Introduction à R

Introduction à R, le couteau suisse de la data science

Joël Gombin et Samuel Goëta (datactivi.st)

Retrouvez les matériaux sur : www.github.com/datactivist/IntroR_ODF

Pad collaboratif : https://frama.link/formationR_pad1

Faisons connaissance

https://frama.link/formationR

Tentative de définition de la donnée

• c’est quoi une donnée pour vous ?
• ambiguïté de la notion de donnée
• datum/data
• pas de condition de véracité (Rosenberg, 2013)
• data / information / knowledge

Open data, big data, linked data…

via GIPHY

Ça nous concerne :

professionnellement (open data, big data, analytics, gestion, KPIs, BI, données métier…)

Ça nous concerne :

personnellement (self data)

Ça nous concerne :

en tant que citoyen

Pourquoi s’intéresser à l’analyse des données ?

Les données ne signifient rien à l’état brut. C’est un modèle qui permet de les interpréter, leur donner sens.

Pas de modèle EST un modèle (implicite)

Il faut donc expliciter nos modèles

Pourquoi s’intéresser à l’analyse des données ?

S’initier à l’analyse des données, c’est :

• apprendre à expliciter ses modèles
• formuler les hypothèses sous-jacentes
• les tester
• in fine, appréhender ses données de manière moins naïve

Pourquoi s’intéresser à l’analyse des données ?

Pourquoi s’intéresser à l’analyse des données ?

La data aujourd’hui, c’est le far west

via GIPHY

Pourquoi s’intéresser à l’analyse des données ?

Intéressez vous aux données avant que les données ne s’intéressent à vous

“Data literacy”

Quels outils utilisez-vous ? Connaissez-vous ?

Les formats de données

via GIPHY

Les formats de données

• tabulaires (voir rio)
• Excel / tableurs (.xls, .xlsx, .ods…)
• CSV, TSV, CSVY, PSV, FWF
• DataPackages
• feather
• …

Les formats de données

• propriétaires logiciels stats
• .dta
• .sav, .por
• .dbf
• .sas7bdat, .xpt
• …

Les formats de données

• plus exotiques
• XML
• HTML
• JSON
• YAML
• …

Les formats de données

• formats spécialisés : l’exemple des données spatiales (voir rgdal: 132 formats !)
• shapefile
• geojson
• topojson
• kml
• mapinfo
• formats raster
• tiles
• …

Les bases de données

• relationnelles / SQL
• MySQL
• SQLite
• PostgreSQL
• …

Les bases de données

• SQL orientées colonnes
• MonetDB / MonetDBLite
• …

Les bases de données

• NoSQL
• MangoDB
• Cassandra
• CouchDB
• SimpleDB
• BigTable
• HBase
• Neo4J
• Redis
• …

Les outils

• Celui que vous avez sûrement déjà utilisé : Excel / LibreOffice / un tableur
• avantages

• inconvénients

• GUI
• Sphinx
• SPSS
• SAS
• OpenRefine
• WTF CSV
• Tableau

• …

Les outils

• CLI
• Python
• Julia
• R
• C/C++
• Java
• Javascript
• outils bash
• …

Les outils

• sans compter les outils spécialisés. Exemple de la cartographe :
• QGIS
• PhilCarto
• MapInfo
• ArcGIS
• Umap
• leaflet
• ….

Les infrastructures

• Notamment dans le “big data” :
• Hadoop
• Spark
• H20
• etc. etc.

One tool to rule them all

• R a comme avantage d’être un langage de programmation (= potentiel illimité) pensé exprès pour la manipulation des données
• au fil du temps, devenu un “general purpose tool”
• permet d’interfacer de nombreux outils plus spécialisés
• une communauté très dynamique
• une syntaxe de plus en plus facile
• des progrès vers des bouts de GUI

Sur quelles données voulez-vous travailler ?

• domaine
• format
• taille (lignes / variables)
• granularité
• fraicheur
• quelle analyse
• etc.

Installation de R et Rstudio

Prise en main du logiciel