Introduction à R et manipulation des données
1. Environnement et scripts
RStudio sert à écrire et exécuter du code R. Lorsqu’une erreur apparaît, il faut en lire le message pour repérer la commande concernée et corriger le code.
L'interface de RStudio est divisée en plusieurs fenêtres clés qu'il faut connaître :
- Le Script (en haut à gauche) : C'est là que tu écris et sauvegardes ton code de manière pérenne.
- La Console (en bas à gauche) : C'est là que le code s'exécute et que les résultats s'affichent directement. C'est aussi ici que s'affichent les messages d'erreur (ex: Error in plot(b) : object 'b' not found si tu tentes d'utiliser un objet non créé).
- L'Environnement (en haut à droite) : Liste tous les objets (vecteurs, bases de données) actuellement en mémoire.
- Le panneau de gestion (en bas à droite) : Permet de voir les fichiers, d'afficher les graphiques (Plots), de gérer les packages et d'accéder à l'aide.
2. Créer des vecteurs
Un vecteur contient des valeurs d’un même type. Les fonctions essentielles présentées sont :
- Création de séquences : vec1 = 1:10 crée un vecteur d'entiers de 1 à 10.
- Répétition : rep('A', 5) répète la lettre 'A' cinq fois.
- Combiner/concaténer des vecteurs : c(a, b) assemble des vecteurs.
- Gérer les valeurs manquantes (NA) : rep(NA, 3) insère des valeurs manquantes.
Pour représenter une valeur manquante, R utilise NA.
3. Créer et consulter une base de données
data.frame() rassemble des vecteurs de même longueur en colonnes nommées. Chaque ligne représente une observation.
df = data.frame(MontantHT = vec1, ClientName = vec2, ClientAge = vec3)
On accède à une colonne avec $, ou avec select() de dplyr :
- Via le signe dollar :
df$MontantHT - Via le package
dplyr(avec l'opérateur pipe%>%) :df %>% select(MontantHT)
Pour utiliser les fonctions de dplyr, charger le package avec library(dplyr).
4. Trier et filtrer les données
| Opération | Code | Exemple |
|---|---|---|
| Trier par ordre croissant | arrange(variable) | df %>% arrange(MontantHT) |
| Trier par ordre décroissant | arrange(desc(variable)) | df %>% arrange(desc(MontantHT)) |
| Filtrer selon une valeur | filter(variable == valeur) | df %>% filter(ClientName == "A") |
| Repérer les valeurs manquantes | filter(is.na(variable)) | df %>% filter(is.na(ClientAge)) |
On peut aussi filtrer avec des indices : which(df$ClientName == "A") renvoie les positions des lignes correspondantes, qui peuvent ensuite être sélectionnées dans df.
5. Résumer et regrouper les données
A. Résumer l'information
Calculer des indicateurs globaux sur une colonne :
- Somme : df %>% summarise(sum(MontantHT))
- Moyenne : df %>% summarise(mean(MontantHT))
B. Regroupement
Pour obtenir un résumé par catégorie, on combine group_by() et summarise() (Calcul de statistiques par sous-groupes)
Ex : calculer la moyenne des montants par type de client) :
df %>% group_by(ClientName) %>% summarise(mean(MontantHT))
6. Transformer des données
mutate() crée une nouvelle colonne calculée à partir des colonnes existantes.
Par exemple, avec un coefficient de , le montant TTC est obtenu par :
Sur R : df %>% mutate(MontantTTC = 1.196 * MontantHT)
Il est aussi possible de faire des transformations par groupe
Ex: calcul d'un écart à la moyenne par groupe : df %>% group by(ClientName) %>% mutate(DevMean = mean(MontantHT) - MontantHT)
Combinaisons et Jointure de bases de données
1. Ajout de lignes et de colonnes
- Ajouter des colonnes horizontalement : bind_cols(df, df2)
- Ajouter des lignes verticalement : bind_rows(df_a, df_b)
2. Principe d’une jointure
Une jointure combine les colonnes de deux tables en faisant correspondre leurs lignes selon une clé commune.
Création d’une deuxième base de donnée :
df2 = data.frame(NBVisiteWeb = c(10,5,0), ClientName = c('A','C','D'))
df2
Ici, la clé est ClientName : les colonnes de df2 sont associées aux lignes de df portant le même nom de client.
Dans l’exemple, df contient des achats pour les clients A et B, tandis que df2 contient le nombre de visites web pour A, C et D. Les valeurs sans correspondance sont indiquées par NA.
2. Types de jointures (d'après la logique des ensembles de Venn)
| Jointure | Lignes conservées |
|---|---|
À gauche (left_join(df, df2)) | Conserve toutes les lignes de la table de gauche df; et ajoute les correspondances de la table de droite df2 si une correspondance existe (met des NA s'il n'y a pas match). |
À droite (right_join(df, df2)) | Conserve toutes les lignes de la table de droite df2; les colonnes de df sont ajoutées si une correspondance existe. |
Interne (inner_join(df, df2)) | Ne conserve que les lignes qui ont une correspondance exacte dans les deux tables. |
Complète (full_join(df, df2)) | Conserve absolument toutes les lignes des deux tables, qu'il y ait correspondance ou non ; les champs sans correspondance prennent la valeur NA. |
Dans l’exemple, seule la clé A apparaît dans les deux tables. La jointure interne ne conserve donc que les lignes du client A. La jointure complète conserve aussi B, C et D, avec des valeurs manquantes pour les colonnes non appariées.
À retenir : le type de jointure détermine quelles lignes sont conservées ; les correspondances sont réalisées à partir de la clé commune.