Extraire et filtrer

Informatique — R, chapitre 3

Travailler sur des données, c’est presque toujours travailler sur une partie des données : les hommes seulement, les années postérieures à 2015, les observations dont le revenu dépasse un seuil. Ce chapitre est consacré à cette opération unique, et aux crochets qui la réalisent.

3.1 Extraire par position

3.1.1 Les quatre écritures

v <- c(4, 8, 15, 16, 23, 42) v[2] # le deuxieme v[c(2, 5)] # le deuxieme et le cinquieme v[2:4] # du deuxieme au quatrieme v[-2] # tous SAUF le deuxieme

Le signe moins exclut, il ne compte pas depuis la fin. v[-1] retire le premier élément ; en Python, la même écriture désignerait le dernier. C’est une source de confusion pour qui pratique les deux langages.

3.1.2 Le dernier élément

v <- c(4, 8, 15, 16, 23, 42) v[length(v)] # le dernier v[length(v) - 1] # l'avant-dernier tail(v, 2) # les deux derniers head(v, 3) # les trois premiers

head et tail sont plus lisibles et fonctionnent aussi sur les tableaux du chapitre suivant.

3.2 Extraire par condition

3.2.1 Le mécanisme en deux temps

C’est le point central du chapitre. Une condition produit un vecteur de TRUE et FALSE ; les crochets ne retiennent que les positions vraies.

v <- c(4, 8, 15, 16, 23, 42) v > 15 # etape 1 : le masque logique v[v > 15] # etape 2 : on l'applique

Prenez le temps d’exécuter séparément les deux lignes. Tout le filtrage en R tient dans cet enchaînement.

3.2.2 Combiner plusieurs critères

v <- c(4, 8, 15, 16, 23, 42) v[v > 10 & v < 30] # entre 10 et 30 v[v < 10 | v > 30] # en dehors v[!(v > 15)] # l'inverse de v > 15
Avertissement& et && ne sont pas interchangeables

& compare élément par élément et renvoie un vecteur : c’est celui du filtrage.

&& ne renvoie qu’une seule valeur et sert dans un if. Appliqué à un vecteur, il ne regarde que le premier élément — et depuis R 4.3, il déclenche une erreur.

Règle simple : dans des crochets, toujours & et | simples.

3.2.3 Filtrer en présence de valeurs manquantes

w <- c(4, 8, NA, 16, 23) w[w > 10] # un NA apparait dans le resultat w[which(w > 10)] # which l'elimine w[!is.na(w) & w > 10] # ou on l'exclut explicitement

which convertit un masque logique en positions, et ignore les NA au passage. C’est la parade la plus courte.

3.3 Appartenance et correspondance

3.3.1 L’opérateur %in%

villes <- c("Tanger", "Rabat", "Fes", "Agadir", "Rabat") villes %in% c("Rabat", "Fes") # VRAI ou FAUX pour chacune villes[villes %in% c("Rabat", "Fes")]

%in% remplace avantageusement une longue suite de == reliés par des |. C’est l’un de ces opérateurs encadrés de % rencontrés au chapitre 1.

3.3.2 Le piège du recyclage

v <- c(4, 8, 15, 16, 23, 42) v == c(4, 8) # attention au resultat
ImportantLe recyclage silencieux

Quand deux vecteurs n’ont pas la même longueur, R recycle le plus court en le répétant. Ici c(4, 8) est comparé à (4, 8), puis (15, 16), puis (23, 42).

Aucune erreur n’est signalée si la longueur du grand est un multiple de celle du petit. Le résultat est faux mais plausible, ce qui en fait un bug particulièrement difficile à repérer.

Pour comparer à une liste de valeurs, utilisez toujours %in%.

3.4 Nommer pour extraire

pib <- c(Tanger = 45, Rabat = 62, Fes = 38) pib pib["Rabat"] # extraction par nom names(pib) # la liste des noms pib[pib > 40] # les noms suivent le filtrage

Extraire par nom est plus robuste qu’extraire par position : l’ordre des données peut changer, pas les étiquettes.

3.5 Trier et ordonner

3.5.1 Deux fonctions, deux résultats

v <- c(15, 4, 42, 8) sort(v) # les valeurs, triees order(v) # les POSITIONS du tri v[order(v)] # equivalent a sort(v) sort(v, decreasing = TRUE) # ordre decroissant
NotePourquoi order est le plus important des deux

sort trie un vecteur isolé. Mais dans un tableau, trier une colonne sans déplacer les autres détruirait les données : chaque ligne doit rester solidaire.

order renvoie précisément l’ordre des lignes à appliquer au tableau entier. C’est la fonction du chapitre suivant, et la raison pour laquelle elle existe.

3.5.2 Rang et valeurs extrêmes

v <- c(15, 4, 42, 8) max(v) # la valeur maximale which.max(v) # sa position rank(v) # le rang de chaque valeur rev(v) # inverser l'ordre

3.6 Remplacer une partie des valeurs

Les crochets fonctionnent aussi à gauche du signe d’affectation.

v <- c(4, 8, 15, 16, 23, 42) v[1] <- 0 # une valeur v[v > 20] <- NA # toutes celles qui remplissent la condition v

C’est la façon habituelle de coder les valeurs aberrantes en manquantes : revenu[revenu > 1e6] <- NA en une ligne.

AstuceRecoder une variable 
age <- c(17, 25, 62, 40)
classe <- rep("adulte", length(age))
classe[age < 18]  <- "mineur"
classe[age >= 60] <- "senior"

Trois lignes, aucune boucle, aucun if. On part d’une valeur par défaut, puis on écrase par condition. Ce motif revient constamment.

À vous

Le vecteur salaires contient sept valeurs, dont une manquante. Extrayez celles comprises entre 3000 et 8000, comptez-les, et remplacez toute valeur supérieure à 20000 par NA.

salaires <- c(2500, 4200, NA, 7800, 25000, 3100, 9500) # a completer 
sel <- salaires[which(salaires >= 3000 & salaires <= 8000)]
sel                                    # 4200 7800 3100
length(sel)                            # 3

salaires[which(salaires > 20000)] <- NA
salaires                               # le 25000 est devenu NA

which est indispensable ici : sans lui, le NA de départ ressortirait dans la sélection et fausserait le comptage.

Ce qu’il faut retenir

Écriture Effet
v[2], v[2:4], v[-2] extraire par position, ou exclure
head, tail les premiers, les derniers
v[v > 15] extraire par condition
&, \|, ! combiner des critères (jamais && dans des crochets)
which convertir une condition en positions, sans les NA
%in% tester l’appartenance à une liste
names, v["nom"] étiqueter et extraire par nom
sort, order, rank, rev trier, ordonner, classer, inverser
which.max, which.min position de la valeur extrême
v[cond] <- valeur remplacer une partie des valeurs

Le chapitre suivant applique tout ceci à la structure centrale de R : le tableau de données, où les lignes sont des observations et les colonnes des variables.