Introduction à R
R est un langage de programmation largement utilisé pour l’analyse statistique et la visualisation de données. Il est particulièrement populaire parmi les statisticiens et les data scientists en raison de sa puissance et de sa flexibilité. Si vous êtes novice ou même si vous avez déjà une certaine expérience avec R, ce guide pratique vous aidera à maîtriser les bases ainsi que des techniques plus avancées.
Installation de R et RStudio
Pour commencer à utiliser R, il est crucial de l’installer sur votre ordinateur. Voici les étapes à suivre :
Étape 1 : Télécharger R
- Rendez-vous sur le site officiel de R : CRAN.
- Sélectionnez votre système d’exploitation (Windows, Mac, Linux).
- Suivez les instructions pour télécharger et installer R.
Étape 2 : Télécharger RStudio
RStudio est un environnement de développement intégré (IDE) très populaire pour R. Il rend la programmation plus accessible grâce à son interface conviviale.
- Visitez le site de RStudio.
- Téléchargez la version open-source de RStudio.
- Installez RStudio en suivant les instructions fournies.
Premiers pas avec R
Une fois R et RStudio installés, vous êtes prêt à commencer votre voyage dans le monde de R.
Exécuter votre premier script R
- Ouvrez RStudio.
- Créez un nouveau script en cliquant sur "File" puis "New File" et sélectionnez "R Script".
- Dans la fenêtre du script, tapez le code suivant :
print("Bonjour, R!")
- Exécutez le code en sélectionnant la ligne et en cliquant sur "Run".
Variables et types de données
Dans R, vous pouvez stocker des données dans des variables. Voici quelques types de données courants :
- Numériques :
x <- 5 - Caractères :
texte <- "Bonjour" - Logiques :
valeur_booléenne <- TRUE
Structures de données de base
R propose plusieurs structures de données, dont les plus courantes sont :
- Vecteurs : Une séquence de données de même type.
v <- c(1, 2, 3, 4, 5)
- Matrices : Un tableau à deux dimensions.
matrice <- matrix(1:6, nrow=2)
- Data frames : Une table où chaque colonne peut contenir un type de données différent.
data <- data.frame(Nom=c("Alice", "Bob"), Age=c(25, 30))
- Listes : Une collection d'objets de types différents.
liste <- list(Nombre=5, Texte="Bonjour")
Manipulation de données avec dplyr
Le package dplyr est essentiel pour la manipulation des données dans R. Il fournit une syntaxe intuitive pour filtrer, sélectionner et transformer des données.
Installation de dplyr
Avant de commencer à utiliser dplyr, vous devez l'installer :
install.packages("dplyr")
Utilisation de dplyr
Voici quelques fonctions de base :
- filter() : Pour filtrer les lignes.
library(dplyr)
data_filtrée % filter(Age > 25)
- select() : Pour sélectionner des colonnes spécifiques.
data_sélectionnée % select(Nom)
- mutate() : Pour ajouter de nouvelles colonnes.
data_nouvelle_colonne % mutate(Age_2025 = Age + 2)
- summarise() : Pour résumer les données.
data_somme % summarise(Age_moyen = mean(Age))
Visualisation de données avec ggplot2
R est également reconnu pour sa capacité à créer des visualisations de données impressionnantes, notamment grâce au package ggplot2.
Installation de ggplot2
Pour installer ggplot2, utilisez la commande suivante :
install.packages("ggplot2")
Créer des graphiques avec ggplot2
Voici quelques exemples de graphiques que vous pouvez créer.
Graphique de dispersion
library(ggplot2)
ggplot(data, aes(x=Nom, y=Age)) + geom_point()
Histogramme
ggplot(data, aes(x=Age)) + geom_histogram(binwidth=1)
Graphique en barres
ggplot(data, aes(x=Nom, fill=Nom)) + geom_bar()
Gestion de packages
R dispose de milliers de packages qui ajoutent des fonctionnalités à votre environnement. Voici comment gérer vos packages.
Installation de packages
Pour installer un package, utilisez :
install.packages("nom_du_package")
Chargement de packages
Avant d’utiliser un package, vous devez le charger :
library(nom_du_package)
Mise à jour de packages
Pour mettre à jour tous vos packages, utilisez :
update.packages()
Supprimer un package
Pour désinstaller un package, utilisez :
remove.packages("nom_du_package")
Importation et exportation de données
R permet d’importer et d’exporter facilement des données à partir de divers formats.
Importation de données
Fichiers CSV
Pour importer un fichier CSV, vous pouvez utiliser :
data <- read.csv("chemin/vers/fichier.csv")
Fichiers Excel
Pour importer des fichiers Excel, vous aurez besoin du package readxl :
install.packages("readxl")
library(readxl)
data_excel <- read_excel("chemin/vers/fichier.xlsx")
Exportation de données
Pour exporter vos données au format CSV, utilisez :
write.csv(data, "chemin/vers/nouveau_fichier.csv")
Analyse statistique avec R
R est très puissant pour effectuer des analyses statistiques. Voici quelques exemples d'analyses courantes.
Statistiques descriptives
Pour obtenir des statistiques descriptives, vous pouvez utiliser la fonction summary() :
summary(data)
Tests d'hypothèses
R propose des fonctions pour effectuer différents tests d'hypothèses. Par exemple, pour un test t :
t.test(data$Age)
Régression linéaire
Pour effectuer une régression linéaire, utilisez :
modèle <- lm(Age ~ Nom, data=data)
summary(modèle)
Programmation avec R
R permet également de programmer des fonctions personnalisées.
Création d'une fonction
Voici un exemple simple de création d'une fonction :
ma_fonction 10) {
print("x est supérieur à 10")
} else {
print("x est inférieur ou égal à 10")
}
Conclusion
R est un outil puissant pour l’analyse de données et la visualisation. Grâce à ce guide pratique, vous avez désormais une base solide pour commencer à explorer et à maîtriser R. Que ce soit pour des analyses simples ou des projets plus complexes, R vous offre une multitude de ressources et de packages pour vous aider dans votre travail. N’hésitez pas à explorer davantage et à plonger dans les fonctionnalités avancées qu’offre ce langage.
Note : Cet article n'est pas mis à jour régulièrement et peut contenir des informations obsolètes ainsi que des erreurs.