Introduction to Tidyverse

Our work today
- Setting up
Introduction
Dplyr for data management
Taming your data using readr
Tidy Data using tidyR
Extra functions and packages on data manipulation
Extra Material

Our work today

Introduction
Data manegement using dplyr
Taming your data using readr
Tidy data with tidyR
Extra packages
Intro to data visualization

If you prefer, the R code for this presentation is available here. The datasets can be downloaded here.

Setting up

After you download our material, please set your working directory to the folder where you saved the material. If you don’t like to set up working directories, Rstudio provide the rprojects tools, that basically connects everything for you from the beggining.

Just go on file>newproject>new_folder and save. Then, put everything in this folder, and you have everything you need to work.

Introduction

The tidyverse is nothing more than a set of R packages built together to help us doing data science in R. The packages all share the same underlying design philosophy, grammar, and data structures. Therefore, if you learn one, the other packages come easier. The main packages of tidyverse are:

dplyr: for data manipulation
ggplot2: for data visualization
tidyr: for modeling and data management
purrr: for optimize your code and for functional programming
readr: for open and organize the data

Today, we will mostly go over the beautiful world of data management using dplyr, readr, and tidyr. I strongly suggest you to add also ggplot2 to the list of things you should learn how to work with. I provide some extra material about ggplot2 here in the end of this file.

How did I learn all this?

I have four main sources for the things we discuss here:

Hadley Wickham’s book’s here and here
The Tidyverse website
Datacamp courses
Eric Dunford’s GSA workshop last semester also inspired this material.

Why should I use the tidyverse packages?

The main advantages:

Easier to perform data management compared to base R
Increase readability of your code
Integrates well a series of useful package
Advanced programmers do, therefore, very likely you get a code full of pipes and tidyverse packages in the future.

Getting ready

Instalattion

# Install from CRAN
install.packages("tidyverse")

# Or the development version from GitHub install.packages('devtools')

devtools::install_github("hadley/tidyverse")

library(tidyverse)
library(conflicted)

Checking conflicts

library(conflicted)
conflict_prefer("select", "dplyr")
conflict_prefer("filter", "dplyr")

The pipe

The packages on tidyverse all rely on using the a shortcut function called %>% from the package magritt. The pipe is your friend, remember that.

The idea behind the pipe is quite simple: you pipe things within each other. The goal is to avoid how R reads codes from inside to outside.

The logic with pipe: first the object, then the functions, and then a sequence of functions. The operator makes it possible to easily chain a sequence of calculations

# Example 1

# In base R

round(exp(diff(log(runif(100, 0, 1)))), 1)

# In pipe

runif(100, 0, 1) %>% log() %>% diff() %>% exp() %>% round(., 1)  # or round(1)

# NOTE HERE: If is a tidyverse function, the data is always the first
# argument, therefore, one doesn't need to add the period. If it is not, one
# must add the period in the data argument

# data %>% function_tidyverse() %>% lm( y~x, data=. )

mtcars %>% lm(mpg ~ cyl, data = .) %>% coef()

(Intercept)         cyl 
   37.88458    -2.87579

# Example 2: Graph

plot(density(rnorm(1000, 0, 1)))

# With pipe

rnorm(1000, 0, 1) %>% density() %>% plot()

Dplyr for data management

The dplyr is the most famous tidyverse package. It deals with data management. It is my favorite package in the entire R world. I started working with dplyr two years after learning R, and it really made my life easier.

Loading the data

We begin our work using the dataset results. The data has the results of all the international soccer matches from 1872 to 2018. The data can be downloaded here

d <- read_csv("results.csv")

# The first dplyr command: tibble data frame
d <- tbl_df(d)  # Nice to print

d

# A tibble: 39,669 x 9
   date       home_team away_team home_score away_score tournament city 
   <date>     <chr>     <chr>          <int>      <int> <chr>      <chr>
 1 1872-11-30 Scotland  England            0          0 Friendly   Glas~
 2 1873-03-08 England   Scotland           4          2 Friendly   Lond~
 3 1874-03-07 Scotland  England            2          1 Friendly   Glas~
 4 1875-03-06 England   Scotland           2          2 Friendly   Lond~
 5 1876-03-04 Scotland  England            3          0 Friendly   Glas~
 6 1876-03-25 Scotland  Wales              4          0 Friendly   Glas~
 7 1877-03-03 England   Scotland           1          3 Friendly   Lond~
 8 1877-03-05 Wales     Scotland           0          2 Friendly   Wrex~
 9 1878-03-02 Scotland  England            7          2 Friendly   Glas~
10 1878-03-23 Scotland  Wales              9          0 Friendly   Glas~
# ... with 39,659 more rows, and 2 more variables: country <chr>,
#   neutral <lgl>

Functions as verbs.

The most useful

select(): select columns
mutate(): create new variables, change existing
filter(): subset your data by some criterion
summarize(): summarize your data in some way
group_by(): group your data by a variable
slice(): grab specific rows

Some others

count(): count your data
arrange(): arrange your data by a column or variable
distinct(): gather all distinct values of a variable
n_distinct(): count how many distinct values you have (only works with summarize)
n(): count how many observation you have for a subgroup
sample_n(): Grab an N sample of your data
sampsle_frac(): Grab a sample that is some fraction of your total data
ungroup(): ungroup grouped data by a variable
glimpse(): quickly preview the data
top_n(): get the top N number of entries from a data frame
slice(): grab specific rows

Select : To select collumns

# Base R


d_old <- d[, c("date", "away_score", "home_score")]


# Dplyr

d %>% 
select(., date, home_team, away_team)

# A tibble: 39,669 x 3
   date       home_team away_team
   <date>     <chr>     <chr>    
 1 1872-11-30 Scotland  England  
 2 1873-03-08 England   Scotland 
 3 1874-03-07 Scotland  England  
 4 1875-03-06 England   Scotland 
 5 1876-03-04 Scotland  England  
 6 1876-03-25 Scotland  Wales    
 7 1877-03-03 England   Scotland 
 8 1877-03-05 Wales     Scotland 
 9 1878-03-02 Scotland  England  
10 1878-03-23 Scotland  Wales    
# ... with 39,659 more rows

# OR

d %>% 
select(., 2:3, -5)

# A tibble: 39,669 x 2
   home_team away_team
   <chr>     <chr>    
 1 Scotland  England  
 2 England   Scotland 
 3 Scotland  England  
 4 England   Scotland 
 5 Scotland  England  
 6 Scotland  Wales    
 7 England   Scotland 
 8 Wales     Scotland 
 9 Scotland  England  
10 Scotland  Wales    
# ... with 39,659 more rows

Filter : To select rows

# More than 1.000 favorites

d %>% 
filter(home_team == "Brazil")

# A tibble: 552 x 9
   date       home_team away_team home_score away_score tournament city 
   <date>     <chr>     <chr>          <int>      <int> <chr>      <chr>
 1 1916-07-08 Brazil    Chile              1          1 Copa Amér~ Buen~
 2 1916-07-12 Brazil    Uruguay            1          2 Copa Amér~ Buen~
 3 1917-10-12 Brazil    Chile              5          0 Copa Amér~ Mont~
 4 1919-05-11 Brazil    Chile              6          0 Copa Amér~ Rio ~
 5 1919-05-18 Brazil    Argentina          3          1 Copa Amér~ Rio ~
 6 1919-05-26 Brazil    Uruguay            2          2 Copa Amér~ Rio ~
 7 1919-05-29 Brazil    Uruguay            1          0 Copa Amér~ Rio ~
 8 1919-06-01 Brazil    Argentina          3          3 Friendly   Rio ~
 9 1920-09-18 Brazil    Uruguay            0          6 Copa Amér~ Viña~
10 1921-10-12 Brazil    Paraguay           3          0 Copa Amér~ Buen~
# ... with 542 more rows, and 2 more variables: country <chr>,
#   neutral <lgl>

# Base R

d[d$home_team == "Brazil", ]

# A tibble: 552 x 9
   date       home_team away_team home_score away_score tournament city 
   <date>     <chr>     <chr>          <int>      <int> <chr>      <chr>
 1 1916-07-08 Brazil    Chile              1          1 Copa Amér~ Buen~
 2 1916-07-12 Brazil    Uruguay            1          2 Copa Amér~ Buen~
 3 1917-10-12 Brazil    Chile              5          0 Copa Amér~ Mont~
 4 1919-05-11 Brazil    Chile              6          0 Copa Amér~ Rio ~
 5 1919-05-18 Brazil    Argentina          3          1 Copa Amér~ Rio ~
 6 1919-05-26 Brazil    Uruguay            2          2 Copa Amér~ Rio ~
 7 1919-05-29 Brazil    Uruguay            1          0 Copa Amér~ Rio ~
 8 1919-06-01 Brazil    Argentina          3          3 Friendly   Rio ~
 9 1920-09-18 Brazil    Uruguay            0          6 Copa Amér~ Viña~
10 1921-10-12 Brazil    Paraguay           3          0 Copa Amér~ Buen~
# ... with 542 more rows, and 2 more variables: country <chr>,
#   neutral <lgl>

# Which one do you prefer???


# More than one condition
d %>% 
filter(home_team == "Brazil", home_score - away_score > 0) %>% 
select(date, away_team, tournament)

# A tibble: 395 x 3
   date       away_team tournament  
   <date>     <chr>     <chr>       
 1 1917-10-12 Chile     Copa América
 2 1919-05-11 Chile     Copa América
 3 1919-05-18 Argentina Copa América
 4 1919-05-29 Uruguay   Copa América
 5 1921-10-12 Paraguay  Copa América
 6 1922-10-15 Argentina Copa América
 7 1922-10-22 Paraguay  Copa América
 8 1922-10-22 Argentina Copa Roca   
 9 1922-10-29 Paraguay  Friendly    
10 1923-11-22 Paraguay  Friendly    
# ... with 385 more rows

Mutate: To create new variables

library(conflicted)
conflict_prefer("select", "dplyr")
conflict_prefer("filter", "dplyr")


# Add the difference of goals, and a id for 
# cases when the difference of gols is large,  and select what we did 
# only for Brazil

d %>% 
  
  mutate(dif = abs(away_score - home_score),
            
         goleada = ifelse(dif > 5, "Goleada", "Normal  Result")) %>%
  
    filter(home_team=="Brazil" | away_team=="Brazil",
                 goleada=="Goleada")

# A tibble: 41 x 11
   date       home_team away_team home_score away_score tournament city 
   <date>     <chr>     <chr>          <int>      <int> <chr>      <chr>
 1 1919-05-11 Brazil    Chile              6          0 Copa Amér~ Rio ~
 2 1920-09-18 Brazil    Uruguay            0          6 Copa Amér~ Viña~
 3 1945-02-21 Brazil    Ecuador            9          2 Copa Amér~ Sant~
 4 1949-04-03 Brazil    Ecuador            9          1 Copa Amér~ Rio ~
 5 1949-04-10 Brazil    Bolivia           10          1 Copa Amér~ São ~
 6 1949-04-24 Brazil    Peru               7          1 Copa Amér~ Rio ~
 7 1949-05-11 Brazil    Paraguay           7          0 Copa Amér~ Rio ~
 8 1950-07-09 Brazil    Sweden             7          1 FIFA Worl~ Rio ~
 9 1953-03-01 Bolivia   Brazil             1          8 Copa Amér~ Lima 
10 1956-03-13 Brazil    Costa Ri~          7          1 Pan Ameri~ Mexi~
# ... with 31 more rows, and 4 more variables: country <chr>,
#   neutral <lgl>, dif <int>, goleada <chr>

# NOTE the ifelse is a extremely useful function

#ifelse(condition, TRUE, FALSE)

# Beautiful right?

# Base R 
d_g <- d
d_g$dif <- abs(d$home_score - d$away_score)
d_g$goleada <- ifelse(d_g$dif >5, "Goleada", "NR")
d_g <- d_g[c(d$home_team=="Brazil" | d$away_team=="Brazil")  &
      d_g$goleada==1, c("home_team", "away_score", "goleada", "dif")]

Arrange: To order de data by a particular variable

# What was the largest difference in gols?

d %>% 
mutate(dif = abs(away_score - home_score)) %>% 
arrange(desc(dif)) %>% 
slice(1)

# A tibble: 1 x 10
  date       home_team away_team home_score away_score tournament city 
  <date>     <chr>     <chr>          <int>      <int> <chr>      <chr>
1 2001-04-11 Australia American~         31          0 FIFA Worl~ Coff~
# ... with 3 more variables: country <chr>, neutral <lgl>, dif <int>

Slice: to slice your data by rows

# The top 5 goleadas?

d %>% 
mutate(dif = abs(away_score - home_score)) %>% 
arrange(desc(dif)) %>% 
slice(1:5)  # top_n(5) here would also do the trick

# A tibble: 5 x 10
  date       home_team away_team home_score away_score tournament city 
  <date>     <chr>     <chr>          <int>      <int> <chr>      <chr>
1 2001-04-11 Australia American~         31          0 FIFA Worl~ Coff~
2 1979-08-30 Fiji      Kiribati          24          0 South Pac~ Naus~
3 2001-04-09 Australia Tonga             22          0 FIFA Worl~ Coff~
4 2005-03-11 Guam      Korea DPR          0         21 EAFF Cham~ Taip~
5 1987-12-15 American~ Papua Ne~          0         20 South Pac~ Noum~
# ... with 3 more variables: country <chr>, neutral <lgl>, dif <int>

Group by + sumarize : forget about loops

First: group by a particular variables
Second: summarize the data with new statistics.

Summarize: Turn many rows into one.

Examples:

min(x) - minimum value of vector x.
max(x) - maximum value of vector x.
mean(x) - mean value of vector x.
median(x) - median value of vector x.
quantile(x, p) - pth quantile of vector x.
sd(x) - standard deviation of vector x.
var(x) - variance of vector x.
IQR(x) - Inter Quartile Range (IQR) of vector x.
diff(range(x)) - total range of vector x.

# Data on gols scored by home teams

d %>% 
group_by(home_team) %>% 
summarise(mean_home_gols = mean(home_score, na.rm = TRUE), sd_home_gols = sd(home_score), 
    mean_home_gols_op = mean(away_score), count = n()) %>% 
ungroup() %>% 
top_n(., 10, wt = mean_home_gols)  # note here, it does

# A tibble: 10 x 5
   home_team       mean_home_gols sd_home_gols mean_home_gols_op count
   <chr>                    <dbl>        <dbl>             <dbl> <int>
 1 Cascadia                  4          NaN                0         1
 2 Gotland                   3.35         2.96             2.1      20
 3 Guersney                  3.25         2.51             1.04     24
 4 Kárpátalja                3.4          1.14             1.8       5
 5 Micronesia FS             3.5          4.95             9         2
 6 North Vietnam             3.6          3.13             1.8       5
 7 Northern Cyprus           3.70         3.97             0.609    23
 8 Sápmi                     4.12         5.75             1.5      16
 9 Somaliland                3.5          4.95             2.5       2
10 Western Sahara            3.33         1.53             2.33      3

# not give you in order you can add arrange

Be careful, summarize is not the same as mutate. Check the example below, what is the difference:

d %>% 
group_by(home_team) %>% 
mutate(mean_home_gols = mean(home_score, na.rm = TRUE), sd_home_gols = sd(home_score), 
    mean_home_gols_op = mean(away_score), count = n()) %>% ungroup() %>% 
select(home_team, mean_home_gols) %>% 
top_n(., 10, wt = mean_home_gols)

# A tibble: 16 x 2
   home_team mean_home_gols
   <chr>              <dbl>
 1 Sápmi               4.12
 2 Sápmi               4.12
 3 Sápmi               4.12
 4 Sápmi               4.12
 5 Sápmi               4.12
 6 Sápmi               4.12
 7 Sápmi               4.12
 8 Sápmi               4.12
 9 Sápmi               4.12
10 Sápmi               4.12
11 Sápmi               4.12
12 Sápmi               4.12
13 Sápmi               4.12
14 Sápmi               4.12
15 Sápmi               4.12
16 Sápmi               4.12

You can go crazy, and get combinations using group_by

# Proportion of victories of Brazil on different tournaments against each
# opponent.


d %>% 
filter(home_team == "Brazil") %>% 
mutate(dif = home_score - away_score, victory = ifelse(dif > 0, 1, 0)) %>% 
group_by(away_team, tournament) %>% 
summarise(mean_victory_brazil = mean(victory, na.rm = TRUE), number_games = n()) %>% 
    
filter(away_team == "Argentina")

# A tibble: 7 x 4
# Groups:   away_team [1]
  away_team tournament                   mean_victory_brazil number_games
  <chr>     <chr>                                      <dbl>        <int>
1 Argentina Atlantic Cup                               1                1
2 Argentina Confederations Cup                         1                1
3 Argentina Copa América                               0.7             10
4 Argentina Copa Roca                                  0.538           13
5 Argentina FIFA World Cup                             0                1
6 Argentina FIFA World Cup qualification               1                3
7 Argentina Friendly                                   0.5             16

CHECK IF YOU PREFER A FOR LOOP

d_b <- d[d$home_team == "Brazil", ]
d_b$dif <- d_b$home_score - d_b$away_score
d_b$victory <- ifelse(d_b$dif > 0, 1, 0)
j = 1
i = 1

# Create the container
out <- data_frame()

for (j in 1:unique(d_b$away_team)) {
    for (i in 1:unique(d_b$tournament)) {
        
        res <- d_b[d_b$away_team == unique(d_b$away_team)[j] & d_b$away_team == 
            unique(d_b$tournament)[i], "dif"]
        
    }
}

# I gave up after a few minutes trying

Some other useful functions

Glimpse to see your data

glimpse(d)

Observations: 39,669
Variables: 9
$ date       <date> 1872-11-30, 1873-03-08, 1874-03-07, 1875-03-06, 18...
$ home_team  <chr> "Scotland", "England", "Scotland", "England", "Scot...
$ away_team  <chr> "England", "Scotland", "England", "Scotland", "Engl...
$ home_score <int> 0, 4, 2, 2, 3, 4, 1, 0, 7, 9, 2, 5, 0, 5, 2, 5, 0, ...
$ away_score <int> 0, 2, 1, 2, 0, 0, 3, 2, 2, 0, 1, 4, 3, 4, 3, 1, 1, ...
$ tournament <chr> "Friendly", "Friendly", "Friendly", "Friendly", "Fr...
$ city       <chr> "Glasgow", "London", "Glasgow", "London", "Glasgow"...
$ country    <chr> "Scotland", "England", "Scotland", "England", "Scot...
$ neutral    <lgl> FALSE, FALSE, FALSE, FALSE, FALSE, FALSE, FALSE, FA...

Count

# Count here is a wrap for group_by and summarize n()

# Basically count the number of rows by group

d %>% 
count(home_team, tournament) %>% 
arrange(desc(n))

# A tibble: 1,710 x 3
   home_team   tournament     n
   <chr>       <chr>      <int>
 1 Germany     Friendly     289
 2 France      Friendly     286
 3 Mexico      Friendly     275
 4 Hungary     Friendly     272
 5 Sweden      Friendly     250
 6 Austria     Friendly     246
 7 Belgium     Friendly     242
 8 Poland      Friendly     241
 9 Netherlands Friendly     239
10 Switzerland Friendly     238
# ... with 1,700 more rows

Select Helper functions

starts_with(): starts with a prefix
ends_with(): ends with a prefix
contains(): contains a literal string
matches(): matches a regular expression
num_range(): a numerical range like x01, x02, x03.
one_of(): variables in character vector.
everything(): all variables.

# New Got Data: 

new_got <- read_csv("battles.csv")
glimpse(new_got)

Observations: 38
Variables: 25
$ name               <chr> "Battle of the Golden Tooth", "Battle at th...
$ year               <int> 298, 298, 298, 298, 298, 298, 298, 299, 299...
$ battle_number      <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, ...
$ attacker_king      <chr> "Joffrey/Tommen Baratheon", "Joffrey/Tommen...
$ defender_king      <chr> "Robb Stark", "Robb Stark", "Robb Stark", "...
$ attacker_1         <chr> "Lannister", "Lannister", "Lannister", "Sta...
$ attacker_2         <chr> NA, NA, NA, NA, "Tully", "Tully", NA, NA, N...
$ attacker_3         <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,...
$ attacker_4         <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,...
$ defender_1         <chr> "Tully", "Baratheon", "Tully", "Lannister",...
$ defender_2         <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,...
$ defender_3         <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,...
$ defender_4         <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,...
$ attacker_outcome   <chr> "win", "win", "win", "loss", "win", "win", ...
$ battle_type        <chr> "pitched battle", "ambush", "pitched battle...
$ major_death        <int> 1, 1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1...
$ major_capture      <int> 0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0, 1, 1, 0, 1...
$ attacker_size      <int> 15000, NA, 15000, 18000, 1875, 6000, NA, NA...
$ defender_size      <int> 4000, 120, 10000, 20000, 6000, 12625, NA, N...
$ attacker_commander <chr> "Jaime Lannister", "Gregor Clegane", "Jaime...
$ defender_commander <chr> "Clement Piper, Vance", "Beric Dondarrion",...
$ summer             <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1...
$ location           <chr> "Golden Tooth", "Mummer's Ford", "Riverrun"...
$ region             <chr> "The Westerlands", "The Riverlands", "The R...
$ note               <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, "Greyjo...

# Selecting 

new_got %>% 
  
  select(name, year, contains("king"), 
          starts_with("battle")) %>%
           
  glimpse()

Observations: 38
Variables: 6
$ name          <chr> "Battle of the Golden Tooth", "Battle at the Mum...
$ year          <int> 298, 298, 298, 298, 298, 298, 298, 299, 299, 299...
$ attacker_king <chr> "Joffrey/Tommen Baratheon", "Joffrey/Tommen Bara...
$ defender_king <chr> "Robb Stark", "Robb Stark", "Robb Stark", "Joffr...
$ battle_number <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 1...
$ battle_type   <chr> "pitched battle", "ambush", "pitched battle", "p...

# Reordering

new_got %>% 
  
  select(name, year, contains("king"), 
          starts_with("battle"), everything()) %>%
           
  glimpse()

Observations: 38
Variables: 25
$ name               <chr> "Battle of the Golden Tooth", "Battle at th...
$ year               <int> 298, 298, 298, 298, 298, 298, 298, 299, 299...
$ attacker_king      <chr> "Joffrey/Tommen Baratheon", "Joffrey/Tommen...
$ defender_king      <chr> "Robb Stark", "Robb Stark", "Robb Stark", "...
$ battle_number      <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, ...
$ battle_type        <chr> "pitched battle", "ambush", "pitched battle...
$ attacker_1         <chr> "Lannister", "Lannister", "Lannister", "Sta...
$ attacker_2         <chr> NA, NA, NA, NA, "Tully", "Tully", NA, NA, N...
$ attacker_3         <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,...
$ attacker_4         <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,...
$ defender_1         <chr> "Tully", "Baratheon", "Tully", "Lannister",...
$ defender_2         <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,...
$ defender_3         <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,...
$ defender_4         <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, NA, NA,...
$ attacker_outcome   <chr> "win", "win", "win", "loss", "win", "win", ...
$ major_death        <int> 1, 1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1...
$ major_capture      <int> 0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0, 1, 1, 0, 1...
$ attacker_size      <int> 15000, NA, 15000, 18000, 1875, 6000, NA, NA...
$ defender_size      <int> 4000, 120, 10000, 20000, 6000, 12625, NA, N...
$ attacker_commander <chr> "Jaime Lannister", "Gregor Clegane", "Jaime...
$ defender_commander <chr> "Clement Piper, Vance", "Beric Dondarrion",...
$ summer             <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1...
$ location           <chr> "Golden Tooth", "Mummer's Ford", "Riverrun"...
$ region             <chr> "The Westerlands", "The Riverlands", "The R...
$ note               <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, "Greyjo...

# Deleting some not relevant information
new_got %>% 
  
  select(name, year, contains("king"), 
         
          starts_with("battle"), everything(), 
         
         -matches(c("1$|2$|3$|4$"))) %>%
           
  glimpse()

Observations: 38
Variables: 17
$ name               <chr> "Battle of the Golden Tooth", "Battle at th...
$ year               <int> 298, 298, 298, 298, 298, 298, 298, 299, 299...
$ attacker_king      <chr> "Joffrey/Tommen Baratheon", "Joffrey/Tommen...
$ defender_king      <chr> "Robb Stark", "Robb Stark", "Robb Stark", "...
$ battle_number      <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, ...
$ battle_type        <chr> "pitched battle", "ambush", "pitched battle...
$ attacker_outcome   <chr> "win", "win", "win", "loss", "win", "win", ...
$ major_death        <int> 1, 1, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1...
$ major_capture      <int> 0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0, 1, 1, 0, 1...
$ attacker_size      <int> 15000, NA, 15000, 18000, 1875, 6000, NA, NA...
$ defender_size      <int> 4000, 120, 10000, 20000, 6000, 12625, NA, N...
$ attacker_commander <chr> "Jaime Lannister", "Gregor Clegane", "Jaime...
$ defender_commander <chr> "Clement Piper, Vance", "Beric Dondarrion",...
$ summer             <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1...
$ location           <chr> "Golden Tooth", "Mummer's Ford", "Riverrun"...
$ region             <chr> "The Westerlands", "The Riverlands", "The R...
$ note               <chr> NA, NA, NA, NA, NA, NA, NA, NA, NA, "Greyjo...

Taming your data using readr

The idea of taming your data sounds fancy, but it is basically getting your columns on the right format. For this, the tidyverse packages are extremely useful. Here, we will be using the packages `

Functions to import data

read_csv(): comma separated (CSV) files
read_tsv(): tab separated files
read_delim(): general delimited files
read_fwf(): fixed width files
read_table(): tabular files where columns are separated by white-space.
read_log(): web log files

Functions to Tame your data: Parse Family

parse_logical
parse_integer
parse_factor
parse_character
parse_date

You can you this function to fix and to identify problems on your variables.

# Numeric
x <- c("1", "2", "3")
parse_number(x)

[1] 1 2 3

# Character

names <- c("Tiago", "Augusto", "ventura", 3)
parse_character(names)

[1] "Tiago"   "Augusto" "ventura" "3"

# Or date

parse_date("30 december 1988", format = "%d %B %y")

[1] NA

parse_date("30 december 1988", format = "%d %B %Y")

[1] "1988-12-30"

# More interesting: Return the error for you

x <- c("1", "2", "3", "tiago")
parse_number(x)

[1]  1  2  3 NA
attr(,"problems")
# A tibble: 1 x 4
    row   col expected actual
  <int> <int> <chr>    <chr> 
1     4    NA a number tiago

# Also

x <- c("10%", "$1000", "10 reais")
parse_number(x)

[1]   10 1000   10

You can use all the parse functions when opening your data just replacing parse_* by col_*

got_cd <- read_csv("character-deaths.csv")
glimpse(got_cd)

Observations: 917
Variables: 13
$ name          <chr> "Addam Marbrand", "Aegon Frey (Jinglebell)", "Ae...
$ Allegiances   <chr> "Lannister", "None", "House Targaryen", "House G...
$ Death_y       <chr> "na", "299", NA, "300", NA, NA, "300", "300", NA...
$ Book_Death    <chr> NA, "3", "na", "5", NA, NA, "4", "5", NA, NA, "2...
$ Death_Chapter <chr> NA, "51", ".", "20", NA, NA, "35", NA, NA, NA, "...
$ Book_Intro    <chr> "56", "49", "5", "20", ",", NA, "21", "59", "11"...
$ Gender        <int> 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 0, 1, 1, ...
$ Nobility      <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 1, 0, 1, 0, ...
$ GoT           <int> 1, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 1, 0, 0, 1, 1, ...
$ CoK           <int> 1, 0, 0, 0, 0, 1, 0, 1, 1, 0, 1, 1, 1, 1, 0, 0, ...
$ SoS           <int> 1, 1, 0, 0, 1, 1, 1, 1, 0, 1, 0, 1, 1, 0, 0, 0, ...
$ FfC           <int> 1, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 1, 0, ...
$ DwD           <int> 0, 0, 1, 1, 0, 0, 0, 1, 0, 0, 0, 1, 1, 0, 0, 0, ...

Some numerical variables come out as characters

# Fix

got_cd <- read_csv("character-deaths.csv", col_types = cols(Death_y = col_number(), 
    Book_Death = col_number(), Death_Chapter = col_number(), Book_Intro = col_number()))

glimpse(got_cd)

Observations: 917
Variables: 13
$ name          <chr> "Addam Marbrand", "Aegon Frey (Jinglebell)", "Ae...
$ Allegiances   <chr> "Lannister", "None", "House Targaryen", "House G...
$ Death_y       <dbl> NA, 299, NA, 300, NA, NA, 300, 300, NA, NA, 299,...
$ Book_Death    <dbl> NA, 3, NA, 5, NA, NA, 4, 5, NA, NA, 2, NA, 5, NA...
$ Death_Chapter <dbl> NA, 51, NA, 20, NA, NA, 35, NA, NA, NA, 56, NA, ...
$ Book_Intro    <dbl> 56, 49, 5, 20, NA, NA, 21, 59, 11, 0, 50, 54, 18...
$ Gender        <int> 1, 1, 1, 1, 1, 1, 1, 0, 1, 1, 1, 1, 1, 0, 1, 1, ...
$ Nobility      <int> 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 1, 0, 1, 0, ...
$ GoT           <int> 1, 0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 1, 0, 0, 1, 1, ...
$ CoK           <int> 1, 0, 0, 0, 0, 1, 0, 1, 1, 0, 1, 1, 1, 1, 0, 0, ...
$ SoS           <int> 1, 1, 0, 0, 1, 1, 1, 1, 0, 1, 0, 1, 1, 0, 0, 0, ...
$ FfC           <int> 1, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0, 0, 0, 1, 0, ...
$ DwD           <int> 0, 0, 1, 1, 0, 0, 0, 1, 0, 0, 0, 1, 1, 0, 0, 0, ...

# Check the problem

problems(got_cd)

# A tibble: 4 x 5
    row col           expected actual file                  
  <int> <chr>         <chr>    <chr>  <chr>                 
1     1 Death_y       a number na     'character-deaths.csv'
2     3 Book_Death    a number na     'character-deaths.csv'
3     3 Death_Chapter a number .      'character-deaths.csv'
4     5 Book_Intro    a number ,      'character-deaths.csv'

# Proper Fix
got_cd <- read_csv("character-deaths.csv", col_types = cols(Death_y = col_number(), 
    Book_Death = col_number(), Death_Chapter = col_number(), Book_Intro = col_number()), 
    na = c("", "NA", "na", ".", ","))

got_cd

# A tibble: 917 x 13
   name  Allegiances Death_y Book_Death Death_Chapter Book_Intro Gender
   <chr> <chr>         <dbl>      <dbl>         <dbl>      <dbl>  <int>
 1 Adda~ Lannister        NA         NA            NA         56      1
 2 Aego~ None            299          3            51         49      1
 3 Aego~ House Targ~      NA         NA            NA          5      1
 4 Adra~ House Grey~     300          5            20         20      1
 5 Aemo~ Lannister        NA         NA            NA         NA      1
 6 Aemo~ Baratheon        NA         NA            NA         NA      1
 7 Aemo~ Night's Wa~     300          4            35         21      1
 8 Aeny~ None            300          5            NA         59      0
 9 Aero~ House Grey~      NA         NA            NA         11      1
10 Aeth~ Night's Wa~      NA         NA            NA          0      1
# ... with 907 more rows, and 6 more variables: Nobility <int>, GoT <int>,
#   CoK <int>, SoS <int>, FfC <int>, DwD <int>

Tidy Data using tidyR

Tidy data is a fancy name for data in the long format. A data is tidy when:

Each variable must have its own column.
Each observation must have its own row.

Untidy data

date	home_team	away_team	Atlantic Cup	Brazil Independence Cup	Confederations Cup	Copa América	Copa Bernardo O’Higgins	Copa Oswaldo Cruz	Copa Rio Branco	Copa Roca	FIFA World Cup	FIFA World Cup qualification	Friendly	Gold Cup	Mundialito	Pan American Championship	USA Cup
1916-07-08	Brazil	Chile	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1916-07-12	Brazil	Uruguay	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1917-10-12	Brazil	Chile	NA	NA	NA	5	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1919-05-11	Brazil	Chile	NA	NA	NA	6	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1919-05-18	Brazil	Argentina	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1919-05-26	Brazil	Uruguay	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1919-05-29	Brazil	Uruguay	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1919-06-01	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1920-09-18	Brazil	Uruguay	NA	NA	NA	-6	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1921-10-12	Brazil	Paraguay	NA	NA	NA	3	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1921-10-23	Brazil	Uruguay	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1922-09-17	Brazil	Chile	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1922-09-24	Brazil	Paraguay	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1922-10-01	Brazil	Uruguay	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1922-10-15	Brazil	Argentina	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1922-10-22	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA
1922-10-22	Brazil	Paraguay	NA	NA	NA	3	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1922-10-29	Brazil	Paraguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1923-11-11	Brazil	Paraguay	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1923-11-22	Brazil	Paraguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1925-12-06	Brazil	Paraguay	NA	NA	NA	3	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1925-12-17	Brazil	Paraguay	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1930-07-14	Brazil	Yugoslavia	NA	NA	NA	NA	NA	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA
1930-08-01	Brazil	France	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1930-08-10	Brazil	Yugoslavia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA
1930-08-17	Brazil	USA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1931-09-06	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA
1934-05-27	Brazil	Spain	NA	NA	NA	NA	NA	NA	NA	NA	-2	NA	NA	NA	NA	NA	NA
1936-12-27	Brazil	Peru	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1937-01-03	Brazil	Chile	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1937-01-13	Brazil	Paraguay	NA	NA	NA	5	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1937-01-19	Brazil	Uruguay	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1938-06-05	Brazil	Poland	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA
1938-06-12	Brazil	Czechoslovakia	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA	NA
1938-06-14	Brazil	Czechoslovakia	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA
1938-06-16	Brazil	Italy	NA	NA	NA	NA	NA	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA
1938-06-19	Brazil	Sweden	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA
1939-01-15	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	-4	NA	NA	NA	NA	NA	NA	NA
1939-01-22	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA
1940-02-18	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA
1940-02-25	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	-3	NA	NA	NA	NA	NA	NA	NA
1940-03-24	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA	NA	NA
1940-03-31	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA
1942-01-14	Brazil	Chile	NA	NA	NA	5	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1942-01-21	Brazil	Peru	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1942-01-31	Brazil	Ecuador	NA	NA	NA	4	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1942-02-05	Brazil	Paraguay	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1944-05-14	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	5	NA	NA	NA	NA
1944-05-17	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA
1945-01-21	Brazil	Colombia	NA	NA	NA	3	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1945-02-07	Brazil	Uruguay	NA	NA	NA	3	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1945-02-21	Brazil	Ecuador	NA	NA	NA	7	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1945-12-16	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA	NA
1945-12-20	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA	NA	NA	NA
1945-12-23	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA
1946-01-23	Brazil	Uruguay	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1946-01-29	Brazil	Paraguay	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1946-02-03	Brazil	Chile	NA	NA	NA	4	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1947-04-01	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA
1949-04-03	Brazil	Ecuador	NA	NA	NA	8	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1949-04-10	Brazil	Bolivia	NA	NA	NA	9	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1949-04-13	Brazil	Chile	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1949-04-17	Brazil	Colombia	NA	NA	NA	5	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1949-04-24	Brazil	Peru	NA	NA	NA	6	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1949-04-30	Brazil	Uruguay	NA	NA	NA	4	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1949-05-08	Brazil	Paraguay	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1949-05-11	Brazil	Paraguay	NA	NA	NA	7	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1950-05-06	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA	NA	NA
1950-05-07	Brazil	Paraguay	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA
1950-05-13	Brazil	Paraguay	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA
1950-05-14	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA
1950-06-24	Brazil	Mexico	NA	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA	NA	NA
1950-06-28	Brazil	Switzerland	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA	NA
1950-07-01	Brazil	Yugoslavia	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA
1950-07-09	Brazil	Sweden	NA	NA	NA	NA	NA	NA	NA	NA	6	NA	NA	NA	NA	NA	NA
1950-07-13	Brazil	Spain	NA	NA	NA	NA	NA	NA	NA	NA	5	NA	NA	NA	NA	NA	NA
1950-07-16	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA
1952-04-06	Brazil	Mexico	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA
1952-04-10	Brazil	Peru	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA
1952-04-13	Brazil	Panama	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	5	NA
1952-04-16	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA
1953-03-12	Brazil	Ecuador	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1953-03-15	Brazil	Uruguay	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1953-03-23	Brazil	Chile	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1953-03-27	Brazil	Paraguay	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1953-04-01	Brazil	Paraguay	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1954-03-14	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA
1954-06-16	Brazil	Mexico	NA	NA	NA	NA	NA	NA	NA	NA	5	NA	NA	NA	NA	NA	NA
1954-06-19	Brazil	Yugoslavia	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA	NA
1954-06-27	Brazil	Hungary	NA	NA	NA	NA	NA	NA	NA	NA	-2	NA	NA	NA	NA	NA	NA
1955-09-18	Brazil	Chile	NA	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1955-09-20	Brazil	Chile	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1955-11-13	Brazil	Paraguay	NA	NA	NA	NA	NA	3	NA	NA	NA	NA	NA	NA	NA	NA	NA
1955-11-17	Brazil	Paraguay	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA
1956-01-24	Brazil	Chile	NA	NA	NA	-3	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1956-01-29	Brazil	Paraguay	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1956-02-01	Brazil	Peru	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1956-03-01	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA
1956-03-06	Brazil	Peru	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA
1956-03-13	Brazil	Costa Rica	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	6	NA
1956-06-24	Brazil	Uruguay	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1956-07-01	Brazil	Italy	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1956-08-05	Brazil	Czechoslovakia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	-1	NA	NA	NA	NA
1956-08-08	Brazil	Czechoslovakia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA
1957-03-13	Brazil	Chile	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1957-03-21	Brazil	Ecuador	NA	NA	NA	6	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1957-03-24	Brazil	Colombia	NA	NA	NA	9	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1957-03-28	Brazil	Uruguay	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1957-04-21	Brazil	Peru	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA
1957-06-11	Brazil	Portugal	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1957-06-16	Brazil	Portugal	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA
1957-07-07	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA	NA
1957-07-10	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA
1958-05-04	Brazil	Paraguay	NA	NA	NA	NA	NA	4	NA	NA	NA	NA	NA	NA	NA	NA	NA
1958-05-07	Brazil	Paraguay	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA
1958-05-14	Brazil	Bulgaria	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA
1958-05-18	Brazil	Bulgaria	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1958-06-11	Brazil	England	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA	NA
1958-06-15	Brazil	Russia	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA
1958-06-19	Brazil	Wales	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA
1958-06-24	Brazil	France	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA	NA	NA
1959-03-10	Brazil	Peru	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1959-03-15	Brazil	Chile	NA	NA	NA	3	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1959-03-26	Brazil	Uruguay	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1959-03-29	Brazil	Paraguay	NA	NA	NA	3	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1959-05-13	Brazil	England	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1959-09-17	Brazil	Chile	NA	NA	NA	NA	7	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1959-09-20	Brazil	Chile	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1959-12-05	Brazil	Paraguay	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1959-12-12	Brazil	Uruguay	NA	NA	NA	-3	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1960-03-06	Brazil	Mexico	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA
1960-03-15	Brazil	Mexico	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA
1960-06-29	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA
1960-07-12	Brazil	Argentina	4	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1961-06-29	Brazil	Paraguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1962-04-21	Brazil	Paraguay	NA	NA	NA	NA	NA	6	NA	NA	NA	NA	NA	NA	NA	NA	NA
1962-04-24	Brazil	Paraguay	NA	NA	NA	NA	NA	4	NA	NA	NA	NA	NA	NA	NA	NA	NA
1962-05-06	Brazil	Portugal	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1962-05-09	Brazil	Portugal	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1962-05-12	Brazil	Wales	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1962-05-16	Brazil	Wales	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1962-05-30	Brazil	Mexico	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA
1962-06-02	Brazil	Czechoslovakia	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA	NA
1962-06-06	Brazil	Spain	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA
1962-06-10	Brazil	England	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA
1962-06-17	Brazil	Czechoslovakia	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA
1963-03-10	Brazil	Peru	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1963-03-14	Brazil	Colombia	NA	NA	NA	4	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1963-03-17	Brazil	Paraguay	NA	NA	NA	-2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1963-03-27	Brazil	Ecuador	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1963-04-13	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA	NA
1963-04-16	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA	NA	NA	NA
1964-05-30	Brazil	England	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA
1964-06-03	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	-3	NA	NA	NA	NA
1964-06-07	Brazil	Portugal	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA
1965-06-02	Brazil	Belgium	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	5	NA	NA	NA	NA
1965-06-06	Brazil	Germany	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1965-06-09	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1965-09-07	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA
1965-11-21	Brazil	Hungary	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1965-11-21	Brazil	Russia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1966-05-14	Brazil	Wales	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1966-05-15	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1966-05-18	Brazil	Wales	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1966-05-19	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1966-06-04	Brazil	Peru	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA
1966-06-05	Brazil	Poland	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA
1966-06-08	Brazil	Peru	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1966-06-08	Brazil	Poland	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1966-06-12	Brazil	Czechoslovakia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1966-06-15	Brazil	Czechoslovakia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1966-07-12	Brazil	Bulgaria	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA
1966-07-15	Brazil	Hungary	NA	NA	NA	NA	NA	NA	NA	NA	-2	NA	NA	NA	NA	NA	NA
1966-07-19	Brazil	Portugal	NA	NA	NA	NA	NA	NA	NA	NA	-2	NA	NA	NA	NA	NA	NA
1968-06-09	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA
1968-06-12	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA	NA	NA	NA	NA
1968-08-07	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA
1968-08-11	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1968-10-31	Brazil	Mexico	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	-1	NA	NA	NA	NA
1968-11-03	Brazil	Mexico	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1968-12-14	Brazil	Germany	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1968-12-17	Brazil	Yugoslavia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1968-12-19	Brazil	Yugoslavia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1969-04-07	Brazil	Peru	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1969-04-09	Brazil	Peru	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1969-06-12	Brazil	England	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1969-08-21	Brazil	Colombia	NA	NA	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA	NA
1969-08-24	Brazil	Venezuela	NA	NA	NA	NA	NA	NA	NA	NA	NA	6	NA	NA	NA	NA	NA
1969-08-31	Brazil	Paraguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA
1970-03-04	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	-2	NA	NA	NA	NA
1970-03-08	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1970-03-22	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	5	NA	NA	NA	NA
1970-03-26	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1970-04-12	Brazil	Paraguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1970-04-29	Brazil	Austria	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1970-06-03	Brazil	Czechoslovakia	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA	NA	NA
1970-06-07	Brazil	England	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA
1970-06-10	Brazil	Romania	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA
1970-06-14	Brazil	Peru	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA
1970-06-17	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA
1970-06-21	Brazil	Italy	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA	NA	NA
1970-09-30	Brazil	Mexico	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1971-07-11	Brazil	Austria	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1971-07-14	Brazil	Czechoslovakia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1971-07-18	Brazil	Yugoslavia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1971-07-24	Brazil	Paraguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1972-04-26	Brazil	Paraguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1972-06-28	Brazil	Czechoslovakia	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1972-07-02	Brazil	Yugoslavia	NA	3	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1972-07-05	Brazil	Scotland	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1972-07-09	Brazil	Portugal	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1973-05-27	Brazil	Bolivia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	5	NA	NA	NA	NA
1974-03-31	Brazil	Mexico	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1974-04-07	Brazil	Czechoslovakia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1974-04-14	Brazil	Bulgaria	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1974-04-17	Brazil	Romania	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1974-04-21	Brazil	Haiti	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA
1974-04-28	Brazil	Greece	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1974-05-01	Brazil	Austria	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1974-05-05	Brazil	Ireland	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1974-05-12	Brazil	Paraguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1974-06-13	Brazil	Yugoslavia	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA	NA
1974-06-26	Brazil	German DR	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA
1974-07-06	Brazil	Poland	NA	NA	NA	NA	NA	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA
1975-03-09	Brazil	Portugal	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1975-08-06	Brazil	Argentina	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1975-08-13	Brazil	Venezuela	NA	NA	NA	6	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1975-09-30	Brazil	Peru	NA	NA	NA	-2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1976-04-28	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA
1976-05-19	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA
1976-05-23	Brazil	England	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1976-05-31	Brazil	Italy	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA
1976-06-09	Brazil	Paraguay	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA
1976-12-01	Brazil	Russia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1977-01-23	Brazil	Bulgaria	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1977-03-09	Brazil	Colombia	NA	NA	NA	NA	NA	NA	NA	NA	NA	6	NA	NA	NA	NA	NA
1977-03-20	Brazil	Paraguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA
1977-06-08	Brazil	England	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1977-06-12	Brazil	Germany	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1977-06-19	Brazil	Poland	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1977-06-23	Brazil	Scotland	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1977-06-26	Brazil	Yugoslavia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1977-06-30	Brazil	France	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1977-07-14	Brazil	Bolivia	NA	NA	NA	NA	NA	NA	NA	NA	NA	8	NA	NA	NA	NA	NA
1978-05-01	Brazil	Peru	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA
1978-05-17	Brazil	Czechoslovakia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1978-06-03	Brazil	Sweden	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA	NA
1978-06-07	Brazil	Spain	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA	NA
1978-06-14	Brazil	Peru	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA	NA	NA
1978-06-21	Brazil	Poland	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA
1978-06-24	Brazil	Italy	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA
1979-05-17	Brazil	Paraguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	6	NA	NA	NA	NA
1979-05-31	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA
1979-08-02	Brazil	Argentina	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1979-08-16	Brazil	Bolivia	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1979-10-31	Brazil	Paraguay	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1980-06-08	Brazil	Mexico	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1980-06-15	Brazil	Russia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	-1	NA	NA	NA	NA
1980-06-24	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1980-06-29	Brazil	Poland	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1980-08-27	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1980-10-30	Brazil	Paraguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	6	NA	NA	NA	NA
1980-12-21	Brazil	Switzerland	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1981-01-07	Brazil	Germany	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA
1981-03-14	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1981-03-22	Brazil	Bolivia	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA
1981-03-29	Brazil	Venezuela	NA	NA	NA	NA	NA	NA	NA	NA	NA	5	NA	NA	NA	NA	NA
1981-07-08	Brazil	Spain	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1981-10-28	Brazil	Bulgaria	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA
1982-01-26	Brazil	German DR	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1982-03-03	Brazil	Czechoslovakia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1982-03-21	Brazil	Germany	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1982-05-05	Brazil	Portugal	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1982-05-19	Brazil	Switzerland	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1982-05-27	Brazil	Ireland	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	7	NA	NA	NA	NA
1982-06-14	Brazil	Russia	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA
1982-06-18	Brazil	Scotland	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA	NA	NA
1982-06-23	Brazil	New Zealand	NA	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA	NA	NA
1983-04-28	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1983-09-01	Brazil	Ecuador	NA	NA	NA	5	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1983-09-14	Brazil	Argentina	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1983-10-20	Brazil	Paraguay	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1983-11-04	Brazil	Uruguay	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1984-06-10	Brazil	England	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	-2	NA	NA	NA	NA
1984-06-17	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1984-06-21	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1985-04-25	Brazil	Colombia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1985-04-28	Brazil	Peru	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	-1	NA	NA	NA	NA
1985-05-02	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1985-05-05	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1985-06-08	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1985-06-23	Brazil	Paraguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA
1985-06-30	Brazil	Bolivia	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA
1986-04-01	Brazil	Peru	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA
1986-04-08	Brazil	German DR	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA
1986-04-17	Brazil	Finland	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA
1986-04-30	Brazil	Yugoslavia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1986-05-07	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1986-06-06	Brazil	Algeria	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA
1986-06-16	Brazil	Poland	NA	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA	NA	NA
1986-06-21	Brazil	France	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA	NA
1987-06-21	Brazil	Ecuador	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA
1987-06-28	Brazil	Venezuela	NA	NA	NA	5	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1987-12-09	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1987-12-12	Brazil	Germany	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1988-07-13	Brazil	Saudi Arabia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA
1989-03-15	Brazil	Ecuador	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1989-04-12	Brazil	Paraguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1989-05-10	Brazil	Peru	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA
1989-06-08	Brazil	Portugal	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA
1989-06-16	Brazil	Sweden	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	-1	NA	NA	NA	NA
1989-07-01	Brazil	Venezuela	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1989-07-03	Brazil	Peru	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1989-07-07	Brazil	Colombia	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1989-07-09	Brazil	Paraguay	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1989-07-12	Brazil	Argentina	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1989-07-14	Brazil	Paraguay	NA	NA	NA	3	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1989-07-16	Brazil	Uruguay	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1989-07-23	Brazil	Japan	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1989-08-20	Brazil	Venezuela	NA	NA	NA	NA	NA	NA	NA	NA	NA	6	NA	NA	NA	NA	NA
1989-09-03	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA
1989-11-14	Brazil	Yugoslavia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1990-05-05	Brazil	Bulgaria	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1990-05-13	Brazil	German DR	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1990-06-10	Brazil	Sweden	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA
1990-06-16	Brazil	Costa Rica	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA
1990-06-20	Brazil	Scotland	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA
1990-06-24	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA
1990-11-08	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1991-02-27	Brazil	Paraguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1991-05-28	Brazil	Bulgaria	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA
1991-06-27	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1991-07-11	Brazil	Uruguay	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1991-07-13	Brazil	Colombia	NA	NA	NA	-2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1991-07-15	Brazil	Ecuador	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1991-07-19	Brazil	Colombia	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1991-10-30	Brazil	Yugoslavia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1991-12-18	Brazil	Czechoslovakia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1992-02-26	Brazil	USA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA
1992-04-15	Brazil	Finland	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1992-07-31	Brazil	Mexico	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	5	NA	NA	NA	NA
1992-09-23	Brazil	Costa Rica	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1992-11-25	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	-1	NA	NA	NA	NA
1992-12-16	Brazil	Germany	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1993-03-17	Brazil	Poland	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1993-06-10	Brazil	Germany	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0
1993-06-13	Brazil	England	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0
1993-06-18	Brazil	Peru	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1993-06-21	Brazil	Chile	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1993-06-24	Brazil	Paraguay	NA	NA	NA	3	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1993-06-27	Brazil	Argentina	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1993-07-14	Brazil	Paraguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1993-08-08	Brazil	Mexico	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1993-08-22	Brazil	Ecuador	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA
1993-08-29	Brazil	Bolivia	NA	NA	NA	NA	NA	NA	NA	NA	NA	6	NA	NA	NA	NA	NA
1993-09-05	Brazil	Venezuela	NA	NA	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA	NA
1993-09-19	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA
1994-03-23	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1994-05-04	Brazil	Iceland	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA
1994-06-20	Brazil	Russia	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA
1994-06-24	Brazil	Cameroon	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA	NA	NA
1994-06-28	Brazil	Sweden	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA	NA
1994-07-17	Brazil	Italy	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA	NA
1994-12-23	Brazil	Serbia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1995-02-22	Brazil	Slovakia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	5	NA	NA	NA	NA
1995-03-29	Brazil	Honduras	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1995-06-04	Brazil	Sweden	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1995-06-06	Brazil	Japan	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA
1995-07-07	Brazil	Ecuador	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1995-07-10	Brazil	Peru	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1995-07-13	Brazil	Colombia	NA	NA	NA	3	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1995-07-17	Brazil	Argentina	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1995-10-11	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1995-12-20	Brazil	Colombia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1996-01-12	Brazil	Canada	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA
1996-03-27	Brazil	Ghana	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	6	NA	NA	NA	NA
1996-10-16	Brazil	Lithuania	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1996-11-13	Brazil	Cameroon	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1996-12-18	Brazil	Bosnia-Herzegovina	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
1997-02-26	Brazil	Poland	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1997-04-02	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA
1997-04-30	Brazil	Mexico	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA
1997-06-13	Brazil	Costa Rica	NA	NA	NA	5	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1997-06-16	Brazil	Mexico	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1997-06-19	Brazil	Colombia	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1997-06-22	Brazil	Paraguay	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1997-06-26	Brazil	Peru	NA	NA	NA	7	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1997-09-10	Brazil	Ecuador	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1997-10-09	Brazil	Morocco	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1997-11-11	Brazil	Wales	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA
1997-12-16	Brazil	Mexico	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1997-12-19	Brazil	Czech Republic	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1997-12-21	Brazil	Australia	NA	NA	6	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1998-02-03	Brazil	Jamaica	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA
1998-02-05	Brazil	Guatemala	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA
1998-02-15	Brazil	Jamaica	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA
1998-04-29	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	-1	NA	NA	NA	NA
1998-06-10	Brazil	Scotland	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA
1998-06-16	Brazil	Morocco	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA	NA	NA
1998-06-23	Brazil	Norway	NA	NA	NA	NA	NA	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA
1998-06-27	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA	NA	NA
1998-07-03	Brazil	Denmark	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA
1998-07-07	Brazil	Netherlands	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA	NA
1998-09-23	Brazil	Serbia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1998-10-14	Brazil	Ecuador	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA
1998-11-18	Brazil	Russia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA
1999-06-05	Brazil	Netherlands	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
1999-06-08	Brazil	Netherlands	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1999-06-16	Brazil	Poland	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
1999-06-26	Brazil	Latvia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA
1999-06-30	Brazil	Venezuela	NA	NA	NA	7	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1999-07-03	Brazil	Mexico	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1999-07-06	Brazil	Chile	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1999-07-11	Brazil	Argentina	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1999-07-18	Brazil	Uruguay	NA	NA	NA	3	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1999-07-24	Brazil	Germany	NA	NA	4	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1999-07-28	Brazil	USA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1999-08-01	Brazil	Saudi Arabia	NA	NA	6	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1999-09-07	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
2000-04-26	Brazil	Ecuador	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA
2000-06-28	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA
2000-07-26	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA
2000-09-03	Brazil	Bolivia	NA	NA	NA	NA	NA	NA	NA	NA	NA	5	NA	NA	NA	NA	NA
2000-11-15	Brazil	Colombia	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA
2001-04-25	Brazil	Peru	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA
2001-05-31	Brazil	Cameroon	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2001-07-12	Brazil	Mexico	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2001-07-15	Brazil	Peru	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2001-07-18	Brazil	Paraguay	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2001-07-23	Brazil	Honduras	NA	NA	NA	-2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2001-08-09	Brazil	Panama	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	5	NA	NA	NA	NA
2001-08-15	Brazil	Paraguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA
2001-10-07	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA
2001-11-14	Brazil	Venezuela	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA	NA
2002-01-31	Brazil	Bolivia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	6	NA	NA	NA	NA
2002-03-07	Brazil	Iceland	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	5	NA	NA	NA	NA
2002-03-27	Brazil	Serbia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
2002-06-03	Brazil	Turkey	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA
2002-06-08	Brazil	China	NA	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA	NA	NA
2002-06-17	Brazil	Belgium	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA
2002-06-26	Brazil	Turkey	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA
2002-08-21	Brazil	Paraguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	-1	NA	NA	NA	NA
2003-06-19	Brazil	Cameroon	NA	NA	-1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2003-06-21	Brazil	USA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2003-06-23	Brazil	Turkey	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2003-07-15	Brazil	Honduras	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA
2003-09-10	Brazil	Ecuador	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA
2003-10-12	Brazil	Jamaica	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
2003-11-19	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA
2004-06-02	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA
2004-07-08	Brazil	Chile	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2004-07-11	Brazil	Costa Rica	NA	NA	NA	3	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2004-07-14	Brazil	Paraguay	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2004-09-05	Brazil	Bolivia	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA
2004-10-13	Brazil	Colombia	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA
2005-03-27	Brazil	Peru	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA
2005-04-27	Brazil	Guatemala	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA
2005-06-05	Brazil	Paraguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA	NA
2005-06-16	Brazil	Greece	NA	NA	3	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2005-06-29	Brazil	Argentina	NA	NA	3	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2005-09-04	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	NA	5	NA	NA	NA	NA	NA
2005-10-12	Brazil	Venezuela	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA	NA
2006-06-04	Brazil	New Zealand	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA
2006-06-13	Brazil	Croatia	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA
2006-06-18	Brazil	Australia	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA
2006-06-27	Brazil	Ghana	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA	NA	NA
2006-07-01	Brazil	France	NA	NA	NA	NA	NA	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA
2006-10-10	Brazil	Ecuador	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
2007-03-24	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA
2007-03-27	Brazil	Ghana	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
2007-06-27	Brazil	Mexico	NA	NA	NA	-2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2007-07-01	Brazil	Chile	NA	NA	NA	3	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2007-07-04	Brazil	Ecuador	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2007-07-15	Brazil	Argentina	NA	NA	NA	3	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2007-10-17	Brazil	Ecuador	NA	NA	NA	NA	NA	NA	NA	NA	NA	5	NA	NA	NA	NA	NA
2007-11-21	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA
2008-03-26	Brazil	Sweden	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
2008-05-31	Brazil	Canada	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
2008-06-06	Brazil	Venezuela	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	-2	NA	NA	NA	NA
2008-09-10	Brazil	Bolivia	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA
2008-10-15	Brazil	Colombia	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA
2008-11-19	Brazil	Portugal	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA
2009-02-10	Brazil	Italy	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
2009-06-10	Brazil	Paraguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA
2009-06-15	Brazil	Egypt	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2009-10-14	Brazil	Venezuela	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA
2009-11-14	Brazil	England	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
2010-06-15	Brazil	Korea DPR	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA
2010-06-20	Brazil	Ivory Coast	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA
2010-06-28	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA	NA	NA
2010-10-11	Brazil	Ukraine	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
2011-03-27	Brazil	Scotland	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
2011-06-04	Brazil	Netherlands	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
2011-06-07	Brazil	Romania	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
2011-07-03	Brazil	Venezuela	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2011-07-09	Brazil	Paraguay	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2011-07-13	Brazil	Ecuador	NA	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2011-07-17	Brazil	Paraguay	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2011-09-05	Brazil	Ghana	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
2011-09-28	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
2011-11-14	Brazil	Egypt	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
2012-06-09	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	-1	NA	NA	NA	NA
2012-09-07	Brazil	South Africa	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
2012-09-10	Brazil	China	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	8	NA	NA	NA	NA
2012-09-19	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
2012-10-11	Brazil	Iraq	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	6	NA	NA	NA	NA
2012-11-14	Brazil	Colombia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
2013-04-24	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
2013-06-02	Brazil	England	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA
2013-06-09	Brazil	France	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA
2013-06-15	Brazil	Japan	NA	NA	3	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2013-06-19	Brazil	Mexico	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2013-06-22	Brazil	Italy	NA	NA	2	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2013-06-26	Brazil	Uruguay	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2013-06-30	Brazil	Spain	NA	NA	3	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2013-09-07	Brazil	Australia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	6	NA	NA	NA	NA
2013-09-10	Brazil	Portugal	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
2013-10-15	Brazil	Zambia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
2013-11-19	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
2014-06-03	Brazil	Panama	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	4	NA	NA	NA	NA
2014-06-06	Brazil	Serbia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
2014-06-12	Brazil	Croatia	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA
2014-06-17	Brazil	Mexico	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA	NA
2014-06-23	Brazil	Cameroon	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA	NA	NA
2014-06-28	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA	NA
2014-07-04	Brazil	Colombia	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA	NA
2014-07-08	Brazil	Germany	NA	NA	NA	NA	NA	NA	NA	NA	-6	NA	NA	NA	NA	NA	NA
2014-07-12	Brazil	Netherlands	NA	NA	NA	NA	NA	NA	NA	NA	-3	NA	NA	NA	NA	NA	NA
2015-03-29	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
2015-06-07	Brazil	Mexico	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA
2015-06-10	Brazil	Honduras	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
2015-06-14	Brazil	Peru	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2015-06-17	Brazil	Colombia	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2015-06-21	Brazil	Venezuela	NA	NA	NA	1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2015-06-27	Brazil	Paraguay	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2015-10-13	Brazil	Venezuela	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA
2015-11-17	Brazil	Peru	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA	NA
2016-03-25	Brazil	Uruguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA
2016-06-04	Brazil	Ecuador	NA	NA	NA	0	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2016-06-08	Brazil	Haiti	NA	NA	NA	6	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2016-06-12	Brazil	Peru	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2016-09-06	Brazil	Colombia	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA	NA
2016-10-06	Brazil	Bolivia	NA	NA	NA	NA	NA	NA	NA	NA	NA	5	NA	NA	NA	NA	NA
2016-11-10	Brazil	Argentina	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA	NA
2017-01-26	Brazil	Colombia	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	1	NA	NA	NA	NA
2017-03-28	Brazil	Paraguay	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA	NA
2017-08-31	Brazil	Ecuador	NA	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA
2017-10-10	Brazil	Chile	NA	NA	NA	NA	NA	NA	NA	NA	NA	3	NA	NA	NA	NA	NA
2018-06-17	Brazil	Switzerland	NA	NA	NA	NA	NA	NA	NA	NA	0	NA	NA	NA	NA	NA	NA
2018-06-22	Brazil	Costa Rica	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA
2018-07-02	Brazil	Mexico	NA	NA	NA	NA	NA	NA	NA	NA	2	NA	NA	NA	NA	NA	NA
2018-07-06	Brazil	Belgium	NA	NA	NA	NA	NA	NA	NA	NA	-1	NA	NA	NA	NA	NA	NA

Tidy Data

date	home_team	away_team	home_score	away_score	tournament	city	country	neutral
1872-11-30	Scotland	England	0	0	Friendly	Glasgow	Scotland	FALSE
1873-03-08	England	Scotland	4	2	Friendly	London	England	FALSE
1874-03-07	Scotland	England	2	1	Friendly	Glasgow	Scotland	FALSE
1875-03-06	England	Scotland	2	2	Friendly	London	England	FALSE
1876-03-04	Scotland	England	3	0	Friendly	Glasgow	Scotland	FALSE
1876-03-25	Scotland	Wales	4	0	Friendly	Glasgow	Scotland	FALSE
1877-03-03	England	Scotland	1	3	Friendly	London	England	FALSE
1877-03-05	Wales	Scotland	0	2	Friendly	Wrexham	Wales	FALSE
1878-03-02	Scotland	England	7	2	Friendly	Glasgow	Scotland	FALSE
1878-03-23	Scotland	Wales	9	0	Friendly	Glasgow	Scotland	FALSE

Gather (tidyR)

It collapses multiple columns into two columns. When people say reshaping your data, it is the same of tidying using gather.

gather(data, key="my_key", value="values_of_each_col", ...="col_you_have_want_to_distribute")

# Gathering our data together again.

d_untidy %>% gather(key = "key", value = "value", 4:18)

# A tibble: 8,280 x 5
   date       home_team away_team key          value
   <date>     <chr>     <chr>     <chr>        <int>
 1 1916-07-08 Brazil    Chile     Atlantic Cup    NA
 2 1916-07-12 Brazil    Uruguay   Atlantic Cup    NA
 3 1917-10-12 Brazil    Chile     Atlantic Cup    NA
 4 1919-05-11 Brazil    Chile     Atlantic Cup    NA
 5 1919-05-18 Brazil    Argentina Atlantic Cup    NA
 6 1919-05-26 Brazil    Uruguay   Atlantic Cup    NA
 7 1919-05-29 Brazil    Uruguay   Atlantic Cup    NA
 8 1919-06-01 Brazil    Argentina Atlantic Cup    NA
 9 1920-09-18 Brazil    Uruguay   Atlantic Cup    NA
10 1921-10-12 Brazil    Paraguay  Atlantic Cup    NA
# ... with 8,270 more rows

# Fixing the Na

d_untidy %>% gather(key = "key", value = "value", 4:18, na.rm = TRUE)

# A tibble: 552 x 5
   date       home_team away_team      key                     value
 * <date>     <chr>     <chr>          <chr>                   <int>
 1 1956-06-24 Brazil    Uruguay        Atlantic Cup                2
 2 1960-07-12 Brazil    Argentina      Atlantic Cup                4
 3 1972-06-28 Brazil    Czechoslovakia Brazil Independence Cup     0
 4 1972-07-02 Brazil    Yugoslavia     Brazil Independence Cup     3
 5 1972-07-05 Brazil    Scotland       Brazil Independence Cup     1
 6 1972-07-09 Brazil    Portugal       Brazil Independence Cup     1
 7 1997-12-16 Brazil    Mexico         Confederations Cup          1
 8 1997-12-19 Brazil    Czech Republic Confederations Cup          2
 9 1997-12-21 Brazil    Australia      Confederations Cup          6
10 1999-07-24 Brazil    Germany        Confederations Cup          4
# ... with 542 more rows

# Graphing

d_untidy %>% 
select(1:3, contains("FIFA")) %>% gather(key = "key", value = "value", 4:5, 
    factor_key = TRUE, na.rm = TRUE) %>% 
group_by(key, away_team) %>% 
summarise(mean_brazil = mean(value)) %>% 
ggplot(., aes(y = mean_brazil, x = away_team, group = away_team, fill = key)) + 
    
geom_col(position = "dodge") + 
coord_flip() + 
geom_hline(yintercept = 0, alpha = 0.3, color = "blue") + 
facet_wrap(~key) + 
theme_minimal()

Separate

separate(data, col="one_you_want_to_separate", into="division", sep="regular_expression")

d_untidy %>% 
separate(col = date, into = c("year", "month", "day"))

# A tibble: 552 x 20
   year  month day   home_team away_team `Atlantic Cup` `Brazil Indepen~
   <chr> <chr> <chr> <chr>     <chr>              <int>            <int>
 1 1916  07    08    Brazil    Chile                 NA               NA
 2 1916  07    12    Brazil    Uruguay               NA               NA
 3 1917  10    12    Brazil    Chile                 NA               NA
 4 1919  05    11    Brazil    Chile                 NA               NA
 5 1919  05    18    Brazil    Argentina             NA               NA
 6 1919  05    26    Brazil    Uruguay               NA               NA
 7 1919  05    29    Brazil    Uruguay               NA               NA
 8 1919  06    01    Brazil    Argentina             NA               NA
 9 1920  09    18    Brazil    Uruguay               NA               NA
10 1921  10    12    Brazil    Paraguay              NA               NA
# ... with 542 more rows, and 13 more variables: `Confederations
#   Cup` <int>, `Copa América` <int>, `Copa Bernardo O'Higgins` <int>,
#   `Copa Oswaldo Cruz` <int>, `Copa Rio Branco` <int>, `Copa Roca` <int>,
#   `FIFA World Cup` <int>, `FIFA World Cup qualification` <int>,
#   Friendly <int>, `Gold Cup` <int>, Mundialito <int>, `Pan American
#   Championship` <int>, `USA Cup` <int>

# Here, the default is to separate any sequence of non-alphanumeric values.

# Unite() does the opposite

Spread

The opposite of gather. It transforms your data from wide to long

# Tournaments Oppenents on the column

d %>% select(1:5, tournament) %>% 
filter(home_team == "Brazil") %>% 
mutate(diff = home_score - away_score) %>% 
spread(key = tournament, value = diff) %>% 
dplyr::select(-contains("score"))

# A tibble: 552 x 18
   date       home_team away_team `Atlantic Cup` `Brazil Indepen~
   <date>     <chr>     <chr>              <int>            <int>
 1 1916-07-08 Brazil    Chile                 NA               NA
 2 1916-07-12 Brazil    Uruguay               NA               NA
 3 1917-10-12 Brazil    Chile                 NA               NA
 4 1919-05-11 Brazil    Chile                 NA               NA
 5 1919-05-18 Brazil    Argentina             NA               NA
 6 1919-05-26 Brazil    Uruguay               NA               NA
 7 1919-05-29 Brazil    Uruguay               NA               NA
 8 1919-06-01 Brazil    Argentina             NA               NA
 9 1920-09-18 Brazil    Uruguay               NA               NA
10 1921-10-12 Brazil    Paraguay              NA               NA
# ... with 542 more rows, and 13 more variables: `Confederations
#   Cup` <int>, `Copa América` <int>, `Copa Bernardo O'Higgins` <int>,
#   `Copa Oswaldo Cruz` <int>, `Copa Rio Branco` <int>, `Copa Roca` <int>,
#   `FIFA World Cup` <int>, `FIFA World Cup qualification` <int>,
#   Friendly <int>, `Gold Cup` <int>, Mundialito <int>, `Pan American
#   Championship` <int>, `USA Cup` <int>

Extra functions and packages on data manipulation

case_when(): replacement for if else.
fct_relevel() : to work with factors.
ludibrate package for working with dates.
stringr package to work with strings.

Quick example of lubridate

Cheat sheet here

library(lubridate)

ymd("2013-september, 20")

[1] "2013-09-20"

mdy("dec 30 1988")

[1] "1988-12-30"

# With mutate: Number of goals per year


d_time <- d %>% 
  
  mutate(year= year(date), 
         month= month(date)) %>%
  
  mutate(interval = interval(date,today()),
         time_span= as.period(interval), 
         in_months = interval / months(6)) %>% # per semester %>%
  
  group_by(year) %>% 
  
  summarize(total_gols= sum(home_score + away_score)) %>% 
  
  
  ggplot(., aes(y=total_gols, x=year)) + 
  
  geom_point( color="pink") + 
  
  geom_smooth(method="loess",span=.1,colour="blue") +
  
  labs(title="",
          x="Years", y="Number of gols") +
  
  theme_minimal()

Quick example stringR

Cheat sheet here

library(conflicted)
conflict_prefer("filter", "dplyr")


# everything starts with str
got <- read_csv("battles.csv")

got_red <- got %>% 
mutate(attacker_king = str_to_lower(attacker_king), stark = str_detect(attacker_king, 
    "stark"), attacker_king = str_replace_all(attacker_king, "joffrey/tommen baratheon", 
    "cersey lannister"), attacker_no_endspace = str_trim(attacker_king)) %>% 
    
select(attacker_king, stark, major_death) %>% 
bind_cols(., as_data_frame(str_split(.$attacker_king, pattern = fixed(" "), 
    simplify = TRUE, n = 2)))

print(got_red)

# A tibble: 38 x 5
   attacker_king       stark major_death V1          V2       
   <chr>               <lgl>       <int> <chr>       <chr>    
 1 cersey lannister    FALSE           1 cersey      lannister
 2 cersey lannister    FALSE           1 cersey      lannister
 3 cersey lannister    FALSE           0 cersey      lannister
 4 robb stark          TRUE            1 robb        stark    
 5 robb stark          TRUE            1 robb        stark    
 6 robb stark          TRUE            0 robb        stark    
 7 cersey lannister    FALSE           0 cersey      lannister
 8 balon/euron greyjoy FALSE           0 balon/euron greyjoy  
 9 balon/euron greyjoy FALSE           0 balon/euron greyjoy  
10 balon/euron greyjoy FALSE           0 balon/euron greyjoy  
# ... with 28 more rows

got_red %>% 
na.omit() %>% 
count(V2) %>% 
ggplot(., aes(y = n, x = V2)) + 
geom_col(fill = "tomato2", alpha = 0.8, color = "black") + theme_minimal() + 
    
labs(title = "Major Deaths in the battle", y = "Total Number", x = "King Attacking")

Extra Material

Data Visualization on ggplot2

ggplot2 is a package from tidyverse. It shares the logic of the tidyverse using simple, intuitive functions and working well with pipes. It produces amazing graphs, and allows one to easily combine different features, layers, and information on the same graph.

See this link to get some examples of ggplot graphs

Two importants principles

      - Graphics are distinct layers of elements

      - Meaninful plots work mapping the aesthetics.

Elements

      - Data
      
      - Aesthetics : scales

      - Geometries : visual elements

Basic workflow

GGplot work on layers. The grammar works pilling up different layers.

First layer: data

Second layer: Aesthetics.

What is your x?
what is your y?
Are you groupping on something
Here you add variations on the plot (color, fill, transparency, shape)

Third Layer: Geometries

geom_histogram() : histogram
geom_bar() : bar plot
geom_line() : line plot
geom_point() : scatter plot
geom_boxplot() : box plot
geom_density() : density plot
geom_dotplot() : dot plot
geom_violin() : violin plot

Other Layers: Customization

theme_bw() : black and white
theme_classic() : old school no grids
theme_dark() : dark theme
theme_minimal() : minimal theme
theme_void() : no theme
scale_*aes*_() : To change the aesthetichs
labs (): for labels
xlim() or ylim(): for limits

Example: Electoral data in Brazil

geom_point

load("data-venturareplication.rda")

df <- df %>% mutate(treat = ifelse(rankvote == 1, 1, 0)) %>% dplyr::filter(vote_margin_share != 
    1, vote_margin_share != -1)


ggplot(df, aes(x = vote_margin_share, y = vs_party, color = factor(treat, labels = c("Control", 
    "Treatment")))) + geom_point(shape = 21, alpha = 0.2) + 
scale_color_brewer(NULL, type = "qual", palette = 6) + 
guides(colour = guide_legend("Region", override.aes = list(alpha = 1))) + 
geom_vline(aes(xintercept = 0), color = "grey", size = 1, linetype = "dashed") + 
    

labs(x = "Margin of victory on local executive election", y = "Vote of the party on the next legislative election", 
    title = "RD effect for reverse cottail in Brazil")

Geom_smooth

ggplot(df, aes(x = vote_margin_share, y = vs_party, group = as.factor(treat), 
    fill = as.factor(treat))) + geom_smooth() + geom_vline(aes(xintercept = 0), 
    color = "grey", size = 1, linetype = "dashed") + labs(x = "Margin of victory on local executive election", 
    y = "Vote of the party on the next legislative election", title = "RD effect for reverse cottail in Brazil") + 
    theme_minimal()

Using facet_wrap

ggplot(df, aes(x = vote_margin_share, y = vs_party, group = as.factor(treat), 
    fill = as.factor(treat))) + 
geom_smooth() + 
geom_vline(aes(xintercept = 0), color = "grey", size = 1, linetype = "dashed") + 
    
labs(x = "Margin of victory on local executive election", y = "Vote of the party on the next legislative election", 
    title = "RD effect for reverse cottail in Brazil") + 
theme_bw() + 
facet_wrap(~ANO_ELEICAO) + 
theme(legend.position = "None")

Geom_errorbar

library(broom)

# Model
mod.1 <- lm(vs_party ~ treat + vote_margin_share + I(vote_margin_share^2) + 
    I(vote_margin_share^3) + I(treat * vote_margin_share) + I(treat * vote_margin_share^2) + 
    I(treat * vote_margin_share^3), data = df)

# summary(mod.1)
result <- tidy(mod.1) %>% mutate(upper = estimate + std.error * 1.96, lower = estimate - 
    std.error * 1.96, col = ifelse(estimate > 0, "Positive", "Negative"))



## Graph

ggplot(result, aes(y = estimate, x = term, fill = col)) + 
geom_point(alpha = 1, shape = 21, size = 2, colour = "black") + 
geom_errorbar(aes(ymax = upper, ymin = lower), colour = "black", fill = "black", 
    alpha = 0.5) + 
ylab("Estimates") + 
geom_hline(aes(yintercept = 0), color = "lightcoral") + 
coord_flip() + 
xlab("") + 
ggthemes::theme_fivethirtyeight() + 
theme(legend.position = "None")

geom_col

conflict_prefer("filter", "dplyr")

d_top10 <- df %>% 
filter(treat == 1) %>% 
group_by(ANO_ELEICAO, SIGLA_PARTIDO.x) %>% 
summarise(mayor = n()) %>% 
top_n(10)


ggplot(d_top10, aes(x = as.factor(ANO_ELEICAO), y = mayor)) + 
geom_col(fill = "tomato2", alpha = 0.8, color = "black", width = 0.5) + 
labs(title = "Number of Mayors elected by party and year", y = "", x = "") + 
    
facet_wrap(~SIGLA_PARTIDO.x)

Multiple Layers

Take as granted the data I am showing below. It is a seats and votes model I run for the multilevel seminar using roll-call votes data in the United States House.

load("seats_votes.Rdata")

ggplot(us_data, aes(y = seatshare, x = v)) + 
geom_point(aes(color = party), alpha = 0.5) + 

geom_abline(color = "gray") + 
ylab("Seat Share") + xlab("Vote Share") + 
geom_line(data = cen, aes(y = cen$p, x = v), color = "black") + 
scale_color_manual(values = c("red", "blue", "purple"), labels = c("Democrats", 
    "Republican", "Other"), name = "Party") + theme_minimal() + 
annotate("label", label = paste("Majoritarian Bias equal to ", round(my.coef[1], 
    digits = 3)), y = 0.8, x = 0.2)