A função grepl para buscar palavras

Um dos meus objetivos era categorizar os e-mails de forma bem simples.

Foram enviados vários tipos de e-mails:

• Ofertas
• Conteúdo gratuito
• Conteúdo exclusivo
• Pesquisa
• Explicações gerais

A forma mais fácil que encontrei de categorizar as campanhas de e-mail foi analisando o link contido em cada mensagem.

Por exemplo, se o link direcionava o usuário para o Youtube, eu sei que o e-mail tinha um Conteúdo Gratuito.

Caso o link direcionasse o usuário para a página de vendas ou para o site da operadora de pagamentos, então era um e-mail que continha uma oferta de venda.

Como transformei cada link de vendas utilizado nos e-mails em uma categoria:

head(links)

# A plataforma de vendas chama Hotmart e os links diretos para ela
# contém as expressões "hotmart" ou "hotm.art".
# As expressões "timeguru" e "time-guru" são exclusivas das
# páginas de vendas do meu site.

links$categoria<-ifelse(grepl(paste(c("hotmart","hotm.art","timeguru","time-guru"),collapse="|"),links$categoria),"venda","")

A função grepl busca por um termo dentro de um vetor de dados. Caso o termo seja encontrado em determinado elemento, o resultado será TRUE, caso contrário será FALSE.

Na função apresentada, foi necessário expandir os critérios da busca, pois a busca seria atendida para qualquer uma das 4 expressões.

Para isso, o padrão definido para a busca usou o operador OU.

paste(c("hotmart","hotm.art","timeguru","time-guru"),collapse="|")

## [1] "hotmart|hotm.art|timeguru|time-guru"

Além disso, a função grepl foi abrangida pela função ifelse. Então, quando a função grepl retornar TRUE, será atribuída a categoria venda para links$categoria.

Caso a função grepl retorne FALSE, nada será atribuído para links$categoria.

A função gsub para substituir textos

Foi necessário retirar uma expressão dos meus dados.

Para isso, busquei pelo trecho do texto que deveria ser retirado e substituí esse trecho por nada/vazio.

A função gsub está estruturada da seguinte forma:

• O primeiro argumento é a expressão que será substituída.

• O segundo argumento é a expressão que irá substituir.

• O terceiro argumento é o vetor onde ocorrerá a substituição.

head(lists)

## # A tibble: 6 x 3
##      id name                custom_fields  
##   <dbl> <chr>               <chr>          
## 1     6 lista teste         <NA>           
## 2    60 bolao               <NA>           
## 3    62 espera13            <NA>           
## 4    65 espera14            <NA>           
## 5    67 times_errados_teste Nomedotime:Text
## 6    68 times_errados       Nomedotime:Text

# Irei substituir o texto ":Text" por "".

lists$custom_fields <- gsub(":Text","",lists$custom_fields)
head(lists)

## # A tibble: 6 x 3
##      id name                custom_fields
##   <dbl> <chr>               <chr>        
## 1     6 lista teste         <NA>         
## 2    60 bolao               <NA>         
## 3    62 espera13            <NA>         
## 4    65 espera14            <NA>         
## 5    67 times_errados_teste Nomedotime   
## 6    68 times_errados       Nomedotime

Atribuindo o formato de data para uma coluna

Originalmente, os meus dados estão no formato de DATA E HORA. Porém, desejo trabalhar somente com a data.

head(hotmart$data)

## [1] "2019-12-20 15:55:36 UTC" "2019-12-06 22:17:27 UTC"
## [3] "2019-12-06 00:52:02 UTC" "2019-12-05 23:53:49 UTC"
## [5] "2019-12-05 23:50:49 UTC" "2019-12-05 23:45:06 UTC"

Portanto, irei usar a função as.Date e informar no parâmetro “format” qual o formato de data que desejo visualizar meus dados.

A data já está no padrão do R, que é Ano (com 4 algarismos), depois mês e depois o dia.

hotmart$sent<-as.Date(hotmart$data,format="%Y/%m/%d")
head(hotmart$sent)

## [1] "2019-12-20" "2019-12-06" "2019-12-06" "2019-12-05" "2019-12-05"
## [6] "2019-12-05"

A data no novo formato foi atribuída para a coluna sent.

Agrupando os dados

Cada linha da tabela hotmart representa uma transação feita pelo cliente. Porém, para essa análise precisamos saber o faturamento por dia.

Para isso, iremos somar todas as vendas considerando cada dia como um grupo.

Ou seja, vamos somar o total vendido para cada dia.

O primeiro passo é agrupar os dados por dia (variável sent). E depois vamos criar a coluna total_dia, que será a soma da variável preco para cada dia.

library(dplyr)
head(hotmart[,c("sent","preco")])

## # A tibble: 6 x 2
##   sent       preco
##   <date>     <dbl>
## 1 2019-12-20    76
## 2 2019-12-06    76
## 3 2019-12-06    76
## 4 2019-12-05    76
## 5 2019-12-05    76
## 6 2019-12-05    76

hotmart %<>% 
  group_by(sent) %>%
summarise(total_dia = sum(preco)) %>%
ungroup()

Juntando duas tabelas

Tenho uma tabela com todas as informações sobre as minhas campanhas de e-mail marketing e outra tabela com os valores faturados em cada dia.

Então, quero adicionar o valor faturado em cada dia na tabela que contém informações sobre as campanhas.

Para juntar duas tabelas é necessário que se tenha pelo menos uma variável chave, essa variável é responsável por fazer uma ligação entre os dados das duas tabelas.

No caso, a variável que será utilizada para juntar as duas tabelas é a variável que representa a DATA, seja do envio da campanha ou das vendas.

A função join irá juntar as tabelas:

campaigns<-plyr::join(campaigns,hotmart,by="sent") #sent é a variável de data

Repare que a variável chave deve ter o mesmo nome nas duas tabelas.

Quantos e-mails foram enviados nos últimos 7 dias?

Achei importante analisar o impacto da quantidade recente de e-mails enviados tem nas vendas e na abertura de e-mails.

Para isso, calculei o número de e-mails enviados nos 7 dias anteriores.

Para fazer o cálculo, usei a biblioteca library(data.table) e o primeiro passo foi transformar o meu data frame para o formato adequado.

Depois, para cada linha da minha tabela, eu filtro os dados que estão no intervalo dos 7 dias anteriores e conto quantos registros são.

library(data.table)
campaigns <- as.data.table(campaigns)
campaigns<-campaigns[, qnt_campanhas7D := campaigns[campaigns[, .(sent, dm7 = sent - 7)], on = .(sent >= dm7, sent < sent), 
                 .N, by = .EACHI]$N][]
head(campaigns[,c("campaign_id","sent","qnt_campanhas7D")])

##    campaign_id       sent qnt_campanhas7D
## 1:           5 2018-04-02               0
## 2:           6 2018-04-02               0
## 3:           9 2018-04-02               0
## 4:          10 2018-04-02               0
## 5:          13 2018-04-03               4
## 6:          14 2018-04-03               4

Essas foram algumas funções que utilizei em minha manipulação de dados.

É claro que existem várias outras funções que atenderão necessidades diferentes.

De qualquer forma, esse tema é extremamente importante na carreira do Cientista de Dados e, justamente por isso, dediquei um capítulo inteiro do livro O seu primeiro passo para ser um Cientista de Dados para a manipulação de dados.

Nesse capítulo eu falo sobre a manipulação de dados usando a biblioteca dplyr.

O capítulo seguinte do e-book trata sobre manipulação de Hora e Data.

Para acessar o e-book gratuitamente, basta clicar aqui