Les tableaux de données

Informatique — R, chapitre 4

Un vecteur ne décrit qu’une variable. Une enquête en contient des dizaines, mesurées sur les mêmes individus. La structure qui les réunit s’appelle le data frame : les lignes sont des observations, les colonnes des variables. C’est l’objet central de R, et celui sur lequel travaillent toutes les fonctions statistiques.

4.1 Construire un tableau

4.1.1 Colonne par colonne

d <- data.frame( ville = c("Tanger", "Rabat", "Fes", "Agadir"), region = c("Nord", "Centre", "Centre", "Sud"), pib = c(45, 62, 38, 29), chomage = c(11.2, 8.4, 13.1, 9.7) ) d

Toutes les colonnes doivent avoir la même longueur : c’est la seule contrainte. Chacune garde son propre type — du texte ici, des nombres là.

4.1.2 Regarder avant de calculer

d <- data.frame( ville = c("Tanger", "Rabat", "Fes", "Agadir"), pib = c(45, 62, 38, 29), chomage = c(11.2, 8.4, 13.1, 9.7) ) dim(d) # lignes, colonnes names(d) # les noms de variables str(d) # la structure : type de chaque colonne head(d, 2) # les premieres lignes summary(d) # un resume statistique complet
Astucestr avant tout

Devant un fichier importé, str est la première commande à taper. Elle révèle en une ligne par colonne le type que R a deviné — et c’est souvent là que se cache l’erreur : une colonne numérique lue comme du texte parce qu’un séparateur décimal était une virgule.

Le chapitre suivant, consacré à l’import, y revient longuement.

4.2 Extraire

4.2.1 Une colonne

d <- data.frame(ville = c("Tanger", "Rabat"), pib = c(45, 62)) d$pib # la plus lisible d[["pib"]] # equivalent d[, "pib"] # notation matricielle

Le $ est de loin le plus employé. Retenez-le d’abord ; les deux autres servent quand le nom de la colonne est lui-même dans une variable.

4.2.2 Lignes et colonnes

Les crochets d’un tableau prennent deux arguments séparés par une virgule : lignes d’abord, colonnes ensuite.

d <- data.frame( ville = c("Tanger", "Rabat", "Fes", "Agadir"), pib = c(45, 62, 38, 29), chomage = c(11.2, 8.4, 13.1, 9.7) ) d[2, ] # toute la ligne 2 d[, 2] # toute la colonne 2 d[2, 3] # la cellule d[1:2, c("ville", "pib")] # deux lignes, deux colonnes nommees
AvertissementLa virgule oubliée

d[2] sans virgule ne renvoie pas la deuxième ligne : R comprend la deuxième colonne, comme pour une liste.

Écrivez toujours la virgule. d[2, ] pour une ligne, d[, 2] pour une colonne. L’espace après la virgule aide l’œil.

4.3 Filtrer les lignes

Tout ce qu’a montré le chapitre précédent s’applique, à la place des lignes.

d <- data.frame( ville = c("Tanger", "Rabat", "Fes", "Agadir"), region = c("Nord", "Centre", "Centre", "Sud"), pib = c(45, 62, 38, 29), chomage = c(11.2, 8.4, 13.1, 9.7) ) d[d$pib > 40, ] # les villes au PIB eleve d[d$region == "Centre", ] # une modalite d[d$pib > 35 & d$chomage < 12, ] # deux criteres d[d$pib > 40, c("ville", "chomage")] # filtrer ET selectionner

La fonction subset propose une écriture plus légère, sans répéter le nom du tableau.

d <- data.frame( ville = c("Tanger", "Rabat", "Fes", "Agadir"), pib = c(45, 62, 38, 29), chomage = c(11.2, 8.4, 13.1, 9.7) ) subset(d, pib > 40) subset(d, pib > 40, select = c(ville, chomage))
Notesubset : commode en console, déconseillé dans un script

subset cherche les noms de colonnes dans le tableau sans qu’on les préfixe — ce qui est agréable à taper, mais rend le comportement dépendant du contexte.

Pour un script destiné à durer, d[d$pib > 40, ] est plus sûr. Et le chapitre 10 montrera filter de dplyr, qui offre la lisibilité de subset sans ses inconvénients.

4.4 Modifier et enrichir

4.4.1 Créer une colonne

d <- data.frame( ville = c("Tanger", "Rabat", "Fes"), pib = c(45, 62, 38), population = c(1.2, 1.9, 1.1) ) d$pib_hab <- d$pib / d$population # creation d$log_pib <- log(d$pib) # une autre d

Aucune déclaration préalable : nommer une colonne qui n’existe pas la crée.

4.4.2 Recoder

d <- data.frame( ville = c("Tanger", "Rabat", "Fes", "Agadir"), chomage = c(11.2, 8.4, 13.1, 9.7) ) d$niveau <- "moyen" d$niveau[d$chomage < 9] <- "faible" d$niveau[d$chomage > 12] <- "eleve" d

4.4.3 Supprimer, renommer, trier

d <- data.frame( ville = c("Tanger", "Rabat", "Fes"), pib = c(45, 62, 38), temp = c(1, 2, 3) ) d$temp <- NULL # supprimer une colonne names(d)[2] <- "pib_mrd" # renommer la deuxieme d <- d[order(-d$pib_mrd), ] # trier par PIB decroissant d

C’est ici que order, introduit au chapitre précédent, prend tout son sens : il réordonne les lignes entières, en gardant chaque observation solidaire.

4.5 Croiser et agréger

d <- data.frame( region = c("Nord", "Centre", "Centre", "Sud", "Nord"), pib = c(45, 62, 38, 29, 51) ) table(d$region) # effectifs par region tapply(d$pib, d$region, mean) # moyenne par region aggregate(pib ~ region, data = d, FUN = mean) # meme chose, en tableau

aggregate utilise la notation formule y ~ x, qui se lit « y expliqué par x ». Cette écriture traverse tout R : elle sert aussi aux graphiques et aux régressions du chapitre 7.

4.6 Assembler deux tableaux

a <- data.frame(ville = c("Tanger", "Rabat"), pib = c(45, 62)) b <- data.frame(ville = c("Fes"), pib = c(38)) pop <- data.frame(ville = c("Tanger", "Rabat", "Fes"), hab = c(1.2, 1.9, 1.1)) rbind(a, b) # empiler des lignes merge(rbind(a, b), pop, by = "ville") # apparier par une cle

rbind empile des tableaux de mêmes colonnes. merge apparie deux tableaux par une clé commune — l’équivalent d’une recherche verticale de tableur, en une commande.

AvertissementVérifiez toujours le nombre de lignes après un merge

Par défaut, merge ne conserve que les lignes présentes dans les deux tableaux. Une ville absente de pop disparaîtrait sans avertissement.

Comparez nrow avant et après. Si vous voulez tout garder, ajoutez all.x = TRUE.

À vous

À partir du tableau ci-dessous, créez une colonne pib_hab, gardez les régions du Centre et du Nord, et triez par PIB par habitant décroissant.

d <- data.frame( ville = c("Tanger", "Rabat", "Fes", "Agadir"), region = c("Nord", "Centre", "Centre", "Sud"), pib = c(45, 62, 38, 29), hab = c(1.2, 1.9, 1.1, 0.9) ) # a completer 
d$pib_hab <- d$pib / d$hab
d2 <- d[d$region %in% c("Centre", "Nord"), ]
d2 <- d2[order(-d2$pib_hab), ]
d2

Trois lignes, dans l’ordre naturel du raisonnement : créer, filtrer, trier. Le chapitre 10 montrera comment les enchaîner en une seule instruction lisible.

Ce qu’il faut retenir

Écriture Effet
data.frame(...) construire un tableau
dim, names, str, summary inspecter avant de calculer
d$pib extraire une colonne
d[lignes, colonnes] extraire — la virgule est obligatoire
d[d$pib > 40, ] filtrer les lignes
subset filtrer plus lisiblement, en console
d$nouvelle <- ... créer une colonne
d$col <- NULL supprimer une colonne
d[order(-d$pib), ] trier le tableau entier
table, tapply, aggregate effectifs et moyennes par groupe
rbind, merge empiler, apparier par clé

Le chapitre suivant montre comment faire entrer vos propres données dans ces tableaux : importer un CSV ou un fichier Excel, et exporter ses résultats.