Données bien rangées (tidy).

Enchaînement des opérations (|> de magrittr, + de ggplot2).

Programmation fonctionnelle (pas orientée objet), optimisée pour les utilisateurs (lisibilité plutôt que performance).

library("tidyverse")
vignette("manifesto", package="tidyverse")

Ensemble de packages, appelés par tidyverse

Modèle du dataframe : une ligne par observation, une colonne par attribut.

Dataframe optimisé : tibble.

Documentation : vignette("tibble", package="tibble").

ggplot2::diamonds

## # A tibble: 53,940 × 10
##   carat cut     color clarity depth table price
##   <dbl> <ord>   <ord> <ord>   <dbl> <dbl> <int>
## 1  0.23 Ideal   E     SI2      61.5    55   326
## 2  0.21 Premium E     SI1      59.8    61   326
## 3  0.23 Good    E     VS1      56.9    65   327
## 4  0.29 Premium I     VS2      62.4    58   334
## 5  0.31 Good    J     SI2      63.3    58   335
## # ℹ 53,935 more rows
## # ℹ 3 more variables: x <dbl>, y <dbl>, z <dbl>

Le package magrittr introduit le pipe %>% (Ctrl+Shift + m).

Modèle du pipeline de la programmation système repris par la bioinformatique.

Exemple :

1:10 %>% sum()

## [1] 55

Principe : les données résultant d’un calcul sont passées à la fonction suivante.

Enchaînement :

1:10 %>% sqrt() %>% sum()

## [1] 22.46828

Code plus lisible que sum(sqrt(1:10)).

Tuyau avec retour :

library("magrittr")
x <- c(4,9)
x %<>% sqrt()
x

## [1] 2 3

Embranchement :

x %T>% plot %>% sum

## [1] 5

Exposition :

diamonds %$% mean(price)

## [1] 3932.8

# Équivalent à 
diamonds %>% pull(price) %>% mean()

## [1] 3932.8

Le tuyau de base est fournit aussi par dplyr, chargé par tidyverse, contrairement à magrittr.

Les autres sont peu utilisés, à éviter.

L’opérateur tuyau a été intégré à R à partir de la version 4.1.

Sa syntaxe est |>. Il est pratiquement identique à %>% mais ne nécessite pas de charger dplyr ou magrittr.

Dans R Studio, choisir dans “Tools > Global Options > Code” : cocher ou non “Use native pipe operator”.

Bagarre (Wrangling) :

• Importation des données ;
• Nettoyage (Tidy) ;
• Transformation.

Visualisation.

Communication : RMarkdown et sorties graphiques. Lire :

• Graphics for communication
• Top 50 ggplot2 Visualizations

Lecture de fichiers texte variés.

Importation dans un tibble.

Référence

Fonctions read_csv() et read_csv2().

Remplacent read.csv() et read.csv2() de base.

Plus rapide que les fonctions originales.

Approche habituelle en écologie (analyse multivariée par exemple).

Si les données sont mal rangées (“pas tidy”), quelques manipulations de base.

Référence

Données : inventaire d’une parcelle de Paracou, 4 carrés distincts.

Lire les données :

paracou6 <- read_csv2("data/Paracou6.csv")

• Afficher paracou6

Famille, genre et espèce des arbres sont dans 3 colonnes.

Créer une colonne avec le nom complet de l’espèce.

library("dplyr")
paracou6 |> 
  unite(col = spName, Family, Genus, Species, remove = FALSE) ->
  paracou6

• Afficher le résultat.

Le pipeline |> (Ctrl + Shift + m) passe la donnée à la fonction suivante. L’affectation finale -> enregistre le résultat.

La commande classique est :

paracou6 <- unite(data = paracou6, col = spName, 
                  Family, Genus, Species, remove = FALSE)

Opération contraire

Opération inverse de la création d’un tableau croisé

Crée une colonne par modalité d’une variable

Les valeurs manquantes explicites (valeur NA) peuvent être conservées dans les manipulations ou simplement supprimées avec l’option na.rm=TRUE.

complete(var1, var2) ajoute des enregistrements pour toutes les combinaisons de var1 et var2 manquantes.

Référence

Outils du package dplyr

Idée :

• enchaîner les opérations de transformation avec les |> ;
• les écrire et les tester une à une.

Filtrer par des conditions sur les différentes variables

# Nombre de lignes
paracou6 |> count() |> pull()

## [1] 3541

# Après filtrage
paracou6 |> filter(SubPlot == 1) |> count() |> pull()

## [1] 942

Remarquer : pull()qui extrait la valeur finale du tibble de taille 1x1 produit par count().

Ne retenir que les colonnes intéressantes

paracou6 |> 
  select(SubPlot:Yfield, Family:Species, CircCorr) |> 
  ncol()

## [1] 8

Remarquer : ncol() est une fonction de base, pas du tidyverse.

Des colonnes sont ajoutées au tibble

paracou6 |> 
  select(idTree, CircCorr) |> 
  mutate(Diametre = CircCorr/pi) |> 
  print() -> 
  paracou6_diam

## # A tibble: 3,541 × 3
##   idTree CircCorr Diametre
##    <dbl>    <dbl>    <dbl>
## 1 100655     44       14.0
## 2 100657     43.5     13.8
## 3 100658     53.5     17.0
## 4 100659     38.5     12.3
## 5 100660     77       24.5
## # ℹ 3,536 more rows

Afficher les plus gros arbres de la parcelle :

paracou6_diam |> arrange(desc(CircCorr))

## # A tibble: 3,541 × 3
##   idTree CircCorr Diametre
##    <dbl>    <dbl>    <dbl>
## 1 104455     318     101. 
## 2 103939     317     101. 
## 3 102249     300.     95.3
## 4 102086     290      92.3
## 5 100904     288.     91.8
## # ℹ 3,536 more rows

Quel est le diamètre moyen des arbres par famille ?

paracou6 |> 
  group_by(Family) |> 
  summarise(diam_mean = mean(CircCorr) / pi, trees_n = n()) |> 
  arrange(desc(diam_mean))

## # A tibble: 51 × 3
##   Family         diam_mean trees_n
##   <chr>              <dbl>   <int>
## 1 Vochysiaceae        49.2      11
## 2 Combretaceae        48.4       2
## 3 Phyllanthaceae      41.9       3
## 4 Humiriaceae         38.6      20
## 5 Goupiaceae          37.4      19
## # ℹ 46 more rows

bind_cols() et bind_rows().

t1 <- tibble(col2 = c("A", "B"), col3 = 3:4)
tibble(col1 = 1:2) |> bind_cols(t1)

## # A tibble: 2 × 3
##    col1 col2   col3
##   <int> <chr> <int>
## 1     1 A         3
## 2     2 B         4

Équivalent de cbind() et rbind()

inner_join(), left_join(), right_join() et full_join()

tibble(col2 = c("B", "C"), col5 = 5:6) |> inner_join(t1)

## # A tibble: 1 × 3
##   col2   col5  col3
##   <chr> <int> <int>
## 1 B         5     4