Commencer par les données

Dernière mise à jour le 2024-09-12 | Modifier cette page

Durée estimée : 60 minutes

Vue d'ensemble

Questions

  • Première analyse de données dans R

Objectifs

  • Décrivez ce qu’est un « data.frame ».
  • Chargez des données externes à partir d’un fichier .csv dans un bloc de données.
  • Résumer le contenu d’un bloc de données.
  • Décrivez ce qu’est un facteur.
  • Convertissez entre les chaînes et les facteurs.
  • Réorganisez et renommez les facteurs.
  • Formater les dates.
  • Exportez et enregistrez les données.

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

Présentation des données d’expression des gènes

Nous allons utiliser une partie des données publiées par Blackmore , L’effet de l’infection des voies respiratoires supérieures sur les modifications transcriptomiques du SNC. 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. Gender matched eight week old C57BL/6 mice were inoculated with saline or with Influenza A by intranasal route and transcriptomic changes in the cerebellum and spinal cord tissues were evaluated by RNA-seq at days 0 (non-infected), 4 and 8.

L’ensemble de données est stocké sous forme de fichier CSV (valeurs séparées par des virgules). Chaque ligne contient des informations pour une seule mesure d’expression d’ARN, et les onze premières colonnes représentent :

Colonne Description
gène Le nom du gène qui a été mesuré
échantillon Le nom de l’échantillon dans lequel l’expression du gène a été mesurée
expression La valeur de l’expression des gènes
organisme L’organisme/l’espèce - ici toutes les données proviennent de souris
âge L’âge de la souris (toutes les souris avaient 8 semaines ici)
sexe 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.
souche La souche grippale A.
temps La durée de l’infection (en jours).
tissu Le tissu utilisé pour l’expérience d’expression génique, c’est-à-dire le cervelet ou la moelle épinière.
souris L’identifiant unique de la souris.

Nous allons utiliser la fonction R download.file() pour télécharger le fichier CSV qui contient les données d’expression génique, et nous utiliserons 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 source télécharge un fichier CSV à partir d’un référentiel GitHub. Le texte après la virgule (“data/rnaseq.csv”) est 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. Cette commande télécharge donc 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 :

R 

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

Cette instruction ne produit aucune sortie car, comme vous vous en souvenez peut-être , les affectations n’affichent rien. Si nous voulons vérifier que nos données ont été chargées, nous pouvons voir le contenu du bloc de données en en tapant son nom :

R 

arn

Ouah… c’était beaucoup de production. Au moins, cela signifie que les données ont été chargées correctement. Vérifions le haut (les 6 premières lignes) de ce bloc de données en utilisant la fonction head() :

R 

head(rna)

ERREUR 

Error in eval(expr, envir, enclos): object 'rna' not found

R 

## Essayez aussi
## View(rna)

Note

read.csv() suppose que les champs sont délimités par des virgules, cependant, dans plusieurs pays, la virgule est utilisée comme séparateur décimal et le point-virgule (;) est utilisé comme champ délinéateur. Si vous souhaitez lire en 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 , ils peuvent tous deux être spécifiés par l’utilisateur. Consultez l’aide pour read.csv() en tapant ?read.csv pour en savoir plus. Il existe également la fonction read.delim() pour lire des fichiers de données séparés 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. En tant que tel, les données ci-dessus auraient également pu être chargées en utilisant read.table() avec l’argument de séparation comme ,. Le code est comme suit:

R 

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

L’argument d’en-tête doit être défini sur TRUE pour pouvoir lire les en-têtes car par défaut read.table() a l’argument d’en-tête défini sur FALSE.

Que sont les trames de données ?

Les trames de données sont la structure de données de facto pour la plupart des données tabulaires, et ce que nous utilisons pour les statistiques et le traçage.

Un bloc de données peut être créé à la main, mais le plus souvent ils sont générés par les fonctions read.csv() ou read.table() ; en d’autres termes , lors de l’importation de feuilles de calcul depuis votre disque dur (ou le Web).

Une trame de données est la représentation de données sous le format d’un tableau où les colonnes sont des vecteurs qui ont tous la même longueur. Étant donné que les colonnes sont des vecteurs, chaque colonne doit contenir un seul type de données (par exemple, des caractères, des entiers, des facteurs). Par exemple, voici une figure représentant une trame de données comprenant un chiffre, un caractère et un vecteur logique .

Nous pouvons le voir lors de l’inspection de la structure d’une trame de données avec la fonction str() :

R 

str(arn)

SORTIE 

'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’une trame de données. Voici une liste non exhaustive de fonctions pour avoir une idée du contenu/structure des données. Essayons-les !

Taille:

  • 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.

Des 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”, elles peuvent être utilisées sur d’autres types d’objets en plus de 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 : trame de données
  • combien de lignes : 66465, combien de colonnes : 11

Indexation et sous-ensemble de trames de données

Notre bloc de données « 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 que différentes manières de spécifier ces coordonnées conduisent 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 ordre croissant ou décroissant, testez 1:10 et 10:1 pour l’instance . Voir la section @ref(sec:genvec) pour plus de détails.

Vous pouvez également exclure certains indices d’un bloc de données 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)

Les trames de données peuvent être sous-ensembles en appelant des indices (comme indiqué précédemment), mais aussi en appelant directement leurs noms de colonnes :

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 fonction de saisie semi-automatique pour obtenir les noms complets et corrects des colonnes.

Défi

  1. Créez un data.frame (rna_200) contenant uniquement les données de ligne 200 de l’ensemble de données rna.

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

  • Utilisez ce numéro pour extraire uniquement la dernière ligne de la trame de données initiale rna.

  • Comparez cela avec ce que vous voyez comme la dernière ligne en utilisant tail() pour assurez-vous qu’il répond aux attentes.

  • Retirez cette dernière ligne en utilisant nrow() au lieu du numéro de ligne.

  • Créez un nouveau bloc de données (rna_last) à partir de cette dernière ligne.

  1. Utilisez nrow() pour extraire la ligne qui se trouve au milieu du dataframe 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 ne conservant que la première à la 6ème lignes de l’ensemble de données rna.

R 

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

ERREUR 

Error in eval(expr, envir, enclos): object 'n_rows' not found

R 

rna_last <- rna[n_rows, ]

ERREUR 

Error in eval(expr, envir, enclos): object 'n_rows' not found

R 

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

ERREUR 

Error in eval(expr, envir, enclos): object 'n_rows' not found

R 

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

ERREUR 

Error in eval(expr, envir, enclos): object 'n_rows' not found

Facteurs

Les facteurs représentent des données catégorielles. Ils sont stockés sous forme d’entiers associés aux étiquettes et ils peuvent être ordonnés ou non. Alors que les facteurs ressemblent (et se comportent souvent) à des vecteurs de caractères, ils sont en fait 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, appelées 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 will assign 1 to the level "female" and 2 to the level "male" (because f comes before m, even though the first element in this vector is "male"). Vous pouvez le voir en utilisant la fonction levels() et vous pouvez trouver le nombre de niveaux en utilisant nlevels() :

R 

niveaux(sexe)

ERREUR 

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

R 

nniveaux(sexe)

ERREUR 

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

Parfois, l’ordre des facteurs n’a pas d’importance, d’autres fois vous souhaiterez peut-être spécifier l’ordre car il est significatif (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 « sexe » serait :

R 

sex ## commande actuelle

ERREUR 

Error in eval(expr, envir, enclos): object 'sex' not found

R 

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

ERREUR 

Error in eval(expr, envir, enclos): object 'sex' not found

R 

sex ## après la nouvelle commande

ERREUR 

Error in eval(expr, envir, enclos): object 'sex' not found

Dans la mémoire de R, ces facteurs sont représentés par des entiers (1, 2, 3), mais sont plus informatifs que les entiers car les facteurs sont auto-descriptifs  : "femelle", "mâle" est plus descriptif que 1, 2. Lequel est « mâle » ? 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 avoir 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)

ERREUR 

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

Conversion en personnage

Si vous devez convertir un facteur en vecteur de caractères, vous utilisez as.character(x).

R 

as.personnage (sexe)

ERREUR 

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

Facteurs de renommage

Si l’on veut renommer ces facteurs, il suffit de changer ses niveaux :

R 

niveaux(sexe)

ERREUR 

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

R 

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

ERREUR 

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

R 

sexe

SORTIE 

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

R 

intrigue(sexe)

ERREUR 

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

Défi:

  • Renommez « F » et « M » respectivement en « Femme » et « Mâle ».

R 

niveaux(sexe)

ERREUR 

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

R 

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

ERREUR 

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

Défi:

Nous avons vu comment les trames de données sont créées lors de l’utilisation de read.csv(), mais elles peuvent également être créées à la main avec la fonction data.frame(). Il y a quelques erreurs dans ce « data.frame » fabriqué à la main. Pouvez-vous les repérer et les réparer ? 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))
  • guillemets manquants autour des noms des animaux
  • il manque une entrée dans la colonne “sensation” (probablement pour l’un des animaux à fourrure)
  • il manque une virgule dans la colonne poids

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 bloc de données. Qu’est ce qu’il se passe maintenant? 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)
       )

ERREUR 

Error in eval(expr, envir, enclos): object 'VRAI' not found

R 

str(country_climate)

ERREUR 

Error in eval(expr, envir, enclos): object 'country_climate' not found

La conversion automatique du type de données est parfois une bénédiction, parfois un désagrément. Sachez qu’il existe, apprenez les règles et vérifiez que les données que vous importez dans R sont du type correct dans votre bloc de données. 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 trames de données, récapitulons l’installation du package et découvrons un nouveau type de données, à savoir la matrice. Comme un data.frame, une matrice a deux dimensions, des lignes et colonnes. Mais 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 « matrice ». Il faut un vecteur de valeurs pour remplir la matrice et le nombre de lignes et/ou colonnes1. Les valeurs sont triées le long des colonnes, comme illustré ci-dessous.

R 

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

ERREUR 

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

R 

m

ERREUR 

Error in eval(expr, envir, enclos): 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-le.

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 par 3 de données normalement distribuées (moyenne 0, écart type 1)

R 

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

ERREUR 

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

R 

dim(m)

ERREUR 

Error in eval(expr, envir, enclos): object 'm' not found

R 

tête(m)

ERREUR 

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

Formatage des dates

L’un des problèmes les plus courants rencontrés par les nouveaux (et expérimentés !) Les utilisateurs de R ont 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 n’est en réalité pas la meilleure pratique. Un tableur affichera les dates d’une manière apparemment correcte (pour un observateur humain), mais la façon dont elle 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.

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 globalement le format de 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 installé dans le cadre de l’installation de tidyverse. Lorsque vous chargez le tidyverse (library(tidyverse)), les packages de base (les packages utilisés dans la plupart des analyses de données) sont chargés. lubridate n’appartient cependant pas au noyau spiceverse, vous devez donc le charger explicitement avec library(lubridate).

Commencez par charger le package requis :

R 

bibliothèque("lubrifier")

ERREUR 

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 bonne pratique, 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")

ERREUR 

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

R 

str(ma_date)

ERREUR 

Error in eval(expr, envir, enclos): 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 = "-"))

ERREUR 

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

R 

str(my_date )

ERREUR 

Error in eval(expr, envir, enclos): object 'my_date' not found

Familiarisons-nous maintenant avec un pipeline typique de manipulation de date . Les petites données ci-dessous ont stocké des dates dans différentes colonnes « année », « mois » 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

SORTIE 

   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 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 = "-")

ERREUR 

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 = "-"))

ERREUR 

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 = "-"))

ERREUR 

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

SORTIE 

'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 summary() :

R 

résumé(x$date)

ERREUR 

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

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

R 

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

ERREUR 

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 variations 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  :

  • vecteur : une dimension (ils ont une longueur), un seul type de données.
  • matrice : 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 :

  • 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 dataframe 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

ERREUR 

Error in eval(expr, envir, enclos): object 'lettres' not found

R 

longueur(l)

ERREUR 

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

R 

str(l)

ERREUR 

Error in eval(expr, envir, enclos): object 'l' not found

Le sous-ensemble de liste est effectué en utilisant [] pour sous-ensembler une nouvelle sous-liste ou [[]] pour extraire un seul élément de cette liste (en utilisant des indices ou des noms, si la liste est appelé).

R 

l[[1]] ## premier élément

ERREUR 

Error in eval(expr, envir, enclos): object 'l' not found

R 

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

ERREUR 

Error in eval(expr, envir, enclos): object 'l' not found

R 

l[1] ## une liste de longueur 1

ERREUR 

Error in eval(expr, envir, enclos): 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 prennent tous la variable à exportée 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")

This new csv file can now be shared with other collaborators who aren’t familiar with R. Note that even though there are commas in some of the fields in the data.frame (see for example the “product” column), R will by default surround each field with quotes, and thus we will be able to read it back into R correctly, despite also using commas as column separators.

Points clés

  • Données tabulaires dans R

  1. Soit le nombre de lignes, soit le nombre de colonnes sont suffisants, l’autre pouvant être déduit de la longueur des valeurs. Essayez ce qui se passe si les valeurs et le nombre de lignes/colonnes ne s’additionnent pas.↩︎