Correction TP 1 : Jeux de données et variables

Auteur·rice

HAMLIL Mohamed

Date de publication

2 mars 2026

Exercice 0 : Prise en main

J’aime utiliser RStudio, une interface du logiciel R qui est bien pratique car elle comprend :

Une fenêtre contenant notre script R.
Une fenêtre console pour exécuter des commandes (comme dans R).
Une fenêtre contenant les onglets Environment (environnement).
Une fenêtre contenant les onglets Plots (graphiques), Packages, Help (aide).

Installation

Pour installer RStudio c’est ici.

R Markdown (et Quarto) permet de créer un document avec du texte, des extraits de code R et leurs résultats, et d’obtenir un beau PDF.
Plus d’informations ici.

1. Installer un package

Le Comprehensive R Archive Network (CRAN) est le répertoire officiel de packages R. Avant de pouvoir utiliser un package, il faut s’assurer qu’il soit installé sur notre machine.

Pour installer un package, on utilise la commande install.packages.

Avertissement

Attention aux guillemets ! Sinon, R cherchera une variable nommée tinytex au lieu du package.

Code

install.packages("tinytex")
install.packages("rmarkdown")

À faire

Installer le package faraway que l’on trouve dans CRAN.

Code

install.packages("faraway")

Note : On utilise eval=FALSE dans le RMarkdown pour ne pas réinstaller le package à chaque compilation du PDF.

2. Charger un package

Une fois qu’un package est installé, il faut le charger avec la commande library.

Code

library(faraway)

À faire

Installer et charger le package ggplot2.

Code

install.packages("ggplot2")

Code

library(ggplot2)

3. Documentation du package

On accède à la documentation via l’onglet Packages ou directement via la commande ?. Par exemple, pour le jeu de données pima du package faraway :

Code

?pima

À faire

Accéder à la documentation du jeu de données beetle.

4. Variables

Il est recommandé de commencer avec un environnement propre.

Code

rm(list = ls())

Les variables stockent des données. Règles de nommage:

Ne peut pas commencer par un chiffre.
Uniquement caractères alphanumériques et underscores (_) ou points (.).
Sensible à la casse (az9_8 Az9_8).

Important

Attention à ne pas utiliser des noms réservés (comme mean, c, data) pour éviter des conflits.

Assignation : On utilise <- (préférable en R) ou =.

Code

az9_8 = 7

Gestion :

ls() : Lister les objets.
rm() : Supprimer un objet.

Code

ls()

[1] "az9_8"

Code

rm(az9_8)

5. Types de données dans `R`

Les types principaux sont :

numeric : nombres réels.
integer : entiers (ex: 2L).
character : texte.
logical : booléen (TRUE, FALSE).
factor : variable catégorielle.

Code

class(2)

[1] "numeric"

Code

class(2L)

[1] "integer"

Code

class("texte")

[1] "character"

Code

class(TRUE)

[1] "logical"

6. Opérations

Séquences : L’opérateur : génère une séquence d’entiers.

Code

1:50

 [1]  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
[26] 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50

Arithmétique : +, -, *, /, ^ (puissance). Assignation : = ou <-.

Code

x = 2
y = (-1)^2
z = 10 / 3
w = "lapin" 
class(w)

[1] "character"

Comparaison : == (égalité), != (différence), >, <, >=, <=.

Code

x != y

[1] TRUE

Logique et Contrôle : & (ET), | (OU), ! (NON), if, else, for, while.

Code

if(z < 2){ 
  z = "petit" 
} else { 
  z = "grand" 
}
z

[1] "grand"

Accès :

[ ] : accès par index (vecteurs, matrices).
$ : accès par nom (listes, data frames).

7. Vecteurs

On crée un vecteur avec c() (combine).

Code

v = c(1, 2, 4)
w = 100:150       # Séquence
z = rep("souris", times = 5) # Répétition (réduit à 5 pour l'affichage)
y = seq(from = 0, to = 1, by = 0.1) # Séquence avec pas

Indexation : Les indices commencent à 1.

Code

v[3]        # 3ème élément

[1] 4

Code

v[-2]       # Tout sauf le 2ème

[1] 1 4

Code

w[c(1, 10)] # 1er et 10ème éléments

[1] 100 109

Conversion de type :

Code

v_char = c("a","b","c","a","c","c")
w_fact = as.factor(v_char) # Conversion en facteur
levels(w_fact)

[1] "a" "b" "c"

8. Quelques fonctions usuelles

Lois de probabilité :

r... (random) : génération aléatoire.
d... (density) : densité.
p... (probability) : fonction de répartition.
q... (quantile) : quantiles.

Code

# Echantillonnage
x = runif(n = 10, min = 0, max = 1)
y = rbinom(n = 10, size = 1, prob = 0.5)

# Tirage avec/sans remise
sample(x = 1:10, size = 5, replace = FALSE)

[1] 4 5 9 8 6

Statistiques descriptives :

Code

x = rnorm(n = 1000, mean = 5, sd = 2)
mean(x)

[1] 5.082118

Code

var(x)

[1] 3.867141

Code

summary(x)

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
-0.4523  3.7872  5.1160  5.0821  6.3887 11.0700

Tri : sort() (trie les valeurs) et order() (donne les indices).

Code

v = c(1, 10, 3, 8, -5)
sort(v, decreasing = TRUE)

[1] 10  8  3  1 -5

Code

order(v)

[1] 5 1 3 4 2

9. Matrices

Création avec matrix().

Code

M = matrix(c(1,2,3,4,5,6), nrow = 2, ncol = 3, byrow = TRUE)
P = matrix(c(1,2,3,4,5,6), nrow = 2, ncol = 3, byrow = FALSE)

Opérations :

dim(), nrow(), ncol() : dimensions.
t() : transposée.
%*% : produit matriciel.
solve() : inverse.
diag() : diagonale.

Exercice

Créer une matrice carrée P (taille 5) avec des tirages Bernoulli (). Créer Q diagonale contenant la diagonale de P.

Code

P = matrix(rbinom(n = 25, size = 1, prob = 0.6), nrow = 5, ncol = 5)
Q = diag(diag(P))

10. Listes

Les listes peuvent contenir des objets de types différents.

Code

l = list(vecteur = 1:10, noms = c("lapin","souris"))
l$noms # Accès par nom

[1] "lapin"  "souris"

11. Données manquantes et valeurs spéciales

NA : Not Available (manquant).
NaN : Not a Number (0/0).
Inf : Infini.

Code

x = c(1, 2, NA)
is.na(x)

[1] FALSE FALSE  TRUE

12. Écrire une fonction

Code

g = function(x, y = 2){ # y a une valeur par défaut de 2
  z = x + y
  return(list(res_x = x, res_z = z)) 
}

# Appel de la fonction
g(x = 1) # utilise y = 2 par défaut

$res_x
[1] 1

$res_z
[1] 3

13. Data Frames

Structure classique des données : colonnes = variables, lignes = individus.

Code

d = data.frame(
  x = rep(1, 10), 
  y = 1:10, 
  char = letters[1:10]
)
head(d)

14. Charger un jeu de données

Via un package : data(pima) (package faraway).
Via un fichier : read.csv().

Code

# Exemple si le fichier est dans le dossier parent
data = read.csv("../titanic.csv")

15. Fonctions graphiques de base

Code

v = rnorm(1000, mean = 4, sd = 2)

# Histogramme
hist(v, col = "lightblue", main = "Histogramme", xlab = "v")
# Boxplot
boxplot(v, col = 'lightgreen', main = "Boxplot", ylab = "v")

Paramètres graphiques :

par(mfrow = c(1,2)) : divise la fenêtre en 1 ligne, 2 colonnes.
ylim, xlim : limites des axes.
main, xlab, ylab : titres et labels.

Exercice 1 : Analyse préliminaire d’un jeu de données

1. Charger et inspecter les données

Le jeu donnée pima est dans le package faraway.

Code

data(pima)
head(pima)

  pregnant glucose diastolic triceps insulin  bmi diabetes age test
1        6     148        72      35       0 33.6    0.627  50    1
2        1      85        66      29       0 26.6    0.351  31    0
3        8     183        64       0       0 23.3    0.672  32    1
4        1      89        66      23      94 28.1    0.167  21    0
5        0     137        40      35     168 43.1    2.288  33    1
6        5     116        74       0       0 25.6    0.201  30    0

Dimensions :

Code

nrow(pima) # 768 lignes

[1] 768

Code

ncol(pima) # 9 colonnes

[1] 9

Types de variables :

Code

str(pima) # Donne une vue d'ensemble compacte des types

'data.frame':   768 obs. of  9 variables:
 $ pregnant : int  6 1 8 1 0 5 3 10 2 8 ...
 $ glucose  : int  148 85 183 89 137 116 78 115 197 125 ...
 $ diastolic: int  72 66 64 66 40 74 50 0 70 96 ...
 $ triceps  : int  35 29 0 23 35 0 32 0 45 0 ...
 $ insulin  : int  0 0 0 94 168 0 88 0 543 0 ...
 $ bmi      : num  33.6 26.6 23.3 28.1 43.1 25.6 31 35.3 30.5 0 ...
 $ diabetes : num  0.627 0.351 0.672 0.167 2.288 ...
 $ age      : int  50 31 32 21 33 30 26 29 53 54 ...
 $ test     : int  1 0 1 0 1 0 1 0 1 1 ...

Transformation de variables

Variable catégorielle : age. Plusieurs stratégies de discrétisation :

Intervalles de même largeur (cut).
Intervalles avec même effectif (quantiles).
Groupes sémantiques (Enfant, Adulte, Senior).

Application (Groupes sémantiques) :

Code

pima$age_cat  = cut(pima$age, 
                    breaks = c(21, 30, 55, 65, 81),
                    include.lowest = TRUE)

2. Analyse statistique univariée

Pour les variables quantitatives : moyenne, variance, quartiles. Pour les variables qualitatives : tables de contingence.

Code

summary(pima)

    pregnant         glucose        diastolic         triceps     
 Min.   : 0.000   Min.   :  0.0   Min.   :  0.00   Min.   : 0.00  
 1st Qu.: 1.000   1st Qu.: 99.0   1st Qu.: 62.00   1st Qu.: 0.00  
 Median : 3.000   Median :117.0   Median : 72.00   Median :23.00  
 Mean   : 3.845   Mean   :120.9   Mean   : 69.11   Mean   :20.54  
 3rd Qu.: 6.000   3rd Qu.:140.2   3rd Qu.: 80.00   3rd Qu.:32.00  
 Max.   :17.000   Max.   :199.0   Max.   :122.00   Max.   :99.00  
    insulin           bmi           diabetes           age       
 Min.   :  0.0   Min.   : 0.00   Min.   :0.0780   Min.   :21.00  
 1st Qu.:  0.0   1st Qu.:27.30   1st Qu.:0.2437   1st Qu.:24.00  
 Median : 30.5   Median :32.00   Median :0.3725   Median :29.00  
 Mean   : 79.8   Mean   :31.99   Mean   :0.4719   Mean   :33.24  
 3rd Qu.:127.2   3rd Qu.:36.60   3rd Qu.:0.6262   3rd Qu.:41.00  
 Max.   :846.0   Max.   :67.10   Max.   :2.4200   Max.   :81.00  
      test          age_cat   
 Min.   :0.000   [21,30]:417  
 1st Qu.:0.000   (30,55]:301  
 Median :0.000   (55,65]: 37  
 Mean   :0.349   (65,81]: 13  
 3rd Qu.:1.000                
 Max.   :1.000

Avertissement

Anomalies détectées

test est binaire (0/1) mais vue comme numérique.
diastolic (pression sanguine) a des valeurs à 0, ce qui est impossible physiologiquement. Cela indique des données manquantes.

Correction des données :

Code

# Conversion en facteur
pima$test = as.factor(pima$test)
levels(pima$test) = c("négatif","positif")

# Remplacement des 0 par NA
vars_to_fix = c("diastolic", "glucose", "triceps", "insulin", "bmi")
for(v in vars_to_fix){
  pima[pima[[v]] == 0, v] = NA
}

summary(pima)

    pregnant         glucose        diastolic         triceps     
 Min.   : 0.000   Min.   : 44.0   Min.   : 24.00   Min.   : 7.00  
 1st Qu.: 1.000   1st Qu.: 99.0   1st Qu.: 64.00   1st Qu.:22.00  
 Median : 3.000   Median :117.0   Median : 72.00   Median :29.00  
 Mean   : 3.845   Mean   :121.7   Mean   : 72.41   Mean   :29.15  
 3rd Qu.: 6.000   3rd Qu.:141.0   3rd Qu.: 80.00   3rd Qu.:36.00  
 Max.   :17.000   Max.   :199.0   Max.   :122.00   Max.   :99.00  
                  NA's   :5       NA's   :35       NA's   :227    
    insulin            bmi           diabetes           age       
 Min.   : 14.00   Min.   :18.20   Min.   :0.0780   Min.   :21.00  
 1st Qu.: 76.25   1st Qu.:27.50   1st Qu.:0.2437   1st Qu.:24.00  
 Median :125.00   Median :32.30   Median :0.3725   Median :29.00  
 Mean   :155.55   Mean   :32.46   Mean   :0.4719   Mean   :33.24  
 3rd Qu.:190.00   3rd Qu.:36.60   3rd Qu.:0.6262   3rd Qu.:41.00  
 Max.   :846.00   Max.   :67.10   Max.   :2.4200   Max.   :81.00  
 NA's   :374      NA's   :11                                      
      test        age_cat   
 négatif:500   [21,30]:417  
 positif:268   (30,55]:301  
               (55,65]: 37  
               (65,81]: 13

3. Analyse graphique univariée

Variable Quantitative : Pression sanguine (diastolic)

Code

# Base R
hist(pima$diastolic, col = "pink", main = "Base R: Hist", xlab = "Diastolic")
# ggplot2
ggplot(pima, aes(x = diastolic)) + 
  geom_histogram(fill = "pink", color = "black", bins = 20, na.rm = TRUE) +
  labs(title = "ggplot2: Hist") + theme_minimal()

Variable Qualitative : Age catégorisé

Code

ggplot(pima, aes(x = age_cat, fill = age_cat)) + 
  geom_bar() +
  scale_fill_brewer(palette = "Set2") +
  labs(title = "Distribution des catégories d'âge", y = "Effectif") + 
  theme_minimal()

4. Analyse multivariée

Deux variables quantitatives (diabetes vs diastolic)

Code

plot(pima$diastolic, pima$diabetes, col = "purple", pch = 16,
     xlab = "Pression diastolique", ylab = "Score diabète", 
     main = "Nuage de points")

Pour voir toutes les relations 2 à 2 : pairs()

Quantitative vs Qualitative (`diabetes` vs `test`)

On utilise des boxplots.

Code

ggplot(pima, aes(x = test, y = diabetes, fill = test)) + 
  geom_boxplot() +
  scale_fill_manual(values = c("pink", "lightblue")) +
  labs(title = "Score diabète selon le résultat du test") +
  theme_minimal()

Deux variables qualitatives (`age_cat` vs `test`)

On utilise des barplots empilés.

Préparation des données avec reshape2 ou dplyr (plus moderne) :

Code

# Barplot proportionnel (position = "fill")
ggplot(pima, aes(x = age_cat, fill = test)) +
  geom_bar(position = "fill", color = "black") +
  scale_fill_brewer(palette = "Pastel1") +
  labs(y = "Proportion", title = "Proportion de tests positifs par âge") +
  theme_minimal()

Exercice 0 : Prise en main

1. Installer un package

2. Charger un package

3. Documentation du package

4. Variables

5. Types de données dans R

6. Opérations

7. Vecteurs

8. Quelques fonctions usuelles

9. Matrices

10. Listes

11. Données manquantes et valeurs spéciales

12. Écrire une fonction

13. Data Frames

14. Charger un jeu de données

15. Fonctions graphiques de base

Exercice 1 : Analyse préliminaire d’un jeu de données

1. Charger et inspecter les données

Transformation de variables

2. Analyse statistique univariée

3. Analyse graphique univariée

4. Analyse multivariée

Quantitative vs Qualitative (diabetes vs test)

Deux variables qualitatives (age_cat vs test)

5. Types de données dans `R`

Quantitative vs Qualitative (`diabetes` vs `test`)

Deux variables qualitatives (`age_cat` vs `test`)