Les autres types

Informatique — R, chapitre 2

Le chapitre précédent n’a manipulé que des nombres. Or une enquête contient aussi des noms, des réponses par oui ou non, des catégories, et des cases vides. R traite chacun de ces cas avec un type dédié — dont l’un, le facteur, n’existe dans aucun autre langage courant.

2.1 Le texte

2.1.1 Créer et assembler

Une chaîne de caractères s’écrit entre guillemets, doubles ou simples, indifféremment.

prenom <- "Amina" ville <- "Tanger" paste(prenom, ville) # separe par un espace paste0(prenom, ville) # sans separateur paste(prenom, ville, sep = " - ") # separateur choisi

paste insère un espace par défaut, paste0 n’insère rien. La confusion entre les deux est la première source de sorties mal formatées.

2.1.2 Mesurer et transformer

v <- "econometrie" nchar(v) # nombre de caracteres toupper(v) # majuscules substr(v, 1, 4) # du 1er au 4e caractere
Avertissementlength et nchar ne mesurent pas la même chose

nchar("Tanger") vaut 6 : le nombre de caractères.

length("Tanger") vaut 1 : le nombre d’éléments du vecteur — et une chaîne, si longue soit-elle, reste un seul élément.

Essayez les deux dans la console. Cette distinction resservira à chaque chapitre.

2.1.3 Chercher et remplacer

mots <- c("taux", "prix", "taux_reel", "volume") grepl("taux", mots) # VRAI ou FAUX pour chacun grep("taux", mots) # les positions sub("taux", "TAUX", mots) # remplacer la 1re occurrence

grepl répond par vrai ou faux, grep renvoie des positions. Le l final signifie logical : c’est le même mot que dans la section suivante.

2.2 Les valeurs logiques

2.2.1 Deux valeurs, et un raccourci trompeur

a <- TRUE b <- FALSE a class(a)
AvertissementN’écrivez jamais T et F

R accepte T et F comme abréviations. Mais ce sont de simples variables, que n’importe quel code peut redéfinir — T <- 0 est parfaitement légal et transforme silencieusement tous vos T en zéros.

TRUE et FALSE, eux, sont des mots réservés, impossibles à écraser. Prenez l’habitude de les écrire en entier.

2.2.2 Comparer

x <- 7 x > 5 # strictement superieur x >= 7 # superieur ou egal x == 7 # egal : DEUX signes x != 7 # different

L’égalité s’écrit avec deux signes ==. Un seul signe est une affectation, et l’erreur est facile à commettre.

2.2.3 Combiner

x <- 7 x > 5 & x < 10 # ET : les deux conditions x < 5 | x > 10 # OU : au moins une !(x > 5) # NON : l'inverse

2.2.4 Un logique vaut un nombre

notes <- c(12, 8, 15, 6, 17, 11) notes >= 10 # une reponse par note sum(notes >= 10) # combien de reussites mean(notes >= 10) # quelle proportion

TRUE vaut 1 et FALSE vaut 0. Donc sum compte et mean calcule une proportion. Ce petit fait est probablement le raccourci le plus employé de tout R : retenez-le.

2.3 Les facteurs

2.3.1 Une variable qualitative n’est pas du texte

sexe <- c("F", "M", "F", "F", "M") sexe_f <- factor(sexe) sexe_f levels(sexe_f) # les modalites, connues et ordonnees table(sexe_f) # les effectifs, immediatement

Un vecteur de texte est une simple suite de mots. Un facteur est une variable qualitative : R en connaît la liste des modalités possibles (les levels), même celles qui n’apparaissent pas dans les données.

NotePourquoi ce type n’existe qu’en R

Parce que R a été écrit pour la statistique. Dans une régression, une variable qualitative doit être éclatée en indicatrices, et il faut désigner une modalité de référence. Le facteur porte cette information ; un simple texte ne le pourrait pas.

Nous verrons au chapitre 7 que lm s’en sert automatiquement.

2.3.2 Les facteurs ordonnés

niveau <- c("moyen", "faible", "eleve", "moyen") n <- factor(niveau, levels = c("faible", "moyen", "eleve"), ordered = TRUE) n n > "faible" # la comparaison a maintenant un sens

Sans l’argument levels, R classe les modalités par ordre alphabétique — ce qui placerait « élevé » avant « faible ». Dès que l’ordre compte, déclarez-le.

2.3.3 Le piège de la conversion

annees <- factor(c("2019", "2021", "2020")) as.numeric(annees) # FAUX : 1 2 3 as.numeric(as.character(annees)) # correct : 2019 2021 2020
Important

Un facteur est stocké comme un code entier renvoyant à la liste des modalités. as.numeric retourne ce code, pas l’étiquette.

Le passage par as.character est obligatoire. C’est l’une des erreurs les plus coûteuses de R, parce qu’elle ne déclenche aucun message : le calcul se poursuit avec 1, 2, 3 au lieu de 2019, 2021, 2020.

2.4 Les valeurs manquantes

2.4.1 NA n’est pas zéro

w <- c(4, 8, NA, 16) is.na(w) # ou sont les manquantes sum(is.na(w)) # combien mean(w) # NA se propage mean(w, na.rm = TRUE) # on les ignore explicitement

2.4.2 Le test qui ne fonctionne pas

w <- c(4, 8, NA, 16) w == NA # que des NA : inutilisable is.na(w) # la bonne facon

Comparer une valeur inconnue à une valeur inconnue ne peut donner qu’une réponse inconnue. R est logique : NA == NA vaut NA. D’où l’existence de is.na.

2.4.3 Trois absences différentes

Valeur Signification
NA donnée manquante — la case existe, la valeur est inconnue
NULL objet vide — il n’y a pas de case du tout
NaN résultat de calcul impossible, comme 0/0
length(c(1, NA, 3)) # 3 : la case manquante compte length(c(1, NULL, 3)) # 2 : NULL disparait

2.5 Connaître et convertir un type

x <- c(1, 2, 3) y <- c("1", "2", "3") class(x) class(y) y * 2 # erreur : on ne multiplie pas du texte

Les fonctions de conversion portent toutes le préfixe as. : as.numeric, as.character, as.logical, as.factor.

AvertissementUn vecteur ne mélange pas les types 
c(1, "deux", TRUE)

R ne proteste pas : il convertit tout au type le plus général, ici le texte. Vos nombres deviennent silencieusement des chaînes, et le calcul suivant échoue sans que la cause soit visible.

L’ordre est : logique → numérique → texte. Un seul mot dans une colonne de mille nombres suffit à convertir la colonne entière.

À vous

Une classe a obtenu les notes 12, 8, 15, 6, 17, 11 et une note manquante. Calculez la moyenne en ignorant l’absence, comptez les notes supérieures ou égales à 10, et donnez la proportion de reçus.

notes <- c(12, 8, 15, 6, 17, 11, NA) # a completer 
mean(notes, na.rm = TRUE)              # 11.5
sum(notes >= 10, na.rm = TRUE)         # 4
mean(notes >= 10, na.rm = TRUE)        # 0.667
sum(is.na(notes))                      # 1 valeur manquante

Notez que na.rm = TRUE est nécessaire jusque dans le comptage : sans lui, le NA contamine aussi sum.

Ce qu’il faut retenir

Écriture Effet
paste, paste0 assembler du texte, avec ou sans espace
nchar, toupper, substr mesurer et transformer une chaîne
grepl, grep, sub chercher et remplacer un motif
TRUE / FALSE valeurs logiques, jamais T / F
==, !=, &, \|, ! comparer et combiner
sum(cond), mean(cond) compter et calculer une proportion
factor, levels, table variable qualitative et ses effectifs
as.numeric(as.character(f)) convertir un facteur en nombres
is.na, na.rm = TRUE repérer et ignorer les manquantes
class, as.* connaître et convertir un type

Le chapitre suivant exploite systématiquement ces conditions logiques pour extraire et filtrer : ne garder d’un jeu de données que les observations qui remplissent un critère.