Introduction

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.

  • Commandes tapées sont directement exécutées sans qu’il soit nécessaire de construire un programme complet.

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>)

    • Ex : ?summary ou help(summary)


Manipuler les données en R


Structure des données

Nous allons apprendre à créer des variables numériques et catégorielles, les stocker sous différents formats : vecteur, facteur, matrice, dataframe

Les vecteurs

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


Les facteurs

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"


Les matrices

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"


Les dataframes

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


Fonctions utiles

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


Manipuler les données avec dplyr


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


Se connecter aux données

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 !


Visualiser les données en R


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
        )


Visualiser les données avec ggplot2

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

doit être remplacée par le nom d’une forme géométrique

  • 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


Exercice


1- Charger les données


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 :

  • code_region: Code de la Région
  • region: Région
  • annee_financement: Année de financement
  • construction_surface_moy_m2_su: Surface moyenne des constructions en m²
  • construction_Prixderevient_m2: Prix de revient du m2 en €
  • construction_Prixderevient_logement: Prix de revient du logment en €
  • rehabilitation_surface_moy_m2_su: Surface moyenne de la réhabilitation en m²
  • rehabilitation_Prixderevient_m2: Prix de revient du m² de la réhabilitation €
  • rehabilitation_Prixderevient_logement: Prix de revient de la rehabilitation du logement €


Analyser les données et afficher les 6 premières lignes

# Analyser les données (profiling)


# Afficher les 6 premières lignes


2- Graphiques de base R


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


3- Graphiques ggplot2


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