Commencer par les données

Last updated on 2025-05-05 | Edit this page

Estimated time: 60 minutes

Overview

Questions

  • Première analyse de données dans R.

Objectives

  • Décrire ce qu’est un data frame.
  • Charger des données externes à partir d’un fichier .csv dans un data frame.
  • Résumer le contenu d’un data frame.
  • Décrire ce qu’est un facteur.
  • Convertissez entre les chaînes de caractère et les facteurs.
  • Réorganiser et renommer les facteurs.
  • Formatez les dates.
  • Exporter et enregistrez les données.

Cet épisode est basé sur la leçon des Data Carpentries intitulée : Analyse des données et Visualisation dans R pour les écologistes.

Présentation des données d’expression des gènes

Nous allons utiliser une partie des données publiées par Blackmore , The effect of upper-respiratory infection on transcriptomic changes in the CNS. Le but de l’étude était de déterminer l’effet d’une infection des voies respiratoires supérieures sur les modifications de la transcription de l’ARN se produisant dans le cervelet et la moelle épinière après l’infection. Des souris C57BL/6, âgées de huit semaines et appariées selon le genre, ont été inoculées avec une solution saline ou avec la grippe A par voie intranasale et les changements transcriptomiques dans les tissus du cervelet et de la moelle épinière ont été évalués par RNA-seq aux jours 0 (non infectées), 4 et 8.

L’ensemble de données est stocké sous forme de fichier CSV (comma-separated values ou valeurs séparées par des virgules). Chaque ligne contient des informations pour une seule mesure d’expression d’ARN. Les onze premières colonnes représentent :

Colonne Description
gene Le nom du gène qui a été mesuré.
sample Le nom de l’échantillon dans lequel l’expression du gène a été mesurée.
expression La valeur de l’expression des gènes.
organism L’organisme/l’espèce - ici toutes les données proviennent de souris.
age L’âge de la souris (ici toutes les souris ont 8 semaines)
sex Le sexe de la souris.
infection L’état d’infection de la souris, c’est-à-dire infectée par la grippe A ou non infectée.
strain La souche grippale A.
time La durée de l’infection (en jours).
tissue Le tissu utilisé pour l’expérience d’expression génique, c’est-à-dire le cervelet (cerebellum) ou la moelle épinière (spinal cord).
mouse L’identifiant unique de la souris.

Nous allons utiliser la fonction R download.file() pour télécharger le fichier CSV contenant les données d’expression génique. Nous utiliserons ensuite read.csv() pour charger en mémoire le contenu du fichier CSV en tant qu’objet de classe data.frame. Dans la commande download.file, la première entrée est une chaîne de caractères avec l’URL source. Cette URL télécharge un fichier CSV à partir d’un dépôt GitHub (GitHub repository). Le second argument : destfile = "data/rnaseq.csv" (texte après la virgule) correspond à la destination du fichier sur votre machine locale. Vous aurez besoin d’un dossier sur votre ordinateur appelé "data" dans lequel vous téléchargerez le fichier. Pour récapituler, cette commande télécharge le fichier distant, le nomme "rnaseq.csv" et l’ajoute à un dossier préexistant nommé "data".

R 

download.file(url = "https://github.com/carpentries-incubator/bioc-intro/raw/main/episodes/data/rnaseq.csv",
              destfile = "data/rnaseq.csv" )

Vous êtes maintenant prêt à charger les données dans R:

R 

arn <- read.csv("data/rnaseq.csv")

Cette instruction ne produit aucune sortie dans la console car, comme vous vous en souvenez peut-être, les commandes d’assignation n’affichent rien. Si nous voulons vérifier que nos données ont bien été chargées, nous pouvons voir le contenu du data frame (tableau de données) en en tapant son nom :

R 

arn

Ouah… cela fait beaucoup de lignes de sorties. Cela signifie que les données ont été chargées correctement dans l’environnement de travail. Vérifions le haut (les 6 premières lignes) de ce data frame en utilisant la fonction head() :

R 

head(rna)

ERROR 

Error: object 'rna' not found

R 

## Essayez aussi
## View(rna)

Note

read.csv() suppose que les champs soient délimités par des virgules. Cependant, dans plusieurs pays et notamment en France, la virgule est utilisée comme séparateur décimal et le point-virgule (;) est utilisé comme délimiteur de champ. Si vous souhaitez lire ce type de fichiers dans R, vous pouvez utiliser la fonction read.csv2(). Il se comporte exactement comme read.csv() mais utilise des paramètres différents pour la décimale et les séparateurs de champ. Si vous travaillez avec un autre format de données , ces paramètres peuvent tous deux être spécifiés explicitement par l’utilisateur. Consultez l’aide de la fonction read.csv() en tapant ?read.csv pour en savoir plus. Il existe également la fonction read.delim() pour lire des fichiers de données séparées par des tabulations. Il est important de noter que toutes ces fonctions sont en fait des fonctions wrapper pour la fonction principale read.table() avec différents arguments. Par exemple, les données ci-dessus auraient également pu être chargées en utilisant read.table() avec l’argument de séparation (sep) égal à "," selon le code suivant :

R 

rna <- read.table(file = "data/rnaseq.csv",
                  sep = ",",
                  header = TRUE)

L’argument header (en-tête) doit être défini comme étant TRUE pour pouvoir lire les en-têtes du fichier CSV, puisque par défaut dans read.table(), l’argument header défini comme étant FALSE.

Qu’est-ce qu’un data frame ?

Le data frame (tableau de données) est une structure de données de facto pour la plupart des données tabulaires et ce que nous utilisons pour calculer des statistiques et faire des graphiques.

Un data frame peut être créé à la main, mais le plus souvent celui-ci est générés par les fonctions read.csv() ou read.table(), c’est-à-dire lors de l’importation de feuilles de calcul depuis votre disque dur (ou le web).

Le data frame représente les données sous la forme d’un tableau où les colonnes sont des vecteurs qui ont tous la même longueur. Étant donné que les colonnes sont des vecteurs (de classe vector), chaque colonne doit contenir un seul type de données (par exemple, des caractères, des entiers, des facteurs). Par exemple, voici une figure représentant un data frame comprenant trois vecteurs : un numérique, un caractère et un logique.

Nous pouvons le voir lors de l’inspection de la structure d’un data frame avec la fonction str() :

R 

str(arn)

OUTPUT 

'data.frame':	32428 obs. of  19 variables:
 $ gene                                 : chr  "Asl" "Apod" "Cyp2d22" "Klk6" ...
 $ sample                               : chr  "GSM2545336" "GSM2545336" "GSM2545336" "GSM2545336" ...
 $ expression                           : int  1170 36194 4060 287 85 782 1619 288 43217 1071 ...
 $ organism                             : chr  "Mus musculus" "Mus musculus" "Mus musculus" "Mus musculus" ...
 $ age                                  : int  8 8 8 8 8 8 8 8 8 8 ...
 $ sex                                  : chr  "Female" "Female" "Female" "Female" ...
 $ infection                            : chr  "InfluenzaA" "InfluenzaA" "InfluenzaA" "InfluenzaA" ...
 $ strain                               : chr  "C57BL/6" "C57BL/6" "C57BL/6" "C57BL/6" ...
 $ time                                 : int  8 8 8 8 8 8 8 8 8 8 ...
 $ tissue                               : chr  "Cerebellum" "Cerebellum" "Cerebellum" "Cerebellum" ...
 $ mouse                                : int  14 14 14 14 14 14 14 14 14 14 ...
 $ ENTREZID                             : int  109900 11815 56448 19144 80891 20528 97827 118454 18823 14696 ...
 $ product                              : chr  "argininosuccinate lyase, transcript variant X1" "apolipoprotein D, transcript variant 3" "cytochrome P450, family 2, subfamily d, polypeptide 22, transcript variant 2" "kallikrein related-peptidase 6, transcript variant 2" ...
 $ ensembl_gene_id                      : chr  "ENSMUSG00000025533" "ENSMUSG00000022548" "ENSMUSG00000061740" "ENSMUSG00000050063" ...
 $ external_synonym                     : chr  "2510006M18Rik" NA "2D22" "Bssp" ...
 $ chromosome_name                      : chr  "5" "16" "15" "7" ...
 $ gene_biotype                         : chr  "protein_coding" "protein_coding" "protein_coding" "protein_coding" ...
 $ phenotype_description                : chr  "abnormal circulating amino acid level" "abnormal lipid homeostasis" "abnormal skin morphology" "abnormal cytokine level" ...
 $ hsapiens_homolog_associated_gene_name: chr  "ASL" "APOD" "CYP2D6" "KLK6" ...

Inspection des objets data.frame

Nous avons déjà vu comment les fonctions head() et str() peuvent être utiles pour vérifier le contenu et la structure d’un data frame. Voici une liste non exhaustive de fonctions pour avoir une idée du contenu ou de la structure des données. Essayons-les !

Dimension :

  • dim(rna) - renvoie un vecteur avec le nombre de lignes comme premier élément et le nombre de colonnes comme deuxième élément (les dimensions de l’objet).
  • nrow(rna) - renvoie le nombre de lignes.
  • ncol(rna) - renvoie le nombre de colonnes.

Contenu :

  • head(rna) - affiche les 6 premières lignes.
  • tail(rna) - affiche les 6 dernières lignes.

Noms :

  • names(rna) - renvoie les noms de colonnes (synonyme de colnames() pour les objets data.frame).
  • rownames(rna) - renvoie les noms de lignes.

Résumé :

  • str(rna) - structure de l’objet et informations sur la classe , longueur et contenu de chaque colonne.
  • summary(rna) - statistiques récapitulatives pour chaque colonne.

Remarque : la plupart de ces fonctions sont “génériques”, c’est-à-dire qu’elles peuvent être utilisées sur d’autres types d’objets en plus des objets data.frame.

Défi

Sur la base du résultat de str(rna), pouvez-vous répondre aux questions suivantes ?

  • Quelle est la classe de l’objet rna ?
  • Combien de lignes et combien de colonnes y a-t-il dans cet objet ?
  • classe : data frame
  • Nombre de lignes : 66465, Nombre de colonnes : 11

Indexation et création de sous-ensembles de data frames

Notre data frame « rna » comporte des lignes et des colonnes (il a 2 dimensions) ; si nous voulons en extraire des données spécifiques, nous devons spécifier les “coordonnées” que nous voulons. Les numéros de ligne viennent en premier, suivis des numéros de colonne. Cependant, notez qu’il y a différentes manières de spécifier ces coordonnées, conduisant à des résultats avec des classes différentes.

R 

# premier élément de la première colonne du bloc de données (sous forme de vecteur)
rna[1, 1]
# premier élément de la 6ème colonne (sous forme de vecteur)
rna [1, 6]
# première colonne du bloc de données (sous forme de vecteur)
rna[, 1]
# première colonne du bloc de données (sous forme de data.frame )
rna[1]
# les trois premiers éléments de la 7ème colonne (en tant que vecteur)
rna[1:3, 7]
# la 3ème ligne de la trame de données (en tant que data.frame)
rna[3, ]
# équivalent à head_rna <- head(rna)
head_rna <- rna[1:6, ]
head_rna

: est une fonction spéciale qui crée des vecteurs numériques d’entiers dans un ordre croissant ou décroissant. Testez 1:10 et 10:1 par exemple. Voir section @ref(sec:genvec) pour plus de détails.

Vous pouvez également exclure certains indices d’un data frame à l’aide du signe “-” :

R 

rna[, -1] ## La trame de données entière, sauf la première colonne
rna[-c(7:66465), ] ## Équivalent à head(rna)

L’on peut créer des sous-ensembles à partir des data frames en utilisant des indices (comme vu précédemment), mais aussi en appelant directement les noms de colonnes à extraire :

R 

rna["gene"]       # Result is a data.frame
rna[, "gene"]     # Result is a vector
rna[["gene"]]     # Result is a vector
rna$gene          # Result is a vector

Dans RStudio, vous pouvez utiliser la fonctionnalité de saisie automatique pour obtenir les noms complets et corrects des colonnes.

Défi

  1. Créez un data.frame (rna_200) contenant uniquement les données de la ligne 200 du jeu de données rna.

  2. Notez comment nrow() vous a donné le nombre de lignes dans un data.frame ?

  • Utilisez ce chiffre pour extraire uniquement la dernière ligne du data frame initial rna.

  • Comparez ceci avec la dernière ligne du data frame en utilisant tail() pour s’assurer d’obtenir des résultats identiques.

  • Extrayez à présent cette dernière ligne en utilisant nrow() au lieu du numéro de ligne.

  • Créez un nouveau data frame (rna_last) à partir de cette dernière ligne.

  1. Utilisez nrow() pour extraire la ligne qui se trouve au milieu du data frame rna. Stockez le contenu de cette ligne dans un objet nommé rna_middle.

  2. Combinez nrow() avec la notation - ci-dessus pour reproduire le comportement de head(rna), en conservant uniquement les lignes 1 à 6 du data frame rna.

R 

## 1.
rna_200 <- rna[200, ]
## 2.
## Sauvegarde de `n_rows` pour améliorer la lisibilité et réduire la duplication
n_rows < - nrow(rna)

ERROR 

Error: object 'n_rows' not found

R 

rna_last <- rna[n_rows, ]

ERROR 

Error: object 'n_rows' not found

R 

## 3.
rna_middle <- rna[n_rows / 2, ]

ERROR 

Error: object 'n_rows' not found

R 

## 4 .
rna_head <- rna[-(7:n_rows), ]

ERROR 

Error: object 'n_rows' not found

Facteurs

Les facteurs représentent des données catégorielles. Ils sont stockés sous forme d’entiers (integer) avec des étiquettes associées et ils peuvent être ordonnés ou non. Alors que les facteurs ressemblent (et se comportent souvent) comme des vecteurs de caractères, ils sont en réalité traités comme des vecteurs entiers par R. Vous devez donc être très prudent lorsque vous les traitez comme des chaînes.

Une fois créés, les facteurs ne peuvent contenir qu’un ensemble prédéfini de valeurs ou niveaux. Par défaut, R trie toujours les niveaux par ordre alphabétique. Par exemple, si vous avez un facteur à 2 niveaux :

R 

sexe <- factor(c("mâle", "femelle", "femelle", "mâle", "femelle"))

R va assigner 1 au niveau "female" et 2 au niveau "male" (puisque f vient avant m, même si le premier élément de ce vecteur est "male"). Vous pouvez le vérifier en utilisant la fonction levels() et vous pouvez trouver le nombre de niveaux en utilisant nlevels() :

R 

niveaux(sexe)

ERROR 

Error in niveaux(sexe): could not find function "niveaux"

R 

nniveaux(sexe)

ERROR 

Error in nniveaux(sexe): could not find function "nniveaux"

Parfois, l’ordre des facteurs n’a pas d’importance, d’autres fois vous pourriez vouloir spécifier l’ordre car il est pertinent (par exemple, “faible”, “moyen”, “élevé”), il améliore votre visualisation, ou il est requis par un type particulier d’analyse. Ici, une façon de réorganiser nos niveaux dans le vecteur sex serait :

R 

sex ## commande actuelle

ERROR 

Error: object 'sex' not found

R 

sex <- factor(sex,levels = c("male", "female"))

ERROR 

Error: object 'sex' not found

R 

sex ## après la nouvelle commande

ERROR 

Error: object 'sex' not found

Ces facteurs sont représentés par des entiers (ex: 1, 2, 3) dans la mémoire de R mais ils sont plus informatifs que les entiers car les facteurs se décrivent d’eux-mêmes : "female", "male" est plus descriptif que 1, 2. Lequel est « male » ? Vous ne seriez pas en mesure de le savoir uniquement à partir des données entières . Les facteurs, en revanche, intègrent cette information. Ceci est particulièrement utile lorsqu’il existe de nombreux niveaux (comme le biotype du gène dans notre exemple d’ensemble de données).

Lorsque vos données sont stockées sous forme de facteur, vous pouvez utiliser la fonction plot() pour obtenir un aperçu rapide du nombre d’observations représenté par chaque niveau de facteur. Regardons le nombre d’hommes et de femmes dans nos données.

R 

intrigue (sexe)

ERROR 

Error in intrigue(sexe): could not find function "intrigue"

Conversion en chaîne de caractères

Un facteur peut être converti en vecteur caractère, vous pouvez utiliser la fonction as.character(x).

R 

as.personnage (sexe)

ERROR 

Error in as.personnage(sexe): could not find function "as.personnage"

Renommer les facteurs

Si l’on veut renommer ces facteurs, il suffit de changer ses niveaux avec la fonction levels() :

R 

niveaux(sexe)

ERROR 

Error in niveaux(sexe): could not find function "niveaux"

R 

niveaux(sexe) <- c("M", "F")

ERROR 

Error in niveaux(sexe) <- c("M", "F"): could not find function "niveaux<-"

R 

sexe

OUTPUT 

[1] mâle    femelle femelle mâle    femelle
Levels: femelle mâle

R 

intrigue(sexe)

ERROR 

Error in intrigue(sexe): could not find function "intrigue"

Défi

  • Renommez F et M respectivement en Female et Male.

R 

niveaux(sexe)

ERROR 

Error in niveaux(sexe): could not find function "niveaux"

R 

niveaux(sexe) <- c("Homme", "Femme")

ERROR 

Error in niveaux(sexe) <- c("Homme", "Femme"): could not find function "niveaux<-"

Défi

Nous avons vu comment les data frame sont créés avec read.csv(), mais ils peuvent également être créés à la main avec la fonction data.frame(). Il y a quelques erreurs dans ce data.frame construit manuellement. Pouvez-vous les repérer et les corriger ? N’hésitez pas à expérimenter !

R 

animal_data <- data.frame(
       animal = c(dog, cat, sea cucumber, sea urchin),
       feel = c("furry", "squishy", "spiny"),
       weight = c(45, 8 1.1, 0.8))
  • Les guillemets sont manquants autour des noms des animaux.
  • Il manque une entrée dans la colonne feel (probablement pour l’un des animaux à fourrure).
  • Il manque une virgule dans la colonne weight.

Défi

Pouvez-vous prédire la classe de chacune des colonnes dans l’exemple suivant ?

Vérifiez vos suppositions en utilisant str(country_climate) :

  • Sont-ils ce à quoi vous vous attendiez ? Pourquoi? Pourquoi pas?

  • Réessayez en ajoutant stringsAsFactors = TRUE après la dernière variable lors de la création du data frame. Que se passe-t-il à présent ? stringsAsFactors peut également être défini lors de la lecture de feuilles de calcul basées sur du texte dans R à l’aide de read.csv().

R 

country_climate <- data.frame(
       country = c("Canada", "Panama", "Afrique du Sud", "Australie"),
       climat = c("froid", "chaud" , "tempéré", "chaud/tempéré"),
       température = c(10, 30, 18, "15"),
       hémisphère_nord = c(VRAI, VRAI, FAUX, "FAUX" ),
       has_kangaroo = c(FALSE, FALSE, FALSE, 1)
)

R 

country_climate <- data.frame(
       country = c("Canada", "Panama", "Afrique du Sud", "Australie"),
       climat = c("froid", "chaud" , "tempéré", "chaud/tempéré"),
       température = c(10, 30, 18, "15"),
       hémisphère_nord = c(VRAI, VRAI, FAUX, "FAUX" ),
       has_kangaroo = c(FALSE, FALSE, FALSE, 1)
       )

ERROR 

Error: object 'VRAI' not found

R 

str(country_climate)

ERROR 

Error: object 'country_climate' not found

La conversion automatique du type de données est parfois une bénédiction, parfois un désagrément. Sachez que cela existe, apprenez les règles et vérifiez que les données que vous importez dans R sont du bon type dans votre data frame. Sinon, utilisez-le à votre avantage pour détecter les erreurs qui auraient pu être introduites lors de la saisie des données (une lettre dans une colonne qui ne doit contenir que des chiffres par exemple).

Apprenez-en plus dans ce tutoriel RStudio

Matrices

Avant de continuer, maintenant que nous avons découvert les data frames, récapitulons l’installation de packages et découvrons un nouveau type de données, à savoir la classe matrix. Comme un objet de classe data.frame, une matrice a deux dimensions, des lignes et colonnes. La différence majeure est que toutes les cellules d’une matrice doivent être du même type : « numérique », « caractère », « logique », … À cet égard, les matrices sont plus proches d’un vecteur que d’un data frame.

Le constructeur par défaut d’une matrice est « matrix ». Le remplissage de la matrice nécessite un vecteur de valeurs et de fixer le nombre de lignes et/ou colonnes[^ncol]. Les valeurs sont triées le long des colonnes, comme illustré ci-dessous.

R 

m <- matrice (1:9, ncol = 3, nrow = 3)

ERROR 

Error in matrice(1:9, ncol = 3, nrow = 3): could not find function "matrice"

R 

m

ERROR 

Error: object 'm' not found

Défi

À l’aide de la fonction installed.packages(), créez une matrice caractère contenant les informations sur tous les packages actuellement installés sur votre ordinateur. Explorez-la.

R 

## créer la matrice
ip <- Installed.packages()
head(ip)
## essayez aussi View(ip)
## numéro de paquet
nrow(ip)
## noms de tous les packages installés
rownames(ip)
## type d'informations dont nous disposons sur chaque package
noms de colonnes (ip)

Il est souvent utile de créer de grandes matrices de données aléatoires comme données de test. L’exercice ci-dessous vous demande de créer une telle matrice avec des données aléatoires tirées d’une distribution normale de moyenne 0 et d’écart type 1, ce qui peut être fait avec la fonction rnorm().

Défi

Construire une matrice de dimension 1000 (nombre de lignes) par 3 (nombre de colonnes) de données normalement distribuées (moyenne 0, écart type 1).

R 

set.seed(123)
m <- matrice(rnorm(3000), ncol = 3)

ERROR 

Error in matrice(rnorm(3000), ncol = 3): could not find function "matrice"

R 

dim(m)

ERROR 

Error: object 'm' not found

R 

tête(m)

ERROR 

Error in tête(m): could not find function "tête"

Formatage des dates

L’un des problèmes les plus courants rencontrés par les nouveaux (et les plus expérimentés !) utilisateurs de R concerne la conversion des informations de date et d’heure en une variable appropriée et utilisable lors des analyses.

Remarque sur les dates dans les tableurs

Les dates dans les feuilles de calcul sont généralement stockées dans une seule colonne. Bien que cela semble la manière la plus naturelle d’enregistrer des dates, ce ne fait en réalité pas partie des bonnes pratiques. Un tableur affichera les dates d’une manière apparemment correcte (pour un observateur humain), mais la façon dont il gère et stocke réellement les dates peut être problématique. Il est souvent plus sûr de stocker les dates avec ANNÉE, MOIS et JOUR dans des colonnes séparées ou comme ANNÉE et JOUR DE L’ANNÉE dans des colonnes séparées.

Des tableurs tels que LibreOffice, Microsoft Excel, OpenOffice, Gnumeric, … ont des manières différentes (et souvent incompatibles) d’encoder les dates (même pour le même programme entre les versions et les systèmes d’exploitation). De plus, Excel peut transformer des éléments qui ne sont pas des dates en dates (@Zeeberg:2004), par exemple des noms ou des identifiants comme MAR1, DEC1, OCT4. Donc, si vous évitez de façon générale le format date, il est plus facile d’identifier ces problèmes.

La section Dates as data de la leçon Data Carpentry fournit des informations supplémentaires sur les pièges des dates avec des feuilles de calcul.

Nous allons utiliser la fonction ymd() du package lubridate (qui appartient au tidyverse ; en savoir plus [ici] (https://www.tidyverse.org/)). . lubridate est automatiquement installé lors de l’installation de tidyverse. Lorsque vous chargez le tidyverse (commande library(tidyverse)), les packages de base (les packages utilisés dans la plupart des analyses de données) sont chargés. lubridate n’appartient cependant pas aux fonctionnalités de base de tidyverse, vous devez donc le charger explicitement avec library(lubridate).

Commencez par charger le package requis :

R 

bibliothèque("lubrifier")

ERROR 

Error in bibliothèque("lubrifier"): could not find function "bibliothèque"

ymd() prend un vecteur représentant l’année, le mois et le jour, et le convertit en un vecteur Date. Date est une classe de données reconnue par R comme étant une date et peut être manipulée comme telle. L’argument requis par la fonction est flexible, mais, à titre de bonnes pratiques, il s’agit d’un vecteur de caractère au format “AAAA-MM-JJ”.

Créons un objet date et inspectons la structure :

R 

ma_date <- ymd("2015-01-01")

ERROR 

Error in ymd("2015-01-01"): could not find function "ymd"

R 

str(ma_date)

ERROR 

Error: object 'ma_date' not found

Collons maintenant l’année, le mois et le jour séparément - nous obtenons le même résultat :

R 

# sep indique le caractère à utiliser pour séparer chaque composant
my_date <- ymd(paste("2015", "1", "1", sep = "-"))

ERROR 

Error in ymd(paste("2015", "1", "1", sep = "-")): could not find function "ymd"

R 

str(my_date )

ERROR 

Error: object 'my_date' not found

Familiarisons-nous maintenant avec un pipeline typique de manipulation de date . Le data frame ci-dessous a stocké des dates dans différentes colonnes « year », « month » et « jour ».

R 

x <- data.frame(année = c(1996, 1992, 1987, 1986, 2000, 1990, 2002, 1994, 1997, 1985),
                mois = c(2, 3, 3, 10, 1 , 8, 3, 4, 5, 5),
                jour = c(24, 8, 1, 5, 8, 17, 13, 10, 11, 24),
                valeur = c (4, 5, 1, 9, 3, 8, 10, 2, 6, 7))
x

OUTPUT 

   année mois jour valeur
1   1996    2   24      4
2   1992    3    8      5
3   1987    3    1      1
4   1986   10    5      9
5   2000    1    8      3
6   1990    8   17      8
7   2002    3   13     10
8   1994    4   10      2
9   1997    5   11      6
10  1985    5   24      7

Nous appliquons maintenant cette fonction à l’ensemble du jeu de données « x ». Nous créons d’abord un vecteur de caractères à partir des colonnes year, month et day de x en utilisant paste() :

R 

coller(x$year, x$month, x$day, sep = "-")

ERROR 

Error in coller(x$year, x$month, x$day, sep = "-"): could not find function "coller"

Ce vecteur de caractères peut être utilisé comme argument pour ymd() :

R 

ymd(coller(x$year, x$month, x$day, sep = "-"))

ERROR 

Error in ymd(coller(x$year, x$month, x$day, sep = "-")): could not find function "ymd"

Le vecteur Date résultant peut être ajouté à x en tant que nouvelle colonne appelée date :

R 

x$date <- ymd(paste(x$year, x$month, x$day, sep = "-"))

ERROR 

Error in ymd(paste(x$year, x$month, x$day, sep = "-")): could not find function "ymd"

R 

str(x) # remarquez la nouvelle colonne, avec 'date' comme classe

OUTPUT 

'data.frame':	10 obs. of  4 variables:
 $ année : num  1996 1992 1987 1986 2000 ...
 $ mois  : num  2 3 3 10 1 8 3 4 5 5
 $ jour  : num  24 8 1 5 8 17 13 10 11 24
 $ valeur: num  4 5 1 9 3 8 10 2 6 7

Assurons-nous que tout a fonctionné correctement. Une façon d’inspecter la nouvelle colonne est d’utiliser la fonction summary() :

R 

résumé(x$date)

ERROR 

Error in résumé(x$date): could not find function "résumé"

Notez que ymd() s’attend à avoir successivement l’année, le mois et le jour. Si vous avez par exemple le jour, le mois et l’année, vous aurez besoin de la fonction dmy().

R 

dmy(coller(x$day, x$month, x$year, sep = "-"))

ERROR 

Error in dmy(coller(x$day, x$month, x$year, sep = "-")): could not find function "dmy"

lubdridate a de nombreuses fonctions pour gérer toutes les variantes de date.

Résumé des objets R

Jusqu’à présent, nous avons vu plusieurs types d’objets R variant selon le nombre de dimensions et s’ils pouvaient stocker un ou plusieurs types de données  :

  • vector : une dimension (ils ont une longueur), un seul type de données.
  • matrix : deux dimensions, un seul type de données.
  • data.frame : deux dimensions, un type par colonne.

Listes

Un type de données que nous n’avons pas encore vu, mais qu’il est utile de connaître, et découle du résumé que nous venons de voir sont des listes (classe list) :

  • list : une dimension, chaque élément peut être d’un type de données différent .

Ci-dessous, créons une liste contenant un vecteur de nombres, de caractères, une matrice, un data frame et une autre liste :

R 

l <- list(1:10, ## numérique
          lettres, ## caractère
          installé.packages(), ## une matrice
          voitures, ## un data.frame
          liste(1, 2, 3)) ## une liste

ERROR 

Error: object 'lettres' not found

R 

longueur(l)

ERROR 

Error in longueur(l): could not find function "longueur"

R 

str(l)

ERROR 

Error: object 'l' not found

L’indiçage (i.e. la réalisation d’un sous-ensemble) de liste est effectué en utilisant [] pour créer une nouvelle sous-liste ou [[]] pour extraire un seul élément de cette liste (en utilisant des indices ou des noms si la liste possède un attribut de nom).

R 

l[[1]] ## premier élément

ERROR 

Error: object 'l' not found

R 

l[1:2] ## une liste de longueur 2

ERROR 

Error: object 'l' not found

R 

l[1] ## une liste de longueur 1

ERROR 

Error: object 'l' not found

Exportation et sauvegarde de données tabulaires

Nous avons vu comment lire une feuille de calcul textuelle dans R à l’aide de la famille de fonctions read.table. Pour exporter un data.frame vers une feuille de calcul texte , nous pouvons utiliser l’ensemble de fonctions write.table (write.csv, write.delim, …). Ils ont tous pour arguments la variable à exporter et le fichier vers lequel exporter. Par exemple, pour exporter les données rna vers le fichier my_rna.csv dans le répertoire data_output, nous exécuterions :

R 

write.csv(rna, file = "data_output/my_rna.csv")

Ce nouveau fichier csv peut maintenant être partagé avec d’autres collaborateurs qui ne sont pas familiers avec R. Notez que même s’il y a des virgules dans certains des champs dans le data.frame (voir par exemple la colonne “product”), R entourera par défaut chaque champ de texte avec des guillemets. Nous serons donc en mesure de le lire à nouveau dans R correctement, malgré l’utilisation de virgules comme séparateurs de colonnes.

Key Points

  • Données tabulaires dans R