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

  1. Rendez-vous sur le site officiel de R : CRAN.
  2. Sélectionnez votre système d’exploitation (Windows, Mac, Linux).
  3. 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.

  1. Visitez le site de RStudio.
  2. Téléchargez la version open-source de RStudio.
  3. 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

  1. Ouvrez RStudio.
  2. Créez un nouveau script en cliquant sur "File" puis "New File" et sélectionnez "R Script".
  3. Dans la fenêtre du script, tapez le code suivant :
print("Bonjour, R!")
  1. 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.

Catégories : Divers

La Rédaction

L'Équipe de Rédaction est composée de rédacteurs indépendants sélectionnés pour leur capacité à communiquer des informations complexes de manière claire et utile.