code Generation 30 Student Grades (From 50 to 100 Random)
set.seed(42)
scores <- sample(50:100, 30, replace = TRUE)

# All statistics in a single line of code
mean(scores)                                    # Average Score
max(scores)                                     # Highest Score
sum(scores >= 60) / length(scores)              # Pass Rate
scores[scores >= 90]                            # 90 Points or more
sort(scores, decreasing = TRUE)                  # Sort in descending order

10 linhas de código para resolver 5 tarefas. Essa é a beleza dos vetores do R — processar uma coluna de dados com o mínimo de código.

3. O que é um vetor?

Um vetor é a estrutura de dados mais básica no R; trata-se de uma coleção ordenada de elementos do mesmo tipo.

(1) A natureza dos vetores

graph LR
    A["R Vector"] --> B["Atomicity<br/>A single digit = Length1the vector"]
    A --> C["Homogeneity<br/>All elements are of the same type"]
    A --> D["Orderliness<br/>Index by Location 1-based"]
    A --> E["Vectorization<br/>Operations are performed automatically on a per-element basis"]
    
    style A fill:#fff3cd
    style B fill:#cce5ff
    style C fill:#d4edda
    style D fill:#f8d7da
    style E fill:#e1d4ff

graph LR
    A["R Vector"] --> B["Atomicity<br/>A single digit = Length1the vector"]
    A --> C["Homogeneity<br/>All elements are of the same type"]
    A --> D["Orderliness<br/>Index by Location 1-based"]
    A --> E["Vectorization<br/>Operations are performed automatically on a per-element basis"]
    
    style A fill:#fff3cd
    style B fill:#cce5ff
    style C fill:#d4edda
    style D fill:#f8d7da
    style E fill:#e1d4ff

(2) Vetores em R x listas em Python

# Mixed Types:Mixing Numbers and Strings → Convert All to Strings
c(1, "a", TRUE)
# [1] "1" "a" "TRUE"

(3) “Scalar” não existe no R

Os vetores R têm uma propriedade oculta: um único número também é um vetor de comprimento 1.

x <- 42
length(x)
# [1] 1

# That's why R All operations are, by default, "Vectorization"
c(1, 2, 3) + 10
# [1] 11 12 13

4. 4 maneiras de criar vetores

(1) Visão geral dos métodos de criação

(2) Comparação entre vários métodos

# 1. c() —— concatenate(Connect),Most Commonly Used
c(10, 20, 30, 40, 50)
# [1] 10 20 30 40 50

# 2. : —— Colon Operator,Consecutive integers
1:5
# [1] 1 2 3 4 5

5:1
# [1] 5 4 3 2 1   ← Reverse Sequence

# 3. seq() —— Arithmetic Sequence
seq(from = 1, to = 10, by = 2)
# [1] 1 3 5 7 9

seq(from = 0, to = 1, length.out = 5)
# [1] 0.00 0.25 0.50 0.75 1.00

# 4. rep() —— Duplicate Elements
rep(x = 1:3, times = 2)
# [1] 1 2 3 1 2 3   ← The entire vector is repeated 2 x

rep(x = 1:3, each = 2)
# [1] 1 1 2 2 3 3   ← Repeat each element 2 x

# 5. paste() —— String Concatenation
paste("Rank", 1:3, "th")
# [1] "Rank 1 th" "Rank 2 th" "Rank 3 th"

(3) Vetores de strings e a função paste()

# paste Default sep = " "(Space)
paste("Hello", "World")
# [1] "Hello World"

# paste0 = paste(..., sep = "") No separators
paste0("Hello", "World")
# [1] "HelloWorld"

# Vectorized Concatenation
paste(c("a", "b", "c"), 1:3, sep = "-")
# [1] "a-1" "b-2" "c-3"

5. 5 maneiras de acessar elementos vetoriais

(1) Visão geral dos métodos de acesso

(2) ⚠️ Armadilha importante: o R usa contagem a partir de 1

x <- c("a", "b", "c", "d", "e")

x[1]   # 1st element
# [1] "a"

x[0]   # <- Error! Empty vector, no "a"
# numeric(0)

x[c(1, 3, 5)]   # Multiple indexes
# [1] "a" "c" "e"

(3) Índices inteiros negativos (excluindo elementos)

x <- c("a", "b", "c", "d", "e")

x[-1]   # Exclusion No. 1 ea
# [1] "b" "c" "d" "e"

x[-c(1, 3)]   # Exclusion No. 1 and No. 3 ea
# [1] "b" "d" "e"

(4) Índice lógico (o mais poderoso)

Este é o método de indexação mais poderoso no R:

x <- c(10, 20, 30, 40, 50)

# Find the number greater than 30 the element
x[x > 30]
# [1] 40 50

# Find the even numbers
x[x %% 2 == 0]
# [1] 10 20 30 40 50

# Multiple conditions (& indicates "and", | indicates "or")
x[x > 20 & x < 50]
# [1] 30 40

(5) Índices nomeados

Nomeie os elementos de um vetor e, em seguida, acesse-os pelo nome:

scores <- c(Alice = 85, Bob = 92, Charlie = 78)
scores
#   Alice      Bob   Charlie
#      85       92       78

scores["Bob"]
# Bob
#  92

6. Operações vetoriais: vetorização automática

(1) O que é “vectorização”?

graph LR
    A["x = 1, 2, 3"] --> C["+ 100"]
    C --> D["101, 102, 103"]
    
    E["x = 1, 2, 3"] --> F["+ y = 10, 20, 30"]
    F --> G["11, 22, 33"]
    
    style A fill:#cce5ff
    style E fill:#cce5ff
    style C fill:#fff3cd
    style F fill:#d4edda
    style D fill:#d4edda
    style G fill:#d4edda

graph LR
    A["x = 1, 2, 3"] --> C["+ 100"]
    C --> D["101, 102, 103"]
    
    E["x = 1, 2, 3"] --> F["+ y = 10, 20, 30"]
    F --> G["11, 22, 33"]
    
    style A fill:#cce5ff
    style E fill:#cce5ff
    style C fill:#fff3cd
    style F fill:#d4edda
    style D fill:#d4edda
    style G fill:#d4edda

As operações aritméticas no R são “vetorizadas” por padrão — não é preciso escrever loops.

(2) Vetor + Escalar (Difusão escalar)

x <- c(1, 2, 3, 4, 5)

x + 100   # 100 Broadcast to each element
# [1] 101 102 103 104 105

x * 10
# [1] 10 20 30 40 50

(3) Vetor + Vetor (Operação elemento a elemento)

x <- c(1, 2, 3, 4, 5)
y <- c(10, 20, 30, 40, 50)

x + y
# [1] 11 22 33 44 55

x * y
# [1]  10  40  90 160 250

(4) O programa entrará em “loop” quando os comprimentos forem diferentes

c(1, 2, 3, 4) + c(10, 20)
# Warning: longer object length is not a multiple of shorter object length
# [1] 11 22 13 24
# The Second Vector Loop:[10, 20, 10, 20]

(5) Funções matemáticas comuns (todas vetorizadas)

7. Funções de agregação: resumindo vetores em um único valor

8. Operações comuns: classificação, remoção de duplicatas e pesquisa

(1) Tabela de referência rápida para as três principais operações

(2) Chave: order() vs sort()

x <- c(3, 1, 4, 1, 5, 9, 2, 6)

# sort() Return a sorted vector
sort(x)
# [1] 1 1 2 3 4 5 6 9

# order() Return the sorted**Index**
order(x)
# [1] 2 4 7 1 3 8 6 5
# Meaning: x's 2nd element is the smallest and comes first, the 4th is the second smallest... After sorting x[order(x)] = sort(x)

9. Exemplo completo: Estatísticas de notas dos alunos

A seguir, apresentamos um exemplo de um fluxo de trabalho completo que reúne todos os conceitos abordados nesta aula.

▶ Exemplo: Análise abrangente das notas de 30 alunos

# ============================================
# Comprehensive Analysis of Student Performance
# Features: Create a grade vector, do 5 Statistics by Type
# ============================================

# 1. Create 5 Student Grades(Name Vector)
scores <- c(Alice = 85, Bob = 92, Charlie = 78, David = 95, Eve = 88)
cat("Raw Scores:\n")
print(scores)

# 2. Basic Statistics
cat("\n=== Basic Statistics ===\n")
cat("Total Score:", sum(scores), "\n")
cat("Average Score:", mean(scores), "\n")
cat("Median:", median(scores), "\n")
cat("Highest Score:", max(scores), "\n")
cat("Lowest score:", min(scores), "\n")
cat("Standard Deviation:", round(sd(scores), 2), "\n")

# 3. Find the student with the highest score(Naming Index)
cat("\n=== Top-scoring student ===\n")
print(scores[scores == max(scores)])

# 4. Find 90 Points or more
cat("\n=== 90 Students scoring above a certain score ===\n")
print(scores[scores >= 90])

# 5. Identify the failing grades
cat("\n=== Students who failed(< 60)===\n")
print(scores[scores < 60])

# 6. Sort (descending)
cat("\n=== Sort by score in descending order ===\n")
print(sort(scores, decreasing = TRUE))

# 7. Standardization(z-score:Subtract the mean from all scores, then divide by the standard deviation)
z_scores <- (scores - mean(scores)) / sd(scores)
cat("\n=== Z-Score Standardization ===\n")
print(round(z_scores, 3))

# 8. Rating(Excellent/Good/Passing Grade/Fail)
ratings <- ifelse(scores >= 90, "Excellent",
                  ifelse(scores >= 80, "Good",
                         ifelse(scores >= 60, "Passing Grade", "Fail")))
cat("\n=== Rating ===\n")
print(data.frame(Fractions = scores, Rating = ratings))

Resultado esperado (trecho):

Raw Scores:
  Alice      Bob   Charlie    David      Eve
     85       92        78       95       88

=== Basic Statistics ===
Total Score: 438
Average Score: 87.6
Median: 88
Highest Score: 95
Lowest score: 78
Standard Deviation: 6.19

=== 90 Students scoring above a certain score ===
David
   95

=== Sort by score in descending order ===
  David      Bob   Alice      Eve   Charlie
     95       92       85       88       78

=== Z-Score Standardization ===
  Alice      Bob   Charlie    David      Eve
-0.420   0.711  -1.551   1.197  -0.097

(1) Procedimento

❓ Perguntas Frequentes

P: Por que os índices no R começam em 1 em vez de 0? R: O R foi projetado por matemáticos e segue convenções matemáticas (os elementos dos vetores são numerados a partir de 1). Essa é uma das maiores diferenças entre o R e o Python/Java/C. Iniciantes frequentemente caem nessa armadilha: escrevem x[0] esperando recuperar o primeiro elemento, mas acabam com um vetor vazio numeric(0).

P: c(1, "a") O que acontece com esse vetor de tipos mistos? R: O R realiza automaticamente uma conversão de tipo — o número 1 é convertido para a string “1”, resultando no vetor de caracteres c("1", "a"). Esse é o mecanismo de “coerção de tipo” do R, que evita erros de tipo, mas também pode ocultar bugs. Recomenda-se manter sempre vetores do mesmo tipo.

P: O comprimento de um vetor é fixo? É possível acrescentar elementos? R: Os vetores do R têm comprimento fixo (não é possível “acrescentar” ou “remover” elementos após a criação). No entanto, é possível “reatribuir” valores a eles: x <- c(x, 6) (cria um novo vetor e atribui x a ele). A adição frequente é lenta (envolve cópia a cada vez); para conjuntos de dados grandes, use data.table ou tibble.

P: Qual é a relação entre vetores e matrizes? R: Uma matriz é uma “versão bidimensional” de um vetor — organizada em linhas e colunas (um vetor unidimensional c(1,2,3,4,5,6), transformado em uma matriz 2×3, torna-se matrix(1:6, nrow = 2)).

P: Como faço para escolher entre c() e paste()? R: c() concatena elementos de qualquer tipo (números, cadeias de caracteres, valores booleanos), enquanto paste() é específico para concatenar cadeias de caracteres (converte automaticamente em caracteres). Use c() para construir vetores numéricos e use paste() para construir cadeias de caracteres.

📖 Resumo

• Um vetor é a estrutura de dados mais básica no R: uma coleção ordenada de elementos do mesmo tipo; não há “escalares” no R — um único número é simplesmente um vetor de comprimento 1.
• Métodos de criação: c() para colunas diretas, : para sequências de números inteiros, seq() para sequências aritméticas, rep() para repetições; use paste() / paste0() para concatenação de strings
• 4 métodos de indexação: números inteiros positivos (com base em 1, x[0] é um vetor vazio), números inteiros negativos (exclusão), vetores lógicos (filtragem), índices nomeados (por nome)
• As operações aritméticas são vetorizadas automaticamente (vetor + escalar, vetor + vetor), portanto, não há necessidade de escrever loops; as funções matemáticas comuns (sqrt, log, exp) também são processadas elemento a elemento.
• As funções de agregação (sum() mean() sd() median()) reduzem vetores a um único valor; todas suportam na.rm = TRUE para ignorar valores NA
• Use sort() / order() para classificação (a função order retorna um índice), unique() para deduplicação, table() para frequência, union/intersect/setdiff para conjuntos e match() / %in% para consultas

📝 Exercícios

1. Problema básico: Crie um vetor de números inteiros de 1 a 10 usando três métodos diferentes: ① c() ② : ③ seq(); use identical() para verificar se os resultados dos três são exatamente os mesmos. Faça uma captura de tela da saída do console e salve-a.

2. Problema básico: Crie um vetor x <- c(2, 4, 6, 8, 10), use indexação lógica para extrair os elementos maiores que 5 e exiba o vetor filtrado. Salve o código e uma captura de tela do resultado.

3. Exercício básico: Concatene paste() com paste("Rank", 1:5, "th", sep = "") e registre o resultado; em seguida, concatene paste0() com paste0("x", 1:5, "y") e registre o resultado. Faça uma captura de tela e salve-a.

4. Problema avançado: Simule as notas de 10 alunos: ① Gere notas aleatoriamente usando sample(60:100, 10); ② Calcule a média, a mediana, a nota mais alta, a nota mais baixa e o desvio padrão; ③ Use which.max() para determinar a classificação do aluno com a nota mais alta; ④ Conte o número de alunos aprovados (≥60). Salve uma captura de tela do resultado de cada etapa.

5. Desafio: Escreva um script para simular um cenário de “alocação de alunos em turmas”: ① Crie um vetor names <- c("Alice", "Bob", ...) contendo os nomes de 10 alunos; ② Crie um vetor scores <- sample(60:100, 10) contendo 10 notas; ③ Nomeie-o como names(scores) <- names; ④ Identifique os nomes dos alunos que obtiveram nota 90 ou mais; ⑤ Identifique os nomes dos alunos que foram reprovados; ⑥ Classifique-os em ordem crescente e imprima-os usando sort(scores). Após executar o script, faça uma captura de tela e salve toda a saída do console.

Equipe Técnica Web-Tutorial

Uma plataforma de tutoriais mantida por diversos desenvolvedores. Cada tutorial é escrito e revisado por profissionais da área correspondente. Trabalhamos para manter nosso conteúdo preciso e confiável — se encontrar algum problema, avise-nos.

Sobre Nós