1 Introduction

Ce document présente des exercices de manipulation de chaînes (stringr) et de text mining (tidytext).

2 1. Données de départ

data_textuelle <- tibble(
  nom = c("Mr Eric Legrand", "Mme Anabelle Dupont", "Mme Fatou Slaoui"),
  adresse = c("12 rue Archimède", "47 avenue de la Libération", "3 rue des Fleurs"),
  ville = c("Niort", "Poitiers", "Marseille")
)

datatable(data_textuelle, options = list(pageLength = 5))

3 2. Exercice 1 – Changer la casse

exo1 <- data_textuelle %>%
  transmute(
    nom_upper = str_to_upper(nom),
    nom_lower = str_to_lower(nom),
    nom_title = str_to_title(nom),
    adresse_upper = str_to_upper(adresse),
    ville_title = str_to_title(ville)
  )

datatable(exo1, options = list(pageLength = 5))

4 3. Exercice 2 – Concaténation adresse + ville

exo2 <- data_textuelle %>%
  mutate(adresse_ville = paste(adresse, str_to_upper(ville)))

datatable(exo2, options = list(pageLength = 5))

5 4. Exercice 3 – Construire des chaînes complètes

exo3 <- data_textuelle %>%
  mutate(
    full_sep = paste(nom, adresse, ville, sep = "-"),
    full_pipe = paste(nom, adresse, ville, sep = "|")
  )

datatable(exo3, options = list(pageLength = 5))

6 5. Exercice 4 – Découper une chaîne (split)

liste_split <- str_split(exo3$full_pipe, "\\|")
liste_split
## [[1]]
## [1] "Mr Eric Legrand"  "12 rue Archimède" "Niort"           
## 
## [[2]]
## [1] "Mme Anabelle Dupont"        "47 avenue de la Libération"
## [3] "Poitiers"                  
## 
## [[3]]
## [1] "Mme Fatou Slaoui" "3 rue des Fleurs" "Marseille"

7 6. Exercice 5 – Séparer le nom en colonnes

exo5 <- data_textuelle %>%
  separate(
    nom,
    into = c("genre", "prenom", "nom_famille"),
    sep = " ",
    extra = "merge",
    fill = "right"
  )

datatable(exo5, options = list(pageLength = 5))

8 7. Exercice 6 – Corpus textuel

data_corpus <- tibble(
  id = 1:3,
  texte = c(
    "La data science est un domaine interdisciplinaire.",
    "Le text mining permet d’analyser des documents.",
    "Les ingénieurs utilisent R et Python pour le NLP."
  )
)

datatable(data_corpus, options = list(pageLength = 5))

9 8. Exercice 7 – Nettoyage de texte

exo7 <- data_corpus %>%
  mutate(
    texte_clean = texte %>%
      str_to_lower() %>%
      str_remove_all("[[:punct:]]") %>%
      str_remove_all("[[:digit:]]")
  )

datatable(exo7, options = list(pageLength = 5))

10 9. Exercice 8 – Tokenisation + fréquences + graphiques

10.1 9.1 Tokens

tokens <- exo7 %>%
  select(id, texte_clean) %>%
  unnest_tokens(word, texte_clean)

datatable(tokens, options = list(pageLength = 10))

10.2 9.2 Fréquences des mots

freq <- tokens %>%
  count(word, sort = TRUE)

datatable(freq, options = list(pageLength = 10))

10.3 9.3 Graphique : Top 10 mots

top10 <- freq %>% slice_max(n, n = 10)

ggplot(top10, aes(x = reorder(word, n), y = n)) +
  geom_col(fill = "#2C7FB8") +
  coord_flip() +
  labs(
    title = "Top 10 des mots les plus fréquents",
    x = "Mot",
    y = "Fréquence"
  ) +
  theme_minimal()

10.4 9.4 Nuage de mots (joli)

wordcloud2(freq, size = 0.8)

11 10. Exercice 9 – Probabilités d’apparition (corpus anglais)

corpus9 <- "Tom was beginning to get very tired of sitting by her sister on the bank, and of having nothing to do : once or twice he had peeped into the book his sister was reading, but it had no pictures or conversations in it, and what is the use of a book thought Alice without pictures or conversation"

tokens9 <- tibble(texte = corpus9) %>%
  mutate(texte = str_to_lower(texte)) %>%
  unnest_tokens(word, texte)

freq9 <- tokens9 %>%
  count(word, sort = TRUE)

total_mots9 <- nrow(tokens9)

proba9 <- freq9 %>%
  mutate(proba = n / total_mots9)

cibles <- c("of", "tom", "was", "to")

proba_cibles <- proba9 %>%
  filter(word %in% cibles)

proba_cibles

11.1 Graphique : probabilités des mots ciblés

ggplot(proba_cibles, aes(x = word, y = proba)) +
  geom_col(fill = "#F03B20") +
  labs(
    title = "Probabilité d’apparition de mots ciblés",
    x = "Mot",
    y = "Probabilité"
  ) +
  theme_minimal()

12 11. Exercice 10 – Trouver “Libération” dans les adresses

id_liberation <- str_which(data_textuelle$adresse, "Libération")
id_liberation
## [1] 2
nb_liberation <- length(id_liberation)
nb_liberation
## [1] 1

13 12. Exercice 11 – Extraire “Libération”

exo11 <- str_extract(data_textuelle$adresse, "Libération")
exo11
## [1] NA           "Libération" NA

14 13. Exercice 12 – Remplacer et extraire le numéro

exo12 <- data_textuelle %>%
  mutate(
    nom2 = str_replace(nom, "^Mr\\b", "M."),
    adresse2 = str_replace_all(adresse, c("\\brue\\b" = "Rue", "\\bavenue\\b" = "Avenue")),
    num_rue = str_extract(adresse, "\\d+")
  )

datatable(exo12, options = list(pageLength = 5))

15 14. Exercice 13 – Pad / Trim

exo13 <- data_textuelle %>%
  mutate(
    adresse_pad = str_pad(adresse, width = 30, side = "both"),
    adresse_trim = str_trim(adresse_pad, side = "both")
  )

datatable(exo13, options = list(pageLength = 5))

16 15. Exercice 14 – Détecter + extraire un numéro

exo14 <- data_textuelle %>%
  mutate(
    has_num = str_detect(adresse, "\\d+"),
    num = str_extract(adresse, "\\d+")
  )

datatable(exo14, options = list(pageLength = 5))

17 16. Exercice 15 – Nettoyage d’une variable prix + moyenne

df15 <- tibble(
  Id = 1:4,
  Montant = c("10$", "20$", "40$", "50$")
)

df15 <- df15 %>%
  mutate(
    has_dollar = str_detect(Montant, fixed("$")),
    Prix = as.numeric(str_replace(Montant, fixed("$"), ""))
  )

moyenne_prix15 <- mean(df15$Prix)

datatable(df15, options = list(pageLength = 5))
moyenne_prix15
## [1] 30

18 17. Exercice 16 – Retards sur flights + graphique

exo16_case <- flights %>%
  mutate(
    retard_dep = dep_delay > 0,
    retard_extreme = dep_delay >= 60,
    on_time = dep_delay == 0
  )

exo16_case %>% 
  select(dep_delay, retard_dep, retard_extreme, on_time) %>% 
  head(10)

18.1 Résumé des retards (proportions)

resume_retards <- exo16_case %>%
  summarise(
    vols_total = n(),
    pct_retard = mean(retard_dep, na.rm = TRUE),
    pct_extreme = mean(retard_extreme, na.rm = TRUE),
    pct_on_time = mean(on_time, na.rm = TRUE)
  ) %>%
  pivot_longer(cols = starts_with("pct_"),
               names_to = "type",
               values_to = "valeur") %>%
  mutate(
    type = recode(type,
                  pct_retard = "Vols en retard",
                  pct_extreme = "Retards extrêmes (>=60min)",
                  pct_on_time = "À l'heure")
  )

resume_retards

18.2 Graphique : parts des catégories

ggplot(resume_retards, aes(x = type, y = valeur)) +
  geom_col(fill = "#31A354") +
  scale_y_continuous(labels = scales::percent_format(accuracy = 1)) +
  labs(
    title = "Proportion de vols à l’heure / en retard",
    x = "",
    y = "Proportion"
  ) +
  theme_minimal()

19 Conclusion

Ce TP illustre : - la manipulation de chaînes (casse, concaténation, séparation, extraction, remplacement), - le nettoyage d’un corpus, - la tokenisation et l’analyse fréquentielle, - la présentation de résultats avec des tableaux et des graphiques dans un rapport reproductible.