Les différent objets dans R

Les diérents objets

Introduction au Logiciel R

Abatih EMMANUEL

Département de Santé Animale
Unité d'Epidémiologie et de Biostatistique Vétérinaire,
Anvers-Belgique

1 / 18


LES DIFFERENTS OBJETS

2 / 18



• L'analyse des données avec R consiste à créer, nommer et
d'appliquer les opération sur les objets de données en utilisant
les fonctions
• Les objets de données peuvent être atomique ou recursive
• Pour des objets atomique (homogène), tous les éléments
doivent être du même type.
• Vecteurs, matrices et arrays
• Les objets Recursive peuvent contenir les éléments de
diérents type.
• Listes, data frames et fonctions

3 / 18


Les types de données

• Les composantes des objets peuvent etre :
• numériques (réelles ou complexes),
• logiques (TRUE, FALSE) ou
• alphanumériques (chaines de caractères).
• Un type de données particulièrement utile est le type factor.
• Les facteurs sont des vecteurs utilisés pour classier les valeurs
d'autres vecteurs
• On peut créer un facteur à partir d'un vecteur grace à la
fonction factor()

4 / 18


Vecteurs

• L'objet de base en R est le vecteur.
• Il se compose d'éléments du même type sois des valeurs
numériques, des valeurs de vérité (True or False), des chaines
de caractères
• Créer un vecteur simple en utilisant la function : c()
• Créer des vecteurs en utilisant la fonction : assign()

5 / 18


Vecteurs

• Génération de vecteurs
• Utilisation de l'opérateur : e.g. 1 :100
• La fonction seq() permet de générer une suite de nombres avec
un incrément donné e.g seq(from=,to=,by=)
• La fonction rep() génère une suite d’un même nombre e.g
rep(4 :12, c(4,1,5,2))
• Génère aléatorirement e.g rnorm(10), runif(10,4,7)
• Aussi en utilisant sample()

6 / 18


Échantillonnage aléatoire

• Quelques lois discrètes disponibles : échantillon de taille n
• Loi binomiale : rbinom(n,1,p)
• Loi de Poisson : rpois(n,λ)
• Loi geometrique : rgeom(n,p)
• Quelques lois continues disponibles : échantillon de taille n
• Loi Gaussienne : rnorm(n, moyenne, variance) (par defaut
moyenne=0, variance=1)
• Loi uniforme : runif(n,a, b) (par defaut a=0, b=1)

7 / 18


Manipulations de base sur les vecteurs

• Addition : v+w
• Multiplication : v*v etc...
• Extraire des éléments : v[c(1,2)]...
• Les fonctions mathématiques classiques : abs, sqrt, cos, sin,
tan, exp, log, log10,... etc

8 / 18


Les Matrices

• Les matrices sont crées à partir d'un vecteur
• Il se compose aussi d'éléments du même type
• Création de matrices
• Utilisant la fonction dim() : dim(x) −c(2,4)
• Utilisant la fonction matrix() e.g matrix(x,2,4,byrow=F).
• Utilisant cbind() :permet la concaténation colonne par colonne
• Utilisant rbind() : permet la concaténation ligne par ligne

9 / 18


Arrays

• Les arrays(tableaux) sont des généralisations des vecteurs et
des matrices
• Il se compose aussi d'éléments du même type
• Un array à 3 dimensions peut être considérée comme un bloc
de numéros
• Un exemple iris3 dans R
• Création de arrays
• Utilisant la fonction dim()
• Utilisant la function array() :
array(c(1 :8,11 :18,111 :118),dim=c(2,4,3))
• Conversion des arrays en vecteurs
• Utilsant la fonction as.vector() : as.vector(array)
• Utilisant la fonction c() : c(array)

10 / 18


Data frames

• Les data.frame se présentent sous la forme d'une matrice dont
les colonnes peuvent etre associées à des objets de diérents
type
• Ce format est bien adapté au stockage de données statistiques
• Exemple mtcars dans R

11 / 18


Data frames

• attributs de data frame :
• names() : pour les noms de colonne
• row.names() : pour les noms de ligne
• Exemple : names(mtcars) ; row.names(mtcars)

12 / 18


Création de data frames

• Utilisant la function data.frame()
• Consultez les exemples dans les notes
• nommer des lignes et des colonnes dans un dataframe
• row .names (dataframe ) −c (””, ””, ””, ””, ...)
• names (dataframe ) −c (””, ””, ””, ””, ...)

13 / 18


Listes

• Les listes sont des collections d'objets (vecteurs, matrices, ...)
qui ne sont pas necessairement du meme type.
• On crée une liste avec la fonction list
• x −c (1, 2, 3, 4)
• y −c (”male ”, ”female ”, ”female ”, ”male ”)
• z −matrix (1 : 4, 2, 2)
• ourlist −list (x , y , z )
• Extraire des éléments : par son indice entre double crochet
• ourlist [[1]][1]
• ourlist [[3]][1, 2]

14 / 18


Listes

• Elles sont utilisées par de nombreuses fonctions pour retourner
les resultats
• Utilisez la bas de donnée cars dans R
• Visitez la page 20 de vos notes
• Permettent en particulier de stocker et manipuler simplement
des objets de longueurs diérentes dans une meme structure.

15 / 18


Listes

• Nous pouvons transformer des objets (vector, matrix, data
frame) pour obtenir une liste
• Utisant la function as.list()
• as .list (1 : 9)
• y −as .list (”male ”, ”female ”, ”female ”, ”male ”)

16 / 18


Données manquantes

• Les données manquantes sont codées par la chaine de
caractéres NA

17 / 18


Remarques nales

• R est sensible à la casse donc a et A peuvent être utilisés
pour représenter des objets diérents
• Pour ce cours, les data frames auront plus de pertinence.
• L'Array sera très utile dans le cadre d'analyse des risques

18 / 18

Les différent objets dans R

Contenu connexe

En vedette (20)

Similaire à Les différent objets dans R (13)

Les différent objets dans R