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_pad3

Ce qu’on a déjà appris

• l’écosystème dans lequel s’inscrit R
• importer des données
• préparer des tidy data
• commencer à transformer les données

Ce qu’on a déjà appris

Objectifs de la journée

• être autonome sur l’import (read_*), le nettoyage et la transformation (mutate) des données
• savoir pivoter (gather et spread), filtrer (filter) et agréger (group_by + summarise) des données
• savoir fusionner (join) deux jeux de données
• obtenir une première visualisation de ses données (ggplot2)

Exercice

• sélectionner un jeu de données (par exemple https://frama.link/reserve)
• s’assurer que le jeu de données est “tidy”
• transformer le jeu de données comme nécessaire pour exploitation

Le problème

Le problème

Utile parce que :

• format demandé par telle fonction/logiciel…
• (ré)agrégation de données
• nettoyage de données
• etc. etc.

Pivoter un jeu de données

• Reprendre le jeu de données “présidentielle” d’hier
• si on veut le jeu de données au format “long” ?
• large vers long => gather
• long vers large => spread

Le problème

Utile pour :

• ne sélectionner que certains cas
• enlever des cas non pertinents
• travailler sur un sous-ensemble (spatial, temporel…) du jeu de données

Filtrer un jeu de données

• Reprendre le jeu de données “présidentielle” d’hier
• ne conserver que les communes d’Ile-de-France (ou de votre région !)
• ne conserver que les communes dans lesquelles Le Pen obtient plus de 20 % des inscrits
• etc.

Le problème

• On veut regrouper des observations par un ou plusieurs critères

Agréger un jeu de données

• Reprendre le jeu de données “présidentielle” d’hier
• Calculer les résultats par département
• Calculer les résultats par zones d’emploi !

Le problème

On veut rapprocher des données issues de deux tables différentes

Fusionner deux jeux de données

• Reprendre le jeu de données “présidentielle” d’hier
• Y adjoindre le code de la zone d’emploi de chaque commune (source : http://www.insee.fr/fr/methodes/default.asp?page=zonages/zones_emploi.htm) : https://frama.link/ze_csv

Le problème

Avoir des données, c’est bien, les voir, c’est mieux !

Visualiser des données

• Distribution de l’abstention
• Distribution du vote Le Pen
• Corrélation entre les deux ?