Preparando dados

O script abaixo faz várias coisas:

• Pega os dados brutos e calcula a média dos valores
• Calcula novas variáveis para forma de folha e forma de estames (neste exemplo são úteis)
• Você explicita conjuntos de variáveis (colunas vegetativos, reprodutivos, qualitativos) e com isso:
  • checa o número de amostras que pode comparar com cada variável e elimina variáveis que permitem poucas comparações
  • checa as correlações entre variáveis de cada conjunto e a distribuição dos valores de cada variável
  • identifica variáveis muito correlacionadas e decide se quer eliminar elas dos dados por dizerem a mesma coisa e minimizar efeito de dar muito peso a variáveis muito correlacionadas (e.g. tamanho de partes).
• Calcula a matriz de distância morfológica incluindo valores ausentes (e normatizando valores entre 0 e 1 - Gower)
• Gera um conjunto de dados a partir dessa matriz de distância (dadosMORFOnmds.csv)

• dadosmorfobrutos.csv - dado usado para construir os scripts abaixo
• funcoesnecessarias.r - várias funções utilizadas nestes tutoriais

Você deverá adequar aos seus dados para que funcione adequadamente (especificamente os nomes das colunas para os conjuntos de dados)

#apaga todos os objetos
rm(list=ls())
 
#carrega pacotes e funcoes necessarias
source("funcoesNecessarias.R")
 
#define caminho e arquivos
  #para ler
    dados.brutos = 'dadosParaAnalises/dadosMorfoBrutos.csv'
  #para salvar
    #caminhos para salvar as figuras, tabelas e dados gerados pelo script
      #ira repor arquivos com o mesmo nome se ja gerados
      #ira criar essa pasta se não houve no diretorio atual de trabalho (getwd())
      pathparafiguras= "figuras"
      pathparatabelas= "tabelas"
      pathparadados = "dadosParaAnalises"
 
#le os dados brutos, com variaveis ordinais e nominais codificadas como numeros ou 0 e 1
dad.morfo.bruto = read.table(file=dados.brutos,sep='\t',na.strings=c("NA",""),row.names = 1,as.is=T,header=T)
 
#obtendo os valores médios de cada amostra
dados.media = aplicamedia(dad.morfo.bruto)
 
#Qual o número de variáveis para cada amostra?
#para cada amostra qual o número mínimo de amostras com quem pode comparar?
 
#classifique MANUALMENTE suas variáveis
#pode adicionar novas classes além dos exemplos abaixo
 
#nome das colunas das variaveis vegetativas quantitativas
veg.quant = c("FOL_COMDOPEC",  "FOL_ESPDOPEC",  "FOL_COMDALAMFOL",  "FOL_LARDALAM",  "FOL_ALTDAMAXLAR") 
#nome das colunas das variaveis vegetativas categoricas 
#ou seja, todas as variaveis que originalmente eram categoricas
veg.quali = c("IND_GEMAPIDEN",  "IND_GEMAPITIP_aracnoide",  "IND_GEMAPITIP_simplesereto", "IND_LAMABADEN",  "IND_LAMABATIP")
 
#nome das variaveis reprodutivas quantitativas
flor.quant= c("FLO_COMDOPED",  "FLO_DIADOPED",  "FLO_COMMAXDAFLO",  "FLO_DIADAFLO",  "AND_PREDEGLANOSESTDOVERIII",   "AND_COMESTVERI",   "FLO_LARESTVERI",   "AND_COMESTVERII",   "AND_LARESTVERII",   "COR_COMDOSESTDOVERIII",   "AND_LARDOSESTVERIII","FLO_DIAMAXDOOVA",   "GIN_COMDOPIS")
 
#nome das colunas das variaveis vegetativas categoricas 
#ou seja, todas as variaveis que originalmente eram categoricas
flor.quali = c( "IND_TEPNAFACEXTDEN",   "IND_TEPNAFACEXTTIP_aracnoide",   "IND_TEPNAFACEXTTIP_simpleadpresso",   "IND_TEPNAFACEXTTIP_simpleeretos",    "IND_TUBFLOINTDEN",   "IND_TUBFLOINTTIP_aracnoide",   "IND_TUBFLOINTTIP_simpleadpresso",   "IND_TUBFLOINTTIP_simpleeretos")
 
#se quiser eliminar algumas colunas que entraram por engano
#informe aqui
eliminadas = c("FOL_LARDALAMNAMET",  "COL_ALT",  "COL_DAP")
 
#para cada conjunto de variaveis, conta para cada variavel o número de amostras que ela permite comparar
contaramostraporvar <- function(y,dd) {
  yy = as.numeric(as.vector(dd[,y]))
  sum(!is.na(yy))
}
pd.veg.quant = sapply(veg.quant,contaramostraporvar,dd=dados.media)
pd.veg.ind = sapply(veg.quali,contaramostraporvar,dd=dados.media)
pd.flor.quant = sapply(flor.quant,contaramostraporvar,dd=dados.media)
pd.flor.ind = sapply(flor.quali,contaramostraporvar,dd=dados.media)
#junta tudo
mm1 = data.frame(CATEG="Vegetativos Quantitativos",NAMOSTRAS=pd.veg.quant)
mm2 = data.frame(CATEG="Vegetativos Qualitativos",NAMOSTRAS=pd.veg.ind)
mm3 = data.frame(CATEG="Flor Quantitativo",NAMOSTRAS=pd.flor.quant)
mm4 = data.frame(CATEG="Flor Qualitativos",NAMOSTRAS=pd.flor.ind)
mm = rbind(mm1,mm2,mm3,mm4)
tbb = table(mm$NAMOSTRAS)
tbb = as.data.frame(tbb)
row.names(tbb)= tbb[,1]
categs = levels(as.factor(mm$CATEG))
for(l in 1:length(categs)){
  vl = as.factor(mm$CATEG)==categs[l]
  tbb1 = table(mm$NAMOSTRAS[vl])
  tbb[,categs[l]] = NA
  tbb[names(tbb1),categs[l]] = tbb1 
}
tbb = tbb[,-1]
tbb = as.matrix(tbb[,-1])
tbb = t(tbb)
dir.create(pathparafiguras)
dir.create(pathparatabelas)
dir.create(pathparadados)
pdf(paste(pathparafiguras,"/01_amostrasPorvariaveis.pdf",sep=""),width=8.5,height=10)
par(las=1,mar=c(4,12,3,2))
barplot(tbb,beside=T,col=c("green","red","blue","yellow"),horiz=T,ylab="Número de amostras",xlab="Número de variáveis")
legend(x=2,y=30,legend=row.names(tbb),pch=22,pt.bg=c("green","red","blue","yellow"),ncol=1,cex=0.8)
dev.off()
 
#tem variaveis que permitem comparar poucas amostras?
#qual o mínimo aceitável para inclusão na análise
#ou seja, quais variaveis devem ser eliminadas porque tem 
#muitos valores ausentes na coluna
#melhor eliminar essas variaveis dos dados
#pois terão pouco efeito de qualquer forma nas comparacoes
 
#Qual o numero mínimo de amostras para incluir a variavel?
n.minimo = 5 
vl = mm$NAMOSTRAS<=n.minimo
#então quais elimina?
quais.vars = rownames(mm[vl,])
 
#elimina essas colunas dos dados.media
#e das listas de categorias
rn = colnames(dados.media)
rn = rn[!rn%in%quais.vars]
dados.media = dados.media[,rn]
veg.quant = veg.quant[!veg.quant%in%quais.vars]
veg.quali= veg.quali[!veg.quali%in%quais.vars]
flor.quant= flor.quant[!flor.quant%in%quais.vars]
flor.quali= flor.quali[!flor.quali%in%quais.vars]
 
#definindo similaridades:
#1) qual importancia das variáveis medidas
#2) elas expressam de fato o que eu considero informativo no meu grupo?
 
 
####FORMA DE FOLHAS
#por exemplo. Eu quero definir minhas variaveis
#de acordo com o que eu percebo que é importante.
#Eu medi folhas mas acho que a forma da folha expressa pelas 
#seguintes variáveis melhor descreve os padrões que eu percebo 
#nas minhas amostras:
#a) As folhas variam na proporcao entre largura e comprimento da lamina (há folhas mais obovadas, outras mais elípticas e outras mais redondas)
#isso pode ser codificado em duas razoes numéricas:
#a.1) máxima largura dividida pelo comprimento da lamina (forma da lâmina) - FORMA01 
 
#salva figuras das variaveis criadas num arquivo
pdf(paste(pathparafiguras,"/02_formaFolhas.pdf",sep=""),width=8.5,height=10)
FORMA01 = dados.media$FOL_LARDALAM/dados.media$FOL_COMDALAMFOL
par(mfrow=c(3,1),las=1,mar=c(5,4,3,3),mgp=c(2.5,0.5,0),cex.axis=0.8,tck=-0.01)
h = hist(FORMA01,breaks =30,col='blue',xlim=c(0,max(FORMA01,na.rm = T)+min(FORMA01,na.rm=T)),ylab ="Número amostras",xlab="Forma01 = (máxima largura/comprimento) da Lâmina Foliar",main="")
text(h$mids[1],h$counts[1]+0.5,labels="Folhas + estreitas",srt=90,adj=c(0,0.5),cex=0.8)
text(h$mids[length(h$mids)],h$counts[length(h$counts)]+0.5,labels="Folhas + arredondadas",srt=90,adj=c(0,0.5),cex=0.8)
 
#b) outra medida que mostra se lâmina é mais obovada, elíptica ou ovada, é a razao entre a altura da máxima largura e comprimento total
FORMA02 = dados.media$FOL_ALTDAMAXLAR/dados.media$FOL_COMDALAMFOL
par(las=1,mar=c(5,4,3,2),mgp=c(2.5,0.5,0),cex.axis=0.8,tck=-0.01)
h <- hist(FORMA02,breaks =30,col='red',xlim=range(FORMA02,na.rm=T)+c(-0.1,+0.1),ylab ="Número amostras",xlab="Forma02 = (altura da máxima largura/comprimento) da Lâmina Foliar",main="")
text(h$mids[1],h$counts[1]+0.5,labels="Folhas + elípticas",srt=90,adj=c(0,0.5),cex=0.8)
text(h$mids[length(h$mids)],h$counts[length(h$counts)]+0.5,labels="Folhas + obovadas",srt=90,adj=c(0,0.5),cex=0.8)
 
#c)uma última variável de forma, é a proporçao da folha que é peciolo, ou seja do comprimento total da folha, quanto é peciolo. Isso mostra porporcionalmente se o peciolo é muito pequeno ou se a folha é peciolada
FORMA03 = dados.media$FOL_COMDOPEC/(dados.media$FOL_COMDOPEC+dados.media$FOL_COMDALAMFOL)
par(las=1,mar=c(5,4,3,2),mgp=c(2.5,0.5,0),cex.axis=0.8,tck=-0.01)
h <- hist(FORMA03,breaks =30,col='green',xlim=range(FORMA03,na.rm=T)+c(-0.04,+0.04),ylab ="Número amostras",xlab="Forma03 = (comprimento peciolo/comprimento da folha)",main="")
text(h$mids[1],h$counts[1]+0.5,labels="Folhas sésseis",srt=90,adj=c(0,0.5),cex=0.8)
text(h$mids[length(h$mids)],h$counts[length(h$counts)]+0.5,labels="Folhas + pecioladas",srt=90,adj=c(0,0.5),cex=0.8)
dev.off()
 
#adiciona essas variaveis aos vetores e dados
veg.quant= c(veg.quant,c("FORMA01","FORMA02","FORMA03"))
dados.media = data.frame(dados.media,FORMA01,FORMA02,FORMA03,stringsAsFactors = F)
 
#####FORMA DOS ESTAMES
#no caso deste exemplo
#algumas formas dos estames fazem sentido
pdf(paste(pathparafiguras,"/05_formaEstames.pdf",sep=""),width=8.5,height=10)
 
FORMA.ESTAME.I = dados.media$AND_LARESTVERI/dados.media$AND_COMESTVERI
par(mfrow=c(3,1),las=1,mar=c(5,4,3,3),mgp=c(2.5,0.5,0),cex.axis=0.8,tck=-0.01)
h = hist(FORMA.ESTAME.I,breaks =30,col='blue',xlim=range(FORMA.ESTAME.I,na.rm=T)+c(-0.04,+0.04),ylab ="Número amostras",xlab="FormaEstameI = (largura estame/comprimento estame",main="")
text(h$mids[1],h$counts[1]+0.5,labels="Estames I + estreitos",srt=90,adj=c(0,0.5),cex=0.8)
text(h$mids[length(h$mids)],h$counts[length(h$counts)]+0.5,labels="Estames I + largos",srt=90,adj=c(0,0.5),cex=0.8)
 
#agora vamos juntar os dados apenas com as variaveis
FORMA.ESTAME.II = dados.media$AND_LARESTVERII/dados.media$AND_COMESTVERII
par(las=1,mar=c(5,4,3,2),mgp=c(2.5,0.5,0),cex.axis=0.8,tck=-0.01)
h = hist(FORMA.ESTAME.II,breaks =30,col='green',xlim=range(FORMA.ESTAME.II,na.rm=T)+c(-0.04,+0.04),ylab ="Número amostras",xlab="FormaEstameII = (largura estame/comprimento estame",main="")
text(h$mids[1],h$counts[1]+0.5,labels="Estames II + estreitos",srt=90,adj=c(0,0.5),cex=0.8)
text(h$mids[length(h$mids)],h$counts[length(h$counts)]+0.5,labels="Estames II + largos",srt=90,adj=c(0,0.5),cex=0.8)
 
 
#agora vamos juntar os dados apenas com as variaveis
FORMA.ESTAME.III = dados.media$AND_LARDOSESTVERIII/dados.media$COR_COMDOSESTDOVERIII
par(las=1,mar=c(5,4,3,2),mgp=c(2.5,0.5,0),cex.axis=0.8,tck=-0.01)
hist(FORMA.ESTAME.III,breaks =30,col='blue',xlim=range(FORMA.ESTAME.III,na.rm=T)+c(-0.04,+0.04),ylab ="Número amostras",xlab="FormaEstameIII = (largura estame/comprimento estame",main="")
text(h$mids[1],h$counts[1]+0.5,labels="Estames III + estreitos",srt=90,adj=c(0,0.5),cex=0.8)
text(h$mids[length(h$mids)],h$counts[length(h$counts)]+0.5,labels="Estames III + largos",srt=90,adj=c(0,0.5),cex=0.8)
dev.off()
 
#adiciona essas variaveis aos vetores e dados
flor.quant = c(flor.quant,c("FORMA.ESTAME.I","FORMA.ESTAME.II","FORMA.ESTAME.III"))
dados.media = data.frame(dados.media,FORMA.ESTAME.I,FORMA.ESTAME.II,FORMA.ESTAME.III,stringsAsFactors = F)
 
 
####CHECA AS CORRELACOES ENTRE VARIAVEIS
###MOSTRA AS DISTRIBUICOES UNIVARIADAS
 
osdados = list(veg.quant=veg.quant,flor.quant=flor.quant,qualitativos=c(veg.quali,flor.quali))
#note que juntei os dois grupos de dados
#qualitativos
#por quero ver a correlacao entre eles
#pois se referem neste caso à indumento
 
#para cada conjunto de variaveis
#checa as correlacoes entre variaveis
#e gera uma figura para cada dado (num pdf unico)
#e uma tabela mostrando as correlacoes (significativas) entre todos os pares de variaveis
arqn = paste(pathparafiguras,"/06_CorrelacoesEntreVariaveis.pdf",sep="")
pdf(arqn,width=10,height=8.5)
for(d in 1:length(osdados)) {
  colunas = osdados[[d]]
  nomedado = names(osdados)[d]
  #pega esses dados
  dv = dados.media[,colunas]
  #salva num arquivo
  pairs(dv, lower.panel = panel.smooth, upper.panel = panel.cor, diag.panel = panel.hist)
  mtext(side=3,line=2.5,text = toupper(nomedado),cex=1,adj=0, font=2)
  #testa correlacoes
  ascors = fazascor(dv)
  #mostra apenas as significativas
  vl = ascors$PV<0.05
  par(mar=c(5,5,3,3))
  plotatable(ascors[vl,])
  mtext(side=2,line=2,text = paste("Correlações significativas para",toupper(nomedado)),cex=1,adj=1, font=2)
  fn = paste(pathparatabelas,"/",nomedado,".csv",sep="")
  write.table(ascors,fn,sep="\t",na="",row.names = T,quote=T)
}
dev.off()
 
####ELIMINANDO VARIAVEIS CORRELACIONADAS###
####EXPLICITANDO O QUE VOCE ACHA IMPORTANTE###
#na figura gerada acima
#algumas variáveis estão fortemente correlacionadas. Elas expressam apenas 1 coisa: tamanho das parte vegetativas e isso pode estar representado na análise por apenas 1 dessas variáveis, indicando tamanho. Note que as variáveis de forma não estão correlacionadas com as variáveis brutas medidas, expressando outro tipo de informação
veg.quant.excluidas = c("FOL_ESPDOPEC","FOL_LARDALAM", "FOL_ALTDAMAXLAR")
gp = which(veg.quant%in%veg.quant.excluidas)
veg.quant = veg.quant[-gp]
 
#agora as variaveis de indumento
o.indumento = c(veg.quali,flor.quali)
#duas variaveis estao correlacionadas expressando a mesma coisa (face externa, quanto tem muito pelo é aracnoide, entao nao precisa usar as duas, vamos usar apenas densidade)
o.indumento=o.indumento[!o.indumento=="IND_TEPNAFACEXTTIP_aracnoide"]
 
#diametro da flor, comprimento da flor e comprimento do pedicelo estao fortemente correlacionados (r>0.8). Todos eles expressam tamanho da flor em geral. Portanto, vamos ficar apenas com comprimento da flor expressando isso
#comprimento e largura dos estames do verticilo I e II também, portanto apenas 1 basta de cada
#a forma dos estames do verticilo I e II também. Deixando apenas vert I e vert III
flor.quant.excluidas = c("FLO_DIADAFLO","FLO_COMDOPED","AND_COMESTVERII","FORMA.ESTAME.II","FLO_LARESTVERI","AND_LARESTVERII")
#outras??? depende de como você quer definir similaridade
flor.quant = flor.quant[!flor.quant%in%flor.quant.excluidas]
 
#junta todas as variaveis num objeto medias 
cls = c(veg.quant,o.indumento,flor.quant)
dados.media2 = dados.media[,cls]
 
#todo registro precisa pelo menos ter dados vegetativos 
#elimina linhas que não tem
vl = is.na(dados.media2$FOL_COMDALAMFOL)
dados.media2 = dados.media2[!vl,]
 
vl = is.na(dados.media$FOL_COMDALAMFOL)
dados.media = dados.media[!vl,]
 
#ultima checada
contanas <- function(x) { sum(is.na(x))/length(x) }
nas1 = apply(dados.media,1,contanas)
nas2 = apply(dados.media2,1,contanas)
hist(nas1,main='NAs em dados.media',breaks=20,col="red")
hist(nas2,main='NAs em dados.media2',breaks=20,col="red")
 
 
#salva esse arquivo
fn = paste(pathparadados,"/dados_medias_varsel.csv",sep="")
write.table(dados.media2,file=fn,sep="\t",row.names = T,na="",quote=T)
#salva o arquivo com todas as variaveis
fn = paste(pathparadados,"/dados_medias_todasvar.csv",sep="")
write.table(dados.media,file=fn,sep="\t",row.names = T,na="",quote=T)
 
#gera um arquivo com histogramas para cada variavel 
odado = dados.media
fn = paste(pathparafiguras,"/07_dadoMediasHistogramas_todas.pdf",sep="")
pdf(fn,width=8.5,height=10)
par(mfrow=c(3,2),mar=c(5,4,3,3),mgp=c(2.5,0.5,0),tck=-0.01,cex.axis=0.8)
for(cl in 1:ncol(odado)) {
  cln = colnames(odado)[cl]
  var = odado[,cl]
  hist(var,xlab=cln,col='red',breaks =30,main="")
}
dev.off()

rm(list=ls())
source("funcoesNecessarias.R")
#calcula a distancia morfológica e o dado NMDS resultante
 
#CALCULA A DISTANCIA MORFOLÓGICA USANDO GOWER
#le os dados
arq1 = "dadosParaAnalises/dados_medias_todasvar.csv"
  dados.media = read.table(file=arq1,sep="\t",row.names = 1,na.strings =c("NA",""))
 
#elimina umas colunas desses dados
eliminadas = c("FOL_LARDALAMNAMET",  "COL_ALT",  "COL_DAP")
cls = colnames(dados.media)
cls = cls[!cls%in%eliminadas]
dados.media = dados.media[,cls]
 
#dados com variaveis selecionadas   
arq2 ="dadosParaAnalises/dados_medias_varsel.csv"
  dados.media2 = read.table(file=arq2,sep="\t",row.names = 1,na.strings =c("NA",""))
 
#qual desses dados vai rodar? abaixo faz todos
qualdados = list(varsel=dados.media2,todasvar=dados.media)
 
#define caminho para salvar figuras e objetos
  pathparadados = "dadosParaAnalises"
  pathparafiguras = "figuras"
  pathparatabelas = "tabelas"
  dir.create(pathparadados)
  dir.create(pathparafiguras)
  dir.create(pathparatabelas)
 
#calcula a distancia morfológica de gower 
#veja detalhes no help da funcao daise para entender o que ele faz com NAs (pode ter dados faltantes)
 
#para cada dado 
parasalvar = NULL
for(d in 1:length(qualdados)) {
  odado = qualdados[[d]]
  nomedado = names(qualdados)[d]
  md = daisy(odado, metric = "gower", stand = F,warnBin = F)
  #pega parte inferior da matriz, excluindo a diagonal
  tt = md[lower.tri(md,diag = F)]
  #plota essas distancias numa figura
  fn = paste(pathparafiguras,"/Histograma_morfoGowerDist_",nomedado,".pdf",sep="")
  pdf(fn,width=6,height=5)
    hist(tt,breaks=40,col='red',xlab="Distância morfológica de gower",main="")
  dev.off()
  #se for NA, então a dissimilaridade é 0 (No help: "If all weights w_k delta(ij;k) are zero, the dissimilarity is set to NA")
#vamos tratar tudo como 0 de dissimilaridade para esses pares de amostra
  md[is.na(md)] = 0
  #NMDS nao funciona se tem amostras com distancia 0. Entao, coloca uma dissimilaridade muito pequena para esses casos
  md[md==0] = table(round(md,3))[2]/100000
 
  #guarda objetos de distancia numa lista para um Rdata
  parasalvar[[nomedado]] = list(morfodist=md,dado=odado)
}
#salva distancias de gower num Rdata para uso
fn = paste(pathparadados,"/morfoDistGower.Rdata",sep="")
save(parasalvar,file=fn)
 
#QUAL O NÚMERO DE EIXOS MINIMOS (K) QUE DEVO REDUZIR MEUS DADOS SEM PERDER INFORMACAO
#qual o número de eixos que minimiza o valor de stress no NMDS?
#testa de k=2 a k=número de variáveis originais
fn = paste(pathparafiguras,"/EixosMinimosParaNMDSbruto_",nomedado,".pdf",sep="")
pdf(fn,width=8.5,height=10)
par(mfrow=c(2,1),mar=c(5,4,3,2),cex.axis=0.8)
for(d in 1:length(parasalvar)) {
  odado = parasalvar[[d]][['dado']]
  nomedado = names(parasalvar)[d]
  md = parasalvar[[d]][['morfodist']]
  qualk = NULL
  #para tantas variaveis quanto em odado
  for(k in 2:ncol(odado)) {
    print(paste(k,"de",ncol(odado)))
    m.nmds = isoMDS(md,k=k)
    rr = data.frame(K=k,STRESS=m.nmds$stress)
    qualk = rbind(qualk,rr)  
  }
  K = qualk$K
  STRESS = qualk$STRESS
  plot(K,STRESS,type='l',lwd=2,lty='solid',main=nomedado,col='red')
  points(K,STRESS,pch=21,cex=2,bg='red')
}
dev.off()
 
#TRANSFORMANDO OS DADOS
 
#qual o K mínimo após o qual o valor de stress estabiliza? 
 
#ve a correlacao entre matrizes
#md1 =parasalvar[[1]][['morfodist']]
#md2 =parasalvar[[2]][['morfodist']]
#plot(md1,md2)
 
#um vetor com um valor de K 
#para cada dado em parasalvar
um.bom.k = c(30,30)
#gerar o NMDS e salvar os dados
for(d in 1:length(parasalvar)) {
  odado = parasalvar[[d]][['dado']]
  nomedado = names(parasalvar)[d]
  md = parasalvar[[d]][['morfodist']]
  m.nmds = isoMDS(md,k=um.bom.k[d])
  dado.nmds = m.nmds$points
  colnames(dado.nmds) = paste("NMDS",1:ncol(dado.nmds),sep='')
  fn = paste(pathparadados,"/dadosMORFOnmds",nomedado,".csv",sep="")
  write.table(dado.nmds,file=fn,sep="\t",na="",row.names=T,quote=T)
}
 
#pronto dadosMorfoNMDS gerados para análises