Dataframe

Créer un dataframe

data.frame(col1 = vect1, col2 = vect2) créer un dataframe.
Créer un dataframe vide :
- data.frame(matrix(ncol = length(col_names), nrow = 0))
- data.frame(col1 = type, col2 = type)
as.data.frame(lapply(donnees, type.convert)) réidentifier le type de variables d'un dataframe.
expand.grid(col1 = vec1, col2 = vec2) renvoie un dataframe avec la combinaison des vecteurs.

Transformer une liste en dataframe :

data.frame(
    niveau = rep(seq(length(liste)), lengths(liste)),
    debut = matrix(unlist(liste))
  )

transpose(df) tranformer un dt en liste de lignes (library(purrr)).

Renommer les colonnes

setNames(c('pos_row','pos_col')) ajouter un nom de colonnes.
rename(new_nom = old_nom) ou c(new_nom = old_nom) renommer une colonne.
rename_with(~paste(., "0"), .cols = everything()) renommer les colonnes (.cols préciser les colonnes à renommer).
rename(!!!setNames(col_units$old_name, col_units$new_name)) renommer les colonnes à partir d'un dataframe.
dplyr::rename_with(~ unlist(dt_TK_labels), all_of(names(dt_TK_labels))) renommer a partir d'une liste.

Example

Renommer la colonne uniquement is elle existe rename_with( ~ "nv nom", .cols = any_of("col1"))

Libellés des colonnes

Packages library(labelled)

var_label(dt) <- labels ajouter un label aux colonnes.
var_label(dt) renvoie les labels (ou attribuer un label). Prend comme valeur une list(nom_col = "label").
remove_var_label(dt) supprimer les labels.
colnames(df_labelled) <- var_label(df_labelled) renommer les colonnes avec les labels.

Importer et exporter

Importer

read_sas(fichier) lire des tables SAS (package haven).
read.csv(ficher, sep = separateur) lire une table CSV.
read.table(fichier) importer un fichier avec des espaces comme séparateur.
read.xlsx(fichier, colNames = TRUE, sheet = nom/num) lire un fichier excel (workbook = wb) library(openxlsx). Paramètres :
- startRow = 2 numéro de la ligne où commencer la lecture.
Exporter
write.csv(donnée, file = "fichier.csv" ) enregistrer au format csv.
- sep = separateur séparateur.
- row.names = T nom des lignes.
- col.names = T nom des colonnes.
write.table(tableau, file = "clipboard", sep = "\t") copier dans le presse papier.

Information sur un df

library(tibble)

nrow(data) renvoie le nbre de lignes.
ncol(data) renvoie le nbre de colonnes.
dim(data) renvoie la taille du data.
glimpse(dataset) description du jeu de données.
str(dt) décrire un jeu de données.

Noms des lignes et des colonnes

colnames(data) nom des colonnes.
rownames(data) nom des colonnes.
column_to_rownames(var = "Accession") mettre une colonne en nom de lignes et supprimer la colonne.
rownames_to_column() transformer l'index en colonne et supprimer le nom des lignes.
rowid_to_column() transformer le numéro des lignes en colonne.

Manipuler les données avec dplyr

Package : dplyr, tidyr. résultat1 %>% résultat2 : rediriger le résultat

pull(data, colonne) transformer une sortie en vecteur.

Fonctions dplyr

Pour créer des fonctions dplyr {{colonne}}.

max_by <- function(data, var, is_true) {
  data %>%
    filter(is_true) %>%
    mutate({{var}} := {{var}} + 1)
}

enquo(col1) récupérer le nom de la colonne (penser à la convertir en caractère rlang::as_label()).

Note

Pensez à utiliser tryCatch({...}, error = function(e) {}) lorsque que un paramètre n'est pas nécessairement un nom de colonne dplyr.

Sélecteur de colonnes :

across(.cols, .fns, ..., .names = NULL, .unpack = FALSE) sélectionner des colonnes avec vecteurs textes.
if_any(.cols, .fns, ..., .names = NULL)
if_all(.cols, .fns, ..., .names = NULL)

Note

Pour créer une fonction qui s'applique à un vecteur il peut être utile d'utiliser map.

Filtrer

filter(condition) filtrer les données avec une condition (alternative subset(df, condition), pour filter en fonction des noms de lignes row.names(r$df_pk) %in% filter).
slice(numligne) garder les lignes.
slice_min(col) ou slice_max(col) sélectionner les lignes avec les valeurs min ou max pour la colonne.
sample_frac(dt, 0.5, replace = TRUE) sélectionne aléatoirement une fraction d'observations.
sample_n(nligne, replace = TRUE) sélectionne aléatoirement n observations.
slice(10:15) sélectionne les lignes selon leur position.
top_n(nlignes, variable) sélectionne et ordonne les n premières observations (ou groupes si les données sont groupées) (desc() = décroissant).
is.na(data) renvoie les lignes avec des valeurs manquantes (myDataframe[is.na(dt)] = 0 pour les remplacer).
complete.cases(data) renvoie les lignes avec des valeurs manquantes.
case_when(condition1 ~ val1, condition2 ~ val2,..., .default = val) fonction équivalente au CASE WHEN en SQL.

Sélectionner

select(colonne1, colonne2) selecionner des colonnes (-one_of(col) pour enlever une colonne). Soit avec les numéros, soit avec les noms.

En fonction de la position :

everything() toutes les colonnes restantes.
all_of(vecteur) les colonnes avec le nom de la colonne dans le vecteur.
one_of(vecteur) les colonnes avec le nom de la colonne dans le vecteur. Fonctionne même si la colonne n'existe pas.
any_of(vecteur) les colonnes dont le nom de la colonne n'est pas dans le vecteur.
last_col() la dernière colonne.
group_cols() les colonnes utilisées pour grouper les données.
num_range() la position
where(function(){}) les colonnes qui retournent vraies.

Example

select(col13, everything()) déplacer la colonne 13 à la position 1.

En fonction du nom des colonnes :

distinct() supprimer les doublons (renvoie les valeurs uniques pour une variable).
- .keep_all = TRUE garder tous les champs.
arrange(var1, var2) trier en ordre décroisssant desc(var).
.by_group = TRUE trier par groupe.
dt[["col1]] sélectionner une colonne avec son nom en caractère en dehors de dplyr.
relocate(col, .before = /.after = ) changer la position d'une colonne.
- last_col() a la dernière colonne.

Note

Pour trier une colonne, il faut factor(x, levels = c("el1", "el2")).

Fonction	Définition
`starts_with(c("deb1", "deb2"))`	commence par.
`ends_with(fin)`	finit par.
`contains(chaine)`	contient la chaine.
`matches(expr_regu)`	correspond à l'expression régulière.

Note

Utile notamment pour renommer les colonnes rename_with(~fonction(.), .cols = expression).

Réorganiser les données

Package tidyr

pivot_longer(cols = col_a_trans, names_to = "nv_nom", values_to = "value") transformer plusieurs colonnes en une seule variable (pas besoin de préciser les colonnes que l'on souhaite garder).
- values_fill = 0 valeur utilisée pour les NA.
pivot_wider(names_from = "name", values_from = "value") transformer les modalités en colonnes.
- id_cols = cols préciser les colonnes à conserver en id de lignes.
- values_fill = val remplacer les valeurs manquantes.

# La variable treatment (avec les modalités A, B, C ...) est transformée en colonne (A, B, C, D). La valeur est la somme des decrease. Chaque ligne correspond à une valeur de rowpos.
OrchardSprays %>% 
  select(rowpos, treatment, decrease) %>%
  pivot_wider(names_from = treatment, values_from = decrease)

Sélectionner les colonnes :

everything() toutes les colonnes restantes.

Créer de nouvelles variables

mutate(nom = formule) appliquer une fonction et ajouter une colonne (il est possible d'appliquer à toutes les variables avec sapply voir ci dessous et, de sélectionner une variable par son nom avec !!sym("col1")).
mutate_all(~as.character(.x)) appliquer la fonction à toutes les colonnes.
mutate_if(~fct_test(.x), function(x){drop_units(x)}) ou mutate_if(is.numeric, round, digits = 2)appliquer une fonction aux colonnes avec Vrai.
mutate_at(vars(all_of(tr_pk$PPTESTCD)), ~ifelse(end == Inf, T, .)) appliquer une fonction a des colonnes particulières.

Note

Pour ajouter une colonne qui n'existe pas mpg = ifelse("mpg" %in% names(.), mpg, NA)).

Options :

.before = Value ou .after= préciser où insérer la colonne.
.keep ="none" ne garder aucune colonne.

Note

Pour utiliser le nom d'une variable stockée dans une variable caractère mutate(!!variable_text := ifelse(condition, !!sym(variable), NA)).

Note

Pour modifier uniquement certaines lignes, il est possible d'utiliser ifelse(condition, valeur_vrai, valeur_vaux).

Note

Pour appliquer une fonction a toutes les variables il faut utiliser sapply.

Fonction	Description
`n()`	Nombre de lignes.
`n_distinct()`	Nombre de lignes distinctes.
`lead()`	Récupérer la valeur de la ligne d'avant.
`lag(col, default = 0/1)`	Récupérer la valeur de la colonne/ligne d'après .
`dense_rank()`	Ordonner sans sauts de rangs.
`min_rank()`	Ordonner avec sauts de rangs.
`percent_rank()`	Rangs de (min rank) entre [0, 1].
`row_number()`	Ordonner ou numéroter les lignes en affectant aux liens la première position.
`ntile()`	Diviser en n groupes.
`between()`	Les valeurs sont-elles entre a et b.
`cum_dist()`	Distribution cumulée
`cumall()`	Cumul tant que vrai.
`cumany()`	Cumul dès que vrai.
`cummean()`	Moyenne glissante.
`cumsum()`	Somme cumulée.
`cummax()`	Maximum cumulé.
`cummin()`	Minimum cumulé.
`cumprod()`	Produit cumulé.
`pmax()`	Maximum par élément.
`pmin()`	Minimum par élément.
`last()`	Garder la dernière valeur.
`first()`	Garder la première valeur.
`nth(col, n)`	Garder la n-ième valeur.
`cur_group_id()`	Id pour chaque groupe (`group_by`).

Note

Pour les sommes cumulées, il faut utiliser group_by puis mutate.

!!! note row_number() renvoie aussi le numéro de chaque ligne.

Remplacer une valeur

if_else(condition, true = , false = , missing = ) si alors avec la possibilité de traiter les valeurs manquantes.
replace(colonne, which(col == 'Vrai'), new_value) remplacer des valeurs en fonction d'une condition.

Example

which(col == 'Vrai')[n] pour remplacer la première valeur ayant la condition vraie.

Apply en lignes et colonnes

Fonction	Définition
`rowSums()`	Somme
`colMeans()`	Moyenne (`colMeans(is.na(data))` utile pour connaitre le pourcentage de valeurs manquantes).

sapply(dt, axis = 1/2, fonction) appliquer une opération à toutes les colonnes ou les lignes.

Grouper les données

data %>% group_by(columns) %>% summarise(indicateur)

Grouper les données :

group_by(var) grouper les observations par la var (toujours suivi de summarise).
ungroup(iris) dégrouper le jeu de données.
group_split() séparer le jeu de données en plusieurs (précédé d'un group_by).
Appliquer des fonctions chaque groupe :

group_map(function(x, row_id) {
    x %>% transmute(
      var1 = a + b,
      var2 = c/2)
}

Calculer des indicateurs par groupe :

group_vars() print the names of grouping variables.
tally(sort = T) tableau des effectifs.
summarise(nom = formule) appliquer une fonction.
summarise_all(fonction) appliquer une fonction à chaque variable.
count(variable, wt = valeur) dénombrer le nombre d'observations de chaque valeur d'une variable.

Fonction	Défintion
`min`	Minimum
`max`	Maximum
`mean`	Moyenne
`median`	Médiane
`sd`	Ecart-type

Note

group_by() peut s'utiliser avec mutate() pour appliquer une fonction à chaque groupe, slice(n) pour garder les n premières lignes de chaque groupe.

Les jointures

A %>% jointure(B)

inner_join(data) A et B
left_join(data) A (+ A et B)
right_join(data) B (+ A et B)
semi_join(data) B et pas A.
anti_join(data) A et pas B.
full_join(data) A ou B.

Option :

by = c("col1" = "col2") préciser la jointure.
keep = T garder les colonnes qui ont servi de jointure.

Note

Pour comparer deux dataframes, on peut utiliser anti_join(). Les lignes différentes seront renvoyées.

Fusions lignes et colonnes

bind_cols(nom = valeur) ajouter à y comme nouvelles colonnes.
add_column(data, column,...) ajouter de nouvelles colonnes (tibble).
add_row(x = 4, y = 0) ajouter une ligne.
merge_v(j = ~ niv1, target = c("niv1", "niv2")) fusionner en colonne.
bind_rows(df2) fusionner deux dataframes au niveau des lignes (ajout au niveau des colonnes avec un nom identique).
dt[nrow(dt) + 1,] = vecteur ajouter une ligne sous forme de vecteur.

Opérateurs ensemblistes

intersect(y, z) observations appartenant à y et z.
setdiff(y, z) observations appartenant à y et pas à z.
union(y, z) observations appartenant à y et z ou l'un des 2.

Dataframe

Créer un dataframe

Renommer les colonnes

Libellés des colonnes

Importer et exporter

Importer

Exporter

Information sur un df

Noms des lignes et des colonnes

Manipuler les données avec dplyr

Fonctions dplyr

Filtrer

Sélectionner

Réorganiser les données

Créer de nouvelles variables

Remplacer une valeur

Apply en lignes et colonnes

Grouper les données

Les jointures

Fusions lignes et colonnes

Opérateurs ensemblistes