3  Les data frames

C’est l’objet le plus important et le plus utilisé dans R il s’agit d’un tableau de données mais contrairement aux matrices on peut avoir différents types de données dans un dataframe.

3.1 Création d’un data frame

On crée deux variables x et y contenant \(n=100\) nombres distribués selon une loi uniforme continue sur [0,20] (fonction runif) et une variable gr (expliquer le résultat du code correspondant). La fonction round permet d’arrondir.

x<-round(runif(100,0,20),1)
y<-round(runif(100,0,20),1)
gr<-sample(c("ING1","ING2"),size=100,replace=T,prob=c(0.6,0.4))
df<-data.frame(NoteF=x,NoteM=y,gr=gr)

L’indexation des éléments dans un data-frame est la même que dans une matrice :

df[1,1]

[1] 9.8

On peut également sélectionner une colonne du data frame via $

df$NoteF

  [1]  9.8 14.4  6.4  2.8  1.9 10.0 12.3 16.8  1.6 13.8 16.3  0.6  9.0 17.8 17.9
 [16] 10.6  4.6  8.2 11.5  0.8  6.6 17.7 15.8 15.8  6.2  5.7 11.4  0.5 19.2 12.0
 [31] 13.9 10.8 13.3  4.3 15.4  0.4  3.9 17.9 12.1 14.6  1.8 11.8  7.0 11.5  1.0
 [46] 16.2 11.7  5.7 14.8  9.9 12.6  4.9 10.1  9.3  8.3 13.6 14.5 14.6  8.6 10.2
 [61] 14.7 15.2  3.9 19.6 12.8  3.7 17.6 12.7 15.7  3.3 19.1  3.2  0.4  8.5 10.1
 [76] 17.7 17.8  2.3 19.7 13.2 10.1 12.6 14.4  3.2  2.6 15.0  1.4 18.2  7.2  7.8
 [91] 15.0  2.5 18.5 17.3 11.8 11.9 13.0  2.5  3.8  0.1

3.2 Les fonctions utiles pour les data frame

3.2.1 summary

Cette fonction permet de résumer l’ensemble des variables du data frame.

summary(df)

     NoteF            NoteM             gr           
 Min.   : 0.100   Min.   : 0.100   Length:100        
 1st Qu.: 4.825   1st Qu.: 6.125   Class :character  
 Median :11.450   Median :11.550   Mode  :character  
 Mean   :10.228   Mean   :10.662                     
 3rd Qu.:14.725   3rd Qu.:15.000                     
 Max.   :19.700   Max.   :19.600                     

3.2.2 apply

La fonction apply permet d’appliquer une fonction sur les lignes (1) ou les colonnes d’un data frame : par exemple si on souhaite appliquer la fonction moyenne (mean) sur les colonnes du data frame df on utilise :

apply(df[,1:2],2,mean)

 NoteF  NoteM 
10.228 10.662 

Remarque : on n’a utilisé que les deux premières colonnes du data frame car la troisième n’est pas numérique (donc on ne peut pas calculer sa moyenne).

3.3 Importation d’un data frame inclus dans un package

Pour accéder aux data frames de R :

data()

ensuite on peut grâce à la fonction help obtenir de l’aide sur l’un des data frame :

help("mtcars")

Ensuite on charge le jeu de données via

data("mtcars")

Une fois le data frame importé on constate qu’il est présent dans la fenêtre environnement

Fenêtre environnement

4 Fonction factor()

Cette fonction va être très importante pour la suite et en particulier lorsque l’on va manipuler des jeux de donnnées en statistique.

Un facteur est une variable qualitative. Les valeurs prises par cette variable sont appelées modalités. Il peut arriver que ces modalités soient codées. Par exemple dans certains jeux de données on connaîtra le statut professionnel des participants (modalités : en activité, en recherche d’emploi, étudiant, à la retraite) mais on peut avoir choisi de coder les modalités par des nombres (ici de 1 à 4) mais cette variable demeure un facteur.

Dans R :

statut_pro<-sample(1:4,100,replace=T)
## R ne voit pas qu'il s'agit d'un facteur car les modalités sont numériques
class(statut_pro)

[1] "integer"

table(statut_pro)

statut_pro
 1  2  3  4 
18 27 26 29 

On utilise la fonction factor pour dire à R qu’il s’agit d’une variable qualitative. On voit le changement à travers class ou levels :

statut_pro<-factor(statut_pro)
class(statut_pro)

[1] "factor"

levels(statut_pro)

[1] "1" "2" "3" "4"

On peut renommer les niveaux du facteur via la fonction levels()

levels(statut_pro)<-c("en activité", "en recherche d'emploi","étudiant", "à la retraite")
table(statut_pro)

statut_pro
          en activité en recherche d'emploi              étudiant 
                   18                    27                    26 
        à la retraite 
                   29 

Remarque : Les variables binaires (facteurs à deux modalités) sont souvent codées 0/1.

On peut être amené à vouloir avoir les modalités d’un facteur classées dans un certain ordre pour ce faire on va utiliser la fonction levels avec l’ordre choisi :

statut_pro<-factor(statut_pro,levels=c("étudiant","en activité","en recherche d'emploi","à la retraite"))
table(statut_pro)

statut_pro
             étudiant           en activité en recherche d'emploi 
                   26                    18                    27 
        à la retraite 
                   29 

Attention les levels doivent être exactement écrits de la même façon que les levels si les modalités sont déjà écrites et sinon on peut directement agir sur les modalités via labels :

4.1 Fusion de plusieurs catégories

statut_pro=replace(statut_pro,statut_pro %in% c("étudiant",
                                     "en activité"),"en activité")
table(statut_pro)

statut_pro
             étudiant           en activité en recherche d'emploi 
                    0                    44                    27 
        à la retraite 
                   29 

Le problème est que la catégorie étudiant existe encore donc il faut que R “l’oublie”.

4.2 Oubli de niveaux

statut_pro=droplevels(statut_pro)
table(statut_pro)

statut_pro
          en activité en recherche d'emploi         à la retraite 
                   44                    27                    29 

4.3 Importation d’une base de données externe

On peut utiliser une interface graphique pour ouvrir les fichiers contenant le data frame. Les plus courants sont :

• *.csv : (Comma Separed Values) ce sont des fichiers de type tableaux sans mise en forme
• *.xlsx : fichiers produits à partir du logiciel excel
• *.ods : fichiers produits à partir du logiciel Calc de LibreOffice.

Menu Importer

On va importer le data frame contenu dans le fichier bordeaux.csv disponible sur Connect (vous devez le télécharger).

Vous avez deux solutions : From text (base)

Importation avec la librairie base

From text (readr)

Importation avec la librairie readr

Ensuite il est recommandé de copier/coller la ligne de commande dans le script R afin de pas à avoir à reproduire la manipulation à chaque session de travail sur le fichier bordeaux.csv

La fonction read_csv()

4.4 Exercice sur le data frame iris

1. Charger le fichier de données iris. Lire l’aide de iris pour comprendre le jeu de données.

data("iris")
help("iris")

2. Quel est le type de iris ? Quelles sont les dimensions de iris ?

class(iris)
dim(iris)

3. Appliquer la fonction str à iris. A quoi correspondent les informations renvoyées ?

str(iris)

4. Appliquer la fonction summary à iris. A quoi correspondent les informations renvoyées ?

summary(iris)

5. Utiliser les fonctions colnames() et rownames(). Quelles sont les informations renvoyées ?

rownames(iris)
# Le nom des lignes de iris
colnames(iris)
# Le nom des colonnes de iris

6. A l’aide la fonction de texte paste remplacer le nom des lignes par fleur 1, …, fleur 150.

rownames(iris)<-paste("fleur",1:150,sep=" ")

7. Pour un data frame on peut appeler une colonne par son nom en utilisant $ : iris$Sepal.Length. En utilisant cette information donner la classe de la colonne Species.

class(iris$Species)

8. Quels sont les niveaux du facteur “Species” (fonction levels) ?

levels(iris$Species)

9. Créer une nouvelle colonne nommée groupe (on pensera à $) dans le data frame iris identique à la colonne Species. Quelle est la classe de cette nouvelle colonne ?

iris$groupe=iris$Species
class(iris$groupe)

10. Renommer les niveaux de la colonne groupe en A, B, C (A pour setosa, B pour versicolor, C pour virginica). Afficher les indices des lignes de iris correspondant au groupe B.

levels(iris$groupe)=c("A","B","C")
which(iris$groupe=="B")

11. Créer l’ensemble des numéros de lignes correspondantes aux fleurs du groupe A. Afficher les lignes de iris correspondant au groupe A. Proposer une solution alternative.

I=which(iris$groupe=="A")
iris[I,]
iris[iris$groupe=="A",]

12. En adoptant la même logique que la question précédente, afficher uniquement les lignes de iris où « Sepal.Length » est inférieur à 5.

iris[iris$Sepal.Length<=5,]

13. Combien y a-t-il d’individus ayant la longueur des sépales inférieure à 5 ?

sum(iris$Sepal.Length<=5)

4.5 Exercice sur le data frame mtcars

1. Charger le data frame mtcars. Combien de véhicules et de caractéristiques sur les véhicules sont contenus dans le data frame ?

data("mtcars")
help("mtcars")
dim(mtcars)

2. Deux caractéristiques sont mal identifiées dans le data frame car ce sont des variables qualitatives (facteurs), rectifier en utilisant la fonction as.factor.

str(mtcars)
mtcars$vs=as.factor(mtcars$vs)
mtcars$am=as.factor(mtcars$am)

3. En utilisant l’aide du data frame mtcars renommer les niveaux des deux facteurs précédents.

levels(mtcars$vs)=c("V","droit")
levels(mtcars$am)=c("Auto","Manu")

4. Etablir la table de contingence de ces deux facteurs (fonction table)

table(mtcars$vs,mtcars$am)

5. Calculer la moyenne des 7 premières variables (on utilisera les fonctions mean et apply).

apply(mtcars[,1:7],2,mean)

6. Reprendre la question pour les voitures avec un moteur à plat. De même pour les voitures ayant un moteur en V et qui sont automatiques.

apply(mtcars[mtcars$vs=="V",1:7],2,mean)
apply(mtcars[mtcars$vs=="droit" & mtcars$am=="Auto",1:7],2,mean)

7. Calculer le nombre de voitures ayant un moteur en V qui ont au moins 3 carburateurs.

sum(mtcars$vs=="V" & mtcars$carb>=3)