12 files changed, 947 insertions, 160 deletions

diff --git a/.github/CODEOWNERS b/.github/CODEOWNERS
index 6c1efe0d..7bc421a7 100644
--- a/.github/CODEOWNERS
+++ b/.github/CODEOWNERS
@@ -4,3 +4,5 @@
 /zh-cn/ @geoffliu @imba-tjd

 /zh-tw/ @geoffliu @imba-tjd

 /ko-kr/ @justin-themedium

+/pt-pt/ @mribeirodantas

+/pt-br/ @mribeirodantas

diff --git a/de-de/rust-de.html.markdown b/de-de/rust-de.html.markdown
index 02bb460a..6208db68 100644
--- a/de-de/rust-de.html.markdown
+++ b/de-de/rust-de.html.markdown
@@ -1,5 +1,5 @@
 ---
-language: rust
+language: Rust
 contributors:
     - ["P1start", "http://p1start.github.io/"]
 translators:
diff --git a/es-es/rust-es.html.markdown b/es-es/rust-es.html.markdown
index dc48abf5..b0a3873c 100644
--- a/es-es/rust-es.html.markdown
+++ b/es-es/rust-es.html.markdown
@@ -1,5 +1,5 @@
 ---
-language: rust
+language: Rust
 contributors:
     - ["P1start", "http://p1start.github.io/"]
 translators:
diff --git a/fr-fr/rust-fr.html.markdown b/fr-fr/rust-fr.html.markdown
index a61f78be..c81dd1d6 100644
--- a/fr-fr/rust-fr.html.markdown
+++ b/fr-fr/rust-fr.html.markdown
@@ -1,5 +1,5 @@
 ---
-language: rust
+language: Rust
 contributors:
     - ["P1start", "http://p1start.github.io/"]
 translators:
diff --git a/fr-fr/set-theory-fr.html.markdown b/fr-fr/set-theory-fr.html.markdown
index 50a4ea30..dad8fa7a 100644
--- a/fr-fr/set-theory-fr.html.markdown
+++ b/fr-fr/set-theory-fr.html.markdown
@@ -1,11 +1,11 @@
-```
 ---
-category: tool
-lang: fr-fr
+category: Algorithms & Data Structures
 name: Set theory
+lang: fr-fr
 contributors: 
-	- ["kieutrang", "https://github.com/kieutrang1729"]
+  - ["kieutrang", "https://github.com/kieutrang1729"]
 ---
+
 La théorie des ensembles est une branche des mathématiques qui étudie les ensembles, leurs opérations et leurs propriétés.
 
 * Un ensemble est une collection d'éléments disjoints.
@@ -130,5 +130,3 @@ Le produit cartésien de deux ensembles `A` et `B` est l'ensemble contenant tous
 ```
 A × B = { (x, y) | x ∈ A, y ∈ B }
 ```
-
-```
diff --git a/it-it/rust-it.html.markdown b/it-it/rust-it.html.markdown
index df4d6279..acb8b8ba 100644
--- a/it-it/rust-it.html.markdown
+++ b/it-it/rust-it.html.markdown
@@ -1,5 +1,5 @@
 ---
-language: rust
+language: Rust
 contributors:
     - ["Carlo Milanesi", "http://github.com/carlomilanesi"]
 lang: it-it
diff --git a/mongodb.html.markdown b/mongodb.html.markdown
index 959b57d0..306f361c 100644
--- a/mongodb.html.markdown
+++ b/mongodb.html.markdown
@@ -256,7 +256,7 @@ db.engineers.find({ $gt: { age: 25 }})
 db.engineers.find({ $gte: { age: 25 }})
 
 // Find all less than or less than equal to some condition
-db.engineers.find({ $lte: { age: 25 }})
+db.engineers.find({ $lt: { age: 25 }})
 db.engineers.find({ $lte: { age: 25 }})
 
 // Find all equal or not equal to
@@ -293,7 +293,7 @@ db.engineers.find({ $not: {
 
 // Must match none of the query conditions
 db.engineers.find({ $nor [
-  gender: 'Female,
+  gender: 'Female',
   age: {
     $gte: 18
   }
@@ -400,6 +400,6 @@ features, I would look at
 
 - Aggregation - useful for creating advanced queries to be executed by the
   database
-- Idexing allows for caching, which allows for much faster execution of queries
+- Indexing allows for caching, which allows for much faster execution of queries
 - Sharding allows for horizontal data scaling and distribution between multiple
   machines.
diff --git a/pt-br/r-pt.html.markdown b/pt-br/r-pt.html.markdown
new file mode 100644
index 00000000..eeaa4eab
--- /dev/null
+++ b/pt-br/r-pt.html.markdown
@@ -0,0 +1,786 @@
+---
+language: R
+contributors:
+    - ["e99n09", "http://github.com/e99n09"]
+    - ["isomorphismes", "http://twitter.com/isomorphisms"]
+    - ["kalinn", "http://github.com/kalinn"]
+translators:
+    - ["Marcel Ribeiro-Dantas", "http://github.com/mribeirodantas"]
+lang: pt-br    
+filename: learnr.r
+---
+
+R é uma linguagem de programação estatística. Ela tem muitas bibliotecas para carregar e limpar conjuntos de dados, executar análises estatísticas e produzir gráficos. Você também pode executar comandos do `R` dentro de um documento LaTeX.
+
+```r
+
+# Comentários começam com o símbolo de Cerquilha, também conhecido como
+# jogo da velha
+
+# Não existe um símbolo especial para comentários em várias linhas
+# mas você pode escrever várias linhas de comentários adicionando a
+# cerquilha (#) ao início de cada uma delas.
+
+# No Windows e Linux, você pode usar CTRL-ENTER para executar uma linha.
+# No MacOS, o equivalente é COMMAND-ENTER
+
+
+
+#############################################################################
+# Coisas que você pode fazer sem entender nada sobre programação
+#############################################################################
+
+# Nesta seção, mostramos algumas das coisas legais que você pode fazer em
+# R sem entender nada de programação. Não se preocupe em entender tudo o
+# que o código faz. Apenas aproveite!
+
+data()	          # navegue pelos conjuntos de dados pré-carregados
+data(rivers)	  # carregue este: "Comprimentos dos principais rios norte-americanos"
+ls()	          # observe que "rivers" apareceu na área de trabalho (workspace)
+head(rivers)	  # dê uma espiada no conjunto de dados
+# 735 320 325 392 524 450
+
+length(rivers)	  # quantos rios foram medidos?
+# 141
+summary(rivers)   # consulte um sumário de estatísticas básicas
+#   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
+#  135.0   310.0   425.0   591.2   680.0  3710.0
+
+# faça um diagrama de ramos e folhas (uma visualização de dados semelhante a um histograma)
+stem(rivers)
+
+#  A vírgula está 2 dígito(s) à direita do símbolo |
+#
+#   0 | 4
+#   2 | 011223334555566667778888899900001111223333344455555666688888999
+#   4 | 111222333445566779001233344567
+#   6 | 000112233578012234468
+#   8 | 045790018
+#  10 | 04507
+#  12 | 1471
+#  14 | 56
+#  16 | 7
+#  18 | 9
+#  20 |
+#  22 | 25
+#  24 | 3
+#  26 |
+#  28 |
+#  30 |
+#  32 |
+#  34 |
+#  36 | 1
+
+stem(log(rivers)) # Observe que os dados não são normais nem log-normais!
+# Tome isso, fundamentalistas da curva normal!
+
+#  O ponto decimal está 1 dígito(s) à esquerda do símbolo |
+#
+#  48 | 1
+#  50 |
+#  52 | 15578
+#  54 | 44571222466689
+#  56 | 023334677000124455789
+#  58 | 00122366666999933445777
+#  60 | 122445567800133459
+#  62 | 112666799035
+#  64 | 00011334581257889
+#  66 | 003683579
+#  68 | 0019156
+#  70 | 079357
+#  72 | 89
+#  74 | 84
+#  76 | 56
+#  78 | 4
+#  80 |
+#  82 | 2
+
+# faça um histograma:
+hist(rivers, col="#333333", border="white", breaks=25)      # brinque com estes parâmetros
+hist(log(rivers), col="#333333", border="white", breaks=25) # você fará mais gráficos mais tarde
+
+# Aqui está outro conjunto de dados que vem pré-carregado. O R tem toneladas deles.
+data(discoveries)
+plot(discoveries, col="#333333", lwd=3, xlab="Ano",
+     main="Número de descobertas importantes por ano")
+plot(discoveries, col="#333333", lwd=3, type = "h", xlab="Ano",
+     main="Número de descobertas importantes por ano")
+
+# Em vez de deixar a ordenação padrão (por ano),
+# também podemos ordenar para ver o que é mais comum:
+sort(discoveries)
+#  [1]  0  0  0  0  0  0  0  0  0  1  1  1  1  1  1  1  1  1  1  1  1  2  2  2  2
+# [26]  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  3  3  3
+# [51]  3  3  3  3  3  3  3  3  3  3  3  3  3  3  3  3  3  4  4  4  4  4  4  4  4
+# [76]  4  4  4  4  5  5  5  5  5  5  5  6  6  6  6  6  6  7  7  7  7  8  9 10 12
+
+stem(discoveries, scale=2)
+#
+#  O ponto decimal está no símbolo |
+#
+#   0 | 000000000
+#   1 | 000000000000
+#   2 | 00000000000000000000000000
+#   3 | 00000000000000000000
+#   4 | 000000000000
+#   5 | 0000000
+#   6 | 000000
+#   7 | 0000
+#   8 | 0
+#   9 | 0
+#  10 | 0
+#  11 |
+#  12 | 0
+
+max(discoveries)
+# 12
+summary(discoveries)
+#   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
+#    0.0     2.0     3.0     3.1     4.0    12.0
+
+# Role um dado algumas vezes
+round(runif(7, min=.5, max=6.5))
+# 1 4 6 1 4 6 4
+# Seus números serão diferentes dos meus, a menos que definamos a mesma semente aleatória com o set.seed
+
+# Obtenha 9 números de forma aleatória a partir de uma distribuição normal
+rnorm(9)
+# [1]  0.07528471  1.03499859  1.34809556 -0.82356087  0.61638975 -1.88757271
+# [7] -0.59975593  0.57629164  1.08455362
+
+
+
+##################################################
+# Tipos de dados e aritmética básica
+##################################################
+
+# Agora para a parte orientada a programação do tutorial.
+# Nesta seção você conhecerá os tipos de dados importantes do R:
+# integers, numerics, characters, logicals, e factors.
+# Existem outros, mas estes são o mínimo que você precisa para
+# iniciar.
+
+# INTEGERS
+# Os inteiros de armazenamento longo são escritos com L
+5L # 5
+class(5L) # "integer"
+# (Experimente ?class para obter mais informações sobre a função class().)
+# Em R, todo e qualquer valor, como 5L, é considerado um vetor de comprimento 1
+length(5L) # 1
+# Você pode ter um vetor inteiro com comprimento > 1 também:
+c(4L, 5L, 8L, 3L) # 4 5 8 3
+length(c(4L, 5L, 8L, 3L)) # 4
+class(c(4L, 5L, 8L, 3L)) # "integer"
+
+# NUMERICS
+# Um "numeric" é um número de ponto flutuante de precisão dupla
+5 # 5
+class(5) # "numeric"
+# De novo, tudo em R é um vetor;
+# você pode fazer um vetor numérico com mais de um elemento
+c(3,3,3,2,2,1) # 3 3 3 2 2 1
+# Você também pode usar a notação científica
+5e4 # 50000
+6.02e23 # Número de Avogadro
+1.6e-35 # Comprimento de Planck
+# Você também pode ter números infinitamente grandes ou pequenos
+class(Inf)	# "numeric"
+class(-Inf)	# "numeric"
+# Você pode usar "Inf", por exemplo, em integrate(dnorm, 3, Inf)
+# isso evita as tabelas de escores-Z.
+
+# ARITMÉTICA BÁSICA
+# Você pode fazer aritmética com números
+# Fazer aritmética com uma mistura de números inteiros (integers) e com
+# ponto flutuante (numeric) resulta em um numeric
+10L + 66L # 76      # integer mais integer resulta em integer
+53.2 - 4  # 49.2    # numeric menos numeric resulta em numeric
+2.0 * 2L  # 4       # numeric vezes integer resulta em numeric
+3L / 4    # 0.75    # integer dividido por numeric resulta em numeric
+3 %% 2	  # 1       # o resto de dois numeric é um outro numeric
+# Aritmética ilegal produz um "não-é-um-número" (do inglês Not-a-Number):
+0 / 0 # NaN
+class(NaN) # "numeric"
+# Você pode fazer aritmética em dois vetores com comprimento maior que 1,
+# desde que o comprimento do vetor maior seja um múltiplo inteiro do menor
+c(1,2,3) + c(1,2,3) # 2 4 6
+# Como um único número é um vetor de comprimento um, escalares são aplicados
+# elemento a elemento com relação a vetores
+(4 * c(1,2,3) - 2) / 2 # 1 3 5
+# Exceto para escalares, tenha cuidado ao realizar aritmética em vetores com
+# comprimentos diferentes. Embora possa ser feito,
+c(1,2,3,1,2,3) * c(1,2) # 1 4 3 2 2 6
+# ter comprimentos iguais é uma prática melhor e mais fácil de ler
+c(1,2,3,1,2,3) * c(1,2,1,2,1,2) 
+
+# CHARACTERS
+# Não há diferença entre strings e caracteres em R
+"Horatio" # "Horatio"
+class("Horatio") # "character"
+class('H') # "character"
+# São ambos vetores de caracteres de comprimento 1
+# Aqui está um mais longo:
+c('alef', 'bet', 'gimmel', 'dalet', 'he')
+# "alef"   "bet"    "gimmel" "dalet"  "he"
+length(c("Call","me","Ishmael")) # 3
+# Você pode utilizar expressões regulares (regex) em vetores de caracteres:
+substr("Fortuna multis dat nimis, nulli satis.", 9, 15) # "multis "
+gsub('u', 'ø', "Fortuna multis dat nimis, nulli satis.") # "Fortøna møltis dat nimis, nølli satis."
+# R tem vários vetores de caracteres embutidos:
+letters
+#  [1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k" "l" "m" "n" "o" "p" "q" "r" "s"
+# [20] "t" "u" "v" "w" "x" "y" "z"
+month.abb # "Jan" "Feb" "Mar" "Apr" "May" "Jun" "Jul" "Aug" "Sep" "Oct" "Nov" "Dec"
+
+# LOGICALS
+# Em R, um "logical" é um booleano
+class(TRUE)	# "logical"
+class(FALSE)	# "logical"
+# O comportamento deles é normal
+TRUE == TRUE	# TRUE
+TRUE == FALSE	# FALSE
+FALSE != FALSE	# FALSE
+FALSE != TRUE	# TRUE
+# Dados ausentes (NA) são logical, também
+class(NA)	# "logical"
+# Use | e & para operações lógicas.
+# OR
+TRUE | FALSE	# TRUE
+# AND
+TRUE & FALSE	# FALSE
+# Aplicar | e & a vetores retorna operações lógicas elemento a elemento
+c(TRUE,FALSE,FALSE) | c(FALSE,TRUE,FALSE) # TRUE TRUE FALSE
+c(TRUE,FALSE,TRUE) & c(FALSE,TRUE,TRUE) # FALSE FALSE TRUE
+# Você pode testar se x é TRUE
+isTRUE(TRUE)	# TRUE
+# Aqui obtemos um vetor logical com muitos elementos:
+c('Z', 'o', 'r', 'r', 'o') == "Zorro" # FALSE FALSE FALSE FALSE FALSE
+c('Z', 'o', 'r', 'r', 'o') == "Z" # TRUE FALSE FALSE FALSE FALSE
+
+# FACTORS
+# A classe factor é para dados categóricos
+# Os fatores podem ser ordenados (como as avaliações de crianças) ou
+# não ordenados (como as cores)
+factor(c("azul", "azul", "verde", NA, "azul"))
+#  azul azul verde   <NA>   azul
+# Levels: azul verde
+# Os "levels" são os valores que os dados categóricos podem assumir
+# Observe que os dados ausentes não entram nos levels
+levels(factor(c("verde", "verde", "azul", NA, "azul"))) # "azul" "verde"
+# Se um vetor de factor tem comprimento 1, seus levels também terão comprimento 1
+length(factor("green")) # 1
+length(levels(factor("green"))) # 1
+# Os fatores são comumente vistos em data frames, uma estrutura de dados que abordaremos
+# mais tarde
+data(infert) # "Infertilidade após aborto espontâneo e induzido"
+levels(infert$education) # "0-5yrs"  "6-11yrs" "12+ yrs"
+
+# NULL
+# "NULL" é um valor estranho; use-o para "apagar" um vetor
+class(NULL)	# NULL
+parakeet = c("bico", "penas", "asas", "olhos")
+parakeet
+# [1] "bico"  "penas" "asas"  "olhos"
+parakeet <- NULL
+parakeet
+# NULL
+
+# COERÇÃO DE TIPO
+# Coerção de tipo é quando você força um valor a assumir um tipo diferente
+as.character(c(6, 8)) # "6" "8"
+as.logical(c(1,0,1,1)) # TRUE FALSE  TRUE  TRUE
+# Se você colocar elementos de diferentes tipos em um vetor, coerções estranhas acontecem:
+c(TRUE, 4) # 1 4
+c("cachorro", TRUE, 4) # "cachorro"  "TRUE" "4"
+as.numeric("Bilbo")
+# [1] NA
+# Warning message:
+# NAs introduced by coercion
+
+# Observe também: esses são apenas os tipos de dados básicos
+# Existem muitos outros tipos de dados, como datas, séries temporais, etc.
+
+
+
+##################################################
+# Variáveis, laços, expressões condicionais
+##################################################
+
+# Uma variável é como uma caixa na qual você armazena um valor para uso posterior.
+# Chamamos isso de "atribuir" o valor à variável.
+# Ter variáveis nos permite escrever laços, funções e instruções com condição
+
+# VARIÁVEIS
+# Existem muitas maneiras de atribuir valores:
+x = 5 # é possível fazer assim
+y <- "1" # mas é preferível fazer assim
+TRUE -> z # isso funciona, mas é estranho
+
+# LAÇOS
+# Nós temos laços com for
+for (i in 1:4) {
+  print(i)
+}
+# [1] 1
+# [1] 2
+# [1] 3
+# [1] 4
+# Nós temos laços com while
+a <- 10
+while (a > 4) {
+	cat(a, "...", sep = "")
+	a <- a - 1
+}
+# 10...9...8...7...6...5...
+# Tenha em mente que os laços for e while são executados lentamente em R
+# Operações em vetores inteiros (por exemplo, uma linha inteira, uma coluna inteira)
+# ou funções do tipo apply() (discutiremos mais tarde) são mais indicadas
+
+# IF/ELSE
+# Novamente, bastante padrão
+if (4 > 3) {
+	print("4 é maior que 3")
+} else {
+	print("4 não é maior que 3")
+}
+# [1] "4 é maior que 3"
+
+# FUNÇÕES
+# Definidas assim:
+jiggle <- function(x) {
+	x = x + rnorm(1, sd=.1)	# adicione um pouco de ruído (controlado)
+	return(x)
+}
+# Chamada como qualquer outra função R:
+jiggle(5)	# 5±ε. Após set.seed(2716057), jiggle(5)==5.005043
+
+
+
+###########################################################################
+# Estruturas de dados: Vetores, matrizes, data frames e arranjos (arrays)
+###########################################################################
+
+# UNIDIMENSIONAL
+
+# Vamos começar do início, e com algo que você já sabe: vetores.
+vec <- c(8, 9, 10, 11)
+vec	#  8  9 10 11
+# Consultamos elementos específicos utilizando colchetes
+# (Observe que R começa a contar a partir de 1)
+vec[1]		# 8
+letters[18]	# "r"
+LETTERS[13]	# "M"
+month.name[9]	# "September"
+c(6, 8, 7, 5, 3, 0, 9)[3]	# 7
+# Também podemos pesquisar os índices de componentes específicos,
+which(vec %% 2 == 0)	# 1 3
+# pegue apenas as primeiras ou últimas entradas no vetor,
+head(vec, 1)	# 8
+tail(vec, 2)	# 10 11
+# ou descubra se um determinado valor está no vetor
+any(vec == 10) # TRUE
+# Se um índice for além do comprimento de um vetor, você obterá NA:
+vec[6]	# NA
+# Você pode encontrar o comprimento do seu vetor com length()
+length(vec)	# 4
+# Você pode realizar operações em vetores inteiros ou subconjuntos de vetores
+vec * 4	# 32 36 40 44
+vec[2:3] * 5	# 45 50
+any(vec[2:3] == 8) # FALSE
+# e R tem muitas funções internas para sumarizar vetores
+mean(vec)	# 9.5
+var(vec)	# 1.666667
+sd(vec)		# 1.290994
+max(vec)	# 11
+min(vec)	# 8
+sum(vec)	# 38
+# Mais alguns recursos embutidos:
+5:15	# 5  6  7  8  9 10 11 12 13 14 15
+seq(from=0, to=31337, by=1337)
+#  [1]     0  1337  2674  4011  5348  6685  8022  9359 10696 12033 13370 14707
+# [13] 16044 17381 18718 20055 21392 22729 24066 25403 26740 28077 29414 30751
+
+# BIDIMENSIONAL (ELEMENTOS DA MESMA CLASSE)
+
+# Você pode fazer uma matriz com entradas do mesmo tipo assim:
+mat <- matrix(nrow = 3, ncol = 2, c(1,2,3,4,5,6))
+mat
+#      [,1] [,2]
+# [1,]    1    4
+# [2,]    2    5
+# [3,]    3    6
+# Ao contrário de um vetor, a classe de uma matriz é "matrix" independente do que ela contém
+class(mat) # "matrix"
+# Consulte a primeira linha
+mat[1,]	# 1 4
+# Execute uma operação na primeira coluna
+3 * mat[,1]	# 3 6 9
+# Consulte uma célula específica
+mat[3,2]	# 6
+
+# Transponha toda a matriz
+t(mat)
+#      [,1] [,2] [,3]
+# [1,]    1    2    3
+# [2,]    4    5    6
+
+# Multiplicação de matrizes
+mat %*% t(mat)
+#      [,1] [,2] [,3]
+# [1,]   17   22   27
+# [2,]   22   29   36
+# [3,]   27   36   45
+
+# cbind() une vetores em colunas para formar uma matriz
+mat2 <- cbind(1:4, c("cachorro", "gato", "passaro", "cachorro"))
+mat2
+#      [,1] [,2]
+# [1,] "1"  "cachorro"
+# [2,] "2"  "gato"
+# [3,] "3"  "passaro"
+# [4,] "4"  "cachorro"
+class(mat2)	# matrix
+# Mais uma vez, observe o que aconteceu!
+# Como as matrizes devem conter todas as entradas da mesma classe,
+# tudo foi convertido para a classe character
+c(class(mat2[,1]), class(mat2[,2]))
+
+# rbind() une vetores linha a linha para fazer uma matriz
+mat3 <- rbind(c(1,2,4,5), c(6,7,0,4))
+mat3
+#      [,1] [,2] [,3] [,4]
+# [1,]    1    2    4    5
+# [2,]    6    7    0    4
+# Ah, tudo da mesma classe. Sem coerções. Muito melhor.
+
+# BIDIMENSIONAL (CLASSES DIFERENTES)
+
+# Para colunas de tipos diferentes, use um data frame
+# Esta estrutura de dados é tão útil para programação estatística,
+# que uma versão dela foi adicionada ao Python através do pacote "pandas".
+
+estudantes <- data.frame(c("Cedric","Fred","George","Cho","Draco","Ginny"),
+                         c(3,2,2,1,0,-1),
+                         c("H", "G", "G", "R", "S", "G"))
+names(estudantes) <- c("nome", "ano", "casa") # nomeie as colunas
+class(estudantes)	# "data.frame"
+estudantes
+#     nome  ano  casa
+# 1 Cedric    3     H
+# 2   Fred    2     G
+# 3 George    2     G
+# 4    Cho    1     R
+# 5  Draco    0     S
+# 6  Ginny   -1     G
+class(estudantes$ano)	# "numeric"
+class(estudantes[,3])	# "factor"
+# encontre as dimensões
+nrow(estudantes)	# 6
+ncol(estudantes)	# 3
+dim(estudantes)	# 6 3
+# A função data.frame() converte vetores de caracteres em vetores de fator
+# por padrão; desligue isso definindo stringsAsFactors = FALSE quando
+# você criar um data frame
+?data.frame
+
+# Existem muitas maneiras particulares de consultar partes de um data frame,
+# todas sutilmente diferentes
+estudantes$ano	# 3  2  2  1  0 -1
+estudantes[,2]	# 3  2  2  1  0 -1
+estudantes[,"ano"]	# 3  2  2  1  0 -1
+
+# Uma versão extendida da estrutura data.frame é a data.table
+# Se você estiver trabalhando com dados enormes ou em painel, ou precisar mesclar
+# alguns conjuntos de dados, data.table pode ser uma boa escolha. Aqui está um tour
+# relâmpago:
+install.packages("data.table") # baixe o pacote a partir do CRAN
+require(data.table) # carregue ele
+estudantes <- as.data.table(estudantes)
+estudantes # observe a saída ligeiramente diferente
+#      nome  ano  casa
+# 1: Cedric    3     H
+# 2:   Fred    2     G
+# 3: George    2     G
+# 4:    Cho    1     R
+# 5:  Draco    0     S
+# 6:  Ginny   -1     G
+estudantes[nome=="Ginny"] # Consulte estudantes com o nome == "Ginny"
+#     nome  ano  casa
+# 1: Ginny   -1     G
+estudantes[ano==2] # Consulte estudantes com o ano == 2
+#      nome  ano  casa
+# 1:   Fred    2     G
+# 2: George    2     G
+# data.table facilita a fusão de dois conjuntos de dados
+# vamos fazer outro data.table para mesclar com os alunos
+fundadores <- data.table(casa=c("G","H","R","S"),
+                         fundador=c("Godric","Helga","Rowena","Salazar"))
+fundadores
+#     casa fundador
+# 1:     G  Godric
+# 2:     H   Helga
+# 3:     R  Rowena
+# 4:     S Salazar
+setkey(estudantes, casa)
+setkey(fundadores, casa)
+estudantes <- fundadores[estudantes] # mescle os dois conjuntos de dados com base na "casa"
+setnames(estudantes, c("casa","nomeFundadorCasa","nomeEstudante","ano"))
+estudantes[,order(c("nome","ano","casa","nomeFundadorCasa")), with=F]
+#  nomeEstudante  ano  casa nomeFundadorCasa
+# 1:        Fred    2     G           Godric
+# 2:      George    2     G           Godric
+# 3:       Ginny   -1     G           Godric
+# 4:      Cedric    3     H            Helga
+# 5:         Cho    1     R           Rowena
+# 6:       Draco    0     S          Salazar
+
+# O data.table torna as tabelas de sumário fáceis
+estudantes[,sum(ano),by=casa]
+#     casa V1
+# 1:     G  3
+# 2:     H  3
+# 3:     R  1
+# 4:     S  0
+
+# Para remover uma coluna de um data.frame ou data.table,
+# atribua a ela o valor NULL
+estudantes$nomeFundadorCasa <- NULL
+estudantes
+#  nomeEstudante  ano  casa
+# 1:        Fred    2     G
+# 2:      George    2     G
+# 3:       Ginny   -1     G
+# 4:      Cedric    3     H
+# 5:         Cho    1     R
+# 6:       Draco    0     S
+
+# Remova uma linha consultando parte dos dados
+# Usando data.table:
+estudantes[nomeEstudante != "Draco"]
+#     casa estudanteNome  ano
+# 1:     G          Fred    2
+# 2:     G        George    2
+# 3:     G         Ginny   -1
+# 4:     H        Cedric    3
+# 5:     R           Cho    1
+# Usando data.frame:
+estudantes <- as.data.frame(estudantes)
+estudantes[estudantes$casa != "G",]
+#    casa nomeFundadorCasa nomeEstudante  ano
+# 4     H            Helga        Cedric    3
+# 5     R           Rowena           Cho    1
+# 6     S          Salazar         Draco    0
+
+# MULTIDIMENSIONAL (TODOS OS ELEMENTOS DE UM TIPO)
+
+# Arranjos (arrays) criam tabelas n-dimensionais
+# Todos os elementos devem ser do mesmo tipo
+# Você pode fazer uma tabela bidimensional (como uma matriz)
+array(c(c(1,2,4,5),c(8,9,3,6)), dim=c(2,4))
+#      [,1] [,2] [,3] [,4]
+# [1,]    1    4    8    3
+# [2,]    2    5    9    6
+# Você pode usar array para fazer matrizes tridimensionais também
+array(c(c(c(2,300,4),c(8,9,0)),c(c(5,60,0),c(66,7,847))), dim=c(3,2,2))
+# , , 1
+#
+#      [,1] [,2]
+# [1,]    2    8
+# [2,]  300    9
+# [3,]    4    0
+#
+# , , 2
+#
+#      [,1] [,2]
+# [1,]    5   66
+# [2,]   60    7
+# [3,]    0  847
+
+# LISTAS (MULTIDIMENSIONAIS, POSSIVELMENTE IMPERFEITAS, DE DIFERENTES TIPOS)
+
+# Finalmente, R tem listas (de vetores)
+lista1 <- list(tempo = 1:40)
+lista1$preco = c(rnorm(40,.5*lista1$tempo,4)) # aleatória
+lista1
+# Você pode obter itens na lista assim
+lista1$tempo # um modo
+lista1[["tempo"]] # um outro modo
+lista1[[1]] # e ainda um outro modo
+#  [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33
+# [34] 34 35 36 37 38 39 40
+# Você pode obter itens de uma lista como qualquer outro vetor
+lista1$preco[4]
+
+# Listas não são a estrutura de dados mais eficiente para se trabalhar em R;
+# a menos que você tenha um bom motivo, você deve se ater a data.frames
+# As listas geralmente são retornadas por funções que realizam regressões lineares
+
+##################################################
+# A família de funções apply()
+##################################################
+
+# Lembra de mat?
+mat
+#      [,1] [,2]
+# [1,]    1    4
+# [2,]    2    5
+# [3,]    3    6
+# Use apply(X, MARGIN, FUN) para aplicar a função FUN a uma matriz X
+# sobre linhas (MARGIN = 1) ou colunas (MARGIN = 2)
+# Ou seja, R faz FUN para cada linha (ou coluna) de X, muito mais rápido que um
+# laço for ou while faria
+apply(mat, MAR = 2, jiggle)
+#      [,1] [,2]
+# [1,]    3   15
+# [2,]    7   19
+# [3,]   11   23
+# Outras funções: ?lappy, ?sapply
+
+# Não as deixe te intimidar; todos concordam que essas funções são bem confusas
+
+# O pacote plyr visa substituir (e melhorar!) a família *apply().
+install.packages("plyr")
+require(plyr)
+?plyr
+
+
+
+#########################
+# Carregando dados
+#########################
+
+# "pets.csv" é um arquivo hospedado na internet
+# (mas também poderia tranquilamente ser um arquivo no seu computador)
+require(RCurl)
+pets <- read.csv(textConnection(getURL("https://learnxinyminutes.com/docs/pets.csv")))
+pets
+head(pets, 2) # primeiras duas linhas
+tail(pets, 1) # última linha
+
+# Para salvar um data frame ou matriz como um arquivo .csv:
+write.csv(pets, "pets2.csv") # para criar um novo arquivo .csv
+# Define o diretório de trabalho com setwd(), confirme em qual você está com getwd()
+
+# Experimente ?read.csv e ?write.csv para obter mais informações
+
+
+
+#########################
+# Análise estatística
+#########################
+
+# Regressão linear!
+modeloLinear <- lm(preco  ~ tempo, data = lista1)
+modeloLinear # imprime na tela o resultado da regressão
+# Call:
+# lm(formula = preco ~ tempo, data = lista1)
+# 
+# Coefficients:
+# (Intercept)        tempo  
+#      0.1453       0.4943  
+summary(modeloLinear) # saída mais detalhada da regressão
+# Call:
+# lm(formula = preco ~ tempo, data = lista1)
+#
+# Residuals:
+#     Min      1Q  Median      3Q     Max 
+# -8.3134 -3.0131 -0.3606  2.8016 10.3992 
+#
+# Coefficients:
+#             Estimate Std. Error t value Pr(>|t|)    
+# (Intercept)  0.14527    1.50084   0.097    0.923    
+# tempo        0.49435    0.06379   7.749 2.44e-09 ***
+# ---
+# Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
+#
+# Residual standard error: 4.657 on 38 degrees of freedom
+# Multiple R-squared:  0.6124,	Adjusted R-squared:  0.6022 
+# F-statistic: 60.05 on 1 and 38 DF,  p-value: 2.44e-09
+coef(modeloLinear) # extrai os parâmetros estimados
+# (Intercept)       tempo 
+#   0.1452662   0.4943490 
+summary(modeloLinear)$coefficients # um outro meio de extrair os resultados
+#              Estimate Std. Error    t value     Pr(>|t|)
+# (Intercept) 0.1452662 1.50084246 0.09678975 9.234021e-01
+# tempo       0.4943490 0.06379348 7.74920901 2.440008e-09
+summary(modeloLinear)$coefficients[,4] # the p-values 
+#  (Intercept)        tempo
+# 9.234021e-01 2.440008e-09 
+
+# MODELOS LINEARES GERAIS
+# Regressão logística
+set.seed(1)
+lista1$sucesso = rbinom(length(lista1$tempo), 1, .5) # binário aleatório
+modeloLg <- glm(sucesso  ~ tempo, data = lista1, 
+	family=binomial(link="logit"))
+modeloLg # imprime na tela o resultado da regressão logística
+# Call:  glm(formula = sucesso ~ tempo, 
+#	family = binomial(link = "logit"), data = lista1)
+#
+# Coefficients:
+# (Intercept)        tempo  
+#     0.17018     -0.01321  
+# 
+# Degrees of Freedom: 39 Total (i.e. Null);  38 Residual
+# Null Deviance:	    55.35 
+# Residual Deviance: 55.12 	 AIC: 59.12
+summary(modeloLg) # saída mais detalhada da regressão
+# Call:
+# glm(formula = sucesso ~ tempo, 
+#	family = binomial(link = "logit"), data = lista1)
+
+# Deviance Residuals: 
+#    Min      1Q  Median      3Q     Max  
+# -1.245  -1.118  -1.035   1.202   1.327  
+# 
+# Coefficients:
+#             Estimate Std. Error z value Pr(>|z|)
+# (Intercept)  0.17018    0.64621   0.263    0.792
+# tempo       -0.01321    0.02757  -0.479    0.632
+# 
+# (Dispersion parameter for binomial family taken to be 1)
+#
+#     Null deviance: 55.352  on 39  degrees of freedom
+# Residual deviance: 55.121  on 38  degrees of freedom
+# AIC: 59.121
+# 
+# Number of Fisher Scoring iterations: 3
+
+
+#########################
+# Gráficos
+#########################
+
+# FUNÇÕES DE PLOTAGEM INTEGRADAS
+# Gráficos de dispersão!
+plot(lista1$tempo, lista1$preco, main = "dados falsos")
+# Trace a linha de regressão em um gráfico existente!
+abline(modeloLinear, col = "red")
+# Obtenha uma variedade de diagnósticos legais
+plot(modeloLinear)
+# Histogramas!
+hist(rpois(n = 10000, lambda = 5), col = "thistle")
+# Gráficos de barras!
+barplot(c(1,4,5,1,2), names.arg = c("red","blue","purple","green","yellow"))
+
+# GGPLOT2
+# Mas estes não são nem os mais bonitos dos gráficos no R
+# Experimente o pacote ggplot2 para gráficos diferentes e mais bonitos
+install.packages("ggplot2")
+require(ggplot2)
+?ggplot2
+pp <- ggplot(estudantes, aes(x=casa))
+pp + geom_bar()
+ll <- as.data.table(lista1)
+pp <- ggplot(ll, aes(x=tempo,preco))
+pp + geom_point()
+# ggplot2 tem uma excelente documentação (disponível em http://docs.ggplot2.org/current/)
+
+
+
+```
+
+## Como faço para obter R?
+
+* Obtenha o R e uma interface gráfica para o R em [http://www.r-project.org/](http://www.r-project.org/)
+* [RStudio](http://www.rstudio.com/ide/) é uma outra interface gráfica
diff --git a/pt-br/rust-pt.html.markdown b/pt-br/rust-pt.html.markdown
index 3dd4a8d5..1080baa4 100644
--- a/pt-br/rust-pt.html.markdown
+++ b/pt-br/rust-pt.html.markdown
@@ -1,5 +1,5 @@
 ---
-language: rust
+language: Rust
 filename: rust-pt.rs
 contributors:
     - ["Paulo Henrique Rodrigues Pinheiro", "https://about.me/paulohrpinheiro"]
diff --git a/r.html.markdown b/r.html.markdown
index e90d5a97..2746d1eb 100644
--- a/r.html.markdown
+++ b/r.html.markdown
@@ -4,6 +4,7 @@ contributors:
     - ["e99n09", "http://github.com/e99n09"]
     - ["isomorphismes", "http://twitter.com/isomorphisms"]
     - ["kalinn", "http://github.com/kalinn"]
+    - ["mribeirodantas", "http://github.com/mribeirodantas"]
 filename: learnr.r
 ---
 
@@ -29,13 +30,13 @@ R is a statistical computing language. It has lots of libraries for uploading an
 # R without understanding anything about programming. Do not worry
 # about understanding everything the code does. Just enjoy!
 
-data()	        # browse pre-loaded data sets
-data(rivers)	# get this one: "Lengths of Major North American Rivers"
-ls()	        # notice that "rivers" now appears in the workspace
-head(rivers)	# peek at the data set
+data()          # browse pre-loaded data sets
+data(rivers)    # get this one: "Lengths of Major North American Rivers"
+ls()            # notice that "rivers" now appears in the workspace
+head(rivers)    # peek at the data set
 # 735 320 325 392 524 450
 
-length(rivers)	# how many rivers were measured?
+length(rivers)  # how many rivers were measured?
 # 141
 summary(rivers) # what are some summary statistics?
 #   Min. 1st Qu.  Median    Mean 3rd Qu.    Max.
@@ -91,14 +92,15 @@ stem(log(rivers)) # Notice that the data are neither normal nor log-normal!
 #  82 | 2
 
 # make a histogram:
-hist(rivers, col="#333333", border="white", breaks=25) # play around with these parameters
-hist(log(rivers), col="#333333", border="white", breaks=25) # you'll do more plotting later
+hist(rivers, col = "#333333", border = "white", breaks = 25)
+hist(log(rivers), col = "#333333", border = "white", breaks = 25)
+# play around with these parameters, you'll do more plotting later
 
 # Here's another neat data set that comes pre-loaded. R has tons of these.
 data(discoveries)
-plot(discoveries, col="#333333", lwd=3, xlab="Year",
+plot(discoveries, col = "#333333", lwd = 3, xlab = "Year",
      main="Number of important discoveries per year")
-plot(discoveries, col="#333333", lwd=3, type = "h", xlab="Year",
+plot(discoveries, col = "#333333", lwd = 3, type = "h", xlab = "Year",
      main="Number of important discoveries per year")
 
 # Rather than leaving the default ordering (by year),
@@ -109,7 +111,7 @@ sort(discoveries)
 # [51]  3  3  3  3  3  3  3  3  3  3  3  3  3  3  3  3  3  4  4  4  4  4  4  4  4
 # [76]  4  4  4  4  5  5  5  5  5  5  5  6  6  6  6  6  6  7  7  7  7  8  9 10 12
 
-stem(discoveries, scale=2)
+stem(discoveries, scale = 2)
 #
 #  The decimal point is at the |
 #
@@ -134,7 +136,7 @@ summary(discoveries)
 #    0.0     2.0     3.0     3.1     4.0    12.0
 
 # Roll a die a few times
-round(runif(7, min=.5, max=6.5))
+round(runif(7, min = .5, max = 6.5))
 # 1 4 6 1 4 6 4
 # Your numbers will differ from mine unless we set the same random.seed(31337)
 
@@ -157,69 +159,68 @@ rnorm(9)
 
 # INTEGERS
 # Long-storage integers are written with L
-5L # 5
-class(5L) # "integer"
+5L          # 5
+class(5L)   # "integer"
 # (Try ?class for more information on the class() function.)
 # In R, every single value, like 5L, is considered a vector of length 1
-length(5L) # 1
+length(5L)  # 1
 # You can have an integer vector with length > 1 too:
-c(4L, 5L, 8L, 3L) # 4 5 8 3
-length(c(4L, 5L, 8L, 3L)) # 4
-class(c(4L, 5L, 8L, 3L)) # "integer"
+c(4L, 5L, 8L, 3L)          # 4 5 8 3
+length(c(4L, 5L, 8L, 3L))  # 4
+class(c(4L, 5L, 8L, 3L))   # "integer"
 
 # NUMERICS
 # A "numeric" is a double-precision floating-point number
-5 # 5
-class(5) # "numeric"
+5           # 5
+class(5)    # "numeric"
 # Again, everything in R is a vector;
 # you can make a numeric vector with more than one element
-c(3,3,3,2,2,1) # 3 3 3 2 2 1
+c(3, 3, 3, 2, 2, 1) # 3 3 3 2 2 1
 # You can use scientific notation too
-5e4 # 50000
-6.02e23 # Avogadro's number
-1.6e-35 # Planck length
+5e4         # 50000
+6.02e23     # Avogadro's number
+1.6e-35     # Planck length
 # You can also have infinitely large or small numbers
-class(Inf)	# "numeric"
-class(-Inf)	# "numeric"
+class(Inf)  # "numeric"
+class(-Inf) # "numeric"
 # You might use "Inf", for example, in integrate(dnorm, 3, Inf);
 # this obviates Z-score tables.
 
 # BASIC ARITHMETIC
 # You can do arithmetic with numbers
 # Doing arithmetic on a mix of integers and numerics gives you another numeric
-10L + 66L # 76      # integer plus integer gives integer
-53.2 - 4  # 49.2    # numeric minus numeric gives numeric
-2.0 * 2L  # 4       # numeric times integer gives numeric
-3L / 4    # 0.75    # integer over numeric gives numeric
-3 %% 2	  # 1       # the remainder of two numerics is another numeric
+10L + 66L   # 76    # integer plus integer gives integer
+53.2 - 4    # 49.2  # numeric minus numeric gives numeric
+2.0 * 2L    # 4     # numeric times integer gives numeric
+3L / 4      # 0.75  # integer over numeric gives numeric
+3 %% 2      # 1     # the remainder of two numerics is another numeric
 # Illegal arithmetic yields you a "not-a-number":
-0 / 0 # NaN
-class(NaN) # "numeric"
+0 / 0       # NaN
+class(NaN)  # "numeric"
 # You can do arithmetic on two vectors with length greater than 1,
 # so long as the larger vector's length is an integer multiple of the smaller
-c(1,2,3) + c(1,2,3) # 2 4 6
+c(1, 2, 3) + c(1, 2, 3)     # 2 4 6
 # Since a single number is a vector of length one, scalars are applied 
 # elementwise to vectors
-(4 * c(1,2,3) - 2) / 2 # 1 3 5
+(4 * c(1, 2, 3) - 2) / 2    # 1 3 5
 # Except for scalars, use caution when performing arithmetic on vectors with 
 # different lengths. Although it can be done, 
-c(1,2,3,1,2,3) * c(1,2) # 1 4 3 2 2 6
-# Matching lengths is better practice and easier to read
-c(1,2,3,1,2,3) * c(1,2,1,2,1,2) 
+c(1, 2, 3, 1, 2, 3) * c(1, 2)               # 1 4 3 2 2 6
+# Matching lengths is better practice and easier to read most times
+c(1, 2, 3, 1, 2, 3) * c(1, 2, 1, 2, 1, 2)   # 1 4 3 2 2 6
 
 # CHARACTERS
 # There's no difference between strings and characters in R
-"Horatio" # "Horatio"
-class("Horatio") # "character"
-class('H') # "character"
+"Horatio"           # "Horatio"
+class("Horatio")    # "character"
+class("H")          # "character"
 # Those were both character vectors of length 1
 # Here is a longer one:
-c('alef', 'bet', 'gimmel', 'dalet', 'he')
-# =>
-# "alef"   "bet"    "gimmel" "dalet"  "he"
+c("alef", "bet", "gimmel", "dalet", "he")
+# => "alef"   "bet"    "gimmel" "dalet"  "he"
 length(c("Call","me","Ishmael")) # 3
 # You can do regex operations on character vectors:
-substr("Fortuna multis dat nimis, nulli satis.", 9, 15) # "multis "
+substr("Fortuna multis dat nimis, nulli satis.", 9, 15)  # "multis "
 gsub('u', 'ø', "Fortuna multis dat nimis, nulli satis.") # "Fortøna møltis dat nimis, nølli satis."
 # R has several built-in character vectors:
 letters
@@ -230,32 +231,33 @@ month.abb # "Jan" "Feb" "Mar" "Apr" "May" "Jun" "Jul" "Aug" "Sep" "Oct" "Nov" "D
 
 # LOGICALS
 # In R, a "logical" is a boolean
-class(TRUE)	# "logical"
-class(FALSE)	# "logical"
+                
+class(TRUE)     # "logical"
+class(FALSE)    # "logical"
 # Their behavior is normal
-TRUE == TRUE	# TRUE
-TRUE == FALSE	# FALSE
-FALSE != FALSE	# FALSE
-FALSE != TRUE	# TRUE
+TRUE == TRUE    # TRUE
+TRUE == FALSE   # FALSE
+FALSE != FALSE  # FALSE
+FALSE != TRUE   # TRUE
 # Missing data (NA) is logical, too
-class(NA)	# "logical"
+class(NA)       # "logical"
 # Use | and & for logic operations.
 # OR
-TRUE | FALSE	# TRUE
+TRUE | FALSE    # TRUE
 # AND
-TRUE & FALSE	# FALSE
+TRUE & FALSE    # FALSE
 # Applying | and & to vectors returns elementwise logic operations
-c(TRUE,FALSE,FALSE) | c(FALSE,TRUE,FALSE) # TRUE TRUE FALSE
-c(TRUE,FALSE,TRUE) & c(FALSE,TRUE,TRUE) # FALSE FALSE TRUE
+c(TRUE, FALSE, FALSE) | c(FALSE, TRUE, FALSE)   # TRUE TRUE FALSE
+c(TRUE, FALSE, TRUE) & c(FALSE, TRUE, TRUE)     # FALSE FALSE TRUE
 # You can test if x is TRUE
-isTRUE(TRUE)	# TRUE
+isTRUE(TRUE)    # TRUE
 # Here we get a logical vector with many elements:
-c('Z', 'o', 'r', 'r', 'o') == "Zorro" # FALSE FALSE FALSE FALSE FALSE
-c('Z', 'o', 'r', 'r', 'o') == "Z" # TRUE FALSE FALSE FALSE FALSE
+c("Z", "o", "r", "r", "o") == "Zorro"   # FALSE FALSE FALSE FALSE FALSE
+c("Z", "o", "r", "r", "o") == "Z"       # TRUE FALSE FALSE FALSE FALSE
 
 # FACTORS
 # The factor class is for categorical data
-# Factors can be ordered (like childrens' grade levels) or unordered (like colors)
+# Factors can be ordered (like grade levels) or unordered (like colors)
 factor(c("blue", "blue", "green", NA, "blue"))
 #  blue blue green   <NA>   blue
 # Levels: blue green
@@ -263,31 +265,27 @@ factor(c("blue", "blue", "green", NA, "blue"))
 # Note that missing data does not enter the levels
 levels(factor(c("green", "green", "blue", NA, "blue"))) # "blue" "green"
 # If a factor vector has length 1, its levels will have length 1, too
-length(factor("green")) # 1
+length(factor("green"))         # 1
 length(levels(factor("green"))) # 1
 # Factors are commonly seen in data frames, a data structure we will cover later
-data(infert) # "Infertility after Spontaneous and Induced Abortion"
+data(infert)             # "Infertility after Spontaneous and Induced Abortion"
 levels(infert$education) # "0-5yrs"  "6-11yrs" "12+ yrs"
 
 # NULL
 # "NULL" is a weird one; use it to "blank out" a vector
-class(NULL)	# NULL
+class(NULL) # NULL
 parakeet = c("beak", "feathers", "wings", "eyes")
-parakeet
-# =>
-# [1] "beak"     "feathers" "wings"    "eyes"
+parakeet # "beak"     "feathers" "wings"    "eyes"
 parakeet <- NULL
-parakeet
-# =>
-# NULL
+parakeet # NULL
 
 # TYPE COERCION
 # Type-coercion is when you force a value to take on a different type
-as.character(c(6, 8)) # "6" "8"
-as.logical(c(1,0,1,1)) # TRUE FALSE  TRUE  TRUE
+as.character(c(6, 8))   # "6" "8"
+as.logical(c(1,0,1,1))  # TRUE FALSE  TRUE  TRUE
 # If you put elements of different types into a vector, weird coercions happen:
-c(TRUE, 4) # 1 4
-c("dog", TRUE, 4) # "dog"  "TRUE" "4"
+c(TRUE, 4)          # 1 4
+c("dog", TRUE, 4)   # "dog"  "TRUE" "4"
 as.numeric("Bilbo")
 # =>
 # [1] NA
@@ -309,14 +307,15 @@ as.numeric("Bilbo")
 
 # VARIABLES
 # Lots of way to assign stuff:
-x = 5 # this is possible
-y <- "1" # this is preferred
-TRUE -> z # this works but is weird
+x = 5       # this is possible
+y <- "1"    # this is preferred traditionally
+TRUE -> z   # this works but is weird
+# Refer to the Internet for the behaviors and preferences about them.
 
 # LOOPS
 # We've got for loops
 for (i in 1:4) {
-  print(i)
+	print(i)
 }
 # We've got while loops
 a <- 10
@@ -341,11 +340,11 @@ if (4 > 3) {
 # FUNCTIONS
 # Defined like so:
 jiggle <- function(x) {
-	x = x + rnorm(1, sd=.1)	#add in a bit of (controlled) noise
+	x = x + rnorm(1, sd=.1) # add in a bit of (controlled) noise
 	return(x)
 }
 # Called like any other R function:
-jiggle(5)	# 5±ε. After set.seed(2716057), jiggle(5)==5.005043
+jiggle(5)   # 5±ε. After set.seed(2716057), jiggle(5)==5.005043
 
 
 
@@ -357,39 +356,39 @@ jiggle(5)	# 5±ε. After set.seed(2716057), jiggle(5)==5.005043
 
 # Let's start from the very beginning, and with something you already know: vectors.
 vec <- c(8, 9, 10, 11)
-vec	#  8  9 10 11
+vec     #  8  9 10 11
 # We ask for specific elements by subsetting with square brackets
 # (Note that R starts counting from 1)
-vec[1]		# 8
-letters[18]	# "r"
-LETTERS[13]	# "M"
-month.name[9]	# "September"
-c(6, 8, 7, 5, 3, 0, 9)[3]	# 7
+vec[1]          # 8
+letters[18]     # "r"
+LETTERS[13]     # "M"
+month.name[9]   # "September"
+c(6, 8, 7, 5, 3, 0, 9)[3] # 7
 # We can also search for the indices of specific components,
-which(vec %% 2 == 0)	# 1 3
+which(vec %% 2 == 0) # 1 3
 # grab just the first or last few entries in the vector,
-head(vec, 1)	# 8
-tail(vec, 2)	# 10 11
+head(vec, 1)    # 8
+tail(vec, 2)    # 10 11
 # or figure out if a certain value is in the vector
-any(vec == 10) # TRUE
+any(vec == 10)  # TRUE
 # If an index "goes over" you'll get NA:
-vec[6]	# NA
+vec[6]      # NA
 # You can find the length of your vector with length()
-length(vec)	# 4
+length(vec) # 4
 # You can perform operations on entire vectors or subsets of vectors
-vec * 4	# 32 36 40 44
-vec[2:3] * 5	# 45 50
-any(vec[2:3] == 8) # FALSE
+vec * 4             # 32 36 40 44
+vec[2:3] * 5        # 45 50
+any(vec[2:3] == 8)  # FALSE
 # and R has many built-in functions to summarize vectors
-mean(vec)	# 9.5
-var(vec)	# 1.666667
-sd(vec)		# 1.290994
-max(vec)	# 11
-min(vec)	# 8
-sum(vec)	# 38
+mean(vec)   # 9.5
+var(vec)    # 1.666667
+sd(vec)     # 1.290994
+max(vec)    # 11
+min(vec)    # 8
+sum(vec)    # 38
 # Some more nice built-ins:
-5:15	# 5  6  7  8  9 10 11 12 13 14 15
-seq(from=0, to=31337, by=1337)
+5:15        # 5  6  7  8  9 10 11 12 13 14 15
+seq(from = 0, to = 31337, by = 1337)
 # =>
 #  [1]     0  1337  2674  4011  5348  6685  8022  9359 10696 12033 13370 14707
 # [13] 16044 17381 18718 20055 21392 22729 24066 25403 26740 28077 29414 30751
@@ -397,7 +396,7 @@ seq(from=0, to=31337, by=1337)
 # TWO-DIMENSIONAL (ALL ONE CLASS)
 
 # You can make a matrix out of entries all of the same type like so:
-mat <- matrix(nrow = 3, ncol = 2, c(1,2,3,4,5,6))
+mat <- matrix(nrow = 3, ncol = 2, c(1, 2, 3, 4, 5, 6))
 mat
 # =>
 #      [,1] [,2]
@@ -405,13 +404,13 @@ mat
 # [2,]    2    5
 # [3,]    3    6
 # Unlike a vector, the class of a matrix is "matrix", no matter what's in it
-class(mat) # => "matrix"
+class(mat)      # "matrix" "array"
 # Ask for the first row
-mat[1,]	# 1 4
+mat[1, ]        # 1 4
 # Perform operation on the first column
-3 * mat[,1]	# 3 6 9
+3 * mat[, 1]    # 3 6 9
 # Ask for a specific cell
-mat[3,2]	# 6
+mat[3, 2]       # 6
 
 # Transpose the whole matrix
 t(mat)
@@ -437,14 +436,14 @@ mat2
 # [2,] "2"  "cat"
 # [3,] "3"  "bird"
 # [4,] "4"  "dog"
-class(mat2)	# matrix
+class(mat2) # matrix
 # Again, note what happened!
 # Because matrices must contain entries all of the same class,
 # everything got converted to the character class
-c(class(mat2[,1]), class(mat2[,2]))
+c(class(mat2[, 1]), class(mat2[, 2]))
 
 # rbind() sticks vectors together row-wise to make a matrix
-mat3 <- rbind(c(1,2,4,5), c(6,7,0,4))
+mat3 <- rbind(c(1, 2, 4, 5), c(6, 7, 0, 4))
 mat3
 # =>
 #      [,1] [,2] [,3] [,4]
@@ -458,11 +457,11 @@ mat3
 # This data structure is so useful for statistical programming,
 # a version of it was added to Python in the package "pandas".
 
-students <- data.frame(c("Cedric","Fred","George","Cho","Draco","Ginny"),
-                       c(3,2,2,1,0,-1),
-                       c("H", "G", "G", "R", "S", "G"))
+students <- data.frame(c("Cedric", "Fred", "George", "Cho", "Draco", "Ginny"),
+                       c(       3,      2,        2,     1,       0,      -1),
+                       c(     "H",    "G",      "G",   "R",     "S",     "G"))
 names(students) <- c("name", "year", "house") # name the columns
-class(students)	# "data.frame"
+class(students) # "data.frame"
 students
 # =>
 #     name year house
@@ -472,21 +471,22 @@ students
 # 4    Cho    1     R
 # 5  Draco    0     S
 # 6  Ginny   -1     G
-class(students$year)	# "numeric"
-class(students[,3])	# "factor"
+class(students$year)    # "numeric"
+class(students[,3])     # "factor"
 # find the dimensions
-nrow(students)	# 6
-ncol(students)	# 3
-dim(students)	# 6 3
-# The data.frame() function converts character vectors to factor vectors
-# by default; turn this off by setting stringsAsFactors = FALSE when
-# you create the data.frame
+nrow(students)  # 6
+ncol(students)  # 3
+dim(students)   # 6 3
+# The data.frame() function used to convert character vectors to factor
+# vectors by default; This has changed in R 4.0.0. If your R version is
+# older, turn this off by setting stringsAsFactors = FALSE when you
+# create the data.frame
 ?data.frame
 
 # There are many twisty ways to subset data frames, all subtly unalike
-students$year	# 3  2  2  1  0 -1
-students[,2]	# 3  2  2  1  0 -1
-students[,"year"]	# 3  2  2  1  0 -1
+students$year       # 3  2  2  1  0 -1
+students[, 2]       # 3  2  2  1  0 -1
+students[, "year"]  # 3  2  2  1  0 -1
 
 # An augmented version of the data.frame structure is the data.table
 # If you're working with huge or panel data, or need to merge a few data
@@ -503,19 +503,19 @@ students # note the slightly different print-out
 # 4:    Cho    1     R
 # 5:  Draco    0     S
 # 6:  Ginny   -1     G
-students[name=="Ginny"] # get rows with name == "Ginny"
+students[name == "Ginny"] # get rows with name == "Ginny"
 # =>
 #     name year house
 # 1: Ginny   -1     G
-students[year==2] # get rows with year == 2
+students[year == 2] # get rows with year == 2
 # =>
 #      name year house
 # 1:   Fred    2     G
 # 2: George    2     G
 # data.table makes merging two data sets easy
 # let's make another data.table to merge with students
-founders <- data.table(house=c("G","H","R","S"),
-                       founder=c("Godric","Helga","Rowena","Salazar"))
+founders <- data.table(house   = c("G"     , "H"    , "R"     , "S"),
+                       founder = c("Godric", "Helga", "Rowena", "Salazar"))
 founders
 # =>
 #    house founder
@@ -526,8 +526,8 @@ founders
 setkey(students, house)
 setkey(founders, house)
 students <- founders[students] # merge the two data sets by matching "house"
-setnames(students, c("house","houseFounderName","studentName","year"))
-students[,order(c("name","year","house","houseFounderName")), with=F]
+setnames(students, c("house", "houseFounderName", "studentName", "year"))
+students[, order(c("name", "year", "house", "houseFounderName")), with = F]
 # =>
 #    studentName year house houseFounderName
 # 1:        Fred    2     G           Godric
@@ -538,7 +538,7 @@ students[,order(c("name","year","house","houseFounderName")), with=F]
 # 6:       Draco    0     S          Salazar
 
 # data.table makes summary tables easy
-students[,sum(year),by=house]
+students[, sum(year), by = house]
 # =>
 #    house V1
 # 1:     G  3
@@ -571,7 +571,7 @@ students[studentName != "Draco"]
 # 5:     R         Cho    1
 # Using data.frame:
 students <- as.data.frame(students)
-students[students$house != "G",]
+students[students$house != "G", ]
 # =>
 #   house houseFounderName studentName year
 # 4     H            Helga      Cedric    3
@@ -583,13 +583,13 @@ students[students$house != "G",]
 # Arrays creates n-dimensional tables
 # All elements must be of the same type
 # You can make a two-dimensional table (sort of like a matrix)
-array(c(c(1,2,4,5),c(8,9,3,6)), dim=c(2,4))
+array(c(c(1, 2, 4, 5), c(8, 9, 3, 6)), dim = c(2, 4))
 # =>
 #      [,1] [,2] [,3] [,4]
 # [1,]    1    4    8    3
 # [2,]    2    5    9    6
 # You can use array to make three-dimensional matrices too
-array(c(c(c(2,300,4),c(8,9,0)),c(c(5,60,0),c(66,7,847))), dim=c(3,2,2))
+array(c(c(c(2, 300, 4), c(8, 9, 0)), c(c(5, 60, 0), c(66, 7, 847))), dim = c(3, 2, 2))
 # =>
 # , , 1
 #
@@ -609,7 +609,7 @@ array(c(c(c(2,300,4),c(8,9,0)),c(c(5,60,0),c(66,7,847))), dim=c(3,2,2))
 
 # Finally, R has lists (of vectors)
 list1 <- list(time = 1:40)
-list1$price = c(rnorm(40,.5*list1$time,4)) # random
+list1$price = c(rnorm(40, .5*list1$time, 4)) # random
 list1
 # You can get items in the list like so
 list1$time # one way
@@ -682,7 +682,7 @@ write.csv(pets, "pets2.csv") # to make a new .csv file
 #########################
 
 # Linear regression!
-linearModel <- lm(price  ~ time, data = list1)
+linearModel <- lm(price ~ time, data = list1)
 linearModel # outputs result of regression
 # =>
 # Call:
@@ -719,7 +719,7 @@ summary(linearModel)$coefficients # another way to extract results
 #              Estimate Std. Error    t value     Pr(>|t|)
 # (Intercept) 0.1452662 1.50084246 0.09678975 9.234021e-01
 # time        0.4943490 0.06379348 7.74920901 2.440008e-09
-summary(linearModel)$coefficients[,4] # the p-values 
+summary(linearModel)$coefficients[, 4] # the p-values 
 # =>
 #  (Intercept)         time 
 # 9.234021e-01 2.440008e-09 
@@ -728,8 +728,7 @@ summary(linearModel)$coefficients[,4] # the p-values
 # Logistic regression
 set.seed(1)
 list1$success = rbinom(length(list1$time), 1, .5) # random binary
-glModel <- glm(success  ~ time, data = list1, 
-	family=binomial(link="logit"))
+glModel <- glm(success  ~ time, data = list1, family=binomial(link="logit"))
 glModel # outputs result of logistic regression
 # =>
 # Call:  glm(formula = success ~ time, 
@@ -745,8 +744,10 @@ glModel # outputs result of logistic regression
 summary(glModel) # more verbose output from the regression
 # =>
 # Call:
-# glm(formula = success ~ time, 
-#	family = binomial(link = "logit"), data = list1)
+# glm(
+#	formula = success ~ time,
+#	family = binomial(link = "logit"),
+#	data = list1)
 
 # Deviance Residuals: 
 #    Min      1Q  Median      3Q     Max  
@@ -780,7 +781,7 @@ plot(linearModel)
 # Histograms!
 hist(rpois(n = 10000, lambda = 5), col = "thistle")
 # Barplots!
-barplot(c(1,4,5,1,2), names.arg = c("red","blue","purple","green","yellow"))
+barplot(c(1, 4, 5, 1, 2), names.arg = c("red", "blue", "purple", "green", "yellow"))
 
 # GGPLOT2
 # But these are not even the prettiest of R's plots
@@ -788,10 +789,10 @@ barplot(c(1,4,5,1,2), names.arg = c("red","blue","purple","green","yellow"))
 install.packages("ggplot2")
 require(ggplot2)
 ?ggplot2
-pp <- ggplot(students, aes(x=house))
+pp <- ggplot(students, aes(x = house))
 pp + geom_bar()
 ll <- as.data.table(list1)
-pp <- ggplot(ll, aes(x=time,price))
+pp <- ggplot(ll, aes(x = time, price))
 pp + geom_point()
 # ggplot2 has excellent documentation (available http://docs.ggplot2.org/current/)
 
diff --git a/uk-ua/rust-ua.html.markdown b/uk-ua/rust-ua.html.markdown
index 422de371..4aad0cbb 100644
--- a/uk-ua/rust-ua.html.markdown
+++ b/uk-ua/rust-ua.html.markdown
@@ -1,5 +1,5 @@
 ---
-language: rust
+language: Rust
 contributors:
     - ["P1start", "http://p1start.github.io/"]
 translators:
diff --git a/zh-cn/rust-cn.html.markdown b/zh-cn/rust-cn.html.markdown
index b77c9c38..6bed1650 100644
--- a/zh-cn/rust-cn.html.markdown
+++ b/zh-cn/rust-cn.html.markdown
@@ -1,5 +1,5 @@
 ---
-language: rust
+language: Rust
 contributors:
     - ["P1start", "http://p1start.github.io/"]
 translators: