Exploration de données ouvertes avec R

Author

François Pelletier

Exploration de données ouvertes avec R

  • François Pelletier
  • francois@francoispelletier.org
  • LinuQ
  • 31 octobre 2015

Contenu de la présentation

  • Présentation du logiciel statistique R
  • Opérateurs, objets et types
  • Exemple
  • Ressources

Présentation du logiciel statistique R

  • Logiciel libre
  • Langage de programmation S
  • Multi-paradigme: objet, impératif et fonctionnel

Environnement

  • Ensemble de fonctions de base
  • Extension avec des paquets
  • Extenstion écrites souvent en C, C++ et FORTRAN
library("MASS")

Développer en R

  • RStudio
  • Emacs + ESS
  • Eclipse + StatET

Opérateurs de base

# Assignation
(x <- c(1,2,3))
[1] 1 2 3
# Extraction
(y <- data.frame(a=x[1],b=x[2]))
  a b
1 1 2
# Objets
(z <- y$a)
[1] 1

Les objets en R

Les objets dans R ont une classe, un type et une dimension

monVecteur <- c(1,2,3,4)
class(monVecteur)
[1] "numeric"
typeof(monVecteur)
[1] "double"
dim(monVecteur)
NULL
maMatrice <- matrix(nrow = 2,ncol = 2, data = monVecteur)
class(maMatrice)
[1] "matrix" "array" 
typeof(maMatrice)
[1] "double"
dim(maMatrice)
[1] 2 2

Les types en R

Nous avons vu le vecteur et la matrice.

Il y a aussi les facteurs, qui permettent d’utiliser des modalités qualitatives:

factor(c("oui","non","non","oui","nsp","oui","non"))
[1] oui non non oui nsp oui non
Levels: non nsp oui

les tableaux, une extension multidimensionnelle des matrices:

array(1:8,dim=c(2,2,2))
, , 1

     [,1] [,2]
[1,]    1    3
[2,]    2    4

, , 2

     [,1] [,2]
[1,]    5    7
[2,]    6    8

les listes, qui sont des collections d’objets de types différents:

list("1",TRUE,c(1,2,3),function(x) x^2)
[[1]]
[1] "1"

[[2]]
[1] TRUE

[[3]]
[1] 1 2 3

[[4]]
function (x) 
x^2

et les cadres de données, semblables à des tables SQL:

data.frame(numero_membre=c(1,2,3,4),
           nom_membre=c("François","Jean","Marie","Stéphanie"),
           age_membre=c(26,53,41,32),
           stringsAsFactors = TRUE)
  numero_membre nom_membre age_membre
1             1   François         26
2             2       Jean         53
3             3      Marie         41
4             4  Stéphanie         32

Structures de contrôle

# option
if(TRUE) "vrai" else "faux"
[1] "vrai"
# sélection
1:5<3
[1]  TRUE  TRUE FALSE FALSE FALSE
(1:10)[-3:-5]
[1]  1  2  6  7  8  9 10

Boucles

Explicites (à éviter)

for (i in 1:2)
  print(i)
[1] 1
[1] 2

Implicites

y <- sapply(3:4,print)
[1] 3
[1] 4

Les fonctions

Déclaration:

maFonction <- function(x, ...)
{
  if (x)
    sum(...)
  else
    0
}
maFonction(FALSE,1,2,3)
[1] 0
maFonction(TRUE,1,2,3)
[1] 6

Quelques statistiques

set.seed(123)
mesDonnees <- rnorm(10,mean = 5,sd = 3)
range(mesDonnees)
[1]  1.204816 10.145195
summary(mesDonnees)
   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
  1.205   3.405   4.760   5.224   6.134  10.145 
quantile(mesDonnees,c(seq(.25,.75,.25)))
     25%      50%      75% 
3.404683 4.760496 6.134027

Un premier graphique

library("ggplot2")
monData <- 
  data.frame(x=seq_along(mesDonnees),
                       y=mesDonnees[order(mesDonnees)])

monGraph <- 
  ggplot(data=monData,aes(x=x,y=y)) + 
  geom_line() + 
  theme_classic()
monGraph

Un premier modèle

(monModele <- lm(y~x,data=monData))

Call:
lm(formula = y ~ x, data = monData)

Coefficients:
(Intercept)            x  
     0.2566       0.9031

Sommaire du modèle

summary(monModele)

Call:
lm(formula = y ~ x, data = monData)

Residuals:
     Min       1Q   Median       3Q      Max 
-1.19072 -0.46365 -0.08055  0.73103  1.29127 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept)  0.25662    0.61074   0.420    0.685    
x            0.90314    0.09843   9.175 1.61e-05 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.894 on 8 degrees of freedom
Multiple R-squared:  0.9132,    Adjusted R-squared:  0.9024 
F-statistic: 84.19 on 1 and 8 DF,  p-value: 1.608e-05

Analyse de variance du modèle

anova(monModele)
Analysis of Variance Table

Response: y
          Df Sum Sq Mean Sq F value    Pr(>F)    
x          1 67.292  67.292   84.19 1.608e-05 ***
Residuals  8  6.394   0.799                      
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Ressources