R est un environnement de traitement de données, d’analyses statistiques et de visualisation des données
• En open source
Libre distribution (mais il existe une licence commerciale)
Développé et géré par une communauté d’utilisateurs (CRAN)
Accès au code source possible
• Un langage de programmation interprété et intuitif.
Les fonctionnalités de base peuvent être étendues à l’aide d’extensions développées par la communauté
Parmi les extensions, une large palette de librairies (package) développée par la communauté et qui couvrent la quasi-totalité des usages statistiques et data science. Ex: ggplot2 utilisée pour la datavisualisation.
Pour utiliser un package, il faut d’abord l’installer et puis le charger dans le code.
Installer : install.packages(<nom_du_package>) ex. intstall.packages(ggplot2)
Charger : library(<nom_du_package>) ex. library(ggplot2)
Tout ce qui concerne le logiciel R, code, documentation, … sont accessible via le CRAN (Comprehensive R Archive Network) CRAN - Mirrors (r-project.org)
Quelques astuces pour bien utiliser R :
Faire executer un code CTRL+ENTREE après la ligne de commande
Ponctuation pour les décimales “.”
Eviter les accents ou espaces dans le nom des variables
Valeur manquante = NA
Langage R est sensible à la casse
Assignation d’objet a <- c(1,2) ou a = c(1,2)
Appel à l’aide : ?<nom_de_commande> ou help(<nom_de_commande>)
Nous allons apprendre à créer des variables numériques et catégorielles, les stocker sous différents formats : vecteur, facteur, matrice, dataframe
Liste ordonnée du même type de données.
La commande c() permet de créer un vecteur.
age <- c(21, 20, 22, 23)
age
## [1] 21 20 22 23
La commande length() permet d’afficher la longeur d’un vecteur.
length(age)
## [1] 4
La commande mode() permet d’afficher le type de données du vecteur.
mode(age)
## [1] "numeric"
Les valeurs manquantes (NULL) sont représentées sous R avec le symbole NA
age <- c(21, 20, 22, NA, 23, 20, 28, 29, 21, 28)
age
## [1] 21 20 22 NA 23 20 28 29 21 28
length(age)
## [1] 10
Afficher une valeur, plusieurs valeurs ou une plage de valeur de mon vecteur
age[1]
## [1] 21
age[1:3]
## [1] 21 20 22
age[c(1,3,4)]
## [1] 21 22 NA
Créer un vecteur qui contient le genre des personnes listés dans le vecteur age
genre <- c("H", "F", "H", "F", "F", "H", "F", "H", "F", "F")
genre
## [1] "H" "F" "H" "F" "F" "H" "F" "H" "F" "F"
length(genre)
## [1] 10
Vecteur pour des variables qualitative.
La commande factor()
permet de coder un vecteur comme un facteur. Ce qui revient à associer à
chaque modalité ou niveau du facteur (levels) des étiquettes textuelles
plus informatives.
Par défaut, la commande factor() retient les niveaux correspondant aux valeurs uniques, présentes dans le vecteur et triées par ordre alphanumérique.
factor(genre)
## [1] H F H F F H F H F F
## Levels: F H
Associer des étiquettes à chaque niveau
genre <- factor(genre, labels = c("Femme","Homme"))
genre
## [1] Homme Femme Homme Femme Femme Homme Femme Homme Femme Femme
## Levels: Femme Homme
La commande nlevels() pemert d’afficher le nombre de niveaux et levels() permet de lister les niveaux
nlevels(genre)
## [1] 2
levels(genre)
## [1] "Femme" "Homme"
Une matrice est un vecteur dont les éléments sont disposés sous forme
d’un tableau qui comporte des lignes et des colonnes.
matrix(1:6)
## [,1]
## [1,] 1
## [2,] 2
## [3,] 3
## [4,] 4
## [5,] 5
## [6,] 6
matrix(1:6, nrow = 2)
## [,1] [,2] [,3]
## [1,] 1 3 5
## [2,] 2 4 6
matrix(1:6, ncol = 2)
## [,1] [,2]
## [1,] 1 4
## [2,] 2 5
## [3,] 3 6
matrix(1:5, ncol = 2)
## Warning in matrix(1:5, ncol = 2): la longueur des données [5] n'est pas un
## diviseur ni un multiple du nombre de lignes [3]
## [,1] [,2]
## [1,] 1 4
## [2,] 2 5
## [3,] 3 1
Le remplissage d’une matrice se fait par colonne si on ne spécifie pas le contraire
matrix(1:6, nrow = 2)
## [,1] [,2] [,3]
## [1,] 1 3 5
## [2,] 2 4 6
matrix(1:6, nrow = 2, byrow = TRUE)
## [,1] [,2] [,3]
## [1,] 1 2 3
## [2,] 4 5 6
Afficher la dimension de la matrice avec la fonction dim()
mc = matrix(1:6, nrow = 3)
dim(mc)
## [1] 3 2
Définir les noms des colonnes et des lignes avec les fonctions colnames() et rownames()
colnames(mc) <- paste(c('A','B'))
rownames(mc) <- paste("i", 1:3, sep = "")
mc
## A B
## i1 1 4
## i2 2 5
## i3 3 6
Convertir les deux vecteurs age et genre dans une matrice à 2 colonnes.
age <- c(21, 20, 22, NA, 23, 20, 28, 29, 21, 28) # vecteur age
genre <- c("H", "F", "H", "F", "F", "H", "F", "H", "F", "F") # vecteur genre
v_population = c(genre,age) # Concaterner les deux vecteurs en un seul
v_population
## [1] "H" "F" "H" "F" "F" "H" "F" "H" "F" "F" "21" "20" "22" NA "23"
## [16] "20" "28" "29" "21" "28"
m_population = matrix(v_population, ncol = 2) # convertir le vecteur en matrice avec deux colonnes
m_population
## [,1] [,2]
## [1,] "H" "21"
## [2,] "F" "20"
## [3,] "H" "22"
## [4,] "F" NA
## [5,] "F" "23"
## [6,] "H" "20"
## [7,] "F" "28"
## [8,] "H" "29"
## [9,] "F" "21"
## [10,] "F" "28"
colnames(m_population) = paste(c('Genre','Age'))
rownames(m_population) = paste("i", 1:10, sep = "")
m_population
## Genre Age
## i1 "H" "21"
## i2 "F" "20"
## i3 "H" "22"
## i4 "F" NA
## i5 "F" "23"
## i6 "H" "20"
## i7 "F" "28"
## i8 "H" "29"
## i9 "F" "21"
## i10 "F" "28"
Vous remarquez que les données du vecteur age (de type numeric) sont
maintenant de type character. Les matrices stockent les données du
même type !
Afficher les éléments d’une matrice
m_population[1, ] # ligne 1
## Genre Age
## "H" "21"
m_population[c(1, 4), ] # ligne 1 et 4
## Genre Age
## i1 "H" "21"
## i4 "F" NA
m_population[, 1] # colonne 1
## i1 i2 i3 i4 i5 i6 i7 i8 i9 i10
## "H" "F" "H" "F" "F" "H" "F" "H" "F" "F"
m_population[, 1, drop = FALSE] # colonne 1 sans conversion en vecteur
## Genre
## i1 "H"
## i2 "F"
## i3 "H"
## i4 "F"
## i5 "F"
## i6 "H"
## i7 "F"
## i8 "H"
## i9 "F"
## i10 "F"
m_population[, 1:2] # colonne 1 à 2
## Genre Age
## i1 "H" "21"
## i2 "F" "20"
## i3 "H" "22"
## i4 "F" NA
## i5 "F" "23"
## i6 "H" "20"
## i7 "F" "28"
## i8 "H" "29"
## i9 "F" "21"
## i10 "F" "28"
m_population[3, 2] # élément de la ligne 3 et colonne 2
## [1] "22"
Un dataframe est une structure qui stocke les données sous forme d’un
tableau avec des lignes (Observations/Individus) et colonnes
(variables/caractéristique). Contrairement à la matrice, un dataframe
permet le stockage des données de différents types.
Utiliser la
fonction data.frame() pour créer un dataframe.
df_population <- data.frame(Genre = genre, age)
df_population
## Genre age
## 1 H 21
## 2 F 20
## 3 H 22
## 4 F NA
## 5 F 23
## 6 H 20
## 7 F 28
## 8 H 29
## 9 F 21
## 10 F 28
Analyser la structure du dataframe
length(df_population) # Longeur du dataframe = nombre de variables
## [1] 2
dim(df_population) # dimension du dataframe = nb lignes x nb colonnes
## [1] 10 2
str(df_population) # afficher la structure du dataframe
## 'data.frame': 10 obs. of 2 variables:
## $ Genre: chr "H" "F" "H" "F" ...
## $ age : num 21 20 22 NA 23 20 28 29 21 28
La commande View() permet d’afficher le contenu du dataframe de façon interactive, dans R Studio
View(df_population)
Afficher les éléments d’un dataframe en utilisant la position
df_population[1, ] # ligne 1
## Genre age
## 1 H 21
df_population[c(1, 4), ] # ligne 1 et 4
## Genre age
## 1 H 21
## 4 F NA
df_population[, 1] # colonne 1 sous forme de vecteur
## [1] "H" "F" "H" "F" "F" "H" "F" "H" "F" "F"
df_population[1] # colonne 1 sous forme de dataframe
## Genre
## 1 H
## 2 F
## 3 H
## 4 F
## 5 F
## 6 H
## 7 F
## 8 H
## 9 F
## 10 F
df_population[1:2] # colonne 1 à 2
## Genre age
## 1 H 21
## 2 F 20
## 3 H 22
## 4 F NA
## 5 F 23
## 6 H 20
## 7 F 28
## 8 H 29
## 9 F 21
## 10 F 28
Afficher les éléments d’un dataframe en utilisant le nom de la variable
df_population["age"] # colonne age sous forme de dataframe
## age
## 1 21
## 2 20
## 3 22
## 4 NA
## 5 23
## 6 20
## 7 28
## 8 29
## 9 21
## 10 28
df_population$age # colonne age sous forme de vecteur
## [1] 21 20 22 NA 23 20 28 29 21 28
Afficher les éléments d’un dataframe en utilisant une condition/filtre (select … where …)
df_population[df_population$Genre == "H",] # Sélectionner uniquement les hommes
## Genre age
## 1 H 21
## 3 H 22
## 6 H 20
## 8 H 29
df_population[df_population$age > 21,] # Sélectionner les personnes agées de plus de 21 ans
## Genre age
## 3 H 22
## NA <NA> NA
## 5 F 23
## 7 F 28
## 8 H 29
## 10 F 28
df_population[df_population$Genre == "H" & df_population$age > 21, ] # Sélectionner les hommes agés de plus de 21 ans
## Genre age
## 3 H 22
## 8 H 29
Ajouter une variable (colonne) à un dataframe
#Créer deux vecteur à 5 attributs
prenom <- c("Arnaud", "Alice", "Eric", "Martine", "Sara", "Marc", "Julie", "Axel", "Ania", "Laura")
poid <- c(62,50,70,76,61,62,72,70,50,71)
Associer les deux vecteurs à deux nouvelles variables de mon dataframe
df_population$prenom <- prenom ; df_population$poid <- poid
df_population
## Genre age prenom poid
## 1 H 21 Arnaud 62
## 2 F 20 Alice 50
## 3 H 22 Eric 70
## 4 F NA Martine 76
## 5 F 23 Sara 61
## 6 H 20 Marc 62
## 7 F 28 Julie 72
## 8 H 29 Axel 70
## 9 F 21 Ania 50
## 10 F 28 Laura 71
Transformer une variable
df_population$poid <- df_population$poid +1
df_population
## Genre age prenom poid
## 1 H 21 Arnaud 63
## 2 F 20 Alice 51
## 3 H 22 Eric 71
## 4 F NA Martine 77
## 5 F 23 Sara 62
## 6 H 20 Marc 63
## 7 F 28 Julie 73
## 8 H 29 Axel 71
## 9 F 21 Ania 51
## 10 F 28 Laura 72
Transformer une variable selon une condition (Remplacer H par Homme et F par Femme sur la variable Genre)
df_population$Genre[df_population$Genre == "H"] <- "Homme"
df_population$Genre[df_population$Genre == "F"] <- "Femme"
df_population
## Genre age prenom poid
## 1 Homme 21 Arnaud 63
## 2 Femme 20 Alice 51
## 3 Homme 22 Eric 71
## 4 Femme NA Martine 77
## 5 Femme 23 Sara 62
## 6 Homme 20 Marc 63
## 7 Femme 28 Julie 73
## 8 Homme 29 Axel 71
## 9 Femme 21 Ania 51
## 10 Femme 28 Laura 72
Utiliser la fonction summary() pour faire un profiling des variables du dataframe (afficher les statistiques de base pour chaque variable)
summary(df_population)
## Genre age prenom poid
## Length:10 Min. :20.00 Length:10 Min. :51.00
## Class :character 1st Qu.:21.00 Class :character 1st Qu.:62.25
## Mode :character Median :22.00 Mode :character Median :67.00
## Mean :23.56 Mean :65.40
## 3rd Qu.:28.00 3rd Qu.:71.75
## Max. :29.00 Max. :77.00
## NA's :1
Transformer la variable Genre en facteur.
df_population$Genre <- factor(df_population$Genre);
df_population <- df_population |> transform(Genre = factor(Genre)) # une autre façon de transformer une variable
df_population
## Genre age prenom poid
## 1 Homme 21 Arnaud 63
## 2 Femme 20 Alice 51
## 3 Homme 22 Eric 71
## 4 Femme NA Martine 77
## 5 Femme 23 Sara 62
## 6 Homme 20 Marc 63
## 7 Femme 28 Julie 73
## 8 Homme 29 Axel 71
## 9 Femme 21 Ania 51
## 10 Femme 28 Laura 72
Refaire un profiling et anlyser la variable Genre pour constater la différence entre une variable vecteur et une variable facteur
summary(df_population)
## Genre age prenom poid
## Femme:6 Min. :20.00 Length:10 Min. :51.00
## Homme:4 1st Qu.:21.00 Class :character 1st Qu.:62.25
## Median :22.00 Mode :character Median :67.00
## Mean :23.56 Mean :65.40
## 3rd Qu.:28.00 3rd Qu.:71.75
## Max. :29.00 Max. :77.00
## NA's :1
Partant de notre dataframe df_population.
Afficher un résumé ou aperçu des données
head(df_population) # Afficher les 6 premières lignes
## Genre age prenom poid
## 1 Homme 21 Arnaud 63
## 2 Femme 20 Alice 51
## 3 Homme 22 Eric 71
## 4 Femme NA Martine 77
## 5 Femme 23 Sara 62
## 6 Homme 20 Marc 63
tail(df_population) # Afficher les 6 dernières lignes
## Genre age prenom poid
## 5 Femme 23 Sara 62
## 6 Homme 20 Marc 63
## 7 Femme 28 Julie 73
## 8 Homme 29 Axel 71
## 9 Femme 21 Ania 51
## 10 Femme 28 Laura 72
summary(df_population) # Profiling
## Genre age prenom poid
## Femme:6 Min. :20.00 Length:10 Min. :51.00
## Homme:4 1st Qu.:21.00 Class :character 1st Qu.:62.25
## Median :22.00 Mode :character Median :67.00
## Mean :23.56 Mean :65.40
## 3rd Qu.:28.00 3rd Qu.:71.75
## Max. :29.00 Max. :77.00
## NA's :1
Renommer les lignes et colonnes
names(df_population)[2] <- "Age" # Renommer la 2e colonne
names(df_population)[c(3, 4)] <- c("Prenom", "Poid") # Renommer la colonne 3 et 4
rownames(df_population) <- paste("i", 1:10, sep = "") # Nommer les lignes
df_population
## Genre Age Prenom Poid
## i1 Homme 21 Arnaud 63
## i2 Femme 20 Alice 51
## i3 Homme 22 Eric 71
## i4 Femme NA Martine 77
## i5 Femme 23 Sara 62
## i6 Homme 20 Marc 63
## i7 Femme 28 Julie 73
## i8 Homme 29 Axel 71
## i9 Femme 21 Ania 51
## i10 Femme 28 Laura 72
Ordonner les lignes
df_population[order(df_population$Age), ] # ordre croissant par age
## Genre Age Prenom Poid
## i2 Femme 20 Alice 51
## i6 Homme 20 Marc 63
## i1 Homme 21 Arnaud 63
## i9 Femme 21 Ania 51
## i3 Homme 22 Eric 71
## i5 Femme 23 Sara 62
## i7 Femme 28 Julie 73
## i10 Femme 28 Laura 72
## i8 Homme 29 Axel 71
## i4 Femme NA Martine 77
df_population[order(-df_population$Age), ] # ordre décroissant par age
## Genre Age Prenom Poid
## i8 Homme 29 Axel 71
## i7 Femme 28 Julie 73
## i10 Femme 28 Laura 72
## i5 Femme 23 Sara 62
## i3 Homme 22 Eric 71
## i1 Homme 21 Arnaud 63
## i9 Femme 21 Ania 51
## i2 Femme 20 Alice 51
## i6 Homme 20 Marc 63
## i4 Femme NA Martine 77
df_population[order(df_population$Age, df_population$Poid), ] # ordre croissant par age et poid
## Genre Age Prenom Poid
## i2 Femme 20 Alice 51
## i6 Homme 20 Marc 63
## i9 Femme 21 Ania 51
## i1 Homme 21 Arnaud 63
## i3 Homme 22 Eric 71
## i5 Femme 23 Sara 62
## i10 Femme 28 Laura 72
## i7 Femme 28 Julie 73
## i8 Homme 29 Axel 71
## i4 Femme NA Martine 77
Changer l’ordre des colonnes
df_population <- df_population[,c("Prenom","Genre","Age","Poid")]
df_population
## Prenom Genre Age Poid
## i1 Arnaud Homme 21 63
## i2 Alice Femme 20 51
## i3 Eric Homme 22 71
## i4 Martine Femme NA 77
## i5 Sara Femme 23 62
## i6 Marc Homme 20 63
## i7 Julie Femme 28 73
## i8 Axel Homme 29 71
## i9 Ania Femme 21 51
## i10 Laura Femme 28 72
Compter le nombre d’individus par valeur d’une variable
table(df_population$Genre)
##
## Femme Homme
## 6 4
xtabs(~Genre, data = df_population) # xtabs qui donne le même résultat que table()
## Genre
## Femme Homme
## 6 4
table(df_population$Age)
##
## 20 21 22 23 28 29
## 2 2 1 1 2 1
Aggréger les données
mean(df_population$Age) # Moyenne d'age de tous les individus
## [1] NA
mean(df_population$Age, na.rm = TRUE) # Moyenne d'age de tous les individus - Ignorer les NULL
## [1] 23.55556
# sum, median, ...
Aggréger les données par variable
aggregate(Age ~ Genre, data = df_population, FUN = mean) # Moyenne d'age par genre
## Genre Age
## 1 Femme 24
## 2 Homme 23
#aggregate(Age ~ Genre, df_population, mean)
aggregate(Age ~ Genre, df_population, quantile)
## Genre Age.0% Age.25% Age.50% Age.75% Age.100%
## 1 Femme 20.00 21.00 23.00 28.00 28.00
## 2 Homme 20.00 20.75 21.50 23.75 29.00
Nous allons maintenant utiliser la librairie dplyr qui
est une extension facilitant le traitement et la manipulation de données
contenues dans une ou plusieurs tables ou dataframe. Elle propose une
syntaxe claire et cohérente, sous formes de verbes.
Charger la librairie dplyr
library(dplyr)
## Warning: le package 'dplyr' a été compilé avec la version R 4.2.3
##
## Attachement du package : 'dplyr'
## Les objets suivants sont masqués depuis 'package:stats':
##
## filter, lag
## Les objets suivants sont masqués depuis 'package:base':
##
## intersect, setdiff, setequal, union
Sélectionner les lignes d’un dataframe. slice()
slice(df_population,2)
## Prenom Genre Age Poid
## i2 Alice Femme 20 51
slice(df_population,2:5)
## Prenom Genre Age Poid
## i2 Alice Femme 20 51
## i3 Eric Homme 22 71
## i4 Martine Femme NA 77
## i5 Sara Femme 23 62
Filtrer les lignes d’un dataframe. filter()
filter(df_population,Age > 21)
## Prenom Genre Age Poid
## i3 Eric Homme 22 71
## i5 Sara Femme 23 62
## i7 Julie Femme 28 73
## i8 Axel Homme 29 71
## i10 Laura Femme 28 72
filter(df_population,Genre == "Homme")
## Prenom Genre Age Poid
## i1 Arnaud Homme 21 63
## i3 Eric Homme 22 71
## i6 Marc Homme 20 63
## i8 Axel Homme 29 71
Ordonner les lignes d’un dataframe. arrange()
arrange(df_population,Age)
## Prenom Genre Age Poid
## i2 Alice Femme 20 51
## i6 Marc Homme 20 63
## i1 Arnaud Homme 21 63
## i9 Ania Femme 21 51
## i3 Eric Homme 22 71
## i5 Sara Femme 23 62
## i7 Julie Femme 28 73
## i10 Laura Femme 28 72
## i8 Axel Homme 29 71
## i4 Martine Femme NA 77
arrange(df_population,desc(Age))
## Prenom Genre Age Poid
## i8 Axel Homme 29 71
## i7 Julie Femme 28 73
## i10 Laura Femme 28 72
## i5 Sara Femme 23 62
## i3 Eric Homme 22 71
## i1 Arnaud Homme 21 63
## i9 Ania Femme 21 51
## i2 Alice Femme 20 51
## i6 Marc Homme 20 63
## i4 Martine Femme NA 77
arrange(df_population,Genre,Age)
## Prenom Genre Age Poid
## i2 Alice Femme 20 51
## i9 Ania Femme 21 51
## i5 Sara Femme 23 62
## i7 Julie Femme 28 73
## i10 Laura Femme 28 72
## i4 Martine Femme NA 77
## i6 Marc Homme 20 63
## i1 Arnaud Homme 21 63
## i3 Eric Homme 22 71
## i8 Axel Homme 29 71
Créer une colonne calculée ou modifier une colonne existante. mutate()
df_population <- mutate(df_population,Poid = Poid-1)
df_population
## Prenom Genre Age Poid
## i1 Arnaud Homme 21 62
## i2 Alice Femme 20 50
## i3 Eric Homme 22 70
## i4 Martine Femme NA 76
## i5 Sara Femme 23 61
## i6 Marc Homme 20 62
## i7 Julie Femme 28 72
## i8 Axel Homme 29 70
## i9 Ania Femme 21 50
## i10 Laura Femme 28 71
Enchaîner les opérations. Pour améliorer encore la lisibilité du code, on va utiliser un opérateur, nommé pipe. Le pipe se note %>%
df_population_femme <- df_population %>%
filter(Genre == "Femme" & Age > 21) %>%
select(Prenom, Age, Poid) %>%
arrange(Age)
df_population_femme
## Prenom Age Poid
## i5 Sara 23 61
## i7 Julie 28 72
## i10 Laura 28 71
Grouper les lignes par une ou plusieurs variables. group_by()
group_by(df_population,Genre)
## # A tibble: 10 × 4
## # Groups: Genre [2]
## Prenom Genre Age Poid
## <chr> <fct> <dbl> <dbl>
## 1 Arnaud Homme 21 62
## 2 Alice Femme 20 50
## 3 Eric Homme 22 70
## 4 Martine Femme NA 76
## 5 Sara Femme 23 61
## 6 Marc Homme 20 62
## 7 Julie Femme 28 72
## 8 Axel Homme 29 70
## 9 Ania Femme 21 50
## 10 Laura Femme 28 71
df_population %>% group_by(Genre) # même chose
## # A tibble: 10 × 4
## # Groups: Genre [2]
## Prenom Genre Age Poid
## <chr> <fct> <dbl> <dbl>
## 1 Arnaud Homme 21 62
## 2 Alice Femme 20 50
## 3 Eric Homme 22 70
## 4 Martine Femme NA 76
## 5 Sara Femme 23 61
## 6 Marc Homme 20 62
## 7 Julie Femme 28 72
## 8 Axel Homme 29 70
## 9 Ania Femme 21 50
## 10 Laura Femme 28 71
On dirait qu’il a rien fait, à part l’apparition d’une mention Groups
dans l’affichage du résultat. Mais en réalité, il a bien identifier les
2 groupes et maintenant les verbes comme slice, mutate ou summarise vont
en tenir compte lors de leurs opérations.
df_population %>% group_by(Genre) %>% slice(1)
## # A tibble: 2 × 4
## # Groups: Genre [2]
## Prenom Genre Age Poid
## <chr> <fct> <dbl> <dbl>
## 1 Alice Femme 20 50
## 2 Arnaud Homme 21 62
df_population %>% group_by(Genre) %>% slice(1) %>% ungroup()
## # A tibble: 2 × 4
## Prenom Genre Age Poid
## <chr> <fct> <dbl> <dbl>
## 1 Alice Femme 20 50
## 2 Arnaud Homme 21 62
Il récupère bien la 1e ligne de chaque groupe.
Aggréger les lignes du dataframe. summarise()
df_population %>% count()
## n
## 1 10
df_population %>% summarise(n())
## n()
## 1 10
df_population %>% count(Genre)
## Genre n
## 1 Femme 6
## 2 Homme 4
df_population %>% summarise(Moy_Age = mean(Age, na.rm=TRUE))
## Moy_Age
## 1 23.55556
df_population %>% summarise(Moy_Poid = mean(Poid, na.rm=TRUE))
## Moy_Poid
## 1 64.4
Afficher sur un tableau la moyenne d’age, le poid moyen et le nombre d’individus par genre ?
## Répondre ici
df_population %>% group_by(Genre) %>% summarise(Moy_Age = mean(Age, na.rm=TRUE), Poid_moy = mean(Poid), Nb_indiv = n())
## # A tibble: 2 × 4
## Genre Moy_Age Poid_moy Nb_indiv
## <fct> <dbl> <dbl> <int>
## 1 Femme 24 63.3 6
## 2 Homme 23 66 4
Aller plus loin avec la librairie dplyr : https://dplyr.tidyverse.org/index.html
R dispose de plusieurs jeux de données accessibles via R base (package datasets) ou via d’autres packages à charger.
Voir la liste complète des jeux de données R. data()
data() # Afficher tous les jeux de données
data(package = "dplyr") # Afficher seulement les jeux de données du package ‘dplyr’
Afficher la description du dataset mpg
?Titanic
## démarrage du serveur d'aide httpd ... fini
help(Titanic)
?head
Charger le dataset starwars
my_dataset_starwars <- starwars
head(my_dataset_starwars)
## # A tibble: 6 × 14
## name height mass hair_color skin_color eye_color birth_year sex gender
## <chr> <int> <dbl> <chr> <chr> <chr> <dbl> <chr> <chr>
## 1 Luke Sky… 172 77 blond fair blue 19 male mascu…
## 2 C-3PO 167 75 <NA> gold yellow 112 none mascu…
## 3 R2-D2 96 32 <NA> white, bl… red 33 none mascu…
## 4 Darth Va… 202 136 none white yellow 41.9 male mascu…
## 5 Leia Org… 150 49 brown light brown 19 fema… femin…
## 6 Owen Lars 178 120 brown, gr… light blue 52 male mascu…
## # ℹ 5 more variables: homeworld <chr>, species <chr>, films <list>,
## # vehicles <list>, starships <list>
Maintenant, nous allons charger un jeu de données depuis un fichier CSV. Utilisez la fonction read.csv2() pour importer la table à analyser. séparateur point virgule
df_construction = read.csv2("C:/constructionrehabilitation.csv")
head(df_construction)
## code_region region annee_financement
## 1 1 GUADELOUPE 2017
## 2 2 MARTINIQUE 2017
## 3 2 MARTINIQUE 2018
## 4 27 BOURGOGNE FRANCHE COMTE 2018
## 5 94 CORSE 2016
## 6 44 GRAND EST 2017
## construction_surface_moy_m2_su construction_prixderevient_m2
## 1 75 2207
## 2 76 1853
## 3 75 1912
## 4 55 2176
## 5 69 2121
## 6 61 2008
## construction_prixderevient_logement rehabilitation_surface_moy_m2_su
## 1 164462 0
## 2 140555 0
## 3 144278 0
## 4 119737 95
## 5 146412 104
## 6 123267 73
## rehabilitation_prixderevient_m2 rehabilitation_prixderevient_logement
## 1 0 0
## 2 0 0
## 3 0 21826
## 4 353 33414
## 5 146 15186
## 6 180 13082
Notre jeu de données est bien chargé !
R offre trois principaux systèmes graphiques : le système graphique de base (package graphics), package lattice et le package ggplot2.
graphics Représente le système graphique de base en R (il est déjà chargé par défaut avec R)
lattice Package qui vient ajouter quelques fonctionnalités à graphics
ggplot2 Package qui apporte une approche plus moderne et plus simple pour créer des graphiques de qualité
Dans ce chapitre, nous allons voir comment créer des graphiques avec le package de base graphics.
Commençons par la fonction générique plot() qui permet de produire les graphiques de base
x<-1:20
y=x*x
plot(x, y) # R choisit le type de grphique le plus adapté selon le contexte des données
plot(x, y, type="b") # trace des points reliés par des lignes
plot(x,y, type="l") # trace des lignes
plot(x, y, type="h") # lignes verticales à partir des points à l’axe zéro
plot(x,y, type="s") # Graphique en escalier
Reprenons notre dataframe df_population
summary(df_population)
## Prenom Genre Age Poid
## Length:10 Femme:6 Min. :20.00 Min. :50.00
## Class :character Homme:4 1st Qu.:21.00 1st Qu.:61.25
## Mode :character Median :22.00 Median :66.00
## Mean :23.56 Mean :64.40
## 3rd Qu.:28.00 3rd Qu.:70.75
## Max. :29.00 Max. :76.00
## NA's :1
head(df_population)
## Prenom Genre Age Poid
## i1 Arnaud Homme 21 62
## i2 Alice Femme 20 50
## i3 Eric Homme 22 70
## i4 Martine Femme NA 76
## i5 Sara Femme 23 61
## i6 Marc Homme 20 62
# Afficher un plot des variables Age et Poid => ça montre la corrélation entre ces deux variables
plot(df_population$Poid,df_population$Age)
# Afficher sur un histogramme la distribution de la variable Age => Nombre d'individus par Age
hist(df_population$Age)
# Afficher sur un graphique à barres, Genre en Axe X et Moyenne d'age en axe Y => Moyenne d'age par Genre
barplot(df_population$Age, names=df_population$Genre)
Nous constatons que le barplot ne va pas aggréger la données
automatiquement mais affiche tous les individus sous forme de barres.
Pour faire le graphique précédent, il faut d’abord aggréger les données dans un dataframe pour ensuite faire le barplot.
# Créer un dataframe qui contient la moyenne d'age par Genre
df_genre = df_population %>%
group_by(Genre) %>%
summarise(Moy_Poid = mean(Poid, na.rm=TRUE), Moy_Age = mean(Age, na.rm=TRUE))
# Afficher un graphique à barres, Genre en Axe X et Moyenne d'age en axe Y
barplot(df_genre$Moy_Age, names=df_genre$Genre)
# Ajouter un titre aux axes X et Y
barplot(df_genre$Moy_Age,
names=df_genre$Genre,
ylab = "Age moyen",
xlab = "Genre"
)
# Changer la couleur des barres
barplot(df_genre$Moy_Age,
names=df_genre$Genre,
ylab = "Age moyen",
xlab = "Genre",
col = "blue"
)
# Afficher la légende
barplot(df_genre$Moy_Age,
names=df_genre$Genre,
ylab = "Age moyen",
xlab = "Genre",
col = "blue",
legend.text = df_genre$Genre
)
# Afficher le graphique avec des barres horizontales
barplot(df_genre$Moy_Age,
names=df_genre$Genre,
xlab = "Age moyen",
ylab = "Genre",
col = "blue",
legend.text = df_genre$Genre,
horiz=T
)
Nous allons maintenant voir comment créer des graphiques avec le package ggplot2 Tous les graphiques que l’on peut faire avec R de base (package graphics) peuvent se faire avec ggplot2. Lorsque les graphiques sont plus complexes et plus attractifs, ggplot2 est souvent plus facile.
Il faut d’abord installer le package ggplot2 (si ce n’est pas encore fait). Pour cela, tapper la commande : install.packages(“ggplot2”)
Charger le package ou la librairie ggplot2
library(ggplot2)
## Warning: le package 'ggplot2' a été compilé avec la version R 4.2.3
Partons de notre dataframe df_population
summary(df_population)
## Prenom Genre Age Poid
## Length:10 Femme:6 Min. :20.00 Min. :50.00
## Class :character Homme:4 1st Qu.:21.00 1st Qu.:61.25
## Mode :character Median :22.00 Median :66.00
## Mean :23.56 Mean :64.40
## 3rd Qu.:28.00 3rd Qu.:70.75
## Max. :29.00 Max. :76.00
## NA's :1
head(df_population)
## Prenom Genre Age Poid
## i1 Arnaud Homme 21 62
## i2 Alice Femme 20 50
## i3 Eric Homme 22 70
## i4 Martine Femme NA 76
## i5 Sara Femme 23 61
## i6 Marc Homme 20 62
La création d’un graphique ggplot débute avec l’appel de la fonction ggplot(). Les couches supplémentaires (layers) sont ajoutées en ayant recours au symbole +
ggplot() Spécifie le jeu de données à analyser (data frame)
aes() Spécifie la ou les variables à représenter sur l’axe des x et/ou des y Les éléments esthétiques (couleur (color), forme (shape), taille (size), le remplissage (fill), …)
geom_ggg() Spécifie le type de représentation graphique souhaitée
point_point() pour tracer des points
geom_line() pour des lignes
point_bar() pour des barres
geom_histogram() pour un histogramme
point_boxplot() pour un boxplot
geom_density() pour une densité
geom_smooth() pour une courbe de tendance …
Afficher un nuage de points des variables Age et Poid pour montrer la corrélation entre ces deux variables
ggplot(data = df_population,
mapping = aes(x=Poid, y=Age)
) +
geom_point()
## Warning: Removed 1 rows containing missing values (`geom_point()`).
# Ignorer les valeurs vides NA
ggplot(data = df_population,
mapping = aes(x=Poid, y=Age)
) +
geom_point(na.rm = TRUE)
Afficher sur un histogramme la distribution de la variable Age => Nombre d’individus par Age
ggplot(data = df_population,
mapping = aes(x=Age)
) +
geom_histogram(aes(y=..density..), binwidth = 2, na.rm = TRUE)
## Warning: The dot-dot notation (`..density..`) was deprecated in ggplot2 3.4.0.
## ℹ Please use `after_stat(density)` instead.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_lifecycle_warnings()` to see where this warning was
## generated.
Afficher sur un graphique à barres, Genre en Axe X et Moyenne d’age en axe Y => Moyenne d’age par Genre
ggplot(data = df_population,
mapping = aes(x=Genre, y=Age)
) +
geom_bar(stat = "summary", fun = "mean", na.rm = TRUE)
# Ajouter une légende
ggplot(data = df_population,
mapping = aes(x=Genre, y=Age, fill=Genre)
) +
geom_bar(stat = "summary", fun = "mean", na.rm = TRUE)
# Ajuster la taille des barres
ggplot(data = df_population,
mapping = aes(x=Genre, y=Age, fill=Genre)
) +
geom_bar(stat = "summary", fun = "mean", na.rm = TRUE, width = 0.8)
# Ajouter les labels sur les barres
ggplot(data = df_population,
mapping = aes(x=Genre, y=Age, fill=Genre)
) +
geom_bar(stat = "summary", fun = "mean", na.rm = TRUE, width = 0.8) +
geom_text(aes(label=..y..), stat = "summary", fun = "mean", na.rm = TRUE)
# Ajuster la taille et couleur des labels
ggplot(data = df_population,
mapping = aes(x=Genre, y=Age, fill=Genre)
) +
geom_bar(stat = "summary", fun = "mean", na.rm = TRUE, width = 0.8) +
geom_text(aes(label=..y..), stat = "summary", fun = "mean", na.rm = TRUE, vjust = 1.8, colour = "white")
# Ajouter un titre au graphique et axes
ggplot(data = df_population,
mapping = aes(x=Genre, y=Age, fill=Genre)
) +
geom_bar(stat = "summary", fun = "mean", na.rm = TRUE, width = 0.8) +
geom_text(aes(label=..y..), stat = "summary", fun = "mean", na.rm = TRUE, vjust = 1.8, colour = "white") +
labs(
title = "Moyenne d'age par genre",
x = "Genre (H/F)",
y = "Moyenne d'age"
)
Aller plus loin avec la librairie ggplot2: https://ggplot2.tidyverse.org
Charger à nouveau le csv constructionrehabilitation.csv dans le dataframe df_construction
df_construction = read.csv2("C:/constructionrehabilitation.csv")
Voici la présentation du jeu de données :
Analyser les données et afficher les 6 premières lignes
# Analyser les données (profiling)
# Afficher les 6 premières lignes
En utilisant le package de base graphics, représenter la distribution de la surface moyenne des constructions (construction_surface_moy_m2_su) en utilisant l’histogramme.
Ajouter un titre aux axes
Ajouter une courbe de densité à cet histogramme
# votre code ici
hist(df_construction$construction_surface_moy_m2_su,
xlab="Surface moyenne des constructions (m²)",
ylab="Densité", col="#9ecfc2",
prob = FALSE)
lines(density(df_construction$construction_surface_moy_m2_su), lwd=2, col="red")
En utilisant le package de base graphics, Représenter sur un barplot le prix de revient moyen au m2 des construction (construction_prixderevient_m2) par année.
Ajouter un titre aux axes, et afficher la légende.
# votre code ici
Refaire les deux graphiques précendant en utilisant le package
ggplot2.
En utilisant le package de base ggplot2, représenter la distribution de la surface moyenne des constructions (construction_surface_moy_m2_su) en utilisant l’histogramme.
Ajouter une courbe de densité à cet histogramme.
# votre code ici
En utilisant le package de base ggplot2, Représenter sur un barplot le prix de revient moyen au m2 des construction (construction_prixderevient_m2) par année.
Ajouter un titre aux axes, et afficher la légende.
# votre code ici