Data visualisation with R – Visualisation des données avec R

0 leçon(s) terminée(s) sur 23 (0 %)
Quitter le cours

Chapitre 1 : Introduction à la visualisation des données et à R

3- Notions de base sur la manipulation et l’exploration des données avec R – information complémentaires. – Basics of data manipulation and exploration with R – additional information.

Vous n’avez pas accès à cette leçon

Veuillez vous inscrire ou vous connecter pour accéder au contenu du cours.

 

Importer des données

R propose plusieurs fonctions pour importer des données à partir de différents formats :

  • read.csv() : Pour importer des données au format CSV
  • read_excel() (package readxl) : Pour importer des données au format Excel
  • read_sas() (package haven) : Pour importer des données au format SAS
  • read_stata() (package haven) : Pour importer des données au format Stata
  • read_spss() (package haven) : Pour importer des données au format SPSS

Manipulation de données

R propose plusieurs fonctions pour manipuler des données :

  • head() et tail() : Pour afficher les premières et dernières lignes d’un dataframe
  • str() : Pour afficher la structure d’un dataframe
  • summary() : Pour afficher un résumé statistique des variables d’un dataframe
  • View() : Pour afficher un dataframe dans une interface graphique
  • dim() : Pour afficher les dimensions d’un dataframe
  • nrow() et ncol() : Pour compter le nombre de lignes et de colonnes d’un dataframe
  • subset() : Pour sélectionner des lignes et des colonnes d’un dataframe
  • filter() (package dplyr) : Pour filtrer des lignes d’un dataframe
  • select() (package dplyr) : Pour sélectionner des colonnes d’un dataframe
  • arrange() (package dplyr) : Pour trier un dataframe
  • mutate() (package dplyr) : Pour créer de nouvelles variables dans un dataframe
  • group_by() et summarise() (package dplyr) : Pour regrouper et résumer des données

Nettoyage de données

R propose plusieurs fonctions pour nettoyer des données :

  • na.omit() : Pour supprimer les lignes contenant des valeurs manquantes
  • is.na() et complete.cases() : Pour identifier les valeurs manquantes
  • replace_na() (package tidyr) : Pour remplacer les valeurs manquantes
  • drop_na() (package tidyr) : Pour supprimer les lignes contenant des valeurs manquantes
  • fill() (package tidyr) : Pour remplir les valeurs manquantes avec les valeurs précédentes ou suivantes

Exploration de données

R propose plusieurs fonctions pour explorer des données :

  • plot() : Pour créer des graphiques de base
  • ggplot() (package ggplot2) : Pour créer des graphiques avancés
  • hist() : Pour créer des histogrammes
  • boxplot() : Pour créer des boîtes à moustaches
  • density() : Pour créer des densités de probabilité
  • cor() : Pour calculer les corrélations
  • scale_color_manual() et scale_fill_manual() (package ggplot2) : Pour personnaliser les couleurs des graphiques

Ressources

  • RStudio Cheat Sheets : https://rstudio.com/resources/cheatsheets/
  • RStudio Data Wrangling with dplyr, tidyr, and tidyverse : https://rstudio.com/resources/webinars/data-wrangling-with-dplyr-tidyr-and-tidyverse/
  • R for Data Science : http://r4ds.had.co.nz/
  • DataCamp R Courses : https://www.datacamp.com/courses/intro-to-r

Importing data

R offers several functions for importing data from different formats:

  • read.csv() : To import data in CSV format
  • read_excel() (readxl package): To import data in Excel format
  • read_sas() (package haven): To import data in SAS format
  • read_stata() (haven package) : To import data in Stata format
  • read_spss() (haven package) : To import data in SPSS format

Data manipulation

R offers several functions for manipulating data:

  • head() and tail() : Display the first and last lines of a dataframe
  • str() : To display the structure of a dataframe
  • summary() : To display a statistical summary of a dataframe’s variables
  • View() : To display a dataframe in a graphical interface
  • dim() : To display the dimensions of a dataframe
  • nrow() and ncol() : To count the number of rows and columns in a dataframe
  • subset() : Select rows and columns of a dataframe
  • filter() (package dplyr): To filter rows in a dataframe
  • select() (package dplyr) : To select dataframe columns
  • arrange() (package dplyr) : To sort a dataframe
  • mutate() (package dplyr) : Create new variables in a dataframe
  • group_by() and summarise() (package dplyr): To group and summarize data

Data cleansing

R offers several functions for cleaning data:

  • na.omit() : To remove rows containing missing values
  • is.na() and complete.cases(): To identify missing values
  • replace_na() (package tidyr): Replaces missing values
  • drop_na() (package tidyr): Deletes rows containing missing values
  • fill() (package tidyr): Fill missing values with previous or next values

Data exploration

R offers several functions for exploring data:

  • plot() : To create basic graphs
  • ggplot() (package ggplot2): To create advanced plots
  • hist() : To create histograms
  • boxplot() : To create boxplots
  • density() : To create probability densities
  • cor() : To calculate correlations
  • scale_color_manual() and scale_fill_manual() (package ggplot2): Customize graph colors

Resources

  • RStudio Cheat Sheets: https://rstudio.com/resources/cheatsheets/
  • RStudio Data Wrangling with dplyr, tidyr, and tidyverse: https://rstudio.com/resources/webinars/data-wrangling-with-dplyr-tidyr-and-tidyverse/
  • R for Data Science: http://r4ds.had.co.nz/
  • DataCamp R Courses: https://www.datacamp.com/courses/intro-to-r