Introduction aux données Tidy et au Tidyverse

FAS1002 - Automne 2022

Samuel Guay

Plan de la séance

1. Utilisation de packages | ⏲ ~30min

2. Introduction au Tidyverse et aux données Tidy | ⏲ ~ 60min

3. Introduction convention de nommage et bonnes pratiques | ⏲ ~60min

Packages

R est un logiciel à plusieurs composantes:

• R de base (Base R)

  • Tout ce que nous avons vu première partie du cours était du Base R.

  • Il s’agit des les fonctions qui viennent avec R lorsque nous l’installons pour la première fois.

  • Syntaxe un peu plus singulière

    • Chaque fonction et arguments s’écrivent selon les préférences de la personne qui les ont créés.

Exemples de singularités:

sub(pattern, replacement, x, ...)
gsub(pattern, replacement, x, ...)
grep(pattern, x, ...)
regexpr(pattern, text, ...)
subset(x, ...)

• x et text sont le même argument (l’input), mais s’appelle différemment et n’a pas toujours la même position.

• pattern est le même argument et à la même position pour les quatre premières fonctions

• Que représente x?

• Différence entre sub() et gsub() et subset()?

R est un logiciel à plusieurs composantes:

• Les packages

  • Ces packages sont en fait des extensions qui augmentent les capacités de Base R.

  • Un package est un ensemble de fonctions documentées visant à la réalisation d’une tâche particulière que nous pouvons installer et importer dans R.

  • Ces package sont utiles, car nous pouvons construire nos scripts avec ces fonctions au lieu de les inventer nous-mêmes!

CRAN

• Répertoire de package officiel s’appelle CRAN pour Comprehensive R Archive Network;

  • Il y a > 18 000 packages, ce qui étend ses capacités, en plus de permettre aux gens de créer des nouveaux packages - donnant à R des possibilités infinies.

• Nous pouvons en trouvons aussi ailleurs, sur GitHub par exemple.

• N’importe qui peut créer et partager un nouveau package.

CRAN

Démo installations + questions

10:00

Comment installer un package seulement disponible sur GitHub?

Qu’est-ce qu’un addins?

Comment mettre à jour un ou des packages?

Plan de la séance

1. Utilisation de packages | ⏲ ~30min

2. Introduction au Tidyverse et aux données Tidy | ⏲ ~ 60min

3. Introduction convention de nommage et bonnes pratiques | ⏲ ~60min

Introduction au Tidyverse

Un des objectifs du cours

Connaître les différents packages du Tidyverse

The tidyverse is an opinionated collection of R packages designed for data science. All packages share an underlying design philosophy, grammar, and data structures.

- Tidyverse.org

Tidy + Universe = Tidyverse

“Bien rangé” + Univers = Grande collection de packages conçus pour travailler ensemble dans le but de:

• Importer des données, de les nettoyer, manipuler, transformer, convertir, analyser, visualiser, etc.

Procédure typique en analyse de données - Image tirée R for Data Science (CC-BY-ND-NC)

Visite de tidyverse.org

Données tidy

Les illustrations suivantes sont tirées du billet d’Openscapes intitulé Tidy Data for reproducibility, efficiency, and collaboration par Julia Lowndes et Allison Horst (CC-BY).

Lorsque nous parlons d’organiser les données pour nous aider à travailler de manière efficace, reproductible et collaborative, nous parlons de TIDY DATA. Nous voulons dire délibérément réfléchir à la forme et à la structure des données - quelque chose qui peut ne pas sembler très excitant mais qui change vraiment la donne.

Parlons donc de ce que sont les données tidy et pourquoi elles sont si cruciales pour vos analyses pour votre vie analytique.

Les données ordonnées sont un moyen de décrire des données organisées avec une structure particulière - une structure rectangulaire, où chaque variable a sa propre colonne et chaque observation a sa propre ligne (Wickham 2014).

COL = Variable (ou features en machine learning)

Rangées = Observation!!

• Chaque variable a sa propre colonne;

• Chaque observation a sa propre rangée;

• Chaque valeur a sa propre cellule.

Exemples

https://tidyr.tidyverse.org/articles/tidy-data.html

Cette structure standard de données ordonnées a conduit Hadley Wickham à la décrire comme Léon Tolstoï décrit les familles. Leo dit : « Les familles heureuses se ressemblent toutes ; toute famille malheureuse est malheureuse à sa manière ». De même, Hadley dit que “les ensembles de données bien rangés se ressemblent tous, mais chaque ensemble de données désordonné est désordonné à sa manière”.

Des données tidy pour une science des données plus efficace Des données tidy vous permettent d’être plus efficace en utilisant des outils existants délibérément conçus pour faire ce que vous devez faire, du sous-ensemble de parties de vos données à la visualisation. L’utilisation d’outils existants vous évite de créer à partir de zéro chaque fois que vous travaillez avec un nouvel ensemble de données (ce qui peut prendre du temps et être démoralisant). Et heureusement, il existe de nombreux outils spécialement conçus pour transformer des données désordonnées en données ordonnées (par exemple, dans le package tidyr). En étant mieux équipé pour regrouper vos données dans un format ordonné, vous pouvez accéder plus rapidement à vos analyses pour commencer à répondre aux questions que vous posez.

Des données ordonnées pour une collaboration simplifiée Des données ordonnées facilitent la collaboration car nos amis peuvent utiliser les mêmes outils de manière familière. Que vous considériez les collaborateurs comme des coéquipiers actuels, votre futur moi ou vos futurs coéquipiers, l’organisation et le partage des données de manière cohérente et prévisible signifient moins d’ajustement, de temps et d’efforts pour tous.

Des données ordonnées pour la reproductibilité et la réutilisation Des données ordonnées facilitent également la reproduction des analyses car elles sont plus faciles à comprendre, à mettre à jour et à réutiliser. En utilisant ensemble des outils qui attendent tous des données ordonnées en entrée, vous pouvez créer et itérer des workflows vraiment puissants. Et, lorsque vous avez des entrées de données supplémentaires, il n’y a aucun problème à réexécuter votre code !

Des données bien rangées pour la vie ! Une fois que vous disposez d’outils pour travailler avec des données ordonnées en général, cela ouvre un tout nouveau monde d’ensembles de données qui se sentent plus accessibles car vous pouvez travailler avec des outils familiers. Cette confiance transférable et cette capacité à collaborer pourraient être la meilleure chose à propos de données bien rangées.

Démo + Questions:

20:00

https://r4ds.had.co.nz/tidy-data.html

Plan de la séance

1. Utilisation de packages | ⏲ ~30min

2. Introduction au Tidyverse et aux données Tidy | ⏲ ~ 60min

3. Introduction convention de nommage et bonnes pratiques | ⏲ ~60min

C’est tout!