Premiers pas avec R
| Analytique et exploration de données | |
|---|---|
| Module: Tutoriels R | |
| ◀▬▬▶ | |
| ⚐ brouillon | ☸ intermédiaire |
| ⚒ 2017/05/17 | ⚒⚒ 2014/11/21 |
| Catégorie: Tutoriels R | |
Introduction à l'environnement R
Voici comment l’environnement R se présente une fois l’application ouverte :
L’interface de l’environnement R se présente par une fenêtre contenant une barre de menus, une barre d’outils et la console R. Cette dernière permet d’introduire des commandes R (ou expressions).
L’interprétateur de R traduit et exécute les commandes introduites par l’utilisateur.
Le prompt de R est représenté par le symbole > . Ce caractère signifie que l’interprétateur de R attend l’introduction d’une commande de la part de l’utilisateur.
Remarquons que l’interface standard graphique de R paraît élémentaire et peu ergonomique. Plusieurs interfaces graphiques existent et peuvent être installées. Nous recommandons l’installation de R-Commander et R-Studio.
Voici une copie d'écran de R-Studio:
Les paquets / extensions
R possède des nombreuses extensions aussi appelés "bibliothèques" ou (en franglais) "librairies" et que l'on peut installer sous forme de paquet. L'opération peut se faire assez facilement dans R, mais il y a des problèmes parfois. Installer des paquets n'est pas la première priorité si vous utiliser R pour des analyses statistiques, par contre il faut absolument savoir faire ces installations si vous pensez utiliser les paquets "text mining"/analyse de texte. Ces derniers reposent souvent sur des programmes externes et pour lesquels l'environnement doit être préparé également.
- Lister les paquets installés et chargés par défaut
getOption("defaultPackages")
[1] "datasets" "utils" "grDevices" "graphics" "stats" "methods"
- Liste tous les paquets que vous avez installé
- Gardez la syntaxe "étrange" ci-dessous !
(.packages(all.available=TRUE))
Utiliser un paquet
library("nom_du_paquet")
Par exemple: library(tm) library(tm.plugin.webmining) library(SnowballC) library(XML) library(RCurl) library(httr)
Installation de paquets
La plupart des paquets (extensions) de R sont disponibles à travers R. Lors de l'installation, R va vous demander de choisir parmi un dépositoire de code. Choisissez le plus proche ou celui qui vous le plus confiance dans votre réseau.
Exemple "statnet", un logiciel d'analyse de réseaux.
install.packages("statnet")
- ou plus verbeux:peut-etre une
install.packages("statnet", dependencies = TRUE)
Alternativement, si vous utilisez RStudio, cliquez sur l'onglet "Packages", puis "Install". Dans la fenêtre popup on peu ensuite indique le nom (ou le début du nom) du package...
Essayez d'installer le paque "tm" (text mining). Si tout va bien d'autres paquets suivants sont automatiquement installés par ce "tm". Sous Ubuntu, le processus peut marcher moins bien, surtout pour un ancien système 10.04LTS. Lire plus loin ce qu'il faut faire.'
install.packages("tm", dependencies = TRUE)
install.packages("RCurl", dependencies = TRUE)
install.packages("XML", dependencies = TRUE)
install.packages("SnowballC", dependencies = TRUE)
Si le text mining vous intéresse, installez aussi:
install.packages("tm.plugin.webmining", dependencies = TRUE)
install.packages("koRpus", dependencies = TRUE)
Certains paquets s'installent difficilement et différents raisons:
- R ne trouve pas un environnement / langage dont il a besoin, par exemple JAVA ou Perl. Il faut que ces langages soit disponibles dans le chemin, les réinstaller si nécessaire. Certains paquets ont besoins du compilateur Java, il faut donc installer le SDK.
- R nécessite des bibliothèques qu'il faut installer préalablement (par ex. sous Ubuntu, RCurl nécessite libcurl4-openssl-dev et libxml2-dev (voir ci-dessous), et tm nécessite Rpoppler.
- Choses à faire en plus sous Ubuntu (important !)
Vérifier qu'un bon kit de dévelopement Java soit installé
- Javac
Si c'est pas le cas:
sudo add-apt-repository ppa:webupd8team/java sudo apt-get update sudo apt-get install oracle-java7-installer
ou encore
sudo apt-get install oracle-java8-installer
Dans une console Linux (sous root), pour indiquer l'emplacement de Java, taper:
sudo R CMD javareconf
ou encore
sudo R CMD javareconf -e
Il faut également installer préalablement des bibliothèques de développement Curl et XML, sinon vous allez recevoir des messages d'erreurs comme ERROR: configuration failed for package ‘RCurl’, rm: cannot remove 'a.out.dSYM': Is a directory
sudo apt-get install libcurl4-openssl-devsudo apt-get install libxml2-devsudo apt-get install libpoppler-dev libpoppler-glib-dev
L'aide et la documentation de R
La fonction help.start() permet d’acceder à l’aide en ligne de R.
help.start()
La fonction help() ou l'abréviation ? permet d'obtenir de l’aide sur des commandes R spécifiques. Exemples :
help(help) # lance la documentation de la fonction « help » ?mean # lance la documentation de la fonction « mean »
La fonction help.search() ou l'abréviation?? permet de chercher la documentation
??tm # lance une recherche pour "tm"
La fonction help.library() liste les paquet.
Tapez help(help) pour l'aide complète sur help
Syntaxe du langage R
R est à la fois un langage de programmation et un outil d'analyse de données. Un utilisateur n'est pas obligé de savoir programmer, mais il doit être capable d'utiliser des fonctions. En gros, toutes les commandes à taper font appel à des fonctions.
La syntaxe de R ressemble superficiellement à celle des langages de type "C" et il s'agit d'une implémentation du langage S avec des extensions sémantiques dans la direction du langage Scheme
Commentaires
Le symbole # permet d'ajouter des commentaires dans R. Tout ce qui est écrit après ce symbole n'est pas interprété par R. Prenons l’exemple suivant :
3 + 2 # Ceci est un commentaire... remarquez que R interprète ce qui vient avant le symbole # et nous donne le résultat de l'addition
Les commentaires sont très utiles en programmation pour décrire ce que le code fait.
Les objets de R
Objets et variables
Les objets sont des entités qui sont stockées dans la mémoire de R. Il peut s'agir de nombres, de listes de nombres, de chaînes de caractères, de programmes, etc.
Les opérateurs d’assignation <- et -> permettent à la fois de créer des objets et de les stocker dans des variables de la session de R courante. Exemples :
Poids <- 80 # La variable Poids reçoit la valeur 80
80 -> Poids # La variable Poids reçoit la valeur 80
Poids = 50 # La variable Poids reçoit la valeur 50
On pourrait aussi dire que l'objet nommé "Poids" a la valeur de 80. Un objet existe indépendamment de son nom, mais il est important de créer des variables afin de pouvoir manipuler des objets dans un deuxième moment. Par exemple :
a <- 32+10
b <- 10*21
c <- a + b
Ainsi, si l’utilisateur ne crée pas de variables ; R exécute la commande et affiche l'output à l’écran. Cela dit, ce dernier ne sera pas accessible pour des traitements ultérieurs. Exemple :
32+10
10*21
# Contrairement à l’exemple ci-dessus, ici il est impossible de calculer la somme entre (32+10) et (10*21).
Remarquons que si on ne crée pas de variables, R traite les données... mais ces résultats seront inaccessibles pour des traitements successifs.
Types et structures de données
Dans R, différents types d'objets peuvent être crées et traités. Ce thème sera repris en plus de détails dans l'article Les données R.
Types simples
Voici les principaux types d'objets :
a <- NULL # a est un objet nul, vide
b <- TRUE # b est un objet logique, booléen
c <- 101 # c et Poids sont des objets numériques
Poids <- 85
d <- "Bonjour à tout le monde!" # d est un objet alphanumérique (il contient une chaîne des caractères)
Pour connaître le mode (type) d'un objet, utilisez la soit la commande mode() soit la commande typeof. Ci dessous montrée avec les résultats affichés par R.
> mode(Poids)
[1] "numeric"
> mode(a)
[1] "NULL"
> mode(b)
[1] "logical"
> typeof(c)
[1] "numeric"
> mode(d)
[1] "character"
Pour afficher la valeur d'un objet, on peut utiliser la fonction print(). Altérnativement on peut introduire tout simplement le nom de l’objet à afficher :
print(Poids)
Poids
print(a)
a
Pour lister les objets existant dans la session de R, utilisez la fonction ls() ou objects() :
ls()
objects()
Enfin, on peut supprimer des objets avec la fonction rm() :
rm(Poids) # L'objet Poids est supprimé
rm(a) # L’objet a est supprimé
rm(b, c, d) # Les objets b, c et d sont supprimés
Dans les prochaines sections, nous présenterons brièvement les objets fondamentaux de R : les vecteurs, les matrices et les data-frames. Plus de détails seront présentés dans l'article les données R
Les vecteurs
Un vecteur est un objet atomique représentant une "ligne" de données: tous ses éléments sont caractérisés par le même mode (ou type). Plusieurs méthodes peuvent être utilisées pour générer un vecteur numérique. Le plus important est le collecteur c() :
c(3, 4, 1, 3) # vecteur numérique de longueur 4
Pour générer un vecteur alphanumérique, utilisez le collecteur c() associé à des guillemets :
ma_liste = c('H', 'F', 'F', 'H', 'F')
Pour sélectionner une partie d'un vecteur, utilisez l'opérateur de sélection [ ]. Etudiez les exemples suivants :
ma_liste[3] # Donne le troisième élément du vecteur c
ma_liste[3:5] # Donne le troisième quatrième et cinquième élément du vecteur X
Les matrices
La matrice est un objet atomique et représente des tables à deux ou plusiers dimensions: tous ses éléments sont caractérisés par le même mode (ou type). Pour créer une matrice utilisez la fonction matrix() :
a1 <- matrix(1:6, ncol=2) # a1 est une matrice 3x2 a2 <- matrix(1:6, nrow=2) # a2 est une matrice 2x3 b1 <- matrix(1:6, ncol=2, byrow = TRUE) # b1 est une matrice 3x2 b2 <- matrix(1:6, nrow=2, byrow = TRUE) # b2 est une matrice 2x3
Pour sélectionner une partie d'une matrice, utilisez l'opérateur de sélection [ ] :
a1[3,2] # Donne l'élément de la matrice a1 qui se situe à la coordonnée [3,2] c'est-à-dire à la troisième ligne et deuxième colonne a1[2,] # Sélectionne la deuxième ligne de la matrice a1 a1[,2] # Sélectionne la deuxième colonne de la matrice a1 a1[-1,] # Matrice a1 sans sa première ligne a1[,-1] # Matrice a1 sans sa première colonne a1[-1,2] # Sélectionne la deuxième colonne de la matrice a1 en excluant la première ligne a2[,a2[1,]>2] # Sélectionne les colonnes de la matrice a2 pour lesquelles la valeur sur la première ligne est supérieure à 2
Les data frames
Le data-frame est un tableau des données à 2 dimensions dont les colonnes sont des variables de différents modes. Il s'agit de l'objet qu'il faut privilégier pour la recherche en sciences humaines. En effet, dans la plupart des cas, les bases des données sont composées par des variables qualitatives et quantitatives ! La fonction data.frame() permet de créer cet objet :
Age <- c(19, 31, 28, 18, 25, 23, 27, 20)
Sexe <- c('F', 'H', 'F', 'H', 'H', 'F', 'H', 'F')
Database <- data.frame(Age, Sexe) # Database est un data-frame comportant une variable qualitative et une variable quantitative
Database
Pour sélectionner une variable particulière d’un data-frame, vous pouvez utiliser le symbole $ :
Database$Age Database$Sexe
De manière analogue aux matrices, vous pouvez sélectionner une partie d’un data-frame en utilisant les opérateurs de sélection [ ] :
Database[1,2] Database[1:4,2]
Les listes
Les listes représentent les structures de données les plus souples. On peut créer des listes dans des listes qui ne doivent pas avoir la même longeur.
my_list_simple = list ( c(1,2,3), c("a","b"))
donne:
> my_list_simple 1 [1] 1 2 3 2 [1] "a" "b"
my_list = list ( liste_une = c(1,2,3), liste_deux= c("a","b"))
donne:
> my_list $liste_une [1] 1 2 3 $liste_deux [1] "a" "b"
L'encodage de fichiers et des interfaces utilisateur
Aussi surprenant que cela puisse l'être, le support R pour UTF-8 est très pénible. Par défaut Unix et MacOSX travaillent avec UTF-8 alors que Windows travaille avec son système à lui (une sorte de ISO-latin).
Cela a comme conséquence qu'il est difficile de travailler sur un même projet depuis plusieurs types d'OS. Un script qui prépare parfaitement un corpus français peut foirer sous Windows et inversement....
D'après les concepteurs de RStudio il faut toujours utiliser le "locale", c'est à dire ne pas forcer Windows à travailler en UTF-8.
Dans Windows, on peut spécifier
options(encoding = 'UTF-8')
Comme il peut avoir des problèmes avec la commande "source", ce n'est pas forcément la meilleure solution. En tout cas:
- N'utilisez jamais des caractères non-ascii (comme des lettres accentués, etc.) dans votre code R. C'est chercher des ennuis !!
Dans le GUI "R-Studio" (uniquement!) il est également possible de:
- File : Reopen with Encoding
- File : Save with Encoding.
enc2native(); permet de changer un encodage vers la version "native" ....
Utiliser des jeux des données de R
Les bases de données R
R permet d'enregistrer des données. Souvent, un paquet vient avec un jeu de données test que vous pouvez charger pour s'approprier les fonctionalitées documentées.
La fonction data() permet de récupérer des bases des données qui existent dans R afin de les manipuler, analyser, traiter dans un deuxième moment :
data() # Permet d'afficher les bases des données de R pouvant être récupérées data(iris) # Permet de charger en mémoire la base des données « iris ». help(iris) # Lance l’aide associée à la base des données « iris ». ls() # Remarquons l’existence de l’objet « iris », qui a été chargé en mémoire iris
La fonction de ces bases de données est strictement pédagogique : elles permettent à l’utilisateur de tester aisément les différentes fonctions et commandes de R sur différents bases des données. Par exemple, nous pouvons résumer l'information contenue dans l'objet iris avec la commande suivante :
summary(iris)
Dans les prochains chapitres, nous chargerons des jeux des données de R dans le but d'introduire les différentes fonctions de R.
Importer des tableaux de données
Lire aussi:
- Importer des données dans R, un article qui fournira plus de détails et qui discute surtout de l'important d'autres types de données.
Les fonctions read.table() et read.csv() permettent de lire et importer des fichiers .txt et .csv.
R peut directement lire un fichier depuis un URL.
L'intégration de la fonction file.choose() permet à l'utilisateur de sélectionner un fichier.
# Le fichier data.txt est lu est stocké dans un nouveau objet R nommé Database
Database <- read.table("data.txt", header = TRUE)
# Le séparateur utilisé dans le fichier délimité est la virgule
Database <- read.table(file.choose(), header = TRUE, sep = ",")
# Fichier de type CSV. Le séparateur utilisé dans le fichier csv est le point-virgule
Database <- read.csv(file.choose(), header = TRUE, sep= ";")
# Fichier de type CSV depuis un serveur web (ce fichier contient des stats de google webmaster tools pour edutechwiki ...)
Database_webmaster <- read.csv("http://tecfa.unige.ch/guides/R/data/edutechwiki-fr-gw-oct-6-2014.csv", header = TRUE, sep= ",")
# Fichier de type Excel qui contient une simple matrice, la première ligne contient les noms de variables
library(xlsx)
Database <- read.xlsx("c:/dks/myexcel.xlsx", 1)
Visualiser les tableaux:
- Dans RStudio, cliquer sur le variable (par ex. "Database" ci-dessus) dans le panneau Environment
- Sinon, utilisez: summary(DB), dim(Database), etc.
Voir aussi:
- Importing Data (Quick-R)
Swirl : paquet de R pour apprendre R
Swirl est un paquet de R qui permet d'apprendre à utiliser R directement à l'intérieur de la console du logiciel. Il suffit donc d'installer le paquet pour disposer d'une série de tutoriels (à partir des bases de R jusqu'à des sujets plus spécifiques comme la régression linéaire ou d'autres éléments statistiques).
Installation et utilisation
Pour installer swirl il est suffisant d'installer le paquet correspondant :
install.packages("swirl")
Une fois installé le paquet, il faudra charger le paquet et appeler la fonction swirl() pour démarrer.
library("swirl")
swirl()
Veuillez noter qu'après l'installation du paquet, swirl ne contient pas encore les tutoriels. Car il existe plusieurs tutoriels, swirl vous laisse décider le(s)quel(s) vous souhaitez télécharger.
Lors de l'utilisation, swirl vous demande de vous identifier tout simplement avec un nom d'utilisateur unique. De cette manière, votre avancement dans les tutoriels sera sauvegardé et en utilisant le même username lors d'une autre session vous pouvez reprendre là ou vous vous êtes arrêtés la dernière fois.
Swirl peut être utilisé avec R ou RStudio (choix conseillé).
Fonctionnement
Les tutoriels peuvent bien sûr varier en fonction de l'argument traité, mais généralement les interactions suivantes se présentent à l'écran de la console :
- Informations : elles peuvent concerner des informations générales sur le tutoriel, ou des éléments théoriques spécifiques sur l'argument
| In this lesson, we will explore some basic building blocks of the R programming language.
- Instructions : elles demandent une manipulation directe de la console, dans la plupart de cas cela signifie écrire des commandes en R
| In its simplest form, R can be used as an interactive calculator. Type 5 + 7 and press Enter. > 5 + 7
- Questions : elles demandent également une manipulation, mais sans qu'une instruction explicite soit donnée. Il faut donc mobiliser les connaissances apprises jusqu'à ce moment pour saisir la bonne commande ou choisir la bonne réponse.
| Before we view the contents of the my_sqrt variable, what do you think it contains? 1: a single number (i.e a vector of length 1) 2: a vector of length 0 (i.e. an empty vector) 3: a vector of length 3 Selection:
- Feedback : suite à une manipulation, swirl propose un feedback qui détermine si la commande était bien celle attendue, et souvent fourni des informations complémentaires.
Voici une capture d'écran qui montre un passage du tutoriel de base "R programming".
En savoir plus
Tous les liens sont en anglais: