Analyse R (Complet)

analyse-R
Introduction
à l’analyse d’enquêtes
avec R et RStudio
Dernière mise à jour : 24 fvrier 2023
DOI 10.5281/zenodo.6398333
Contributeurs
Par ordre alphabétique :
Julien Barnier, Julien Biaudet, François Briatte, Milan Bouchet-Valat, Ewen Gallic, Frédérique Giraud, Joël
Gombin, Mayeul Kauffmann, Christophe Lalanne, Joseph Larmarange, Nicolas Robette.
Création et Maintenance :
Joseph Larmarange — http://joseph.larmarange.net

analyse-R – Introduction à l’analyse d’enquêtes avec R et RStudio
GUIDE-R
Pour une version actualisée et restructurée de nombreux chapitres d’analyse-R, on pourra se référer à
guide-R : Guide pour l’analyse de données d’enquête avec R : https://larmarange.github.io/guide-R/.
– 2 –
analyse-R
Présentation
L’objectif premier d’analyse-R est de présenter comment réaliser des analyses statistiques et diverses
opérations courantes (comme la manipulation de données ou la production de graphiques) avec R. Il
ne s’agit pas d’un cours de statistiques : les différents chapitres présupposent donc que vous avez déjà
une connaissance des différentes techniques présentées. Si vous souhaitez des précisions théoriques /
méthodologiques à propos d’un certain type d’analyses, nous vous conseillons d’utiliser votre moteur de
recherche préféré. En effet, on trouve sur internet de très nombreux supports de cours (sans compter les
nombreux ouvrages spécialisés disponibles en librairie).
– 3 –
analyse-R
Table des matières

Si vous débutez avec R et RStudio, nous vous conseillons de parcourir en premier lieu les chapitres
suivants :
1. Manipuler > Prise en main

2. Analyser > Statistiques introductives
3. Manipuler > Manipulations de données
4. Analyser > Statistiques intermédiares
puis de compléter votre lecture en fonction de vos besoins.
Manipuler
Prise en main
Présentation et Philosophie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Installation de R et RStudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Premier travail avec des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Extensions (installation, mise à jour) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Introduction au tidyverse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Vecteurs, indexation et assignation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
Listes et Tableaux de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
Facteurs et vecteurs labellisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
Organiser ses fichiers . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
Import de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
Où trouver de l’aide ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
Manipulation de données
Visualiser ses données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179

Recodage de variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
Manipuler les données avec dplyr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
Manipulations avancées avec data.table . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
Tris . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
– 5 –
Sous-ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269
Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 277
Gestion des dates . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293
Fonctions à fenêtre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295
Manipuler du texte avec stringr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297
Réorganiser ses données avec tidyr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 309
Exporter
Export de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 327

Export de graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 331
Analyser
Statistiques introductives
Statistique univariée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 339

Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 365
Introduction à ggplot2, la grammaire des graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401
Graphiques univariés et bivariés avec ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 423
Données pondérées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 473
Statistiques intermédiaires
Intervalles de confiance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 485

Comparaisons (moyennes et proportions) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 493
Définir un plan d’échantillonnage complexe avec survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509
Régression linéaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 517
Régression logistique binaire, multinomiale et ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
Analyse des correspondances multiples (ACM) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 607
Classification ascendante hiérarchique (CAH) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 651
Statistiques avancées
Tableaux statistiques avancés avec gtsummary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 685

Effets d’interaction dans un modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 781
– 6 –
analyse-R
Multicolinéarité dans la régression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 809

Quel type de modèles choisir ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 815
Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 819
Analyse de séquences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 845
Trajectoires de soins : un exemple de données longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Analyse de réseaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 949
Analyse spatiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 951
Analyse textuelle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 953
Approfondir
Graphiques
ggplot2 et la grammaire des graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 955

Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 959
Combiner plusieurs graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1009
Exemples de graphiques avancés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1023
Graphiques interactifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1087
lattice : graphiques et formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1091
Cartes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1107
Autres extensions graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1109
Programmation
Conditions et comparaisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1137

Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141
Structures conditionnelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1157
Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1165
Expressions régulières . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1187
R Markdown : les rapports automatisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1189
Divers
Mettre en forme des nombres avec scales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1231

Couleurs et Palettes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1241
– 7 –
Annotations mathématiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1321

Calculer un âge . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1327
Diagramme de Lexis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1335
Index
Index des concepts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1337
Index des fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1355
Index des extensions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1385
Licence
Le contenu de ce site est diffusé sous licence Creative Commons Attribution - Pas d’utilisation commerciale -
Partage dans les mêmes conditions (https://creativecommons.org/licenses/by-nc-sa/3.0/fr/).
CC by-nc-sa
Cela signifie donc que vous êtes libre de recopier / modifier / redistribuer les contenus d’analyse-R, à
condition que vous citiez la source et que vos modifications soient elle-mêmes distribuées sous la même
licence (autorisant ainsi d’autres à pouvoir réutiliser à leur tour vos ajouts).
Contribuer
analyse-R est développé avec RStudio et le code source est librement disponible sur GitHub :
https://github.com/larmarange/analyse-R.
Ce projet se veut collaboratif. N’hésitez donc pas à proposer des corrections ou ajouts, voire même à
rédiger des chapitres additionnels.
– 8 –
Présentation et Philosophie
Présentation de R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Philosophie de R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Présentation de RStudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
WEBIN-R
Ce chapitre est évoqué dans le webin-R #01 (premier contact avec R & RStudio) sur YouTube.
Présentation de R
R est un langage orienté vers le traitement de données et l’analyse statistique dérivé du langage S. Il est
développé depuis une vingtaine d’années par un groupe de volontaires de différents pays. C’est un logiciel
libre1, publié sous licence GNU GPL.
L’utilisation de R présente plusieurs avantages :
• c’est un logiciel multiplateforme, qui fonctionne aussi bien sur des sytèmes Linux, Mac OS X ou
Windows ;
• c’est un logiciel libre, développé par ses utilisateurs et modifiable par tout un chacun ;
• c’est un logiciel gratuit ;
• c’est un logiciel très puissant, dont les fonctionnalités de base peuvent être étendues à l’aide de
plusieurs milliers d’extensions ;
• c’est un logiciel dont le développement est très actif et dont la communauté d’utilisateurs ne
cesse de s’élargir ;
• les possibilités de manipulation de données sous R sont en général largement supérieures à
celles des autres logiciels usuels d’analyse statistique ;
• c’est un logiciel avec d’excellentes capacités graphiques et de nombreuses possibilités d’export ;
• avec Rmarkdown2, il est devenu très aisé de produire des rapports automatisés dans divers
1. Pour plus d’informations sur ce qu’est un logiciel libre, voir : http://www.gnu.org/philosophy/free-sw.fr.html.
– 9 –
format (Word, PDF, HTML, …) ;

• R est de plus utilisé dans tous les secteurs scientifiques, y compris dans le domaine des analyses
d’enquêtes et, plus généralement, des sciences sociales.
Comme rien n’est parfait, on peut également trouver quelques inconvénients :
• le logiciel, la documentation de référence et les principales ressources sont en anglais. Il est

toutefois parfaitement possible d’utiliser R sans spécialement maîtriser cette langue ;
• il n’existe pas encore d’interface graphique pour R équivalente à celle d’autres logiciels comme
SPSS ou Modalisa. R fonctionne à l’aide de scripts (des petits programmes) édités et exécutés
au fur et à mesure de l’analyse et se rapprocherait davantage de SAS dans son utilisation (mais
avec une syntaxe et une philosophie très différentes). Ce point, qui peut apparaître comme un
gros handicap, s’avère après un temps d’apprentissage être un mode d’utilisation d’une grande
souplesse ;
• comme R s’apparente davantage à un langage de programmation qu’à un logiciel proprement
dit, la courbe d’apprentissage peut être un peu « raide », notamment pour ceux n’ayant jamais
programmé auparavant.
Il est à noter que le développement autour de R a été particulièrement actif ces dernières années. On
trouvera dès lors aujourd’hui de nombreuses extensions permettant de se « faciliter la vie » au quotidien,
ce qui n’était pas vraiment encore le cas il y a 5 ans.
Philosophie de R
Quelques points particuliers dans le fonctionnement de R peuvent parfois dérouter les utilisateurs
habitués à d’autres logiciels :
• Sous R, en général, on ne voit pas directement les données sur lesquelles on travaille ; on ne
dispose pas en permanence d’une vue des données sous forme de tableau3, comme sous
Modalisa ou SPSS. Ceci peut être déroutant au début, mais on se rend vite compte qu’on n’a pas
besoin de voir en permanence les données pour les analyser.
• Alors qu’avec la plupart des logiciels on réfléchira avec un fichier de données ouvert à la fois, sous
R chaque fichier de données correspondra à un objet différent chargé en mémoire, permettant
de manipuler très facilement plusieurs objets à la fois (par exemple dans le cadre de fusion de
tables4).
• Avec les autres logiciels, en général la production d’une analyse génère un grand nombre de
résultats de toutes sortes dans lesquels l’utilisateur est censé retrouver et isoler ceux qui
l’intéressent. Avec R, c’est l’inverse : par défaut l’affichage est réduit au minimum et c’est
l’utilisateur qui demande à voir des résultats supplémentaires ou plus détaillés.
2. Voir http://rmarkdown.rstudio.com/.
3. On verra qu’il est possible avec RStudio de disposer d’une telle vue.
4. Voir par exemple la section dédiée à ce sujet dans le chapitre sur la manipulation de données.
– 10 –
Présentation et Philosophie
• Sous R, les résultats des analyses sont eux aussi stockés dans des objets et sont dès lors
manipulables.
Inhabituel au début, ce fonctionnement permet en fait assez rapidement de gagner du temps dans la
conduite des analyses.
Présentation de RStudio
L’interface de base de R est assez rudimentaire (voir figure ci-après).
Interface de R sous Windows
Figure 1. Interface de R sous Windows
RStudio est un environnement de développement intégré libre, gratuit, et qui fonctionne sous Windows,
Mac OS X et Linux. Il complète R et fournit un éditeur de script avec coloration syntaxique, des
fonctionnalités pratiques d’édition et d’exécution du code (comme l’autocomplétion), un affichage
simultané du code, de la console R, des fichiers, graphiques et pages d’aide, une gestion des extensions,
une intégration avec des systèmes de contrôle de versions comme git, etc. Il intègre de base divers outils
comme par exemple la production de rapports au format Rmarkdown. Il est en développement actif et
de nouvelles fonctionnalités sont ajoutées régulièrement. Son principal défaut est d’avoir une interface
uniquement anglophone.
– 11 –
Interface de RStudio sous Windows
Figure 2. Interface de RStudio sous Windows
Pour une présentation plus générale de RStudio on pourra se référer au site du projet :
http://www.rstudio.com/.
RStudio peut tout à fait être utilisé pour découvrir et démarrer avec R. Les différents chapitres d’analyse-
R partent du principe que vous utilisez R avec RStudio. Cependant, à part les éléments portant sur
l’interface de RStudio, l’ensemble du code et des fonctions R peuvent être utilisés directement dans R,
même en l’absence de RStudio.
La documentation de RStudio (en anglais) est disponible en ligne à https://support.rstudio.com. Pour être
tenu informé des dernières évolutions de RStudio, mais également de plusieurs extensions développées
dans le cadre de ce projet, vous pouvez suivre le blog dédié http://blog.rstudio.org/.
– 12 –
Installation de R et RStudio
Installation de R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Installation de RStudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Mise à jour de R sous Windows . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Voir aussi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
WEBIN-R
Il est préférable de commencer par installer R avant d’installer RStudio.
Installation de R
Pour une installation sous Windows, on se rendra sur cette page : http://cran.r-project.org/bin/windows/
base/ et l’on suivra le premier lien pour télécharger le programme d’installation. Une fois le programme
d’installation lancé, il suffira d’installer R avec les options par défaut1.
Pour Mac OS X, les fichiers d’installation sont disponibles à http://cran.r-project.org/bin/macosx/.
Si vous travaillez sous Linux, vous devriez pouvoir trouver R via votre gestionnaire de paquets, cela
pouvant dépendre d’une distribution de Linux à une autre.
1. Dans le cas particulier où votre ordinateur est situé derrière un proxy, il est préférable de choisir Options de démarrage
personnalisées lorsque cela vous sera demandé par le programme d’installation, puis Internet2 lorsqu’on vous
demandera le mode de connexion à Internet. Ainsi, R utilisera par défaut la configuration internet du navigateur
Internet Explorer et prendra ainsi en compte les paramètres du proxy.
– 13 –
Installation de RStudio
Une fois R correctement installé, rendez-vous sur http://www.rstudio.com/products/rstudio/download/
pour télécharger la dernière version stable de RStudio. Plus précisément, il s’agit de l’édition Open Source
de RStudio Desktop (en effet, il existe aussi une version serveur).
Choisissez l’installateur correspondant à votre système d’exploitation et suivez les instructions du

programme d’installation.
Si vous voulez tester les dernières fonctionnalités de RStudio, vous pouvez télécharger la version de
développement (plus riche en fonctionnalités que la version stable, mais pouvant contenir des bugs) sur
http://www.rstudio.com/products/rstudio/download/preview/.
Mise à jour de R sous Windows

Pour mettre à jour R sous Windows, il suffit de télécharger et d’installer la dernière version du programme
d’installation.
Petite particularité, la nouvelle version sera installée à côté de l’ancienne version. Si vous souhaitez faire
de la place sur votre disque dur, vous pouvez désinstaller l’ancienne version en utilisant l’utilitaire
Désinstaller un programme de Windows.
Lorsque plusieurs versions de R sont disponibles, RStudio choisit par défaut la plus récente. Il est vous est
possible de spécifier à RStudio quelle version de R utiliser via le menu Tools > Global Options > General.
Petit défaut, les extensions (packages) sont installées par défaut sous Windows dans le répertoire
Documents de l'utilisateur > R > win-library > x.y avec x.y correspondant au numéro de
la version de R. Ainsi, si l’on travaillait avec la version 3.0 et que l’on passe à la version 3.2, les extensions
que l’on avait sous l’ancienne version ne sont plus disponibles pour la nouvelle version. Une astuce
consiste à recopier le contenu du répertoire 3.0 dans le répertoire 3.2 . Puis, on lancera RStudio (s’il
était déjà ouvert, on le fermera puis relancera) et on mettra à jour l’ensemble des packages, soit avec
la fonction, update.packages soit en cliquant sur Update dans l’onglet Packages du quadrant inférieur
droit.
Voir aussi
Un tutoriel détaillé en français sur le blog Quanti : https://quanti.hypotheses.org/1813.
– 14 –
Premier contact
L’invite de commandes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
Des objets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Objets simples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Vecteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
Des fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
Arguments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
Quelques fonctions utiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
Aide sur une fonction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
Interprétation des arguments . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
Autocomplétion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
NOTE
Ce chapitre est inspiré de la section Prise en main du support de cours Introduction à R réalisé par
Julien Barnier.
WEBIN-R
Une fois RStudio lancé, vous devriez obtenir une fenêtre similaire à la figure ci-après.
– 15 –
Interface de RStudio au démarrage
Figure 1. Interface de RStudio au démarrage
L’interface de RStudio est divisée en quatre quadrants :
• le quadrant supérieur gauche est dédié aux différents fichiers de travail (nous y reviendrons dans
le chapitre Premier travail avec les données, page 35) ;
• le quadrant inférieur gauche correspond à ce que l’on appelle la console, c’est-à-dire à R
proprement dit ;
• le quadrant supérieur droit permet de connaître
◦ la liste des objets en mémoire ou environnement de travail (onglet Environment)
◦ ainsi que l’historique des commandes saisies dans la console (onglet History) ;
• le quadrant inférieur droit affiche
◦ la liste des fichiers du répertoire de travail (onglet Files),
◦ les graphiques réalisés (onglet Plots),
◦ la liste des extensions disponibles (onglet Packages),
◦ l’aide en ligne (onglet Help)
◦ et un Viewer utilisé pour visualiser certains types de graphiques au format web.
Inutile de tout retenir pour le moment. Nous aborderons chaque outil en temps utile. Pour l’heure,
concentrons-nous sur la console, c’est-à-dire le quadrant inférieur gauche.
L’invite de commandes
Au démarrage, la console contient un petit texte de bienvenue ressemblant à peu près à ce qui suit :
– 16 –
Premier contact
R version 3.2.0 (2015-04-16) -- "Full of Ingredients"

Copyright (C) 2015 The R Foundation for Statistical Computing
Platform: x86_64-w64-mingw32/x64 (64-bit)
R is free software and comes with ABSOLUTELY NO WARRANTY.

You are welcome to redistribute it under certain conditions.
Type 'license()' or 'licence()' for distribution details.
R is a collaborative project with many contributors.

Type 'contributors()' for more information and
'citation()' on how to cite R or R packages in publications.
Type 'demo()' for some demos, 'help()' for on-line help, or

'help.start()' for an HTML browser interface to help.
Type 'q()' to quit R.
>
suivi d’une ligne commençant par le caractère > et sur laquelle devrait se trouver votre curseur. Cette
ligne est appelée l’invite de commande (ou prompt en anglais). Elle signifie que R est disponible et en
attente de votre prochaine commande.
Nous allons tout de suite lui fournir une première commande. Tapez 2 + 3 dans la console et validez
avec la touche Entrée .
R> 2 + 3
[1] 5
En premier lieu, vous pouvez noter la convention typographique utilisée dans ce documents. Les
commandes saisies dans la console sont indiquées sur un fond gris et précédé de R> . Le résultat renvoyé
par R est quant à lui affiché juste en-dessous sur fond blanc.
Bien, nous savons désormais que R sait faire les additions à un chiffre1. Nous pouvons désormais continuer
avec d’autres opérations arithmétiques de base :
R> 8 - 12
[1] -4
1. La présence du [1] en début de ligne sera expliquée par la suite dans la section sur les vecteurs, page 23.
– 17 –
R> 14 * 25
[1] 350
R> -3 / 10
[1] -0.3
R> -0.3
[1] -0.3
On remarquera que R est anglo-saxon. Les nombres sont donc saisies « à l’anglaise », c’est-à-dire en
utilisant le point ( . ) comme séparateur pour les décimales.
– 18 –
Premier contact
NOTE
Une petite astuce très utile lorsque vous tapez des commandes directement dans la console : en
utilisant les flèches Haut et Bas du clavier, vous pouvez naviguer dans l’historique des commandes
tapées précédemment. Vous pouvez alors facilement réexécuter ou modifier une commande
particulière.
Sous RStudio, l’onglet History du quadrant haut-droite vous permet de consulter l’historique des
commandes que vous avez transmises à R.
Onglet History sous RStudio
Un double-clic sur une commande la recopiera automatiquement dans la console. Vous pouvez
également sélectionner une ou plusieurs commandes puis cliquer sur To Console.
Voir également (en anglais) : https://support.rstudio.com/hc/en-us/articles/200526217-Command-

History.
Lorsqu’on fournit à R une commande incomplète, celui-ci nous propose de la compléter en nous
présentant une invite de commande spéciale utilisant les signe + . Imaginons par exemple que nous avons
malencontreusement tapé sur Entrée alors que nous souhaitions calculer 4 * 3 :
R> 4 *
On peut alors compléter la commande en saisissant simplement 3 :
– 19 –
R> 4 *
+ 3
[1] 12
NOTE
Pour des commandes plus complexes, il arrive parfois qu’on se retrouve coincé avec une invite +
sans plus savoir comment compléter la saisie correctement. On peut alors annuler la commande en
utilisant la touche Echap ou Esc sous Windows.
Sous Linux on utilise le traditionnel Control + C .
À noter que les espaces autour des opérateurs n’ont pas d’importance lorsque l’on saisit les commandes
dans R. Les trois commandes suivantes sont donc équivalentes, mais on privilégie en général la deuxième
pour des raisons de lisibilité du code.
R> 10+2
10 + 2
10 + 2
Des objets
Objets simples
Faire des opérations arithmétiques, c’est bien, mais sans doute pas totalement suffisant. Notamment, on
aimerait pouvoir réutiliser le résultat d’une opération sans avoir à le resaisir ou à le copier/coller.
Comme tout langage de programmation, R permet de faire cela en utilisant des objets. Prenons tout de
suite un exemple :
R> x <- 2
Que signifie cette commande ? L’opérateur <- est appelé opérateur d’assignation. Il prend une valeur
quelconque à droite et la place dans l’objet indiqué à gauche. La commande pourrait donc se lire mettre la
valeur 2 dans l’objet nommé x .
– 20 –
Premier contact
I M P O R TA N T
Il existe trois opérateurs d’assignation sous R. Ainsi les trois écritures suivantes sont équivalentes :
R> x <- 2
x = 2
2 -> x
Cependant, pour une meilleure lecture du code, il est conseillé de n’utiliser que <- . Ainsi, l’objet
créé est systématiquement affiché à gauche. De plus, le symbole = sert également pour écrire des
conditions ou à l’intérieur de fonctions. Il est donc préférable de ne pas l’utiliser pour assigner une
valeur (afin d’éviter les confusions).
On va ensuite pouvoir réutiliser cet objet dans d’autres calculs ou simplement afficher son contenu :
R> x + 3
[1] 5
R> x
[1] 2
NOTE
Par défaut, si on donne à R seulement le nom d’un objet, il va se débrouiller pour nous présenter son
contenu d’une manière plus ou moins lisible.
On peut utiliser autant d’objets qu’on veut. Ceux-ci peuvent contenir des nombres, des chaînes de
caractères (indiquées par des guillemets droits doubles " ou simples ' ) et bien d’autres choses encore :
– 21 –
R> x <- 27
y <- 10
foo <- x + y
foo
[1] 37
R> x <- "Hello"

foo <- x
foo
[1] "Hello"
I M P O R TA N T
Les noms d’objets peuvent contenir des lettres, des chiffres, les symboles . et _ . Ils doivent
impérativement commencer par une lettre (jamais par un chiffre). R fait la différence entre les
majuscules et les minuscules, ce qui signifie que x et X sont deux objets différents. On évitera
également d’utiliser des caractères accentués dans les noms d’objets. Comme les espaces ne sont pas
autorisés on pourra les remplacer par un point ou un tiret bas.
Enfin, signalons que certains noms courts sont réservés par R pour son usage interne et doivent être
évités. On citera notamment c , q , t , C , D , F , I , T , max , min …
Dans RStudio, l’onglet Environment dans le quadrant supérieur droit indique la liste des objets que vous
avez précédemment créés, leur type et la taille qu’ils occupent en mémoire.
– 22 –
Premier contact
Onglet Environment de RStudio
Figure 2. Onglet Environment de RStudio
Vecteurs
Imaginons maintenant que nous avons interrogé dix personnes au hasard dans la rue et que nous avons
relevé pour chacune d’elle sa taille en centimètres. Nous avons donc une série de dix nombres que nous
souhaiterions pouvoir réunir de manière à pouvoir travailler sur l’ensemble de nos mesures.
Un ensemble de données de même nature constituent pour R un vecteur (en anglais vector) et se construit
à l’aide d’une fonction nommée c 2. On l’utilise en lui donnant la liste de nos données, entre parenthèses,
séparées par des virgules :
R> tailles <- c(167, 192, 173, 174, 172, 167, 171, 185, 163, 170)
Ce faisant, nous avons créé un objet nommé tailles et comprenant l’ensemble de nos données, que
nous pouvons afficher en saisissant simplement son nom :
R> tailles
[1] 167 192 173 174 172 167 171 185 163 170
Que se passe-t-il s’il on créé un vecteur plus grand ?
2. c est l’abbréviation de combine. Le nom de cette fonction est très court car on l’utilise très souvent.
– 23 –
R> c(144, 168, 179, 175, 182, 188, 167, 152, 163, 145, 176, 155, 156, 164, 167, 1
55, 157, 185, 155, 169, 124, 178, 182, 195, 151, 185, 159, 156, 184, 172)
[1] 144 168 179 175 182 188 167 152 163 145 176 155 156 164
[15] 167 155 157 185 155 169 124 178 182 195 151 185 159 156
[29] 184 172
On a bien notre suite de trente tailles, mais on peut remarquer la présence de nombres entre crochets au
début de chaque ligne ( [1] , [15] et [29] ). En fait ces nombres entre crochets indiquent la position du
premier élément de la ligne dans notre vecteur. Ainsi, le 167 en début de deuxième ligne est le 15e élément
du vecteur, tandis que le 184 de la troisième ligne est à la 29e position.
On en déduira d’ailleurs que lorsque l’on fait :
R> 2
[1] 2
R considère en fait le nombre 2 comme un vecteur à un seul élément.
On peut appliquer des opérations arithmétiques simples directement sur des vecteurs :
R> tailles <- c(167, 192, 173, 174, 172, 167, 171, 185, 163, 170)
tailles + 20
[1] 187 212 193 194 192 187 191 205 183 190
R> tailles / 100
[1] 1.67 1.92 1.73 1.74 1.72 1.67 1.71 1.85 1.63 1.70
R> tailles^2
[1] 27889 36864 29929 30276 29584 27889 29241 34225 26569
[10] 28900
On peut aussi combiner des vecteurs entre eux. L’exemple suivant calcule l’indice de masse corporelle à
partir de la taille et du poids :
– 24 –
Premier contact
R> tailles <- c(167, 192, 173, 174, 172, 167, 171, 185, 163, 170)
poids <- c(86, 74, 83, 50, 78, 66, 66, 51, 50, 55)
tailles.m <- tailles / 100
imc <- poids / (tailles.m^2)
imc
[1] 30.84 20.07 27.73 16.51 26.37 23.67 22.57 14.90 18.82
[10] 19.03
I M P O R TA N T
Quand on fait des opérations sur les vecteurs, il faut veiller à soit utiliser un vecteur et un chiffre (dans
des opérations du type v * 2 ou v + 10 ), soit à utiliser des vecteurs de même longueur (dans des
opérations du type u + v ).
Si on utilise des vecteurs de longueur différentes, on peut avoir quelques surprises. Quand R effectue
une opération avec deux vecteurs de longueurs différentes, il recopie le vecteur le plus court de
manière à lui donner la même taille que le plus long, ce qui s’appelle la règle de recyclage (recycling rule).
Ainsi, c(1,2) + c(4,5,6,7,8) vaudra l’équivalent de c(1,2,1,2,1) + c(4,5,6,7,8) .
On a vu jusque-là des vecteurs composés de nombres, mais on peut tout à fait créer des vecteurs
composés de chaînes de caractères, représentant par exemple les réponses à une question ouverte ou
fermée :
R> reponse <- c("Bac+2", "Bac", "CAP", "Bac", "Bac", "CAP", "BEP")
reponse
[1] "Bac+2" "Bac" "CAP" "Bac" "Bac" "CAP" "BEP"
Enfin, notons que l’on peut accéder à un élément particulier du vecteur en faisant suivre le nom du vecteur
de crochets contenant le numéro de l’élément désiré. Par exemple :
reponse[2]
[1] "Bac"
Cette opération s’appelle l’indexation d’un vecteur. Il s’agit ici de sa forme la plus simple, mais il en existe
d’autres beaucoup plus complexes. L’indexation des vecteurs et des tableaux dans R est l’un des éléments
particulièrement souples et puissants du langage (mais aussi l’un des plus délicats à comprendre et à
– 25 –
maîtriser). Nous en reparlerons dans le chapitre Vecteurs, indexation et assignation, page 71.
NOTE
Sous RStudio, vous avez du remarquer que ce dernier effectue une coloration syntaxique. Lorsque
vous tapez une commande, les valeurs numériques sont affichées dans une certaine couleur, les
valeurs textuelles dans une autre et les noms des fonctions dans une troisième. De plus, si vous
tapez une parenthèse ouvrante, RStudio va créer automatiquement après le curseur la parenthèse
fermante correspondante (de même avec les guillements ou les crochets). Si vous placez le curseur
juste après une parenthèse fermante, la parenthèse ouvrante correspondante sera surlignée, ce qui
sera bien pratique lors de la rédaction de commandes complexes.
Des fonctions
Nous savons désormais faire des opérations simples sur des nombres et des vecteurs, stocker ces données
et résultats dans des objets pour les réutiliser par la suite.
Pour aller un peu plus loin nous allons aborder, après les objets, l’autre concept de base de R, à savoir les
fonctions. Une fonction se caractérise de la manière suivante :
• elle a un nom ;
• elle accepte des arguments (qui peuvent avoir un nom ou pas) ;
• elle retourne un résultat et peut effectuer une action comme dessiner un graphique ou lire un
fichier.
En fait rien de bien nouveau puisque nous avons déjà utilisé plusieurs fonctions jusqu’ici, dont la plus
visible est la fonction c . Dans la ligne suivante :
on fait appel à la fonction nommée c , on lui passe en arguments (entre parenthèses et séparées par des
virgules) une série de chaînes de caractères et elle retourne comme résultat un vecteur de chaînes de
caractères, que nous stockons dans l’objet reponse .
Prenons tout de suite d’autres exemples de fonctions courantes :
R> tailles <- c(167, 192, 173, 174, 172, 167, 171, 185, 163, 170)
length(tailles)
[1] 10
– 26 –
Premier contact
R> mean(tailles)
[1] 173.4
R> var(tailles)
[1] 76.71
Ici, la fonction length nous renvoie le nombre d’éléments du vecteur, la fonction mean nous donne la
moyenne des éléments du vecteur et fonction var sa variance.
Arguments
Les arguments de la fonction lui sont indiqués entre parenthèses, juste après son nom. En général les
premiers arguments passés à la fonction sont des données servant au calcul et les suivants des paramètres
influant sur ce calcul. Ceux-ci sont en général transmis sous la forme d’argument nommés.
Reprenons l’exemple des tailles précédent :
R> tailles <- c(167, 192, 173, 174, 172, 167, 171, 185, 163, 170)
Imaginons que le deuxième enquêté n’ait pas voulu nous répondre. Nous avons alors dans notre vecteur
une valeur manquante. Celle-ci est symbolisée dans R par le code NA :
R> tailles <- c(167, NA, 173, 174, 172, 167, 171, 185, 163, 170)
Recalculons notre taille moyenne :
R> mean(tailles)
[1] NA
Et oui, par défaut, R renvoie NA pour un grand nombre de calculs (dont la moyenne) lorsque les données
comportent une valeur manquante. On peut cependant modifier ce comportement en fournissant un
paramètre supplémentaire à la fonction mean , nommé na.rm :
– 27 –
R> mean(tailles, na.rm = TRUE)
[1] 171.3
Positionner le paramètre na.rm à TRUE (vrai) indique à la fonction mean de ne pas tenir compte des
valeurs manquantes dans le calcul.
Lorsqu’on passe un argument à une fonction de cette manière, c’est-à-dire sous la forme nom=valeur , on
parle d’argument nommé.
I M P O R TA N T
NA signifie not available. Cette valeur particulière peut être utilisée pour indiquer une valeur
manquante pour tout type de liste (nombres, textes, valeurs logique, etc.).
Quelques fonctions utiles

Récapitulons la liste des fonctions que nous avons déjà rencontrées :
Fonction Description
c construit un vecteur à partir d’une série de valeurs
length nombre d’éléments d’un vecteur
mean moyenne d’un vecteur de type numérique
var variance d’un vecteur de type numérique
+, -, *, / opérateurs mathématiques de base
ˆ passage à la puissance
On peut rajouter les fonctions de base suivantes :
– 28 –
Premier contact
Fonction Description
min valeur minimale d’un vecteur numérique
max valeur maximale d’un vecteur numérique
sd écart-type d’un vecteur numérique
: génère une séquence de nombres. 1:4 équivaut à c(1,2,3,4)
Aide sur une fonction

Il est très fréquent de ne plus se rappeler quels sont les paramètres d’une fonction ou le type de résultat
qu’elle retourne. Dans ce cas on peut très facilement accéder à l’aide décrivant une fonction particulière
avec ? ou help . Ainsi, pour obtenir de l’aide sur la fonction mean , on saisira l’une des deux entrées
équivalentes suivantes :
R> ?mean
help("mean")
NOTE
L’utilisation du raccourci ? ne fonctionne pas pour certains opérateurs comme * . Dans ce cas on
pourra utiliser ?'*' ou bien simplement help("*") .
Sous RStudio, le fichier d’aide associé apparaitra dans le quadrant inférieur droit sous l’onglet Help.
– 29 –
Onglet Help de RStudio
Figure 3. Onglet Help de RStudio
Cette page décrit (en anglais) la fonction, ses arguments, son résultat, le tout accompagné de diverses
notes, références et exemples. Ces pages d’aide contiennent à peu près tout ce que vous pourrez chercher
à savoir, mais elles ne sont pas toujours d’une lecture aisée.
Un autre cas très courant dans R est de ne pas se souvenir ou de ne pas connaître le nom de la fonction
effectuant une tâche donnée. Dans ce cas on se reportera aux différentes manières de trouver de l’aide
décrites dans le chapitre Où trouver de l’aide ?, page 167.
Interprétation des arguments

Prenons l’exemple de la fonction format dont la version de base permet de mettre en forme un nombre.
Affichons le fichier d’aide associé.
– 30 –
Premier contact
R> ?format
La section Usage présente les arguments de cette fonction et leur valeur par défaut :
format(x, trim = FALSE, digits = NULL, nsmall = 0L,

justify = c("left", "right", "centre", "none"),
width = NULL, na.encode = TRUE, scientific = NA,
big.mark = "", big.interval = 3L,
small.mark = "", small.interval = 5L,
decimal.mark = ".", zero.print = NULL,
drop0trailing = FALSE, ...)
Regardons ce que cette fonction peut faire. Passons-lui un vecteur avec deux nombres :
R> format(c(12.3, 5678))
[1] " 12.3" "5678.0"
Elle renvoie un vecteur de chaînes de caractères. Le nombre de décimales a été harmonisé et des espaces
ont été ajoutés au début du premier nombre afin que l’ensemble des valeurs soient alignées vers la droite.
L’argument trim permet de supprimer les espaces ajoutés en début de chaîne.
R> format(c(12.3, 5678), TRUE)
[1] "12.3" "5678.0"
Dans le cas présent, nous avons saisi les arguments de la fonction sans les nommer. Dès lors, R considère
l’ordre dans lesquels nous avons saisi les arguments, ordre qui correspond à celui du fichier d’aide. Il a
dès lors considéré que c(12.3, 5678) correspond à la valeur attribuée à x et que TRUE est la valeur
attribuée à trim .
L’argument nsmall permet d’indiquer le nombre minimum de décimales que l’on souhaite afficher. Il
est en quatrième position. Dès lors, pour pouvoir le renseigner avec des arguments non nommés, il faut
fournir également une valeur pour le troisième argument digits .
R> format(c(12.3, 5678), TRUE, NULL, 2)
[1] "12.30" "5678.00"
Ce n’est pas forcément ce qu’il y a de plus pratique. D’où l’intérêt des arguments nommés. En précisant
nsmall = dans l’appel de la fonction, on pourra indiquer que l’on souhaite modifier spécifiquement
– 31 –
cet argument. Lorsque l’on utilise des arguments non nommés, l’ordre n’importe plus puisque R sera en
capacité de reconnaître ses petits.
R> format(nsmall = 2, x = c(12.3, 5678))
[1] " 12.30" "5678.00"
À l’usage, on aura le plus souvent recours à une combinaison d’arguments non nommés et d’arguments
nommés. On indiquera les premiers arguments (qui correspondent en général aux données de départ)
sans les nommer et on précisera les options souhaitées avec des arguments nommés. Par exemple, pour
un affichage à la française :
R> format(c(12.3, 5678), decimal.mark = ",", big.mark = " ")
[1] " 12,3" "5 678,0"
Lorsque l’on regarde la section Usage du fichier d’aide, il apparait que certains arguments, suivi par le
symbole = , ont une valeur par défaut. Il n’est donc pas nécessaire de les inclure dans l’appel de la fonction,
auquel cas la valeur pas défaut sera prise en compte. Par contre, d’autres arguments, ici x , n’ont pas de
valeur par défaut et il est donc nécessaire de fournir systématiquement une valeur.
R> format(decimal.mark = ",")
Error in format.default(decimal.mark = ","): argument "x" is missing, with no de

fault
Enfin, pour certaines fonctions, on verra parfois apparaître le symbole ... Ce dernier correspond à un
nombre indéterminé d’arguments. Il peut s’agir, comme dans le cas de format d’arguments additionnels
qui seront utilisés dans certains cas de figure, ou bien d’arguments qui seront transmis à une fonction
secondaire appelée par la fonction principale, ou encore, comme pour le cas de la fonction c , de la
possibilité de saisir un nombre indéfini de données sources.
Autocomplétion
RStudio fournit un outil bien pratique appelé autocomplétion3. Saisissez les premières lettres d’une
fonction, par exemple me puis appuyez sur la touche Tabulation . RStudio affichera la liste des
fonctions dont le nom commence par me ainsi qu’un court descriptif de chacune. Un appui sur la touche
Entrée provoquera la saisie du nom complet de la fonction choisie.
3. En bon français, il faudrait dire complètement automatique.
– 32 –
Premier contact
Auto-complétion sous RStudio
Figure 4. Auto-complétion sous RStudio
À l’intérieur des parenthèses d’une fonction, vous pouvez utiliser l’autocomplétion pour retrouver un
argument de cette fonction.
Vous pouvez également utiliser l’autocomplétion pour retrouver le nom d’un objet que vous avez
précédemment créé.
Pour plus de détails, voir la documentation officielle de RStudio (https://support.rstudio.com/hc/en-us/

articles/205273297-Code-Completion).
– 33 –
Premier travail avec des
données
Regrouper les commandes dans des scripts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Ajouter des commentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
Tableaux de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Inspection visuelle des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
Structure du tableau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Accéder aux variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
La fonction str . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
Quelques calculs simples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
Nos premiers graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
Et ensuite ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
NOTE
Ce chapitre est inspiré de la section Premier travail avec les données du support de cours Introduction à
R réalisé par Julien Barnier.
WEBIN-R
Regrouper les commandes dans des scripts

Jusqu’à maintenant nous avons utilisé uniquement la console pour communiquer avec R via l’invite de
commandes. Le principal problème de ce mode d’interaction est qu’une fois qu’une commande est tapée,
elle est pour ainsi dire « perdue », c’est-à-dire qu’on doit la saisir à nouveau si on veut l’exécuter une
– 35 –
seconde fois. L’utilisation de la console est donc restreinte aux petites commandes « jetables », le plus
souvent utilisées comme test.
La plupart du temps, les commandes seront stockées dans un fichier à part, que l’on pourra facilement
ouvrir, éditer et exécuter en tout ou partie si besoin. On appelle en général ce type de fichier un script.
Pour comprendre comment cela fonctionne, dans RStudio cliquez sur l’icône en haut à gauche
représentant un fichier avec un signe plus vert, puis choisissez R script.
Créer un nouveau script R dans RStudio
Figure 1. Créer un nouveau script R dans RStudio
Un nouvel onglet apparaît dans le quadrant supérieur gauche.
– 36 –
Premier travail avec des données
Onglet d’un script R dans RStudio
Figure 2. Onglet d’un script R dans RStudio
Nous pouvons désormais y saisir des commandes. Par exemple, tapez sur la première ligne la commande
suivante : 2 + 2 . Ensuite, cliquez sur l’icône Run (en haut à droite de l’onglet du script) ou bien pressez
simulatément les touches CTRL et Entrée 1.
Les lignes suivantes ont dû faire leur apparition dans la console :
R> 2 + 2
[1] 4
Voici donc comment soumettre rapidement à R les commandes saisies dans votre fichier. Vous pouvez
désormais l’enregistrer, l’ouvrir plus tard, et en exécuter tout ou partie. À noter que vous avez plusieurs
possibilités pour soumettre des commandes à R :
• vous pouvez exécuter la ligne sur laquelle se trouve votre curseur en cliquant sur Run ou en
pressant simulatément les touches CTRL et Entrée ;
• vous pouvez sélectionner plusieurs lignes contenant des commandes et les exécuter toutes en
une seule fois exactement de la même manière ;
• vous pouvez exécuter d’un coup l’intégralité de votre fichier en cliquant sur l’icône Source.
La plupart du travail sous R consistera donc à éditer un ou plusieurs fichiers de commandes et à envoyer
régulièrement les commandes saisies à R en utilisant les raccourcis clavier ad hoc.
Pour plus d’information sur l’utilisation des scripts R dans RStudio, voir (en anglais) :
https://support.rstudio.com/hc/en-us/articles/200484448-Editing-and-Executing-Code.
1. Sous Mac OS X, on utilise les touches Pomme et Entrée .
– 37 –
NOTE
Quand vous enregistrez un script sous RStudio, il est possible qu’il vous demande de choisir un type
d’encodage des caractères (Choose Encoding). Si tel est le cas, utilisez de préférence UTF-8.
Ajouter des commentaires

Un commentaire est une ligne ou une portion de ligne qui sera ignorée par R. Ceci signifie qu’on peut
y écrire ce qu’on veut et qu’on va les utiliser pour ajouter tout un tas de commentaires à notre code
permettant de décrire les différentes étapes du travail, les choses à se rappeler, les questions en suspens,
etc.
Un commentaire sous R commence par un ou plusieurs symboles # (qui s’obtient avec les touches
Alt Gr et 3 sur les claviers de type PC). Tout ce qui suit ce symbole jusqu’à la fin de la ligne est considéré
comme un commentaire. On peut créer une ligne entière de commentaire en la faisant débuter par ## .
Par exemple :
R> ## Tableau croisé de la CSP par le nombre de livres lus.

## Attention au nombre de non réponses !
On peut aussi créer des commentaires pour une ligne en cours :
R> x <- 2 # On met 2 dans x, parce qu'il le vaut bien
I M P O R TA N T
Dans tous les cas, il est très important de documenter ses fichiers R au fur et à mesure, faute de quoi
on risque de ne plus y comprendre grand chose si on les reprend ne serait-ce que quelques semaines
plus tard.
Avec RStudio, vous pouvez également utiliser les commentaires pour créer des sections au sein de votre
script et naviguer plus rapidement. Il suffit de faire suivre une ligne de commentaires d’au moins 4 signes
moins ( ---- ). Par exemple, si vous saisissez ceci dans votre script :
– 38 –
R> ## Créer les objets ----
x <- 2
y <- 5
## Calculs ----
x + y
Vous verrez apparaître en bas à gauche de la fenêtre du script un symbole dièse orange. Si vous cliquez
dessus, un menu de navigation s’affichera vous permettant de vous déplacez rapidement au sein de votre
script. Pour plus d’information, voir la documentation de RStudio (en anglais) :
https://support.rstudio.com/hc/en-us/articles/200484568-Code-Folding-and-Sections.
Les sections peuvent également être facilement créées avec le raccourci clavier CTRL + SHIFT + R .
Navigation rapide dans les scripts sous RStudio
Figure 3. Navigation rapide dans les scripts sous RStudio
Note : on remarquera au passage que le titre de l’onglet est affiché en rouge et suivi d’une astérisque ( * ),
nous indiquant ainsi qu’il y a des modifications non enregistrées dans notre fichier.
– 39 –
Tableaux de données
Dans cette partie nous allons utiliser un jeu de données inclus dans l’extension questionr. L’installation
d’extension est décrite dans le chapitre Extensions, page 59.
Le jeu de données en question est un extrait de l’enquête Histoire de vie réalisée par l’INSEE en 2003.
Il contient 2000 individus et 20 variables. Pour pouvoir utiliser ces données, il faut d’abord charger
l’extension questionr (après l’avoir installée, bien entendu). Le chargement d’une extension en mémoire
se fait à l’aide de la fonction library . Sous RStudio, vous pouvez également charger une extension en
allant dans l’onglet Packages du quadrant inférieur droit qui liste l’ensemble des packages disponibles et
en cliquant la case à cocher située à gauche du nom du package désiré.
R> library(questionr)
Puis nous allons indiquer à R que nous souhaitons accéder au jeu de données hdv2003 à l’aide de la
fonction data :
R> data(hdv2003)
Bien. Et maintenant, elles sont où mes données ? Et bien elles se trouvent dans un objet nommé hdv2003
désormais chargé en mémoire et accessible directement. D’ailleurs, cet objet est maintenant visible dans
l’onglet Environment du quadrant supérieur droit.
Essayons de taper son nom à l’invite de commande :
R> hdv2003
Le résultat (non reproduit ici) ne ressemble pas forcément à grand-chose… Il faut se rappeler que par
défaut, lorsqu’on lui fournit seulement un nom d’objet, R essaye de l’afficher de la manière la meilleure
(ou la moins pire) possible. La réponse à la commande hdv2003 n’est donc rien moins que l’affichage des
données brutes contenues dans cet objet.
Ce qui signifie donc que l’intégralité de notre jeu de données est inclus dans l’objet nommé hdv2003 !
En effet, dans R, un objet peut très bien contenir un simple nombre, un vecteur ou bien le résultat d’une
enquête tout entier. Dans ce cas, les objets sont appelés des data frames, ou tableaux de données. Ils
peuvent être manipulés comme tout autre objet. Par exemple :
R> d <- hdv2003
va entraîner la copie de l’ensemble de nos données dans un nouvel objet nommé d , ce qui peut paraître
parfaitement inutile mais a en fait l’avantage de fournir un objet avec un nom beaucoup plus court, ce qui
– 40 –
diminuera la quantité de texte à saisir par la suite.
Résumons
Comme nous avons désormais décidé de saisir nos commandes dans un script et non plus directement
dans la console, les premières lignes de notre fichier de travail sur les données de l’enquête Histoire de vie
pourraient donc ressembler à ceci :
R> ## Chargement des extensions nécessaires ----

library(questionr)
## Jeu de données hdv2003 ----
data(hdv2003)
d <- hdv2003
Inspection visuelle des données

La particularité de R par rapport à d’autres logiciels comme Modalisa ou SPSS est de ne pas proposer,
par défaut, de vue des données sous forme de tableau. Ceci peut parfois être un peu déstabilisant dans
les premiers temps d’utilisation, même si l’on perd vite l’habitude et qu’on finit par se rendre compte que
« voir » les données n’est pas forcément un gage de productivité ou de rigueur dans le traitement.
Néanmoins, R propose une interface permettant de visualiser le contenu d’un tableau de données à l’aide
de la fonction View :
R> View(d)
Sous RStudio, on peut aussi afficher la visionneusee (viewer) en cliquant sur la petite icône en forme
de tableau située à droite de la ligne d’un tableau de données dans l’onglet Environment du quadrant
supérieur droit (cf. figure ci-après).
– 41 –
Icône pour afficher une vue du contenu d’un tableau
Figure 4. Icône pour afficher une vue du contenu d’un tableau
Dans tous les cas, RStudio lancera le viewer dans un onglet dédié dans le quadrant supérieur gauche. Le
visualiseur de RStudio est plus avancé que celui-de base fournit par R. Il est possible de trier les données
selon une variable en cliquant sur le nom de cette dernière. Il y a également un champs de recherche et un
bouton Filter donnant accès à des options de filtrage avancées.
La visionneuse de données de RStudio
Figure 5. La visionneuse de données de RStudio
– 42 –
Structure du tableau
Avant de travailler sur les données, nous allons essayer de comprendre comment elles sont structurées.
Lors de l’import de données depuis un autre logiciel (que nous aborderons dans un autre chapitre,
page 149), il s’agira souvent de vérifier que l’importation s’est bien déroulée.
Nous avons déjà vu qu’un tableau de données est organisé en lignes et en colonnes, les lignes
correspondant aux observations et les colonnes aux variables. Les fonctions nrow , ncol et dim
donnent respectivement le nombre de lignes, le nombre de colonnes et les dimensions de notre tableau.
Nous pouvons donc d’ores et déjà vérifier que nous avons bien 2000 lignes et 20 colonnes :
R> nrow(d)
[1] 2000
R> ncol(d)
[1] 20
R> dim(d)
[1] 2000 20
La fonction names donne les noms des colonnes de notre tableau, c’est-à-dire les noms des variables :
R> names(d)
[1] "id" "age" "sexe"

[4] "nivetud" "poids" "occup"
[7] "qualif" "freres.soeurs" "clso"
[10] "relig" "trav.imp" "trav.satisf"
[13] "hard.rock" "lecture.bd" "peche.chasse"
[16] "cuisine" "bricol" "cinema"
[19] "sport" "heures.tv"
– 43 –
Accéder aux variables

d représente donc l’ensemble de notre tableau de données. Nous avons vu que si l’on saisit simplement
d à l’invite de commandes, on obtient un affichage du tableau en question. Mais comment accéder aux
variables, c’est à dire aux colonnes de notre tableau ?
La réponse est simple : on utilise le nom de l’objet, suivi de l’opérateur $ , suivi du nom de la variable,
comme ceci :
R> d$sexe
Au regard du résultat (non reproduit ici), on constate alors que R a bien accédé au contenu de notre
variable sexe du tableau d et a affiché son contenu, c’est-à-dire l’ensemble des valeurs prises par la
variable.
Les fonctions head et tail permettent d’afficher seulement les premières (respectivement les
dernières) valeurs prises par la variable. On peut leur passer en argument le nombre d’éléments à afficher :
R> head(d$nivetud)
[1] Enseignement superieur y compris technique superieur

[2] <NA>
[3] Derniere annee d'etudes primaires
[4] Enseignement superieur y compris technique superieur
[5] Derniere annee d'etudes primaires
[6] Enseignement technique ou professionnel court
8 Levels: N'a jamais fait d'etudes ...
R> tail(d$age, 10)
[1] 52 42 50 41 46 45 46 24 24 66
À noter que ces fonctions marchent aussi pour afficher les lignes du tableau d :
R> head(d, 2)
– 44 –
La fonction str
La fonction str est plus complète que names . Elle liste les différentes variables, indique leur type et
donne le cas échéant des informations supplémentaires ainsi qu’un échantillon des premières valeurs
prises par cette variable :
R> str(d)
'data.frame': 2000 obs. of 20 variables:

$ id : int 1 2 3 4 5 6 7 8 9 10 ...
$ age : int 28 23 59 34 71 35 60 47 20 28 ...
$ sexe : Factor w/ 2 levels "Homme","Femme": 2 2 1 1 2 2 2 1 2 1 ...
$ nivetud : Factor w/ 8 levels "N'a jamais fait d'etudes",..: 8 NA 3 8 3 6
3 6 NA 7 ...
$ poids : num 2634 9738 3994 5732 4329 ...
$ occup : Factor w/ 7 levels "Exerce une profession",..: 1 3 1 1 4 1 6 1
3 1 ...
$ qualif : Factor w/ 7 levels "Ouvrier specialise",..: 6 NA 3 3 6 6 2 2 N
A 7 ...
$ freres.soeurs: int 8 2 2 1 0 5 1 5 4 2 ...
$ clso : Factor w/ 3 levels "Oui","Non","Ne sait pas": 1 1 2 2 1 2 1 2
1 2 ...
$ relig : Factor w/ 6 levels "Pratiquant regulier",..: 4 4 4 3 1 4 3 4 3
2 ...
$ trav.imp : Factor w/ 4 levels "Le plus important",..: 4 NA 2 3 NA 1 NA 4
NA 3 ...
$ trav.satisf : Factor w/ 3 levels "Satisfaction",..: 2 NA 3 1 NA 3 NA 2 NA 1
...
$ hard.rock : Factor w/ 2 levels "Non","Oui": 1 1 1 1 1 1 1 1 1 1 ...
$ lecture.bd : Factor w/ 2 levels "Non","Oui": 1 1 1 1 1 1 1 1 1 1 ...
$ peche.chasse : Factor w/ 2 levels "Non","Oui": 1 1 1 1 1 1 2 2 1 1 ...
$ cuisine : Factor w/ 2 levels "Non","Oui": 2 1 1 2 1 1 2 2 1 1 ...
$ bricol : Factor w/ 2 levels "Non","Oui": 1 1 1 2 1 1 1 2 1 1 ...
$ cinema : Factor w/ 2 levels "Non","Oui": 1 2 1 2 1 2 1 1 2 2 ...
$ sport : Factor w/ 2 levels "Non","Oui": 1 2 2 2 1 2 1 1 1 2 ...
$ heures.tv : num 0 1 0 2 3 2 2.9 1 2 2 ...
La première ligne nous informe qu’il s’agit bien d’un tableau de données avec 2000 observations et 20
variables. Vient ensuite la liste des variables. La première se nomme id et est de type entier (int). La
seconde se nomme age et est de type numérique. La troisième se nomme sexe, il s’agit d’un facteur
(factor).
Un facteur est une variable pouvant prendre un nombre limité de modalités (levels). Ici notre variable a
– 45 –
deux modalités possibles : « Homme » et « Femme ». Ce type de variable est décrit plus en détail dans le
chapitre sur la manipulation de données.
– 46 –
I M P O R TA N T
La fonction str est essentielle à connaître et peut s’appliquer à n’importe quel type d’objet. C’est un
excellent moyen de connaître en détail la structure d’un objet. Cependant, les résultats peuvent être
parfois trop détaillés et on lui priviligiera dans certains cas la fonction describe que l’on abordera
dans les prochains chapitres, cependant moins générique puisque ne s’appliquant qu’à des tableaux de
données et à des vecteurs, tandis que str peut s’appliquer à absolument tout objet, y compris des
fonctions.
R> describe(d)
20 Variables 2000 Observations

------------------------------------------------------------
id
n missing distinct Info Mean Gmd
2000 0 2000 1 1000 667
.05 .10 .25 .50 .75 .90
101.0 200.9 500.8 1000.5 1500.2 1800.1
.95
1900.0
lowest : 1 2 3 4 5, highest: 1996 1997 1998 1999 2000

------------------------------------------------------------
age
2000 0 78 1 48.16 19.4
.05 .10 .25 .50 .75 .90
22 26 35 48 60 72
.95
77
lowest : 18 19 20 21 22, highest: 91 92 93 96 97

------------------------------------------------------------
sexe
n missing distinct
2000 0 2
Value Homme Femme

Frequency 899 1101
Proportion 0.45 0.55
– 47 –
------------------------------------------------------------
nivetud
n missing distinct
1888 112 8
lowest : N'a jamais fait d'etudes A ar

rete ses etudes, avant la derniere annee d'etudes primaires Derniere annee
d'etudes primaires 1er cycle
2eme cycle
highest: 1er cycle 2eme

cycle Enseignement tech
nique ou professionnel court Enseignement technique ou prof
essionnel long Enseignement superieur y compris technique
superieur
------------------------------------------------------------
poids
2000 0 1877 1 5536 4553
.05 .10 .25 .50 .75 .90
799.8 1161.7 2221.8 4631.2 7626.5 10819.0
.95
13647.9
lowest : 78.08 92.68 92.94 127.90 153.01

highest: 27195.84 29548.79 29570.79 29657.94 31092.14
------------------------------------------------------------
occup
n missing distinct
2000 0 7
lowest : Exerce une profession Chomeur Etudiant, eleve Re

traite Retire des affaires
highest: Etudiant, eleve Retraite Retire des affaires Au
foyer Autre inactif
Exerce une profession (1049, 0.524), Chomeur (134, 0.067),

Etudiant, eleve (94, 0.047), Retraite (392, 0.196), Retire
des affaires (77, 0.038), Au foyer (171, 0.086), Autre
inactif (83, 0.042)
------------------------------------------------------------
qualif
n missing distinct
– 48 –
1653 347 7
lowest : Ouvrier specialise Ouvrier qualifie Technicien

Profession intermediaire Cadre
highest: Technicien Profession intermediaire Cadre
Employe Autre
Ouvrier specialise (203, 0.123), Ouvrier qualifie (292,

0.177), Technicien (86, 0.052), Profession intermediaire
(160, 0.097), Cadre (260, 0.157), Employe (594, 0.359),
Autre (58, 0.035)
------------------------------------------------------------
freres.soeurs
2000 0 19 0.977 3.283 2.87
.05 .10 .25 .50 .75 .90
0 1 1 2 5 7
.95
9
lowest : 0 1 2 3 4, highest: 14 15 16 18 22
0 (167, 0.084), 1 (407, 0.203), 2 (427, 0.214), 3 (284,

0.142), 4 (210, 0.105), 5 (151, 0.076), 6 (99, 0.050), 7
(94, 0.047), 8 (52, 0.026), 9 (37, 0.018), 10 (21, 0.011),
11 (21, 0.011), 12 (8, 0.004), 13 (10, 0.005), 14 (4,
0.002), 15 (4, 0.002), 16 (1, 0.000), 18 (2, 0.001), 22 (1,
0.000)
------------------------------------------------------------
clso
n missing distinct
2000 0 3
Value Oui Non Ne sait pas

Frequency 936 1037 27
Proportion 0.468 0.518 0.014
------------------------------------------------------------
relig
n missing distinct
2000 0 6
lowest : Pratiquant regulier Pratiquant occasionnel Appartenance

sans pratique Ni croyance ni appartenance Rejet
– 49 –
highest: Pratiquant occasionnel Appartenance sans pratique Ni croyance

ni appartenance Rejet NSP ou NVPR
Pratiquant regulier (266, 0.133), Pratiquant occasionnel

(442, 0.221), Appartenance sans pratique (760, 0.380), Ni
croyance ni appartenance (399, 0.200), Rejet (93, 0.046),
NSP ou NVPR (40, 0.020)
------------------------------------------------------------
trav.imp
n missing distinct
1048 952 4
Le plus important (29, 0.028), Aussi important que le reste

(259, 0.247), Moins important que le reste (708, 0.676),
Peu important (52, 0.050)
------------------------------------------------------------
trav.satisf
n missing distinct
1048 952 3
Value Satisfaction Insatisfaction Equilibre

Proportion 0.458 0.112 0.430
------------------------------------------------------------
hard.rock
n missing distinct
2000 0 2
Value Non Oui

Frequency 1986 14
------------------------------------------------------------
lecture.bd
n missing distinct
2000 0 2
Value Non Oui

Frequency 1953 47
------------------------------------------------------------
peche.chasse
n missing distinct
2000 0 2
– 50 –
Value Non Oui

Frequency 1776 224
------------------------------------------------------------
cuisine
n missing distinct
2000 0 2
Value Non Oui

Frequency 1119 881
------------------------------------------------------------
bricol
n missing distinct
2000 0 2
Value Non Oui

Frequency 1147 853
------------------------------------------------------------
cinema
n missing distinct
2000 0 2
Value Non Oui

Frequency 1174 826
------------------------------------------------------------
sport
n missing distinct
2000 0 2
Value Non Oui

Frequency 1277 723
------------------------------------------------------------
heures.tv
1995 5 29 0.972 2.247 1.877
.05 .10 .25 .50 .75 .90
0 0 1 2 3 4
.95
– 51 –
lowest : 0.0 0.1 0.2 0.3 0.4, highest: 8.0 9.0 10.0 11.0 12.0
------------------------------------------------------------
Quelques calculs simples

Maintenant que nous savons accéder aux variables, effectuons quelques calculs simples comme la
moyenne, la médiane, le minimum et le maximum, à l’aide des fonctions mean , median , min et max .
R> mean(d$age)
[1] 48.16
R> median(d$age)
[1] 48
R> min(d$age)
[1] 18
R> max(d$age)
[1] 97
NOTE
Au sens strict, il ne s’agit pas d’un véritable âge moyen puisqu’il faudrait ajouter 0,5 à cette valeur
calculée, un âge moyen se calculant à partir d’âges exacts et non à partir d’âges révolus. Voir le chapitre
Calculer un âge, page 1327.
– 52 –
On peut aussi très facilement obtenir un tri à plat à l’aide la fonction table :
R> table(d$qualif)
Ouvrier specialise Ouvrier qualifie

203 292
Technicien Profession intermediaire
86 160
Cadre Employe
260 594
Autre
58
La fonction summary , bien pratique, permet d’avoir une vue résumée d’une variable. Elle s’applique à tout
type d’objets (y compris un tableau de données entier) et s’adapte à celui-ci.
R> summary(d$age)
Min. 1st Qu. Median Mean 3rd Qu. Max.

18.0 35.0 48.0 48.2 60.0 97.0
R> summary(d$qualif)

203 292
86 160
Cadre Employe
260 594
Autre NA's
58 347
R> summary(d)
id age sexe
Min. : 1 Min. :18.0 Homme: 899
1st Qu.: 501 1st Qu.:35.0 Femme:1101
Median :1000 Median :48.0
Mean :1000 Mean :48.2
3rd Qu.:1500 3rd Qu.:60.0
– 53 –
Max. :2000 Max. :97.0
nivetud
Enseignement technique ou professionnel court :463
Enseignement superieur y compris technique superieur:441
Derniere annee d'etudes primaires :341
1er cycle :204
2eme cycle :183
(Other) :256
NA's :112
poids occup
Min. : 78 Exerce une profession:1049
1st Qu.: 2222 Chomeur : 134
Median : 4631 Etudiant, eleve : 94
Mean : 5536 Retraite : 392
3rd Qu.: 7627 Retire des affaires : 77
Max. :31092 Au foyer : 171
Autre inactif : 83
qualif freres.soeurs
Employe :594 Min. : 0.00
Ouvrier qualifie :292 1st Qu.: 1.00
Cadre :260 Median : 2.00
Ouvrier specialise :203 Mean : 3.28
Profession intermediaire:160 3rd Qu.: 5.00
(Other) :144 Max. :22.00
NA's :347
clso relig
Oui : 936 Pratiquant regulier :266
Non :1037 Pratiquant occasionnel :442
Ne sait pas: 27 Appartenance sans pratique :760
Ni croyance ni appartenance:399
Rejet : 93
NSP ou NVPR : 40
trav.imp trav.satisf
Le plus important : 29 Satisfaction :480
Aussi important que le reste:259 Insatisfaction:117
Moins important que le reste:708 Equilibre :451
Peu important : 52 NA's :952
NA's :952
hard.rock lecture.bd peche.chasse cuisine bricol

Non:1986 Non:1953 Non:1776 Non:1119 Non:1147
Oui: 14 Oui: 47 Oui: 224 Oui: 881 Oui: 853
– 54 –
cinema sport heures.tv

Non:1174 Non:1277 Min. : 0.00
Oui: 826 Oui: 723 1st Qu.: 1.00
Median : 2.00
Mean : 2.25
3rd Qu.: 3.00
Max. :12.00
NA's :5
Nos premiers graphiques

R est très puissant en termes de représentations graphiques, notamment grâce à des extensions dédiées.
Pour l’heure contentons-nous d’un premier essai à l’aide de la fonction générique plot .
– 55 –
R> plot(d$sexe)
Figure 6. Nombre d’observations par sexe
Essayons avec deux variables :
– 56 –
R> plot(d$hard.rock, d$age)
Figure 7. Âge des enquêtés selon qu’ils écoutent ou non du hard rock
Il semblerait bien que les amateurs de hard rock soient plus jeunes.
Et ensuite ?
Nous n’avons qu’entr’aperçu les possibilités de R. Avant de pouvoir nous lancer dans des analyses
statisques, il est préférable de revenir un peu aux fondamentaux de R (les types d’objets, la syntaxe, le
recodage de variables…) mais aussi comment installer des extensions, importer des données, etc. Nous
vous conseillons donc de poursuivre la lecture de la section Prise en main puis de vous lancer à l’assault de
la section Statistique introductive.
– 57 –
Extensions (installation, mise
à jour)
Présentation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Le «tidyverse» . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
Installation depuis CRAN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
Installation depuis GitHub . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
Mise à jour des extensions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
GUIDE-R
Une version actualisée de ce chapitre est disponible sur guide-R : Package
WEBIN-R
Présentation
L’installation par défaut du logiciel R contient le cœur du programme ainsi qu’un ensemble de fonctions de
base fournissant un grand nombre d’outils de traitement de données et d’analyse statistiques.
R étant un logiciel libre, il bénéficie d’une forte communauté d’utilisateurs qui peuvent librement
contribuer au développement du logiciel en lui ajoutant des fonctionnalités supplémentaires. Ces
contributions prennent la forme d’extensions (packages en anglais) pouvant être installées par l’utilisateur
et fournissant alors diverses fonctionnalités supplémentaires.
Il existe un très grand nombre d’extensions (plus de 6500 à ce jour), qui sont diffusées par un réseau
– 59 –
baptisé CRAN (Comprehensive R Archive Network).
La liste de toutes les extensions disponibles sur CRAN est disponible ici : http://cran.r-project.org/web/
packages/.
Pour faciliter un peu le repérage des extensions, il existe un ensemble de regroupements thématiques
(économétrie, finance, génétique, données spatiales…) baptisés Task views : http://cran.r-project.org/
web/views/.
On y trouve notamment une Task view dédiée aux sciences sociales, listant de nombreuses extensions
potentiellement utiles pour les analyses statistiques dans ce champ disciplinaire : http://cran.r-
project.org/web/views/SocialSciences.html.
On peut aussi citer le site Awesome R (https://github.com/qinwf/awesome-R) qui fournit une liste
d’extensions choisies et triées par thématique.
Le «tidyverse»
Hadley Wickham est professeur associé à l’université de Rice et scientifique en chef à Rstudio. Il a
développé de nombreux extensions pour R (plus d’une cinquantaine à ce jours) qui, pour la plupart,
fonctionne de manière harmonisée entre elles. Par ailleurs, la plupart s’intègre parfaitement avec
RStudio. Cet ensemble d’extenions est appelé tidyverse et est développé sur GitHub : https://github.com/
tidyverse/. Une présentation plus générale du tidyverse est disponible sur le site de RStudio
(https://www.rstudio.com/products/rpackages/) et sur un sité dédié (http://tidyverse.org/).
Pour certaines tâches, il peut exister plusieurs solutions / extensions différentes pour les réaliser. Dans
la mesure où il n’est pas possible d’être exhaustif, nous avons fait le choix dans le cadre d’analyse-R de
choisir en priorité, lorsque cela est possible, les extensions du tidyverse, en particulier haven, readr et
readxl pour l’import de données, dplyr, tidyr ou reshape2 pour la manipulation de données, ggplot2 pour
les graphiques, lubridate pour la gestion des dates, forcats pour la manipulation des facteurs ou encore
stringr pour la manipulation de chaînes de caractères.
Il existe par ailleurs une extension homonyme tidyverse. L’installation (voir ci-dessous) de cette extension
permets l’installation automatique de l’ensemble des autres extensions du tidyverse. Le chargement de
cette extension avec la fonction library (voir ci-après) permets de charger en mémoire en une seule
opération les principales extensions du tidyverse, à savoir ggplot2, tibble, tidyr, readr, purrr et dplyr.
Pour une présentation plus poussée, voir le chapitre consacré au tidyverse, page 63.
Installation depuis CRAN

L’installation d’une extension se fait par la fonction install.packages , à qui on fournit le nom de
l’extension. Par exemple, si on souhaite installer l’extension ade4 :
– 60 –
Extensions (installation, mise à jour)
R> install.packages("ade4", dep = TRUE)
L’option dep=TRUE indique à R de télécharger et d’installer également toutes les extensions dont
l’extension choisie dépend pour son fonctionnement.
Sous RStudio, on pourra également cliquer sur Install dans l’onglet Packages du quadrant inférieur droit.
Une fois l’extension installée, elle peut être appelée depuis la console ou un fichier script avec la fonction
library ou la fonction require :
R> library(ade4)
À partir de là, on peut utiliser les fonctions de l’extension, consulter leur page d’aide en ligne, accéder aux
jeux de données qu’elle contient, etc.
Pour mettre à jour l’ensemble des extensions installées, <dfndata-index=“mise à jour, extensions”> la
fonction update.packages suffit :
R> update.packages()
Sous RStudio, on pourra alternativement cliquer sur Update dans l’onglet Packages du quadrant inférieur
droit.
Si on souhaite désinstaller une extension précédemment installée, on peut utiliser la fonction

remove.packages :
R> remove.packages("ade4")
I M P O R TA N T
Il est important de bien comprendre la différence entre install.packages et library . La

première va chercher les extensions sur internet et les installe en local sur le disque dur de
l’ordinateur. On n’a besoin d’effectuer cette opération qu’une seule fois. La seconde lit les informations
de l’extension sur le disque dur et les met à disposition de R. On a besoin de l’exécuter à chaque début
de session ou de script.
Installation depuis GitHub

Certains packages sont développés sur GitHub. Dès lors, la version de développement sur GitHub peut
contenir des fonctions qui ne sont pas encore disponibles dans la version stable disponible sur CRAN. Ils
arrivent aussi parfois que certains packages ne soient disponibles que sur GitHub.
– 61 –
L’installation d’un package depuis GitHub est très facile grâce à la fonction install_github de
l’extension devtools (que l’on aura préalablement installée depuis CRAN ;-) ).
Mise à jour des extensions

Il est facile de mettre à jour l’ensemble des extensions installées, soit avec la fonction, update.packages
soit en cliquant sur Update dans l’onglet Packages du quadrant inférieur droit.
– 62 –
Introduction au tidyverse
Extensions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
Installation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
tidy data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
tibbles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
NOTE
La version originale de ce chapitre a été écrite par Julien Barnier dans le cadre de son Introduction à R
et au tidyverse.
Extensions
Le terme tidyverse est une contraction de tidy (qu’on pourrait traduire par “bien rangé”) et de universe. Il
s’agit en fait d’une collection d’extensions conçues pour travailler ensemble et basées sur une philosophie
commune.
Elles abordent un très grand nombre d’opérations courantes dans R (la liste n’est pas exhaustive) :
• visualisation
• manipulation des tableaux de données
• import/export de données
• manipulation de variables
• extraction de données du Web
• programmation
Un des objectifs de ces extensions est de fournir des fonctions avec une syntaxe cohérente, qui
fonctionnent bien ensemble, et qui retournent des résultats prévisibles. Elles sont en grande partie issues
du travail d’Hadley Wickham, qui travaille désormais pour RStudio.
– 63 –
Installation
tidyverse est également le nom d’une extension qu’on peut installer de manière classique, soit via le
bouton Install de l’onglet Packages de RStudio, soit en utilisant la commande :
R> install.packages("tidyverse")
Cette commande va en fait installer plusieurs extensions qui constituent le «coeur» du tidyverse, à savoir :
• ggplot2 (visualisation)
• dplyr (manipulation des données)
• tidyr (remise en forme des données)
• purrr (programmation)
• readr (importation de données)
• tibble (tableaux de données)
• forcats (variables qualitatives)
• stringr (chaînes de caractères)
De la même manière, charger l’extension avec :
R> library(tidyverse)
Chargera l’ensemble des extensions précédentes.
Il existe d’autres extensions qui font partie du tidyverse mais qui doivent être chargées explicitement,
comme par exemple readxl (pour l’importation de données depuis des fichiers Excel).
La liste complète des extensions se trouve sur le site officiel du tidyverse.
tidy data
Le tidyverse est en partie fondé sur le concept de tidy data, développé à l’origine par Hadley Wickham
dans un article de 2014 du Journal of Statistical Software.
Il s’agit d’un modèle d’organisation des données qui vise à faciliter le travail souvent long et fastidieux de
nettoyage et de préparation préalable à la mise en oeuvre de méthodes d’analyse.
Les principes d’un jeu de données tidy sont les suivants :
1. chaque variable est une colonne

2. chaque observation est une ligne
3. chaque type d’observation est dans une table différente
– 64 –
Un chapitre dédié à tidyr, page 309 présente comment définir et rendre des données tidy avec l’extension
tidyr.
Les extensions du tidyverse, notamment ggplot2 et dplyr, sont prévues pour fonctionner avec des
données tidy.
tibbles
GUIDE-R
Une version actualisée de cette section est disponible sur guide-R : Tibbles
Une autre particularité du tidyverse est que ces extensions travaillent avec des tableaux de données au
format tibble , qui est une évolution plus moderne du classique data frame du R de base. Ce format est
fourni est géré par l’extension du même nom (tibble), qui fait partie du coeur du tidyverse. La plupart des
fonctions des extensions du tidyverse acceptent des data frames en entrée, mais retournent un objet de
classe tibble .
Contrairement aux data frames, les tibbles :
• n’ont pas de noms de lignes (rownames)

• autorisent des noms de colonnes invalides pour les data frames (espaces, caractères spéciaux,
nombres…) 1
• s’affichent plus intelligemment que les data frames : seules les premières lignes sont affichées,
ainsi que quelques informations supplémentaires utiles (dimensions, types des colonnes…)
• ne font pas de partial matching sur les noms de colonnes 2
• affichent un avertissement si on essaie d’accéder à une colonne qui n’existe pas
Pour autant, les tibbles restent compatibles avec les data frames. On peut ainsi facilement convertir un
data frame en tibble avec as_tibble :
as_tibble(mtcars)
# A tibble: 32 × 11
mpg cyl disp hp drat wt qsec vs am
<dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 21 6 160 110 3.9 2.62 16.5 0 1
1. Quand on veut utiliser des noms de ce type, on doit les entourer avec des backticks (`)
2. Dans R de base, si une table d contient une colonne qualif , d$qual retournera cette colonne.
– 65 –
2 21 6 160 110 3.9 2.88 17.0 0 1

3 22.8 4 108 93 3.85 2.32 18.6 1 1
4 21.4 6 258 110 3.08 3.22 19.4 1 0
5 18.7 8 360 175 3.15 3.44 17.0 0 0
6 18.1 6 225 105 2.76 3.46 20.2 1 0
7 14.3 8 360 245 3.21 3.57 15.8 0 0
8 24.4 4 147. 62 3.69 3.19 20 1 0
9 22.8 4 141. 95 3.92 3.15 22.9 1 0
10 19.2 6 168. 123 3.92 3.44 18.3 1 0
# … with 22 more rows, and 2 more variables: gear <dbl>,
# carb <dbl>
Si le data frame d’origine a des rownames, on peut d’abord les convertir en colonnes avec
rownames_to_columns :
R> d <- as_tibble(rownames_to_column(mtcars))

d
# A tibble: 32 × 12
rowname mpg cyl disp hp drat wt qsec vs
<chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
1 Mazda RX4 21 6 160 110 3.9 2.62 16.5 0
2 Mazda RX… 21 6 160 110 3.9 2.88 17.0 0
3 Datsun 7… 22.8 4 108 93 3.85 2.32 18.6 1
4 Hornet 4… 21.4 6 258 110 3.08 3.22 19.4 1
5 Hornet S… 18.7 8 360 175 3.15 3.44 17.0 0
6 Valiant 18.1 6 225 105 2.76 3.46 20.2 1
7 Duster 3… 14.3 8 360 245 3.21 3.57 15.8 0
8 Merc 240D 24.4 4 147. 62 3.69 3.19 20 1
9 Merc 230 22.8 4 141. 95 3.92 3.15 22.9 1
10 Merc 280 19.2 6 168. 123 3.92 3.44 18.3 1
# … with 22 more rows, and 3 more variables: am <dbl>,
# gear <dbl>, carb <dbl>
À l’inverse, on peut à tout moment convertir un tibble en data frame avec as.data.frame :
R> as.data.frame(d)
rowname mpg cyl disp hp drat wt qsec

1 Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46
2 Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02
3 Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61
4 Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44
5 Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02
– 66 –
6 Valiant 18.1 6 225.0 105 2.76 3.460 20.22

7 Duster 360 14.3 8 360.0 245 3.21 3.570 15.84
8 Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00
9 Merc 230 22.8 4 140.8 95 3.92 3.150 22.90
10 Merc 280 19.2 6 167.6 123 3.92 3.440 18.30
11 Merc 280C 17.8 6 167.6 123 3.92 3.440 18.90
12 Merc 450SE 16.4 8 275.8 180 3.07 4.070 17.40
13 Merc 450SL 17.3 8 275.8 180 3.07 3.730 17.60
14 Merc 450SLC 15.2 8 275.8 180 3.07 3.780 18.00
15 Cadillac Fleetwood 10.4 8 472.0 205 2.93 5.250 17.98
16 Lincoln Continental 10.4 8 460.0 215 3.00 5.424 17.82
17 Chrysler Imperial 14.7 8 440.0 230 3.23 5.345 17.42
18 Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47
19 Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52
20 Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90
21 Toyota Corona 21.5 4 120.1 97 3.70 2.465 20.01
22 Dodge Challenger 15.5 8 318.0 150 2.76 3.520 16.87
23 AMC Javelin 15.2 8 304.0 150 3.15 3.435 17.30
24 Camaro Z28 13.3 8 350.0 245 3.73 3.840 15.41
25 Pontiac Firebird 19.2 8 400.0 175 3.08 3.845 17.05
26 Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90
27 Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.70
28 Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.90
29 Ford Pantera L 15.8 8 351.0 264 4.22 3.170 14.50
30 Ferrari Dino 19.7 6 145.0 175 3.62 2.770 15.50
31 Maserati Bora 15.0 8 301.0 335 3.54 3.570 14.60
32 Volvo 142E 21.4 4 121.0 109 4.11 2.780 18.60
vs am gear carb
1 0 1 4 4
2 0 1 4 4
3 1 1 4 1
4 1 0 3 1
5 0 0 3 2
6 1 0 3 1
7 0 0 3 4
8 1 0 4 2
9 1 0 4 2
10 1 0 4 4
11 1 0 4 4
12 0 0 3 3
13 0 0 3 3
14 0 0 3 3
15 0 0 3 4
16 0 0 3 4
17 0 0 3 4
18 1 1 4 1
19 1 1 4 2
– 67 –
20 1 1 4 1
21 1 0 3 1
22 0 0 3 2
23 0 0 3 2
24 0 0 3 4
25 0 0 3 2
26 1 1 4 1
27 0 1 5 2
28 1 1 5 2
29 0 1 5 4
30 0 1 5 6
31 0 1 5 8
32 1 1 4 2
Là encore, on peut convertir la colonne rowname en “vrais” rownames avec column_to_rownames :
R> column_to_rownames(as.data.frame(d))
mpg cyl disp hp drat wt qsec vs

Mazda RX4 21.0 6 160.0 110 3.90 2.620 16.46 0
Mazda RX4 Wag 21.0 6 160.0 110 3.90 2.875 17.02 0
Datsun 710 22.8 4 108.0 93 3.85 2.320 18.61 1
Hornet 4 Drive 21.4 6 258.0 110 3.08 3.215 19.44 1
Hornet Sportabout 18.7 8 360.0 175 3.15 3.440 17.02 0
Valiant 18.1 6 225.0 105 2.76 3.460 20.22 1
Duster 360 14.3 8 360.0 245 3.21 3.570 15.84 0
Merc 240D 24.4 4 146.7 62 3.69 3.190 20.00 1
Merc 230 22.8 4 140.8 95 3.92 3.150 22.90 1
Merc 280 19.2 6 167.6 123 3.92 3.440 18.30 1
Merc 280C 17.8 6 167.6 123 3.92 3.440 18.90 1
Merc 450SE 16.4 8 275.8 180 3.07 4.070 17.40 0
Merc 450SL 17.3 8 275.8 180 3.07 3.730 17.60 0
Merc 450SLC 15.2 8 275.8 180 3.07 3.780 18.00 0
Cadillac Fleetwood 10.4 8 472.0 205 2.93 5.250 17.98 0
Lincoln Continental 10.4 8 460.0 215 3.00 5.424 17.82 0
Chrysler Imperial 14.7 8 440.0 230 3.23 5.345 17.42 0
Fiat 128 32.4 4 78.7 66 4.08 2.200 19.47 1
Honda Civic 30.4 4 75.7 52 4.93 1.615 18.52 1
Toyota Corolla 33.9 4 71.1 65 4.22 1.835 19.90 1
Toyota Corona 21.5 4 120.1 97 3.70 2.465 20.01 1
Dodge Challenger 15.5 8 318.0 150 2.76 3.520 16.87 0
AMC Javelin 15.2 8 304.0 150 3.15 3.435 17.30 0
Camaro Z28 13.3 8 350.0 245 3.73 3.840 15.41 0
Pontiac Firebird 19.2 8 400.0 175 3.08 3.845 17.05 0
Fiat X1-9 27.3 4 79.0 66 4.08 1.935 18.90 1
– 68 –
Porsche 914-2 26.0 4 120.3 91 4.43 2.140 16.70 0

Lotus Europa 30.4 4 95.1 113 3.77 1.513 16.90 1
Ford Pantera L 15.8 8 351.0 264 4.22 3.170 14.50 0
Ferrari Dino 19.7 6 145.0 175 3.62 2.770 15.50 0
Maserati Bora 15.0 8 301.0 335 3.54 3.570 14.60 0
Volvo 142E 21.4 4 121.0 109 4.11 2.780 18.60 1
am gear carb
Mazda RX4 1 4 4
Mazda RX4 Wag 1 4 4
Datsun 710 1 4 1
Hornet 4 Drive 0 3 1
Hornet Sportabout 0 3 2
Valiant 0 3 1
Duster 360 0 3 4
Merc 240D 0 4 2
Merc 230 0 4 2
Merc 280 0 4 4
Merc 280C 0 4 4
Merc 450SE 0 3 3
Merc 450SL 0 3 3
Merc 450SLC 0 3 3
Cadillac Fleetwood 0 3 4
Lincoln Continental 0 3 4
Chrysler Imperial 0 3 4
Fiat 128 1 4 1
Honda Civic 1 4 2
Toyota Corolla 1 4 1
Toyota Corona 0 3 1
Dodge Challenger 0 3 2
AMC Javelin 0 3 2
Camaro Z28 0 3 4
Pontiac Firebird 0 3 2
Fiat X1-9 1 4 1
Porsche 914-2 1 5 2
Lotus Europa 1 5 2
Ford Pantera L 1 5 4
Ferrari Dino 1 5 6
Maserati Bora 1 5 8
Volvo 142E 1 4 2
– 69 –
NOTE
Les deux fonctions column_to_rownames et rownames_to_column acceptent un argument

supplémentaire var qui permet d’indiquer un nom de colonne autre que le nom rowname utilisé par
défaut pour créer ou identifier la colonne contenant les noms de lignes.
– 70 –
Vecteurs, indexation et
assignation
Présentation des vecteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Les principaux types de vecteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Création . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
La fonction c . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
La fonction rep . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
La fonction seq . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
L’opérateur : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
Longueur d’un vecteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
Quelques vecteurs remarquables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
Combiner des vecteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
Valeurs manquantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
Indexation par position . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
Des vecteurs nommés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
Indexation par nom . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
Indexation par condition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
Assignation par indexation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
En résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
GUIDE-R
Une version actualisée de ce chapitre est disponible sur guide-R : Vecteurs
WEBIN-R
Ce chapitre est évoqué dans le webin-R #02 (les bases du langage R) sur YouTube.
– 71 –
Nous allons reprendre plusieurs éléments de base du langage R que nous avons déjà abordés mais de
manière plus formelle. Une bonne compréhension des bases du langage, bien qu’un peu ardue de prime
abord, permet de comprendre le sens des commandes qu’on utilise et de pleinement exploiter la puissance
que R offre en matière de manipulation de données.
Dans ce chapitre, nous reviendrons sur les vecteurs, tandis que les listes et les tableaux de données seront
abordés dans un chapitre dédié, page 91.
Présentation des vecteurs

Les vecteurs sont l’un des objets de base de R et correspondent à une «liste de valeurs». Leurs propriétés
fondamentales sont :
• les vecteurs sont unidimensionnels (i.e. ce sont des objets à une seule dimension, à la différence
d’une matrice par exemple) ;
• toutes les valeurs d’un vecteur sont d’un seul et même type ;
• les vecteurs ont une longueur qui correspond au nombre de valeurs contenues dans le vecteur.
Les principaux types de vecteurs

Dans R, il existe quatre types fondamentaux de vecteurs :
• les nombres réels (c’est-à-dire les nombres décimaux que nous utilisons au quotidien),
• les nombres entiers,
• les chaînes de caractères (qui correspondent à du texte) et
• les valeurs logiques ou valeurs booléennes, à savoir «vrai» ou «faux».
Pour connaître la nature d’un objet, le plus simple est d’utiliser la fonction class . Par exemple :
R> class(12.5)
[1] "numeric"
La réponse "numeric" nous indique qu’il s’agit d’un nombre réel. Parfois, vous pourrez rencontrer le
terme "double" qui désigne également les nombres réels. Notez que R étant anglophone, la décimale
est indiquée avec un point ( . ) et non avec une virgule comme c’est l’usage en français.
Essayons avec un nombre entier :
– 72 –
Vecteurs, indexation et assignation
R> class(3)
[1] "numeric"
Sous R, lorsqu’on tape un nombre sans autre précision, il est considéré par défaut comme un nombre réel.
Pour indiquer spécifiquement qu’on veut un nombre entier, il faut rajouter le suffixe L :
R> class(3L)
[1] "integer"
Au quotidien, il arrive rarement d’avoir à utiliser ce suffixe, mais il est toujours bon de le connaître au cas
où vous le rencontriez dans des manuels ou des exemples de code.
Pour saisir une chaîne de caractères, on aura recours aux doubles guillemets droits ( " ) :
R> class("abc")
[1] "character"
Il est également possible d’utiliser des guillemets simples ( ' ), dès lors qu’on utilise bien le même type de
guillemets pour indiquer le début et la fin de la chaîne de caractères (par exemple 'abc' ).
Enfin, les valeurs logiques s’indiquent avec TRUE pour vrai et FALSE pour faux. Il est aussi possible
d’utiliser les raccourcis T et F . Attention à bien utiliser les majuscules, R étant sensible à la casse.
R> class(TRUE)
[1] "logical"
En résumé, les classes R des quatre types fondamentaux de vecteur sont :
Exemple Classe R Type
5L integer nombre entier
3.14 numeric nombre réel
"abcd" character chaîne de caractères
TRUE logical booléenne
– 73 –
En plus des types de base, il existe de nombreuses autres classes de vecteurs dans R que nous aborderons
ultérieurement dans d’autres chapitres. Les plus courantes sont :
Classe R Type
factor facteur, page 122
labelled vecteur labellisé, page 127
Date date, page 293
POSIXct date et heure, page 293
Création
La fonction c
Pour créer un vecteur, on utilisera la fonction c , la lettre «c» étant un raccourci du mot anglais combine
puisque cette fonction permet de combiner des valeurs individuelles dans un vecteur unique. Il suffit de
lui passer la liste des valeurs à combiner :
R> taille <- c(1.88, 1.65, 1.92, 1.76)

taille
[1] 1.88 1.65 1.92 1.76
R> class(taille)
[1] "numeric"
R> sexe <- c("h", "f", "h", "f")

sexe
[1] "h" "f" "h" "f"
– 74 –
R> class(sexe)
[1] "character"
R> urbain <- c(TRUE, TRUE, FALSE, FALSE)

urbain
[1] TRUE TRUE FALSE FALSE
R> class(urbain)
[1] "logical"
Nous l’avons vu, toutes les valeurs d’un vecteur doivent obligatoirement être du même type. Dès lors, si
on essaie de combiner des valeurs de différents types, R essaiera de les convertir au mieux. Par exemple :
R> x <- c(2L, 3.14, "a")

x
[1] "2" "3.14" "a"
R> class(x)
[1] "character"
Dans le cas présent, toutes les valeurs ont été converties en chaînes de caractères.
La fonction rep
Dans certaines situations, on peut avoir besoin de créer un vecteur d’une certaine longueur mais dont
toutes les valeurs sont identiques. Cela se réalise facilement avec rep à qui on indiquera la valeur à
répéter puis le nombre de répétitions :
– 75 –
R> rep(2, 10)
[1] 2 2 2 2 2 2 2 2 2 2
On peut aussi lui indiquer plusieurs valeurs qui seront alors répétées en boucle :
R> rep(c("a", "b"), 3)
[1] "a" "b" "a" "b" "a" "b"
La fonction seq
Dans d’autres situations, on peut avoir besoin de créer un vecteur contenant une suite de valeurs, ce qui se
réalise aisément avec seq à qui on précisera les arguments from (point de départ), to (point d’arrivée)
et by (pas). Quelques exemples valent mieux qu’un long discours :
R> seq(1, 10)
[1] 1 2 3 4 5 6 7 8 9 10
R> seq(5, 17, by = 2)
[1] 5 7 9 11 13 15 17
R> seq(10, 0)
[1] 10 9 8 7 6 5 4 3 2 1 0
R> seq(100, 10, by = -10)
[1] 100 90 80 70 60 50 40 30 20 10
– 76 –
R> seq(1.23, 5.67, by = 0.33)
[1] 1.23 1.56 1.89 2.22 2.55 2.88 3.21 3.54 3.87 4.20 4.53
[12] 4.86 5.19 5.52
L’opérateur :
L’opérateur : est un raccourci de la fonction seq pour créer une suite de nombres entiers. Il s’utilise
ainsi :
R> 1:5
[1] 1 2 3 4 5
R> 24:32
[1] 24 25 26 27 28 29 30 31 32
R> 55:43
[1] 55 54 53 52 51 50 49 48 47 46 45 44 43
Nous verrons un peu plus loin que ce raccourci est fort pratique.
Longueur d’un vecteur

Un vecteur dispose donc d’une longueur qui correspond au nombre de valeurs qui le composent. Elle
s’obtient avec length :
R> length(taille)
[1] 4
– 77 –
R> length(c("a", "b"))
[1] 2
Il est possible de faire un vecteur de longueur nulle avec c() . Bien évidemment sa longueur est zéro.
R> length(c())
[1] 0
Quelques vecteurs remarquables

R fournit quelques vecteurs particuliers qui sont directement accessibles :
• LETTERS : les 26 lettres de l’alphabet en majuscules

• letters : les 26 lettres de l’alphabet en minuscules
• month.name : les noms des 12 mois de l’année en anglais
• month.abb : la version abrégée des 12 mois en anglais
• pi : la constante mathématique π
R> LETTERS
[1] "A" "B" "C" "D" "E" "F" "G" "H" "I" "J" "K" "L" "M" "N"
[15] "O" "P" "Q" "R" "S" "T" "U" "V" "W" "X" "Y" "Z"
R> letters
[1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k" "l" "m" "n"
[15] "o" "p" "q" "r" "s" "t" "u" "v" "w" "x" "y" "z"
R> length(letters)
[1] 26
– 78 –
R> month.name
[1] "January" "February" "March" "April"

[5] "May" "June" "July" "August"
[9] "September" "October" "November" "December"
R> month.abb
[1] "Jan" "Feb" "Mar" "Apr" "May" "Jun" "Jul" "Aug" "Sep"
[10] "Oct" "Nov" "Dec"
R> length(month.abb)
[1] 12
R> pi
[1] 3.141593
R> length(pi)
[1] 1
Combiner des vecteurs

Pour combiner des vecteurs, rien de plus simple. Il suffit d’utiliser c ! Les valeurs des différents vecteurs
seront mises bout à bout pour créer un unique vecteur.
R> x <- c(2, 1, 3, 4)

length(x)
[1] 4
– 79 –
R> y <- c(9, 1, 2, 6, 3, 0)

length(y)
[1] 6
R> z <- c(x, y)

z
[1] 2 1 3 4 9 1 2 6 3 0
R> length(z)
[1] 10
R> min_maj <- c(letters, LETTERS)

min_maj
[1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k" "l" "m" "n"
[15] "o" "p" "q" "r" "s" "t" "u" "v" "w" "x" "y" "z" "A" "B"
[29] "C" "D" "E" "F" "G" "H" "I" "J" "K" "L" "M" "N" "O" "P"
[43] "Q" "R" "S" "T" "U" "V" "W" "X" "Y" "Z"
R> length(min_maj)
[1] 52
Valeurs manquantes
Lorsqu’on travaille avec des données d’enquête, il est fréquent que certaines données soient manquantes,
en raison d’un refus du participant de répondre à une question donnée ou d’un oubli ou d’un
dysfonctionnement du matériel de mesure, etc.
Une valeur manquante s’indique sous R avec NA (pour not available). Cette valeur peut s’appliquer à
n’importe quel type de vecteur, qu’il soit numérique, textuel ou logique.
– 80 –
R> taille <- c(1.88, NA, 1.65, 1.92, 1.76, NA)

sexe <- c("h", "f", NA, "h", NA, "f")
Les valeurs manquantes sont prises en compte dans le calcul de la longueur du vecteur.
R> length(taille)
[1] 6
Il ne faut pas confondre NA avec un autre objet qu’on rencontre sous R qui s’appelle NULL et qui
représente l’«objet vide». NULL ne contient absolument rien. La différence se comprend mieux lorsqu’on
essaie de combiner ces objets :
R> c(NULL, NULL, NULL)
NULL
R> length(c(NULL, NULL, NULL))
[1] 0
On peut combiner NULL avec NULL , du vide plus du vide renverra toujours du vide dont la dimension est
égale à zéro.
R> c(NA, NA, NA)
[1] NA NA NA
R> length(c(NA, NA, NA))
[1] 3
Par contre, un vecteur composé de trois valeurs manquantes a une longueur de 3, même si toutes ses
valeurs sont manquantes.
– 81 –
Indexation par position

L’indexation est l’une des fonctionnalités les plus puissantes mais aussi les plus difficiles à maîtriser de R.
Il s’agit d’opérations permettant de sélectionner des sous-ensembles de valeurs en fonction de différents
critères. Il existe trois types d’indexation : (i) l’indexation par position, (ii) l’indexation par nom et (iii)
l’indexation par condition. Le principe est toujours le même : on indique entre crochets ( [] ) ce qu’on
souhaite garder ou non.
Pour rappel, les crochets s’obtiennent sur un clavier français de type PC en appuyant sur la touche
Alt Gr et la touche ( ou ) .
Commençons par l’indexation par position encore appelée indexation directe. Ce mode le plus simple
d’indexation consiste à indiquer la position des éléments à conserver.
Reprenons notre vecteur taille :
R> taille
[1] 1.88 NA 1.65 1.92 1.76 NA
Si on souhaite le premier élément du vecteur, on peut faire :
R> taille[1]
[1] 1.88
Si on souhaite les trois premiers éléments ou les éléments 2, 5 et 6 :
R> taille[1:3]
[1] 1.88 NA 1.65
R> taille[c(2, 5, 6)]
[1] NA 1.76 NA
Si on veut le dernier élément :
– 82 –
R> taille[length(taille)]
[1] NA
Il est tout à fait possible de sélectionner les valeurs dans le désordre :
R> taille[c(5, 1, 4, 3)]
[1] 1.76 1.88 1.92 1.65
Dans le cadre de l’indexation par position, il est également possible de spécifier des nombres négatifs,
auquel cas cela signifiera «toutes les valeurs sauf celles-là». Par exemple :
R> taille[c(-1, -5)]
[1] NA 1.65 1.92 NA
À noter, si on indique une position au-delà de la longueur du vecteur, R renverra NA . Par exemple :
R> taille[23:25]
[1] NA NA NA
Des vecteurs nommés

Les différentes valeurs d’un vecteur peuvent être nommées. Une première manière de nommer les
éléments d’un vecteur est de le faire à sa création :
R> sexe <- c(Michel = "h", Anne = "f", Dominique = NA, Jean = "h", Claude = NA, M
arie = "f")
Lorsqu’on affiche le vecteur, la présentation change quelque peu.
R> sexe
Michel Anne Dominique Jean Claude Marie

"h" "f" NA "h" NA "f"
– 83 –
La liste des noms s’obtient avec names .
R> names(sexe)
[1] "Michel" "Anne" "Dominique" "Jean"

[5] "Claude" "Marie"
Pour ajouter ou modifier les noms d’un vecteur, on doit attribuer un nouveau vecteur de noms :
R> names(sexe) <- c("Michael", "Anna", "Dom", "John", "Alex", "Mary")

sexe
Michael Anna Dom John Alex Mary

"h" "f" NA "h" NA "f"
Pour supprimer tous les noms, il y a la fonction unname :
R> anonyme <- unname(sexe)

anonyme
[1] "h" "f" NA "h" NA "f"
Indexation par nom

Lorsqu’un vecteur est nommé, il est dès lors possible d’accéder à ses valeurs à partir de leur nom. Il s’agit
de l’indexation par nom.
R> sexe["Anna"]
Anna
"f"
R> sexe[c("Mary", "Michael", "John")]
Mary Michael John

"f" "h" "h"
Par contre il n’est pas possible d’utiliser l’opérateur - comme pour l’indexation directe. Pour exclure un
– 84 –
élément en fonction de son nom, on doit utiliser une autre forme d’indexation, l’indexation par condition,
expliquée dans la section suivante. On peut ainsi faire…
R> sexe[names(sexe) != "Dom"]
… pour sélectionner tous les éléments sauf celui qui s’appelle «Dom».
Indexation par condition

L’indexation par condition consiste à fournir un vecteur logique indiquant si chaque élément doit être
inclus (si TRUE ) ou exclu (si FALSE ). Par exemple :
R> sexe

"h" "f" NA "h" NA "f"
R> sexe[c(TRUE, FALSE, FALSE, TRUE, FALSE, FALSE)]
Michael John
"h" "h"
Écrire manuellement une telle condition n’est pas très pratique à l’usage. Mais supposons que nous ayons
également à notre disposition les deux vecteurs suivants, également de longueur 6.
R> urbain <- c(TRUE, FALSE, FALSE, FALSE, TRUE, TRUE)

poids <- c(80, 63, 75, 87, 82, 67)
Le vecteur urbain est un vecteur logique. On peut directement l’utiliser pour avoir le sexe des enquêtés
habitant en milieu urbain :
R> sexe[urbain]
Michael Alex Mary

"h" NA "f"
Supposons qu’on souhaite maintenant avoir la taille des individus pesant 80 kilogrammes ou plus. Nous
pouvons effectuer une comparaison à l’aide des opérateurs de comparaison suivants :
– 85 –
Opérateur de comparaison Signification
== égal à
!= différent de
> strictement supérieur à
< strictement inférieur à
>= supérieur ou égal à
<= inférieur ou égal à
Voyons tout de suite un exemple :
R> poids >= 80
[1] TRUE FALSE FALSE TRUE TRUE FALSE
Que s’est-il passé ? Nous avons fourni à R une condition et il nous a renvoyé un vecteur logique avec autant
d’éléments qu’il y a d’observations et dont la valeur est TRUE si la condition est remplie et FALSE dans
les autres cas. Nous pouvons alors utiliser ce vecteur logique pour obtenir la taille des participants pesant
80 kilogrammes ou plus :
R> taille[poids >= 80]
[1] 1.88 1.92 1.76
On peut combiner ou modifier des conditions à l’aide des opérateurs logiques habituels :
Opérateur logique Signification
& et logique
| ou logique
! négation logique
Comment les utilise-t-on ? Voyons tout de suite un exemple. Supposons que je veuille identifier les
personnes pesant 80 kilogrammes ou plus et vivant en milieu urbain :
– 86 –
R> poids >= 80 & urbain
[1] TRUE FALSE FALSE FALSE TRUE FALSE
Les résultats sont différents si je souhaite isoler les personnes pesant 80 kilogrammes ou plus ou vivant
milieu urbain :
R> poids >= 80 | urbain
[1] TRUE FALSE FALSE TRUE TRUE TRUE
Une remarque importante : quand l’un des termes d’une condition comporte une valeur manquante ( NA ),
le résultat de cette condition n’est pas toujours TRUE ou FALSE , il peut aussi être à son tour une valeur
manquante.
R> taille
[1] 1.88 NA 1.65 1.92 1.76 NA
R> taille > 1.8
[1] TRUE NA FALSE TRUE FALSE NA
On voit que le test NA > 1.8 ne renvoie ni vrai ni faux, mais NA .
Une autre conséquence importante de ce comportement est qu’on ne peut pas utiliser l’opérateur
l’expression == NA pour tester la présence de valeurs manquantes. On utilisera à la place la fonction ad
hoc is.na :
R> is.na(taille > 1.8)
[1] FALSE TRUE FALSE FALSE FALSE TRUE
Pour compliquer encore un peu le tout, lorsqu’on utilise une condition pour l’indexation, si la condition
renvoie NA , R ne sélectionne pas l’élément mais retourne quand même la valeur NA . Ceci a donc des
conséquences sur le résultat d’une indexation par comparaison.
Par exemple si je cherche à connaître le poids des personnes mesurant 1,80 mètre ou plus :
– 87 –
R> taille
[1] 1.88 NA 1.65 1.92 1.76 NA
R> poids
[1] 80 63 75 87 82 67
R> poids[taille > 1.8]
[1] 80 NA 87 NA
Les éléments pour lesquels la taille n’est pas connue ont été transformés en NA , ce qui n’influera pas le
calcul d’une moyenne. Par contre, lorsqu’on utilisera assignation et indexation ensemble, cela peut créer
des problèmes. Il est donc préférable lorsqu’on a des valeurs manquantes de les exclure ainsi :
R> poids[taille > 1.8 & !is.na(taille)]
[1] 80 87
Pour plus de détails sur les conditions et le calcul logique dans R, on pourra se référer au chapitre dédié,
page 1137.
Assignation par indexation

Dans tous les exemples précédents, on a utilisé l’indexation pour extraire une partie d’un vecteur, en
plaçant l’opération d’indexation à droite de l’opérateur <- .
Mais l’indexation peut également être placée à gauche de cet opérateur d’assignation. Dans ce cas, les
éléments sélectionnés par l’indexation sont alors remplacés par les valeurs indiquées à droite de
l’opérateur <- .
Prenons donc un exemple simple :
– 88 –
R> v <- 1:5

v
[1] 1 2 3 4 5
R> v[1] <- 3

v
[1] 3 2 3 4 5
Cette fois, au lieu d’utiliser quelque chose comme x <- v[1] , qui aurait placé la valeur du premier
élément de v dans x , on a utilisé v[1] <- 3 , ce qui a mis à jour le premier élément de v avec la valeur
3. Ceci fonctionne également pour les différents types d’indexation évoqués précédemment :
R> sexe["Alex"] <- "f"
Enfin on peut modifier plusieurs éléments d’un seul coup soit en fournissant un vecteur, soit en profitant
du mécanisme de recyclage. Les deux commandes suivantes sont ainsi rigoureusement équivalentes :
R> sexe[c(1, 3, 4)] <- c("Homme", "Homme", "Homme")

sexe[c(1, 3, 4)] <- "Homme"
L’assignation par indexation peut aussi être utilisée pour ajouter une ou plusieurs valeurs à un vecteur :
R> length(sexe)
[1] 6
R> sexe[7] <- "f"

sexe

"Homme" "f" "Homme" "Homme" "f" "f" "f"
R> length(sexe)
[1] 7
– 89 –
On commence à voir comment l’utilisation de l’indexation par conditions et de l’assignation va nous

permettre de faire des recodages (que nous aborderons plus en détail dans un chapitre dédié, page 201).
En résumé
• Un vecteur est un objet unidimensionnel contenant une liste de valeurs qui sont toutes du même
type (entières, numériques, textuelles ou logiques).
• La fonction class permet de connaître le type du vecteur et la fonction length sa longueur,
c’est-à-dire son nombre d’éléments.
• La fonction c sert à créer et à combiner des vecteurs.
• Les valeurs manquantes sont représentées avec NA .
• Un vecteur peut être nommé, c’est-à-dire qu’un nom textuel a été associé à chaque élément. Cela
peut se faire lors de sa création ou avec la fonction names .
• L’indexation consiste à extraire certains éléments d’un vecteur. Pour cela, on indique ce qu’on
souhaite extraire entre crochets ( [] ) juste après le nom du vecteur. Le type d’indexation
dépend du type d’information transmise.
• S’il s’agit de nombres entiers, c’est l’indexation par position : les nombres représentent la
position dans le vecteur des éléments qu’on souhaite extraire. Un nombre négatif s’interprète
comme «tous les éléments sauf celui-là».
• Si on indique des chaînes de caractères, c’est l’indexation par nom : on indique le nom des
éléments qu’on souhaite extraire. Cette forme d’indexation ne fonctionne que si le vecteur est
nommé.
• Si on transmet des valeurs logiques, le plus souvent sous la forme d’une condition, c’est
l’indexation par condition : TRUE indique les éléments à extraire et FALSE les éléments à
exclure. Il faut être vigilant aux valeurs manquantes ( NA ) dans ce cas précis.
• Enfin, il est possible de ne modifier que certains éléments d’un vecteur en ayant recours à la fois
à l’indexation ( [] ) et à l’assignation ( <- ).
– 90 –
Listes et Tableaux de
données
Listes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
Propriétés et création . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
Indexation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
Tableaux de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
Propriétés et création . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 98
Indexation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
Afficher les données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
En résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
GUIDE-R
Une version actualisée de ce chapitre est disponible sur guide-R : Listes & Tableaux de données
NOTE
Il est préférable d’avoir déjà lu le chapitre Vecteurs, indexation et assignation, page 71 avant d’aborder
celui-ci.
WEBIN-R
– 91 –
Listes
Par nature, les vecteurs ne peuvent contenir que des valeurs de même type (numérique, textuel ou
logique). Or, on peut avoir besoin de représenter des objets plus complexes composés d’éléments
disparates. C’est ce que permettent les listes.
Propriétés et création
Une liste se crée tout simplement avec la fonction list :
R> l1 <- list(1:5, "abc")

l1
[[1]]
[1] 1 2 3 4 5
[[2]]
[1] "abc"
Une liste est un ensemble d’objets, quels qu’ils soient, chaque élément d’une liste pouvant avoir ses
propres dimensions. Dans notre exemple précédent, nous avons créé une liste l1 composée de deux
éléments : un vecteur d’entiers de longueur 5 et un vecteur textuel de longueur 1. La longueur d’une liste
correspond aux nombres d’éléments qu’elle contient et s’obtient avec length :
R> length(l1)
[1] 2
Comme les vecteurs, une liste peut être nommée et les noms des éléments d’une liste sont accessibles
avec names :
R> l2 <- list(minuscules = letters, majuscules = LETTERS, mois = month.name)

l2
$minuscules
[1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k" "l" "m" "n"
[15] "o" "p" "q" "r" "s" "t" "u" "v" "w" "x" "y" "z"
– 92 –
Listes et Tableaux de données
$majuscules
[1] "A" "B" "C" "D" "E" "F" "G" "H" "I" "J" "K" "L" "M" "N"
[15] "O" "P" "Q" "R" "S" "T" "U" "V" "W" "X" "Y" "Z"
$mois
R> length(l2)
[1] 3
R> names(l2)
[1] "minuscules" "majuscules" "mois"
Que se passe-t-il maintenant si on effectue la commande suivante ?
R> l <- list(l1, l2)
À votre avis, quelle est la longueur de cette nouvelle liste l ? 5 ?
R> length(l)
[1] 2
Eh bien non ! Elle est de longueur 2 car nous avons créé une liste composée de deux éléments qui sont
eux-mêmes des listes. Cela est plus lisible si on fait appel à la fonction str qui permet de visualiser la
structure d’un objet.
R> str(l)
List of 2
$ :List of 2
..$ : int [1:5] 1 2 3 4 5
..$ : chr "abc"
$ :List of 3
..$ minuscules: chr [1:26] "a" "b" "c" "d" ...
– 93 –
..$ majuscules: chr [1:26] "A" "B" "C" "D" ...

..$ mois : chr [1:12] "January" "February" "March" "April" ...
Une liste peut contenir tous types d’objets, y compris d’autres listes. Pour combiner les éléments d’une
liste, il faut utiliser la fonction append :
R> l <- append(l1, l2)

length(l)
[1] 5
R> str(l)
List of 5
$ : int [1:5] 1 2 3 4 5
$ : chr "abc"
$ minuscules: chr [1:26] "a" "b" "c" "d" ...
$ majuscules: chr [1:26] "A" "B" "C" "D" ...
$ mois : chr [1:12] "January" "February" "March" "April" ...
On peut noter en passant qu’une liste peut tout à fait n’être que partiellement nommée.
Indexation
Les crochets simples ( [] ) fonctionnent comme pour les vecteurs. On peut utiliser à la fois l’indexation
par position, l’indexation par nom et l’indexation par condition.
R> l
[[1]]
[1] 1 2 3 4 5
[[2]]
[1] "abc"
$minuscules
[1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k" "l" "m" "n"
[15] "o" "p" "q" "r" "s" "t" "u" "v" "w" "x" "y" "z"
$majuscules
– 94 –
[1] "A" "B" "C" "D" "E" "F" "G" "H" "I" "J" "K" "L" "M" "N"
[15] "O" "P" "Q" "R" "S" "T" "U" "V" "W" "X" "Y" "Z"
$mois
R> l[c(1, 3, 4)]
[[1]]
[1] 1 2 3 4 5
$minuscules
[1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k" "l" "m" "n"
[15] "o" "p" "q" "r" "s" "t" "u" "v" "w" "x" "y" "z"
$majuscules
[1] "A" "B" "C" "D" "E" "F" "G" "H" "I" "J" "K" "L" "M" "N"
[15] "O" "P" "Q" "R" "S" "T" "U" "V" "W" "X" "Y" "Z"
R> l[c("majuscules", "minuscules")]
$majuscules
[1] "A" "B" "C" "D" "E" "F" "G" "H" "I" "J" "K" "L" "M" "N"
[15] "O" "P" "Q" "R" "S" "T" "U" "V" "W" "X" "Y" "Z"
$minuscules
[1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k" "l" "m" "n"
[15] "o" "p" "q" "r" "s" "t" "u" "v" "w" "x" "y" "z"
R> l[c(TRUE, TRUE, FALSE, FALSE, TRUE)]
[[1]]
[1] 1 2 3 4 5
[[2]]
[1] "abc"
$mois
– 95 –

Même si on extrait un seul élément, l’extraction obtenue avec les crochets simples renvoie toujours une
liste, ici composée d’un seul élément :
R> str(l[1])
List of 1
$ : int [1:5] 1 2 3 4 5
Supposons que je souhaite calculer la moyenne des valeurs du premier élément de ma liste. Essayons la
commande suivante :
R> mean(l[1])
Warning in mean.default(l[1]): l'argument n'est ni

numérique, ni logique : renvoi de NA
[1] NA
Nous obtenons un message d’erreur. En effet, R ne sait pas calculer une moyenne à partir d’une liste. Ce
qu’il lui faut, c’est un vecteur de valeurs numériques. Autrement dit, ce que nous cherchons à obtenir c’est
le contenu même du premier élément de notre liste et non une liste à un seul élément.
C’est ici que les doubles crochets ( [[]] ) vont rentrer en jeu. Pour ces derniers, nous pourrons utiliser
l’indexation par position ou l’indexation par nom, mais pas l’indexation par condition. De plus, le critère
qu’on indiquera doit indiquer un et un seul élément de notre liste. Au lieu de renvoyer une liste à un
élément, les doubles crochets vont renvoyer l’élément désigné. Vite, un exemple :
R> str(l[1])
List of 1
$ : int [1:5] 1 2 3 4 5
R> str(l[[1]])
int [1:5] 1 2 3 4 5
Maintenant, nous pouvons calculer notre moyenne :
– 96 –
R> mean(l[[1]])
[1] 3
Nous pouvons aussi tester l’indexation par nom.
R> l[["mois"]]

Mais il faut avouer que cette écriture avec doubles crochets et guillemets est un peu lourde.
Heureusement, un nouvel acteur entre en scène : le symbole dollar ( $ ). C’est un raccourci des doubles
crochets pour l’indexation par nom qu’on utilise ainsi :
R> l$mois

Les écritures l$mois et l[["mois"]] sont équivalentes. Attention ! Cela ne fonctionne que pour
l’indexation par nom.
R> l$1
Error: unexpected numeric constant in "l$1"
L’assignation par indexation fonctionne également avec les doubles crochets ou le signe dollar :
R> l[[2]] <- list(c("un", "vecteur", "textuel"))

l$mois <- c("Janvier", "Février", "Mars")
l
[[1]]
[1] 1 2 3 4 5
[[2]]
[[2]][[1]]
– 97 –
[1] "un" "vecteur" "textuel"
$minuscules
[1] "a" "b" "c" "d" "e" "f" "g" "h" "i" "j" "k" "l" "m" "n"
[15] "o" "p" "q" "r" "s" "t" "u" "v" "w" "x" "y" "z"
$majuscules
[1] "A" "B" "C" "D" "E" "F" "G" "H" "I" "J" "K" "L" "M" "N"
[15] "O" "P" "Q" "R" "S" "T" "U" "V" "W" "X" "Y" "Z"
$mois
[1] "Janvier" "Février" "Mars"
Tableaux de données
Il y a un type d’objets que nous avons déjà abordé dans le chapitre Premier travail avec les données,
page 35, il s’agit du tableau de données ou data frame en anglais.
Propriétés et création
Dans R, les tableaux de données sont tout simplement des listes avec quelques propriétés spécifiques :
• les tableaux de données ne peuvent contenir que des vecteurs ;

• tous les vecteurs d’un tableau de données ont la même longueur ;
• tous les éléments d’un tableau de données sont nommés et ont chacun un nom unique.
Dès lors, un tableau de données correspond aux fichiers de données qu’on a l’habitude de manipuler dans
d’autres logiciels de statistiques comme SPSS ou Stata. Les variables sont organisées en colonnes et les
observations en lignes.
On peut créer un tableau de données avec la fonction data.frame :
R> df <- data.frame(

sexe = c("f", "f", "h", "h"),
age = c(52, 31, 29, 35),
blond = c(FALSE, TRUE, TRUE, FALSE)
)
df
– 98 –
R> str(df)

$ sexe : chr "f" "f" "h" "h"
$ age : num 52 31 29 35
$ blond: logi FALSE TRUE TRUE FALSE
NOTE
Historiquement, la fonction data.frame avait un gros défaut : si on ne désactivait pas l’option

stringsAsFactors elle transformait les chaînes de caractères, ici la variable sexe en facteurs (un
type de vecteur que nous aborderons plus en détail dans un prochain chapitre, page 121).
Depuis la version 4.0.0, l’option stringsAsFactors vaut maintenant FALSE par défaut.

sexe = c("f", "f", "h", "h"),
age = c(52, 31, 29, 35),
blond = c(FALSE, TRUE, TRUE, FALSE),
stringsAsFactors = FALSE
)
df
R> str(df)

$ sexe : chr "f" "f" "h" "h"
$ age : num 52 31 29 35
$ blond: logi FALSE TRUE TRUE FALSE
Un tableau de données étant une liste, la fonction length renverra le nombre d’éléments de la liste, donc
dans le cas présent le nombre de variables, et names leurs noms :
R> length(df)
[1] 3
– 99 –
R> names(df)
[1] "sexe" "age" "blond"
Comme tous les éléments d’un tableau de données ont la même longueur, cet objet peut être vu comme
bidimensionnel. Les fonctions nrow , ncol et dim donnent respectivement le nombre de lignes, le
nombre de colonnes et les dimensions de notre tableau.
R> nrow(df)
[1] 4
R> ncol(df)
[1] 3
R> dim(df)
[1] 4 3
De plus, tout comme les colonnes ont un nom, il est aussi possible de nommer les lignes avec row.names :
R> row.names(df) <- c("Anna", "Mary-Ann", "Michael", "John")

df
Indexation
Les tableaux de données étant des listes, nous pouvons donc utiliser les crochets simples ( [] ), les
crochets doubles ( [[]] ) et le symbole dollar ( $ ) pour extraire des parties de notre tableau, de la même
manière que pour n’importe quelle liste.
R> df[1]
– 100 –
R> df[[1]]
[1] "f" "f" "h" "h"
R> df$sexe
[1] "f" "f" "h" "h"
Cependant, un tableau de données étant un objet bidimensionnel, il est également possible d’extraire des
données sur deux dimensions, à savoir un premier critère portant sur les lignes et un second portant sur
les colonnes. Pour cela, nous utiliserons les crochets simples ( [] ) en séparant nos deux critères par une
virgule ( , ).
Un premier exemple :
R> df
R> df[3, 2]
[1] 29
Cette première commande indique que nous souhaitons la troisième ligne de la seconde colonne,
autrement dit l’âge de Michael. Le même résultat peut être obtenu avec l’indexation par nom, l’indexation
par condition, ou un mélange de tout ça.
R> df["Michael", "age"]
[1] 29
R> df[c(F, F, T, F), c(F, T, F)]
[1] 29
R> df[3, "age"]
[1] 29
– 101 –
R> df["Michael", 2]
[1] 29
Il est également possible de préciser un seul critère. Par exemple, si je souhaite les deux premières
observations, ou les variables sexe et blond :
R> df[1:2, ]
R> df[, c("sexe", "blond")]
Il a suffi de laisser un espace vide avant ou après la virgule. ATTENTION ! Il est cependant impératif de
laisser la virgule pour indiquer à R qu’on souhaite effectuer une indexation à deux dimensions. Si on oublie
la virgule, cela nous ramène au mode de fonctionnement des listes. Et le résultat n’est pas forcément le
même :
R> df[2, ]
R> df[, 2]
[1] 52 31 29 35
R> df[2]
– 102 –
NOTE
Au passage, on pourra noter quelques subtilités sur le résultat renvoyé.
R> str(df[2, ])

$ sexe : chr "f"
$ age : num 31
$ blond: logi TRUE
R> str(df[, 2])
num [1:4] 52 31 29 35
R> str(df[2])
'data.frame': 4 obs. of 1 variable:

$ age: num 52 31 29 35
R> str(df[[2]])
num [1:4] 52 31 29 35
df[2, ] signifie qu’on veut toutes les variables pour le second individu. Le résultat est un tableau de
données à une ligne et trois colonnes. df[2] correspond au mode d’extraction des listes et renvoie
donc une liste à un élément, en l’occurrence un tableau de données à quatre observations et une
variable. df[[2]] quant à lui renvoie le contenu de cette variable, soit un vecteur numérique de
longueur quatre. Reste df[, 2] qui renvoie toutes les observations pour la seconde colonne. Or
l’indexation bidimensionnelle a un fonctionnement un peu particulier : par défaut elle renvoie un
tableau de données mais s’il y a une seule variable dans l’extraction, c’est un vecteur qui est renvoyé.
Pour plus de détails, on pourra consulter l’entrée d’aide de [.data.frame .
Afficher les données

Prenons un tableau de données un peu plus conséquent, en l’occurrence un jeu de données disponible
– 103 –
dans l’extension questionr et correspondant à un extrait de l’enquête Histoire de vie réalisée par l’INSEE en
2003. Il contient 2000 individus et 20 variables.
data(hdv2003)
d <- hdv2003
Si on demande d’afficher l’objet d dans la console (résultat non reproduit ici), R va afficher l’ensemble du
contenu de d à l’écran ce qui, sur un tableau de cette taille, ne sera pas très lisible. Pour une exploration
visuelle, le plus simple est souvent d’utiliser la visionneuse intégrée à RStudio et qu’on peut appeler avec
la fonction View .
R> View(d)
Les fonctions head et tail , qui marchent également sur les vecteurs, permettent d’afficher seulement
les premières (respectivement les dernières) lignes d’un tableau de données :
R> head(d)
R> tail(d, 2)
L’extension dplyr, que nous n’aborderons en détails que plus tard, page 241, propose une fonction
glimpse (ce qui signifie «aperçu» en anglais) qui permet de visualiser rapidement et de manière
condensée le contenu d’un tableau de données.
R> library(dplyr)
glimpse(d)
Rows: 2,000
Columns: 20
$ id <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 1…
$ age <int> 28, 23, 59, 34, 71, 35, 60, 47, 20, …
$ sexe <fct> Femme, Femme, Homme, Homme, Femme, F…
$ nivetud <fct> "Enseignement superieur y compris te…
$ poids <dbl> 2634.3982, 9738.3958, 3994.1025, 573…
$ occup <fct> "Exerce une profession", "Etudiant, …
$ qualif <fct> Employe, NA, Technicien, Technicien,…
$ freres.soeurs <int> 8, 2, 2, 1, 0, 5, 1, 5, 4, 2, 3, 4, …
$ clso <fct> Oui, Oui, Non, Non, Oui, Non, Oui, N…
$ relig <fct> Ni croyance ni appartenance, Ni croy…
$ trav.imp <fct> Peu important, NA, Aussi important q…
$ trav.satisf <fct> Insatisfaction, NA, Equilibre, Satis…
$ hard.rock <fct> Non, Non, Non, Non, Non, Non, Non, N…
– 104 –
$ lecture.bd <fct> Non, Non, Non, Non, Non, Non, Non, N…

$ peche.chasse <fct> Non, Non, Non, Non, Non, Non, Oui, O…
$ cuisine <fct> Oui, Non, Non, Oui, Non, Non, Oui, O…
$ bricol <fct> Non, Non, Non, Oui, Non, Non, Non, O…
$ cinema <fct> Non, Oui, Non, Oui, Non, Oui, Non, N…
$ sport <fct> Non, Oui, Oui, Oui, Non, Oui, Non, N…
$ heures.tv <dbl> 0.0, 1.0, 0.0, 2.0, 3.0, 2.0, 2.9, 1…
L’extension labelled propose une fonction look_for qui permet de lister les différentes variables d’un
fichier de données :
R> library(labelled)
look_for(d)
pos variable label col_type values
<chr> <chr> <chr> <chr> <chr>
1 id — int range: 1 - 2000
2 age — int range: 18 - 97
3 sexe — fct Homme
Femme
4 nivetud — fct N'a jamais fait d'etudes
A arrete ses etudes, avant la derniere annee

d'etudes primaires
Derniere annee d'etudes primaires
1er cycle
2eme cycle
Enseignement technique ou professionnel court
Enseignement technique ou professionnel long
Enseignement superieur y compris technique su

perieur
5 poids — dbl range: 78.0783403 - 31092.14132
6 occup — fct Exerce une profession
– 105 –
Chomeur
Etudiant, eleve
Retraite
Retire des affaires
Au foyer
Autre inactif
7 qualif — fct Ouvrier specialise
Ouvrier qualifie
Technicien
Profession intermediaire
Cadre
Employe
Autre
8 freres.soeurs — int range: 0 - 22
9 clso — fct Oui
Non
Ne sait pas
10 relig — fct Pratiquant regulier
Pratiquant occasionnel
Appartenance sans pratique
Ni croyance ni appartenance
Rejet
NSP ou NVPR
– 106 –
11 trav.imp — fct Le plus important
Aussi important que le reste
Moins important que le reste
Peu important
12 trav.satisf — fct Satisfaction
Insatisfaction
Equilibre
13 hard.rock — fct Non
Oui
14 lecture.bd — fct Non
Oui
15 peche.chasse — fct Non
Oui
16 cuisine — fct Non
Oui
17 bricol — fct Non
Oui
18 cinema — fct Non
Oui
19 sport — fct Non
Oui
20 heures.tv — dbl range: 0 - 12
Lorsqu’on a un gros tableau de données avec de nombreuses variables, il peut être difficile de retrouver la
ou les variables d’intérêt. Il est possible d’indiquer à look_for un mot-clé pour limiter la recherche. Par
exemple :
– 107 –
R> look_for(d, "trav")

Peu important
Insatisfaction
Equilibre
Il est à noter que si la recherche n’est pas sensible à la casse (i.e. aux majuscules et aux minuscules), elle est
sensible aux accents.
La méthode summary qui fonctionne sur tout type d’objet permet d’avoir quelques statistiques de base
sur les différentes variables de notre tableau, les statistiques affichées dépendant du type de variable.
R> summary(d)
id age sexe
Min. : 1.0 Min. :18.00 Homme: 899
1st Qu.: 500.8 1st Qu.:35.00 Femme:1101
Median :1000.5 Median :48.00
Mean :1000.5 Mean :48.16
3rd Qu.:1500.2 3rd Qu.:60.00
Max. :2000.0 Max. :97.00
nivetud
1er cycle :204
2eme cycle :183
(Other) :256
NA's :112
poids occup
Min. : 78.08 Exerce une profession:1049
1st Qu.: 2221.82 Chomeur : 134
Median : 4631.19 Etudiant, eleve : 94
Mean : 5535.61 Retraite : 392
3rd Qu.: 7626.53 Retire des affaires : 77
Max. :31092.14 Au foyer : 171
Autre inactif : 83
– 108 –
(Other) :144 Max. :22.000
NA's :347
clso relig
Rejet : 93
NSP ou NVPR : 40
NA's :952


Non:1174 Non:1277 Min. : 0.000
Oui: 826 Oui: 723 1st Qu.: 1.000
Median : 2.000
Mean : 2.247
3rd Qu.: 3.000
Max. :12.000
NA's :5
On peut également appliquer summary à une variable particulière.
– 109 –
R> summary(d$sexe)
Homme Femme
899 1101
R> summary(d$age)

18.00 35.00 48.00 48.16 60.00 97.00
L’extension questionr fournit également une fonction bien pratique pour décrire les différentes variables
d’un tableau de données. Il s’agit de describe . Faisons de suite un essai :
R> describe(d)

------------------------------------------------------------
id
2000 0 2000 1 1000 667
.05 .10 .25 .50 .75 .90
101.0 200.9 500.8 1000.5 1500.2 1800.1
.95
1900.0
lowest : 1 2 3 4 5, highest: 1996 1997 1998 1999 2000

------------------------------------------------------------
age
2000 0 78 1 48.16 19.4
.05 .10 .25 .50 .75 .90
22 26 35 48 60 72
.95
77
lowest : 18 19 20 21 22, highest: 91 92 93 96 97

------------------------------------------------------------
sexe
n missing distinct
2000 0 2
– 110 –
Value Homme Femme

Frequency 899 1101
------------------------------------------------------------
nivetud
n missing distinct
1888 112 8
lowest : N'a jamais fait d'etudes A arret

e ses etudes, avant la derniere annee d'etudes primaires Derniere annee d'etudes
primaires 1er cycle
2eme cycle
highest: 1er cycle 2eme cy

cle Enseignement technique
ou professionnel court Enseignement technique ou professionnel
long Enseignement superieur y compris technique superieur
------------------------------------------------------------
poids
2000 0 1877 1 5536 4553
.05 .10 .25 .50 .75 .90
799.8 1161.7 2221.8 4631.2 7626.5 10819.0
.95
13647.9
lowest : 78.07834 92.68033 92.93637 127.90122 153.01026

highest: 27195.83782 29548.78954 29570.78696 29657.94035 31092.14132
------------------------------------------------------------
occup
n missing distinct
2000 0 7
lowest : Exerce une profession Chomeur Etudiant, eleve Retra

ite Retire des affaires
highest: Etudiant, eleve Retraite Retire des affaires Au fo
yer Autre inactif

inactif (83, 0.042)
------------------------------------------------------------
qualif
n missing distinct
– 111 –
1653 347 7

Employe Autre

(160, 0.097), Cadre (260, 0.157), Employe (594, 0.359),
Autre (58, 0.035)
------------------------------------------------------------
freres.soeurs
2000 0 19 0.977 3.283 2.87
.05 .10 .25 .50 .75 .90
0 1 1 2 5 7
.95
9
lowest : 0 1 2 3 4, highest: 14 15 16 18 22
0 (167, 0.084), 1 (407, 0.203), 2 (427, 0.214), 3 (284,

0.142), 4 (210, 0.105), 5 (151, 0.076), 6 (99, 0.050), 7
(94, 0.047), 8 (52, 0.026), 9 (37, 0.018), 10 (21, 0.011),
11 (21, 0.011), 12 (8, 0.004), 13 (10, 0.005), 14 (4,
0.002), 15 (4, 0.002), 16 (1, 0.000), 18 (2, 0.001), 22 (1,
0.000)
------------------------------------------------------------
clso
n missing distinct
2000 0 3

Proportion 0.468 0.518 0.014
------------------------------------------------------------
relig
n missing distinct
2000 0 6
lowest : Pratiquant regulier Pratiquant occasionnel Appartenance sa

ns pratique Ni croyance ni appartenance Rejet
highest: Pratiquant occasionnel Appartenance sans pratique Ni croyance ni
appartenance Rejet NSP ou NVPR
– 112 –

NSP ou NVPR (40, 0.020)
------------------------------------------------------------
trav.imp
n missing distinct
1048 952 4

------------------------------------------------------------
trav.satisf
n missing distinct
1048 952 3

Proportion 0.458 0.112 0.430
------------------------------------------------------------
hard.rock
n missing distinct
2000 0 2
Value Non Oui

Frequency 1986 14
------------------------------------------------------------
lecture.bd
n missing distinct
2000 0 2
Value Non Oui

Frequency 1953 47
------------------------------------------------------------
peche.chasse
n missing distinct
2000 0 2
Value Non Oui

Frequency 1776 224
------------------------------------------------------------
cuisine
n missing distinct
2000 0 2
– 113 –
Value Non Oui

Frequency 1119 881
------------------------------------------------------------
bricol
n missing distinct
2000 0 2
Value Non Oui

Frequency 1147 853
------------------------------------------------------------
cinema
n missing distinct
2000 0 2
Value Non Oui

Frequency 1174 826
------------------------------------------------------------
sport
n missing distinct
2000 0 2
Value Non Oui

Frequency 1277 723
------------------------------------------------------------
heures.tv
1995 5 29 0.972 2.247 1.877
.05 .10 .25 .50 .75 .90
0 0 1 2 3 4
.95
5
lowest : 0.0 0.1 0.2 0.3 0.4, highest: 8.0 9.0 10.0 11.0 12.0
------------------------------------------------------------
Comme on le voit sur cet exemple, describe nous affiche le type des variables, les premières valeurs de
chacune, le nombre de valeurs manquantes, le nombre de valeurs différentes (uniques) ainsi que quelques
autres informations suivant le type de variables.
Il est possible de restreindre l’affichage à seulement quelques variables en indiquant le nom de ces
dernières.
– 114 –
R> describe(d, c("age", "trav.satisf"))
age trav.satisf

------------------------------------------------------------
id
2000 0 2000 1 1000 667
.05 .10 .25 .50 .75 .90
101.0 200.9 500.8 1000.5 1500.2 1800.1
.95
1900.0
lowest : 1 2 3 4 5, highest: 1996 1997 1998 1999 2000

------------------------------------------------------------
age
2000 0 78 1 48.16 19.4
.05 .10 .25 .50 .75 .90
22 26 35 48 60 72
.95
77
lowest : 18 19 20 21 22, highest: 91 92 93 96 97

------------------------------------------------------------
sexe
n missing distinct
2000 0 2
Value Homme Femme

Frequency 899 1101
------------------------------------------------------------
nivetud
n missing distinct
1888 112 8
lowest : N'a jamais fait d'etudes A arret

e ses etudes, avant la derniere annee d'etudes primaires Derniere annee d'etudes
primaires 1er cycle
2eme cycle
highest: 1er cycle 2eme cy

cle Enseignement technique
ou professionnel court Enseignement technique ou professionnel
– 115 –
long Enseignement superieur y compris technique superieur
------------------------------------------------------------
poids
2000 0 1877 1 5536 4553
.05 .10 .25 .50 .75 .90
799.8 1161.7 2221.8 4631.2 7626.5 10819.0
.95
13647.9
lowest : 78.07834 92.68033 92.93637 127.90122 153.01026

highest: 27195.83782 29548.78954 29570.78696 29657.94035 31092.14132
------------------------------------------------------------
occup
n missing distinct
2000 0 7
lowest : Exerce une profession Chomeur Etudiant, eleve Retra

ite Retire des affaires
highest: Etudiant, eleve Retraite Retire des affaires Au fo
yer Autre inactif

inactif (83, 0.042)
------------------------------------------------------------
qualif
n missing distinct
1653 347 7

Employe Autre

(160, 0.097), Cadre (260, 0.157), Employe (594, 0.359),
Autre (58, 0.035)
------------------------------------------------------------
freres.soeurs
2000 0 19 0.977 3.283 2.87
.05 .10 .25 .50 .75 .90
0 1 1 2 5 7
– 116 –
.95
9
lowest : 0 1 2 3 4, highest: 14 15 16 18 22
0 (167, 0.084), 1 (407, 0.203), 2 (427, 0.214), 3 (284,

0.142), 4 (210, 0.105), 5 (151, 0.076), 6 (99, 0.050), 7
(94, 0.047), 8 (52, 0.026), 9 (37, 0.018), 10 (21, 0.011),
11 (21, 0.011), 12 (8, 0.004), 13 (10, 0.005), 14 (4,
0.002), 15 (4, 0.002), 16 (1, 0.000), 18 (2, 0.001), 22 (1,
0.000)
------------------------------------------------------------
clso
n missing distinct
2000 0 3

Proportion 0.468 0.518 0.014
------------------------------------------------------------
relig
n missing distinct
2000 0 6
lowest : Pratiquant regulier Pratiquant occasionnel Appartenance sa

ns pratique Ni croyance ni appartenance Rejet
highest: Pratiquant occasionnel Appartenance sans pratique Ni croyance ni
appartenance Rejet NSP ou NVPR

NSP ou NVPR (40, 0.020)
------------------------------------------------------------
trav.imp
n missing distinct
1048 952 4

------------------------------------------------------------
trav.satisf
n missing distinct
1048 952 3
– 117 –

Proportion 0.458 0.112 0.430
------------------------------------------------------------
hard.rock
n missing distinct
2000 0 2
Value Non Oui

Frequency 1986 14
------------------------------------------------------------
lecture.bd
n missing distinct
2000 0 2
Value Non Oui

Frequency 1953 47
------------------------------------------------------------
peche.chasse
n missing distinct
2000 0 2
Value Non Oui

Frequency 1776 224
------------------------------------------------------------
cuisine
n missing distinct
2000 0 2
Value Non Oui

Frequency 1119 881
------------------------------------------------------------
bricol
n missing distinct
2000 0 2
Value Non Oui

Frequency 1147 853
------------------------------------------------------------
cinema
n missing distinct
2000 0 2
– 118 –
Value Non Oui

Frequency 1174 826
------------------------------------------------------------
sport
n missing distinct
2000 0 2
Value Non Oui

Frequency 1277 723
------------------------------------------------------------
heures.tv
1995 5 29 0.972 2.247 1.877
.05 .10 .25 .50 .75 .90
0 0 1 2 3 4
.95
5
lowest : 0.0 0.1 0.2 0.3 0.4, highest: 8.0 9.0 10.0 11.0 12.0
------------------------------------------------------------
On peut également transmettre juste une variable :
R> describe(d$sexe)
d$sexe
n missing distinct
2000 0 2
Value Homme Femme

Frequency 899 1101
En résumé
Les Listes
• Les listes sont des objets unidimensionnels pouvant contenir tout type d’objet, y compris
d’autres listes.
• Elles ont une longueur qu’on obtient avec length .
• On crée une liste avec list et on peut fusionner des listes avec append .
– 119 –
• Tout comme les vecteurs, les listes peuvent être nommées et les noms des éléments s’obtiennent
avec names .
• Les crochets simples ( [] ) permettent de sélectionner les éléments d’une liste, en utilisant
l’indexation par position, l’indexation par nom ou l’indexation par condition. Cela renvoie
toujours une autre liste.
• Les doubles crochets ( [[]] ) renvoient directement le contenu d’un élément de la liste qu’on
aura sélectionné par position ou par nom.
• Le symbole $ est un raccourci pour facilement sélectionner un élément par son nom,
liste$nom étant équivalent à liste[["nom"]] .
Les Tableaux de données
• Les tableaux de données sont des listes avec des propriétés particulières :
i. tous les éléments sont des vecteurs ;
ii. tous les vecteurs ont la même longueur ;
iii. tous les vecteurs ont un nom et ce nom est unique.
• On peut créer un tableau de données avec data.frame .
• Les tableaux de données correspondent aux fichiers de données qu’on utilise usuellement dans
d’autres logiciels de statistiques : les variables sont représentées en colonnes et les observations
en lignes.
• Ce sont des objets bidimensionnels : ncol renvoie le nombre de colonnes et nrow le nombre
de lignes.
• Les doubles crochets ( [[]] ) et le symbole dollar ( $ ) fonctionnent comme pour les listes et
permettent d’accéder aux variables.
• Il est possible d’utiliser des coordonnées bidimensionnelles avec les crochets simples ( [] ) en
indiquant un critère sur les lignes puis un critère sur les colonnes, séparés par une virgule ( , ).
– 120 –
Facteurs et vecteurs
labellisés
Facteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
Vecteurs labellisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
Les étiquettes de variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 128
Les étiquettes de valeur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
Assignation et condition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
Quelques fonctions supplémentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
GUIDE-R
Une version actualisée de ce chapitre est disponible sur guide-R : Facteurs et forcats, Étiquettes de
variables, Étiquettes de valeurs & Valeurs manquantes
WEBIN-R
Dans le chapire sur les vecteurs, page 71, nous avons abordé les types fondementaux de vecteurs
(numériques, textuels, logiques). Mais il existe de nombreux autres classes de vecteurs afin de représenter
des données diverses (comme les dates). Dans ce chapitre, nous nous intéressons plus particulièrement
aux variables catégorielles.
Les facteurs (ou factors an anglais) sont un type de vecteur géré nativement par R et utilisés dans de
nombreux domaines (modèles statistiques, représentations graphiques, …).
Les facteurs sont souvent mis en regard des données labellisées telles qu’elles sont utilisées dans d’autres
logiciels comme SPSS ou Stata. Or, les limites propres aux facteurs font qu’ils ne sont pas adpatés pour
rendre compte des différents usages qui sont fait des données labellisées. Plusieurs extensions (telles que
– 121 –
memisc ou Hmisc) ont proposé leur propre solution qui, bien qu’elles apportaient un plus pour la gestion
des données labellisées, ne permettaient pas que celles-ci soient utilisées en dehors de ces extensions ou
des extensions compatibles. Nous aborderons ici une nouvelle classe de vecteurs, la classe labelled ,
introduite par l’extension haven (que nous aborderons dans le cadre de l’import de données, page 149) et
qui peut être manipulée avec l’extension homonyme labelled.
Facteurs
Dans ce qui suit on travaillera sur le jeu de données tiré de l’enquête Histoire de vie, fourni avec l’extension
questionr.
data(hdv2003)
d <- hdv2003
Jetons un œil à la liste des variables de d :
R> str(d)

$ id : int 1 2 3 4 5 6 7 8 9 10 ...
$ age : int 28 23 59 34 71 35 60 47 20 28 ...
3 6 NA 7 ...
$ poids : num 2634 9738 3994 5732 4329 ...
3 1 ...
A 7 ...
1 2 ...
2 ...
NA 3 ...
...
– 122 –
Facteurs et vecteurs labellisés

$ heures.tv : num 0 1 0 2 3 2 2.9 1 2 2 ...
Nous voyons que de nombreuses variables de ce tableau de données, telles que sexe ou nivetud, sont
du type facteur.
Les facteurs prennent leurs valeurs dans un ensemble de modalités prédéfinies et ne peuvent en prendre
d’autres. La liste des valeurs possibles est donnée par la fonction levels :
R> levels(d$sexe)
[1] "Homme" "Femme"
Si on veut modifier la valeur du sexe du premier individu de notre tableau de données avec une valeur non
autorisée, on obient un message d’erreur et une valeur manquante est utilisée à la place :
R> d$sexe[1] <- "Chihuahua"
Warning in `[<-.factor`(`*tmp*`, 1, value = structure(c(NA,

2L, 1L, 1L, : niveau de facteur incorrect, NAs générés
R> d$sexe[1]
[1] <NA>
Levels: Homme Femme
R> d$sexe[1] <- "Homme"

d$sexe[1]
[1] Homme
Levels: Homme Femme
On peut très facilement créer un facteur à partir d’une variable textuelle avec la fonction factor :
– 123 –
R> v <- factor(c("H", "H", "F", "H"))

v
[1] H H F H
Levels: F H
Par défaut, les niveaux d’un facteur nouvellement créés sont l’ensemble des valeurs de la variable
textuelle, ordonnées par ordre alphabétique. Cette ordre des niveaux est utilisé à chaque fois qu’on utilise
des fonctions comme table , par exemple :
R> table(v)
v
F H
1 3
On peut modifier cet ordre au moment de la création du facteur en utilisant l’option levels :
R> v <- factor(c("H", "H", "F", "H"), levels = c("H", "F"))

table(v)
v
H F
3 1
On peut aussi modifier l’ordre des niveaux d’une variable déjà existante :
R> d$qualif <- factor(d$qualif, levels = c(

"Ouvrier specialise", "Ouvrier qualifie",
"Employe", "Technicien", "Profession intermediaire", "Cadre", "Autre"
))
table(d$qualif)

203 292
Employe Technicien
594 86
160 260
Autre
– 124 –
58
NOTE
L’extension questionr propose une interface interactive pour le réordonnancement des niveaux d’un
facteur. Cette fonction, nommée iorder , vous permet de réordonner les modalités de manière
graphique et de générer le code R correspondant.
Dans l’exemple précédant, si vous exécutez :
R> iorder(d, "qualif")
RStudio devrait ouvrir une fenêtre semblable à celle de la figure ci-dessous.
Interface de la commande iorder
Vous pouvez alors déplacer les modalités par glisser-déposer, vérifier le résultat dans l’onglet
Vérification et, une fois le résultat satisfaisant, récupérer le code généré pour l’inclure dans votre
script.
– 125 –
On peut également modifier les niveaux eux-mêmes. Imaginons que l’on souhaite créer une nouvelle
variable qualif.abr contenant les noms abrégés des catégories socioprofessionnelles de qualif. On peut
alors procéder comme suit :
R> d$qualif.abr <- factor(d$qualif,

levels = c(
"Employe", "Technicien", "Profession intermediaire", "Cadre", "Autre"
),
labels = c("OS", "OQ", "Empl", "Tech", "Interm", "Cadre", "Autre")
)
table(d$qualif.abr)
OS OQ Empl Tech Interm Cadre Autre

203 292 594 86 160 260 58
Dans ce qui précède, le paramètre levels de factor permet de spécifier quels sont les niveaux retenus
dans le facteur résultat, ainsi que leur ordre. Le paramètre labels , lui, permet de modifier les noms
de ces niveaux dans le facteur résultat. Il est donc capital d’indiquer les noms de labels exactement
dans le même ordre que les niveaux de levels . Pour s’assurer de ne pas avoir commis d’erreur, il est
recommandé d’effectuer un tableau croisé entre l’ancien et le nouveau facteur :
R> table(d$qualif, d$qualif.abr)
OS OQ Empl Tech Interm Cadre

Ouvrier specialise 203 0 0 0 0 0
Ouvrier qualifie 0 292 0 0 0 0
Employe 0 0 594 0 0 0
Technicien 0 0 0 86 0 0
Profession intermediaire 0 0 0 0 160 0
Cadre 0 0 0 0 0 260
Autre 0 0 0 0 0 0
Autre
Ouvrier specialise 0
Ouvrier qualifie 0
Employe 0
Technicien 0
Profession intermediaire 0
Cadre 0
Autre 58
– 126 –
On a donc ici un premier moyen d’effectuer un recodage des modalités d’une variable de type facteur.
D’autres méthodes existent, que nous aborderons dans le chapitre Recodage, page 201.
À noter que par défaut, les valeurs manquantes ne sont pas considérées comme un niveau de facteur. On
peut cependant les transformer en niveau en utilisant la fonction addNA . Ceci signifie cependant qu’elle
ne seront plus considérées comme manquantes par R mais comme une modalité à part entière :
R> summary(d$trav.satisf)
Satisfaction Insatisfaction Equilibre NA's

480 117 451 952
R> summary(addNA(d$trav.satisf))
Satisfaction Insatisfaction Equilibre <NA>

480 117 451 952
La fonction addNAstr de l’extension questionr fait la même chose mais permet de spécifier l’étiquette de
la modalité des valeurs manquantes.
summary(addNAstr(d$trav.satisf, "Manquant"))
Satisfaction Insatisfaction Equilibre Manquant

480 117 451 952
Vecteurs labellisés
Nous abordons ici une nouvelle classe de vecteurs, la classe haven_labelled , introduite récemment par
l’extension haven (que nous aborderons dans le cadre de l’import de données, page 149) et qui peut être
manipulée avec l’extension homonyme labelled.
Pour cette section, nous allons utiliser d’autres données d’exemple, également disponibles dans
l’extension questionr. Il s’agit d’un ensemble de trois tableaux de données ( menages , femmes et
enfants ) contenant les données d’une enquête de fécondité. Commençons par les charger en mémoire :
data(fecondite)
Pour ailleurs, nous allons avoir besoin de l’extension labelled qui permet de manipuler ces données
– 127 –
labellisées.
Les étiquettes de variable

Les étiquettes de variable permettent de donner un nom long, plus explicite, aux différentes colonnes d’un
tableau de données (ou encore directement à un vecteur autonome).
La visonneuse de données de RStudio sait reconnaître et afficher ces étiquettes de variable lorsqu’elles
existent. Essayez par exemple la commande suivante :
R> View(femmes)
Les fonctions look_for de l’extension laballed et describe de l’extension questionr affichent

également les étiquettes de variables lorsqu’elles existent.
R> look_for(femmes, "rés")

7 milieu Milieu de résidence dbl+lbl [1] urbain
[2] rural
8 region Région de résidence dbl+lbl [1] Nord
[2] Est
[3] Sud
[4] Ouest
R> describe(femmes$id_femme)
[2000 obs.] Identifiant de l'enquêtée

numeric: 391 1643 85 881 1981 1072 1978 1607 738 1656 ...
min: 1 - max: 2000 - NAs: 0 (0%) - 2000 unique values
Pour manipuler les étiquettes de variable, il suffit d’utiliser la fonction var_label de l’extension labelled.
R> var_label(femmes$id_menage)
[1] "Identifiant du ménage"
– 128 –
R> var_label(femmes$id_menage) <- "ID du ménage auquel elle appartient"

var_label(femmes$id_menage)
[1] "ID du ménage auquel elle appartient"
On utilisera la valeur NULL pour supprimer une étiquette :
R> v <- c(1, 5, 2, 4, 1)

var_label(v)
NULL
R> var_label(v) <- "Ma variable"

var_label(v)
[1] "Ma variable"
R> var_label(v) <- NULL

var_label(v)
NULL
R> var_label(v) <- "Une autre étiquette"

var_label(v)
[1] "Une autre étiquette"
Le fait d’ajouter une étiquette à un vecteur ne modifie en rien son type. Regardons la structure de notre
objet v :
R> str(v)
num [1:5] 1 5 2 4 1
- attr(*, "label")= chr "Une autre étiquette"
Que voit-on ? Notre vecteur possède maintenant ce qu’on appelle un attribut, c’est-à-dire une information
supplémentaire qui lui est attachée. Un objet peut avoir plusieurs attributs. Ici, notre étiquette de variable
– 129 –
est strocké dans un attribut nommé "label" . Cela ne modifie en rien sa nature. Il ne s’agit que
d’information en plus. Toutes les fonctions ne tiennent pas compte des étiquettes de variable. Peu
importe ! La présence d’un attribut ne les empêchera de fonctionner. De même, même si l’extension
labelled n’est pas installée sur votre machine, vous pourrez toujours manipuler vos données comme si de
rien n’était.
On peut associer une étiquette de variable à n’importe quel type de variable, qu’elle soit numérique,
textuelle, un facteur ou encore des dates.
Les étiquettes de valeur

Les étiquettes de valeur consistent à attribuer une étiquette textuelle à certaines valeurs d’un vecteur.
Elles ne peuvent s’appliquer qu’aux vecteurs numériques ou textuels.
Lorsqu’un vecteur possède des étiquettes de valeur, sa classe change et devient labelled . Regardons
déjà quelques exemples. Tout d’abord, jetons un apercu au contenu de l’objet femmes grace à la fonction
glimpse de l’extension dplyr.
R> library(dplyr)
glimpse(femmes)
Rows: 2,000
Columns: 17
$ id_femme <dbl> 391, 1643, 85, 881, 1981, 1072, 197…
$ id_menage <dbl> 381, 1515, 85, 844, 1797, 1015, 179…
$ poids <dbl> 1.803150, 1.803150, 1.803150, 1.803…
$ date_entretien <date> 2012-05-05, 2012-01-23, 2012-01-21…
$ date_naissance <date> 1997-03-07, 1982-01-06, 1979-01-01…
$ age <dbl> 15, 30, 33, 43, 25, 18, 45, 23, 49,…
$ milieu <dbl+lbl> 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2…
$ region <dbl+lbl> 4, 4, 4, 4, 4, 3, 3, 3, 3, 3, 3…
$ educ <dbl+lbl> 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0…
$ travail <hvn_lbl_> 1, 1, 0, 1, 1, 0, 1, 0, 1, 1, …
$ matri <dbl+lbl> 0, 2, 2, 2, 1, 0, 1, 1, 2, 5, 2…
$ religion <dbl+lbl> 1, 3, 2, 3, 2, 2, 3, 1, 3, 3, 2…
$ journal <dbl+lbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0…
$ radio <dbl+lbl> 0, 1, 1, 0, 0, 1, 1, 0, 0, 0, 1…
$ tv <dbl+lbl> 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 1…
$ nb_enf_ideal <hvn_lbl_> 4, 4, 4, 4, 4, 5, 10, 5…
$ test <hvn_lbl_> 0, 9, 0, 0, 1, 0, 0, 0, 0, 1, …
Il apparaît que la variable region est de type haven_labelled . On peut le confirmer

avec class .
– 130 –
R> class(femmes$region)
[1] "haven_labelled" "vctrs_vctr" "double"
Regardons les premières valeurs prises par cette variable.
R> head(femmes$region)
<labelled<double>[6]>: Région de résidence

[1] 4 4 4 4 4 3
Labels:
value label
1 Nord
2 Est
3 Sud
4 Ouest
Nous voyons que quatre étiquettes de valeurs ont été associées à notre variable. Le code 1 correspond
ainsi à la région «Nord», le code 2 à la région «Est», etc. Laissons de côté pour le moment la colonne is_na
que nous aborderons dans une prochaine section.
La liste des étiquettes est également renvoyée par la fonction describe de questionr.
R> describe(femmes$region)
[2000 obs.] Région de résidence

labelled double: 4 4 4 4 4 3 3 3 3 3 ...
4 value labels: [1] Nord [2] Est [3] Sud [4] Ouest
n %
[1] Nord 707 35.4
[2] Est 324 16.2
[3] Sud 407 20.3
[4] Ouest 562 28.1
Total 2000 100.0
L’extension labelled fournit la fonction val_labels qui renvoie la liste des étiquettes de valeurs d’une
variable sous la forme d’un vecteur nommé et la fonction val_label (notez l’absence de ‘s’) qui renvoie
l’étiquette associée à une valeur particulière. S’il n’y a pas d’étiquette de valeur, ces fonctions renvoient
NULL .
– 131 –
R> val_labels(femmes$region)
Nord Est Sud Ouest

1 2 3 4
R> val_label(femmes$region, 2)
[1] "Est"
R> val_label(femmes$region, 6)
NULL
R> val_labels(femmes$age)
NULL
Re-regardons d’un peu plus près les premières valeurs de notre variable region.
R> head(femmes$region)
<labelled<double>[6]>: Région de résidence

[1] 4 4 4 4 4 3
Labels:
value label
1 Nord
2 Est
3 Sud
4 Ouest
On s’aperçoit qu’il s’agit de valeurs numériques. Et l’affichage indique que notre variable est plus
précisément du type labelled double . Pour rappel, double est synonyme de numeric . Autrement
dit, la classe haven_labelled ne modifie pas le type sous-jacent d’un vecteur, que l’on peut toujours
obtenir avec la fonction typeof . Nous pouvons également tester si notre variable est numérique avec la
fonction is.numeric .
– 132 –
R> typeof(femmes$region)
[1] "double"
R> is.numeric(femmes$region)
[1] TRUE
À la différence des facteurs, le type original d’une variable labellisée n’est pas modifié par la présence
d’étiquettes de valeur. Ainsi, il reste possible de calculer une moyenne à partir de notre variable region
(même si cela n’est pas pertinent ici d’un point de vue sémantique).
R> mean(femmes$region)
[1] 2.412
Avec un facteur, nous aurions eu un bon message d’erreur.
R> mean(d$nivetud)
Warning in mean.default(d$nivetud): l'argument n'est ni

numérique, ni logique : renvoi de NA
[1] NA
Nous allons voir qu’il est aussi possible d’associer des étiquettes de valeurs à des vecteurs textuels.
Créons tout d’abord un vecteur textuel qui nous servira d’exemple.
R> v <- c("f", "f", "h", "f", "h")

v
[1] "f" "f" "h" "f" "h"
Le plus facile pour lui associer des étiquettes de valeur est d’utiliser val_label .
– 133 –
R> val_label(v, "f") <- "femmes"

val_label(v, "h") <- "hommes"
v
<labelled<character>[5]>
[1] f f h f h
Labels:
value label
f femmes
h hommes
R> typeof(v)
[1] "character"
Notre vecteur v a automatiquement été transformé en un vecteur de la classe labelled . Mais son type
sous-jacent est resté "character" . Par ailleurs, les données elle-même n’ont pas été modifiées et ont
conservé leurs valeurs originales.
Il est également possible de définir/modifier/supprimer l’ensemble des étiquettes de valeur d’une variable
avec val_labels en lui assignant un vecteur nommé.
R> val_labels(v) <- c(Homme = "h", Femme = "f", "Valeur indéterminée" = "i")
v
[1] f f h f h
Labels:
value label
h Homme
f Femme
i Valeur indéterminée
Comme précédemment, on utilisera NULL pour supprimer une ou toutes les étiquettes.
R> val_label(v, "i") <- NULL

v
– 134 –
[1] f f h f h
Labels:
value label
h Homme
f Femme
R> val_labels(v) <- NULL

v
[1] "f" "f" "h" "f" "h"
R> class(v)
[1] "character"
Si l’on supprime toutes les étiquettes de valeur, alors notre vecteur retrouve sa classe initiale.
Assignation et condition
Les étiquettes de valeur sont plus souples que les facteurs, en ce sens qu’il n’est pas obligatoire d’indiquer
une étiquette pour chaque valeur prise par une variable. Alors qu’il n’est pas possible avec un facteur
d’assigner une valeur qui n’a pas été préalablement définie comme une des modalités possibles du facteur,
nous n’avons pas cette limite avec les vecteurs labellisés.
R> femmes$region[3] <- 5
Important : quand on assigne une valeur à un facteur, on doit transmettre le texte correspondant à la
modalité, alors que pour un vecteur labellisé on transmettra le code sous-jacent (pour rappel, les
étiquettes de valeur ne sont qu’une information additionnelle).
De plus, nous avons vu que les données initiales n’étaient pas modifiées par l’ajout ou la suppression
d’étiquettes de valeur, alors que pour les facteurs ce n’est pas vrai. Pour mieux comprendre, essayons la
commande suivante :
R> unclass(factor(v))
[1] 1 1 2 1 2
attr(,"levels")
– 135 –
[1] "f" "h"
Un facteur stocke de manière interne les valeurs sous la forme d’une suite d’entiers, démarrant toujours
par 1, forcément consécutifs, et dont les valeurs dépendent de l’ordre des facteurs. Pour s’en rendre
compte :
R> unclass(factor(v, levels = c("h", "f")))
[1] 2 2 1 2 1
attr(,"levels")
[1] "h" "f"
R> unclass(factor(v, levels = c("f", "h")))
[1] 1 1 2 1 2
attr(,"levels")
[1] "f" "h"
Ce qui importe pour un facteur ce sont les modalités de ce dernier tandis que pour un vecteur labellisé ce
sont les valeurs du vecteur elles-mêmes. Cela reste vrai pour l’écriture de conditions.
Prenons un premier exemple avec un facteur :
R> describe(d$sexe)
[2000 obs.]
nominal factor: "Homme" "Femme" "Homme" "Homme" "Femme" "Femme" "Femme" "Homme"
"Femme" "Homme" ...
2 levels: Homme | Femme
NAs: 0 (0%)
n %
Homme 900 45
Femme 1100 55
Total 2000 100
R> table(d$sexe == "Homme")
FALSE TRUE
– 136 –
1100 900
R> table(d$sexe == 1)
FALSE
2000
La condition valide est celle utilisant "Homme" qui est la valeur de la modalité du facteur.
Et avec un vecteur labellisé ?
R> describe(femmes$milieu)
[2000 obs.] Milieu de résidence

labelled double: 2 2 2 2 2 2 2 2 2 2 ...
2 value labels: [1] urbain [2] rural
n %
[1] urbain 912 45.6
[2] rural 1088 54.4
Total 2000 100.0
R> table(femmes$milieu == "urbain")
Erreur : Can't combine `..1` <character> and `..2` <double>.
R> table(femmes$milieu == 1)
FALSE TRUE
1088 912
Ici, pour être valide, la condition doit porter sur les valeurs de la variable elle-même et non sur les
étiquette.
– 137 –
Quelques fonctions supplémentaires

L’extension labelled fournit quelques fonctions supplémentaires qui peuvent s’avérer utiles :
• labelled pour créer directement des vecteurs labellisés ;

• nolabel_to_na pour convertir les valeurs n’ayant pas d’étiquette en NA ;
• val_labels_to_na qui, à l’inverse, converti les valeurs avec étiquette en NA ;
• sort_val_labels pour trier l’ordre des étiquettes de valeurs.
On pourra se réferrer à l’aide de chacune de ces fonctions.
L’import de données labellisées, page 149 et le recodage de variables, page 208 (dont la conversion d’un
vecteur labellisé en facteur) seront quant à eux abordés dans les prochains chapitres.
– 138 –
Organiser ses fichiers
Le répertoire de travail . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
Les projets dans RStudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
Créer un nouveau projet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
Fonctionnement par défaut des projets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
Options des projets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
Naviguer d’un projet à un autre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
Voir aussi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
Appeler un script depuis un autre script . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
WEBIN-R
Ce chapitre est évoqué dans le webin-R #03 (statistiques descriptives avec gtsummary et esquisse)
sur YouTube.
Le répertoire de travail
À chaque fois que l’on demandera à R de charger ou d’enregistrer un fichier (en particulier lorsque l’on
cherchera à importer des données, voir le chapitre dédié, page 149), R évaluera le nom du fichier qu’on
lui a transmis par rapport au répertoire de travail actuellement défini, qui correspond au répertoire dans
lequel R est actuellement en train de s’exécuter.
Pour connaître de le répertoire de travail actuel, on pourra utiliser la fonction getwd :
R> getwd()
Lorsque l’on travaille sous RStudio, le répertoire de travail est également affiché dans le quadrant
inférieur droit, en gris, à la droite du mot Console (voir la capture d’écran ci-après).
– 139 –
Affichage du répertoire de travail sous RStudio
Figure 1. Affichage du répertoire de travail sous RStudio
Le symbole ~ correspond dans ce cas-là au répertoire utilisateur système, dont l’emplacement dépend du
système d’exploitation. Sous Windows, il s’agit du répertoire Mes documents ou Documents (le nom varie
suivant la version de Windows).
Le répertoire de travail peut être modifié avec la fonction setwd ou, sous RStudio, via le menu Session >
Set Working Directory. Cependant, nous allons voir que nous n’aurons en pratique presque jamais besoin de
le faire si l’on travaille avec RStudio.
Les projets dans RStudio

RStudio dispose d’une fonctionnalité très pratique pour organiser son travail en différents projets.
L’idée principale est de réunir tous les fichiers / documents relatifs à un même projet (que ce soit les
données, les scripts, les rapports automatisés…) dans un répertoire dédié1.
Le menu Projects est accessible via une icône dédiée située tout en haut à droite (voir la capture d’écran
ci-après).
1. Dans lequel il sera possible de créer des sous-répertoires.
– 140 –
Accès au menu Projects sous RStudio
Figure 2. Accès au menu Projects sous RStudio
Créer un nouveau projet

Dans le menu Projects on sélectionnera l’option New project. RStudio nous demandera dans un premier
temps si l’on souhaite créer un projet (i) dans un nouveau répertoire, (ii) dans un répertoire déjà existant
ou bien (iii) à partir d’un gestionnaire de versions (Git ou SVN).
– 141 –
Options de création de projet sous RStudio
Figure 3. Options de création de projet sous RStudio
Si vous débutez avec R, laissez de côté pour le moment les gestionnaires de versions qui sont destinés aux
utilisateurs avancés. Dans le cadre d’un usage courant, on aura recours à New Directory.
RStudio nous demande alors le type de projet que l’on souhaite créer : (i) un projet vide, (ii) une extension
R ou (iii) une application Shiny.
– 142 –
Les différents types de projet sous RStudio
Figure 4. Les différents types de projet sous RStudio
Il est encore un peu tôt pour se lancer dans la création de sa propre extension pour R (voir le chapitre
Développer un package). Les applications Shiny (voir le chapitre dédié) sont des applications webs
interactives. Là encore, on attendra une meilleure maîtrise de R pour se lancer dans ce type de projets.
Dans un contexte d’analyse d’enquêtes, on choisira dès lors Empty project.
– 143 –
Création d’un projet dans un nouveau répertoire avec RStudio
Figure 5. Création d’un projet dans un nouveau répertoire avec RStudio
En premier lieu, on indiquera le nom de notre projet, qui sera également le nom du répertoire qui sera créé
pour stocker les données du projet. Puis, on indiquera le répertoire parent, c’est-à-dire le répertoire dans
lequel le répertoire de notre projet sera créé.
Les deux options suivantes concernent que les utilisateurs avancés. RStudio nous demande s’il on veut
activer Git sur ce projet (Git étant un gestionnaire de versions, l’option n’étant affichée que si Git est
installé sur votre PC) et s’il on souhaite utiliser l’extension packrat sur ce projet. packrat permet une
gestion des extensions utilisées, projet par projet, ce qui n’est vraiment utile que dans le cadre d’analyses
bien spécifiques.
Il ne nous reste plus qu’à cliquer sur Create Project.
Fonctionnement par défaut des projets

Lorsque l’on ouvre un projet, RStudio effectue différentes actions :
• le nom du projet est affiché en haut à droite à côté de l’icône projets ;

• une nouvelle session R est exécutée (ainsi s’il on passe d’un projet à un autre, les objets du projet
– 144 –
qu’on vient de fermer ne sont plus en mémoire) ;

• le répertoire de travail de R est défini comme étant le répertoire du projet (d’où le fait que l’on
n’a pas à se préoccuper de définir le répertoire de travail lorsque l’on travaille avec des projets
RStudio) ;
• les objets créés (et sauvegardés dans le fichier .Rdata ) lors d’une précédente séance de travail
sont chargés en mémoire ;
• l’historique des commandes saisies lors de nos précédentes séances de travail sont chargées
dans l’onglet History ;
• les scripts ouverts lors d’une précédente séance de travail sont automatiquement ouverts ;
• divers paramètres de RStudio sont restaurés dans l’état dans lequel ils étaient la dernière fois
que l’on a travaillé sur ce projet.
Autrement dit, lorsque l’on ouvre un projet RStudio, on revient à l’état de notre projet tel qu’il était la
dernière fois que l’on a travaillé dessus. Pratique, non ?
Petite précision toutefois, les extensions que l’on avait chargées en mémoire avec la fonction library
ne sont pas systématiquement rechargées en mémoire. Il faudra donc les appeler à nouveau lors de notre
séance de travail.
Options des projets

Via le menu Projects > Projects options (accessible via l’icône projets en haut à droite), il est possible de
personnaliser plusieurs options spécifiquement pour ce projet.
On retiendra surtout les 3 options principales de l’onglet General :
• à l’ouverture du projet, doit-on charger en mémoire les objets sauvegardés lors d’une
précédente séance de travail ?
• à la fermeture du projet, doit-son sauvegarder (dans le fichier .Rdata ) les différents objets
en mémoire ? Si l’on choisit l’option Ask, alors une fenêtre vous demandera s’il faut faire cette
sauvegarde chaque fois que vous fermerez le projet.
• à la fermeture du projet, faut-il sauver l’historique des commandes ?
Naviguer d’un projet à un autre

RStudio se souvient des derniers projets sur lesquels vous avez travaillé. Lorsque vous cliquez sur le menu
projets, vous verrez une liste de ces différents projets. Il suffit de cliquer sur le nom du projet désiré pour
fermer automatiquement le projet en cours et ouvrir le projet désiré.
Votre projet n’apparait pas dans la liste ? Pas de panique. Il suffit de sélectionner Open project puis de
parcourir vos répertoires pour indiquer à RStudio le projet à ouvrir.
Vous pouvez noter au passage une option Open project in new window qui permet d’ouvrir un projet dans
une nouvelle fenêtre. En effet, il est tout à fait possible d’avoir plusieurs projets ouverts en même temps.
– 145 –
Dans ce cas là, chaque projet aura sa propre session R. Les objets chargés en mémoire pour le projet A ne
seront pas accessibles dans le cadre du projet B et inversement.
Voir aussi
On pourra se référer à la documentation officielle de RStudio : https://support.rstudio.com/hc/en-us/
articles/200526207-Using-Projects.
Appeler un script depuis un autre script

Au sein d’un même projet, on peut avoir plusieurs scripts R. Cela permet de mieux organiser son code. Par
exemple, on pourra avoir un premier script chargé d’importer les données, un second dédié à la création
de nouvelles variables et un troisième dédié aux analyses statistiques.
Il est possible d’appeler un script au sein d’un autre script à l’aide de la fonction source à laquelle on
précisera le nom de fichier du script en question.
Supposons par exemple que l’on ait préparé un script preparation.R chargé d’importer les données et
de les mettre en forme. Au debut de notre script analyses.R , on pourra indiquer :
R> source("preparation.R")
Si l’on exécute notre script analyses.R , au moment de l’appel à source("preparation.R") , le fichier

preparation.R sera chargé en mémoire et exécuté, puis le programme continuera avec les commandes
suivant du fichier analyses.R .
Ici, on a indiqué à source le fichier preparation.R sans mention de répertoire. Dès lors, R va aller
chercher ce fichier dans le répertoire de travail. Sur un gros projet, on peut être amené à organiser ses
fichiers en plusieurs sous-répertoires pour une meilleure lisibilité. Dès lors, il faudra indiquer le chemin
relatif pour accéder à un fichier, c’est-à-dire le chemin à partir du répertoire de travail. Supposons que
notre fichier preparation.R est enregistré dans un sous-répertoire import . Dans ce cas-là, on
appelera notre fichier ainsi :
– 146 –
R> source("import/preparation.R")
NOTE
On remarquera qu’on a utilisé une barre oblique ou slash ( / ) entre le nom du répertoire et le nom
du fichier, ce qui est l’usage courant sous Linux et Mac OS X, tandis que sous Windows on utilise
d’ordinaire une barre oblique inversée ou antislash ( \ ). Sous R, on utilisera toujours la barre oblique
simple ( / ), R sachant « retrouver ses petits » selon le système d’exploitation.
Par ailleurs, l’autocomplétion de RStudio fonctionne aussi pour les noms de fichiers. Essayez par
exemple d’appuyer sur la touche Tab après avoir taper les premières lettres du nom de votre fichier.
– 147 –
Import de données
Importer des fichiers texte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
Structure d’un fichier texte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 150
Interface graphique avec RStudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
Dans un script . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
Importer depuis des logiciels de statistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
SPSS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 154
SAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 156
Stata . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 157
Excel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 158
dBase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
Feuille de calcul Google Sheets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159
Données spatiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
Shapefile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 160
Rasters . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
Connexion à des bases de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
Interfaçage via l’extension DBI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 161
Utilisation de dplyr et dbplyr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 163
Ressources . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
Autres sources . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 164
Sauver ses données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
GUIDE-R
Une version actualisée de ce chapitre est disponible sur guide-R : Import & Export de données
– 149 –
I M P O R TA N T
Importer des données est souvent l’une des première opérations que l’on effectue lorsque l’on débute
sous R, et ce n’est pas la moins compliquée. En cas de problème il ne faut donc pas hésiter à demander
de l’aide par les différents moyens disponibles (voir le chapitre Où trouver de l’aide ?, page 167) avant
de se décourager.
N’hésitez donc pas à relire régulièrement ce chapitre en fonction de vos besoins.
Avant toute chose, il est impératif de bien organiser ses différents fichiers (voir le chapitre dédié,
page 139). Concernant les données sources que l’on utilisera pour ses analyses, je vous recommande
de les placer dans un sous-répertoire dédié de votre projet.
Lorsque l’on importe des données, il est également impératif de vérifier que l’import s’est
correctement déroulé (voir la section Inspecter les données, page 41 du chapitre Premier travail avec
les données).
Importer des fichiers texte

Les fichiers texte constituent un des formats les plus largement supportés par la majorité des logiciels
statistiques. Presque tous permettent d’exporter des données dans un format texte, y compris les tableurs
comme Libre Office, Open Office ou Excel.
Cependant, il existe une grande variétés de format texte, qui peuvent prendre différents noms selon les
outils, tels que texte tabulé ou texte (séparateur : tabulation), CSV (pour comma-separated value, sachant que
suivant les logiciels le séparateur peut être une virgule ou un point-virgule).
Structure d’un fichier texte

Dès lors, avant d’importer un fichier texte dans R, il est indispensable de regarder comment ce dernier est
structuré. Il importe de prendre note des éléments suivants :
• La première ligne contient-elle le nom des variables ? Ici c’est le cas.

• Quel est le caractère séparateur entre les différentes variables (encore appelé séparateur de
champs) ? Dans le cadre d’un fichier CSV, il aurait pu s’agir d’une virgule ou d’un point-virgule.
• Quel est le caractère utilisé pour indiquer les décimales (le séparateur décimal) ? Il s’agit en
général d’un point (à l’anglo-saxonne) ou d’une virgule (à la française).
• Les valeurs textuelles sont-elles encadrées par des guillemets et, si oui, s’agit-il de guillements
simple ( ' ) ou de guillemets doubles ( " ) ?
• Pour les variables textuelles, y a-t-il des valeurs manquantes et si oui comment sont-elles
– 150 –
Import de données
indiquées ? Par exemple, le texte NA est parfois utilisé.
Il ne faut pas hésitez à ouvrir le fichier avec un éditeur de texte pour le regarder de plus près.
Interface graphique avec RStudio

RStudio fournit une interface graphique pour faciliter l’import d’un fichier texte. Pour cela, il suffit d’aller
dans le menu File > Import Dataset et de choisir l’option From CSV1. Cette option est également disponible
via l’onglet Environment dans le quadrant haut-droite.
Pour la suite de la démonstration, nous allons utiliser le fichier exemple http://larmarange.github.io/

analyse-R/data/exemple_texte_tabule.txt.
Importer un fichier texte avec RStudio
Figure 1. Importer un fichier texte avec RStudio
L’interface de RStudio vous présente sous Import Options les différentes options d’import disponible. La
section Data Preview vous permet de voir en temps réel comment les données sont importées. La section
Code Preview vous indique le code R correspondant à vos choix. Il n’y a plus qu’à le copier/coller dans un de
vos scripts ou à cliquer sur Import pour l’exécuter.
Vous pourrez remarquer que RStudio fait appel à l’extension readr du tidyverse pour l’import des données
via la fonction read_csv .
1. L’option CSV fonctionne pour tous les fichiers de type texte, même si votre fichier a une autre extension, .txt par
exemple
– 151 –
readr essaie de deviner le type de chacune des colonnes, en se basant sur les premières observations.
En cliquant sur le nom d’une colonne, il est possible de modifier le type de la variable importée. Il est
également possible d’exclure une colonne de l’import (skip).
Dans un script
L’interface graphique de RStudio fournit le code d’import. On peut également l’adapter à ces besoins en
consultant la page d’aide de read_csv pour plus de détails. Par exemple :
R> library(readr)
d <- read_delim("http://larmarange.github.io/analyse-R/data/exemple_texte_tabu
le.txt",
delim = "\t", quote = "'"
)
Rows: 7 Columns: 4
── Column specification ────────────────────────────────────
Delimiter: "\t"
chr (2): Sexe, Etudes
dbl (1): Age
num (1): Taille
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
Le premier élément peut être un lien internet ou bien le chemin local vers un fichier. Afin d’organiser au
mieux vos fichiers, voir le chapitre Organiser ses fichiers, page 139.
NOTE
Certains caractères sont parfois précédés d’une barre oblique inversée ou antislash ( \ ). Cela
correspond à des caractères spéciaux. En effet, " est utilisé pour délimiter dans le code le début et
la fin d’une chaîne de caractères. Comment indiquer à R le caractère " proprement dit. Et bien avec
\" . De même, \t sera interprété comme une tabulation et non comme la lettre t .
Pour une liste complète des caractères spéciaux, voir ?Quotes .
R> class(d)
[1] "spec_tbl_df" "tbl_df" "tbl" "data.frame"
– 152 –
Import de données
R> d
L’objet renvoyé est un tableau de données ou data.frame. Plus précisément, il s’agit d’un tibble, c’est-à-
dire un tableau de données légèrement amélioré facilement utilisable avec les différentes extensions du
tidyverse. Pas de panique, c’est un tableau de données comme les autres. Disons qu’il est possible de faire
un peu plus de choses avec. Pour cela, voir le chapitre dédié à dplyr, page 241.
readr propose plusieurs fonctions proches : read_delim , read_csv , read_csv2 et read_tsv . Elles
fonctionnent toutes de manière identique et ont les mêmes arguments. Seule différence, les valeurs par
défaut de certainsparamètres.
NOTE
Dans des manuels ou des exemples en ligne, vous trouverez parfois mention des fonctions
read.table , read.csv , read.csv2 , read.delim ou encore read.delim2 . Il s’agit des
fonctions natives et historiques de R (extension utils) dédiées à l’import de fichiers textes. Elles sont
similaires à celles de readr dans l’idée générale mais diffèrent dans leurs détails et les traitements
effectués sur les données (pas de détection des dates par exemple). Pour plus d’information, vous
pouvez vous référer à la page d’aide de ces fonctions.
Importer depuis des logiciels de statistique

Plusieurs extensions existent pour importer des fichiers de données issus d’autres logiciels de statistiques.
En premier lieu, il y a foreign, installée par défaut avec R et décrite en détails dans le manuel R Data Import/
Export disponible sur http://cran.r-project.org/manuals.html. Un des soucis majeurs de cette extension
réside dans la manière dont elle traite les métadonnées utilisées en particulier dans les fichiers SAS, SPSS
et Stata, à savoir les étiquettes de variable, les étiquettes de valeur et les valeurs manquantes déclarées.
En effet, chaque fonction va importer ces métadonnées sous la forme d’attributs dont le nom diffère
d’une fonction à l’autre. Par ailleurs, selon les options retenues, les variables labellisées seront parfois
transformées ou non en facteurs. Enfin, foreign ne sait pas toujours importer les différents types de
variables représentant des dates et des heures.
L’extension haven (qui fait partie du “tidyverse”) tente de remédier à plusieurs des limitations rencontrées
avec foreign :
• le format des métadonnées importé est uniforme, quel que soit le type de fichier source (SAS,
SPSS ou Stata) ;
• les variables labellisées ne sont pas transformées en facteurs, mais héritent d’une nouvelle
classe haven_labelled , la valeur initiale restant inchangée ;
• les différents formats de date sont convertis dans des classes R appropriées, utilisables en
particulier avec lubridate ;
– 153 –
• haven peut lire les fichiers SAS natifs (extension .sas7bdat ) ce que ne peut pas faire foreign ;
• haven peut lire les fichiers Stata 13 et 14, alors que foreign ne sait lire ces fichiers que jusqu’à la
version 12 ;
• les tableaux de données produits ont directement la classe tbl_df ce qui permets d’utiliser
directement les fonctionnalités de l’extension dplyr.
À noter, il est également possible d’utiliser l’interface graphique de RStudio pour l’import des fichiers
SPSS, Stata, SAS et Excel.
I M P O R TA N T
Données labellisées
À la différence de foreign, haven ne convertit pas les variables avec des étiquettes de valeurs en
facteurs mais en vecteurs labellisés du type haven_labelled qui sont présentés en détail dans le
chapitre Facteurs et vecteurs labellisés, page 127 et dans le chapitre recodage de variables, page 208
où est discutée la question de savoir à quel moment convertir les données labellisées.
SPSS
Les fichiers générés par SPSS sont de deux types : les fichiers SPSS natifs natifs (extension .sav ) et les
fichiers au format SPSS export (extension .por ).
Dans les deux cas, on aura recours à la fonction read_spss :
– 154 –
Import de données
R> library(haven)
donnees <- read_spss("data/fichier.sav", user_na = TRUE)
I M P O R TA N T
Gestion des valeurs manquantes
Dans SPSS, il est possible de définir des valeurs à considérées comme manquantes. Plus précisément
jusqu’à 3 valeurs spécfiques et/ou les valeurs comprises entre un minimum et un maximum. Par
défaut, read_spss convertir toutes ces valeurs en NA lors de l’import.
Or, il est parfois important de garder les différentes valeurs originelles, notamment dans le cadre
de l’analyse de données d’enquête, un manquant du type «ne sait pas» n’étant pas équivalent à un
manquant du type «refus» ou du type «variable non collectée».
Dès lors, nous vous recommandons d’appeler read_spss avec l’option user_na = TRUE . Dans ce
cas-là, les valeurs manquantes définies dans SPSS ne seront pas converties en NA , tout en conservant
la définition des valeurs définies comme manquantes. Il sera alors toujours possible de convertir,
dans un second temps et en fonction des besoins, ces valeurs à considérer comme manquantes en
NA grace aux fonctions de l’extension labelled , en particulier user_na_to_na , na_values et
na_range .
À noter que les fonctions describe et freq de l’extension questionr que nous arboderons dans
d’autres chapitres savent exploiter ces valeurs à considérer comme manquantes.
– 155 –
NOTE
Si vous préférez utiliser l’extension foreign, la fonction correspondante est read.spss . On indiquera
à la fonction de renvoyer un tableau de données avec l’argument to.data.frame = TRUE .
Par défaut, les variables numériques pour lesquelles des étiquettes de valeurs ont été définies sont
transformées en variables de type facteur, les étiquettes définies dans SPSS étant utilisées comme
labels du facteur. De même, si des valeurs manquantes ont été définies dans SPSS, ces dernières seront
toutes transformées en NA (R ne permettant pas de gérer plusieurs types de valeurs manquantes). Ce
comportement peut être modifié avec use.value.labels et use.missings .
R> library(foreign)
donnees <- read.spss("data/fichier.sav", to.data.frame = TRUE, use.value.la
bels = FALSE, use.missings = FALSE)
Il est important de noter que read.spss de l’extension foreign ne sait pas importer les dates. Ces
dernières sont donc automatiquement transformées en valeurs numériques.
SPSS stocke les dates sous la forme du nombre de secondes depuis le début du calendrier grégorien, à
savoir le 14 octobre 1582. Dès lors, si l’on des dates dans un fichier SPSS et que ces dernières ont été
converties en valeurs numériques, on pourra essayer la commande suivante :
R> donnees$date <- as.POSIXlt(donnees$date, origin = "1582-10-14")
SAS
Les fichiers SAS se présentent en général sous deux format : format SAS export (extension .xport ou
.xpt ) ou format SAS natif (extension .sas7bdat ).
Les fichiers SAS natifs peuvent être importées directement avec read_sas de l’extension haven :
R> library(haven)
donnees <- read_sas("data/fichier.sas7bdat")
Au besoin, on pourra préciser en deuxième argument le nom d’un fichier SAS catalogue (extension
.sas7bcat ) contenant les métadonnées du fichier de données.
– 156 –
Import de données
R> library(haven)
donnees <- read_sas("data/fichier.sas7bdat", "data/fichier.sas7bcat")
Les fichiers au format SAS export peuvent être importés via la fonction read.xport de l’extension
foreign. Celle-ci s’utilise très simplement, en lui passant le nom du fichier en argument :
R> library(foreign)
donnees <- read.xport("data/fichier.xpt")
Stata
Pour les fichiers Stata (extension .dta ), on aura recours aux fonctions read_dta et read_stata de
l’extension haven. Ces deux fonctions sont identiques.
R> library(haven)
donnees <- read_dta("data/fichier.dta")
I M P O R TA N T
Gestion des valeurs manquantes
Dans Stata, il est possible de définir plusieurs types de valeurs manquantes, qui sont notées sous
la forme .a à .z . Pour conserver cette information lors de l’import, haven a introduit dans R
le concept de tagged NA ou tagged missing value. Plus de détails sur ces données manquantes
«étiquettées», on se référera à la page d’aide de la fonction tagged_na .
– 157 –
NOTE
Si l’on préfère utiliser l’extension foreign, on aura recours à la fonction read.dta .
L’option convert.factors indique si les variables labellisées doit être converties automatiquement
en facteurs. Pour un résultat similaire à celui de haven, on choisira donc :
R> library(foreign)
donnees <- read.dta("data/fichier.dta", convert.factors = FALSE)
L’option convert.dates permet de convertir les dates du format Stata dans un format de dates géré
par R. Cependant, cela ne marche pas toujours. Dans ces cas là, l’opération suivante peut fonctionner.
Sans garantie néanmoins, il est toujours vivement conseillé de vérifier le résultat obtenu !
R> donnees$date <- as.Date(donnees$Date, origin = "1960-01-01")
Excel
Une première approche pour importer des données Excel dans R consiste à les exporter depuis Excel dans
un fichier texte (texte tabulé ou CSV) puis de suivre la procédure d’importation d’un fichier texte.
Une feuille Excel peut également être importée directement avec l’extension readxl qui appartient à la
même famille que haven et readr.
La fonction read_excel permet d’importer à la fois des fichiers .xls (Excel 2003 et précédents) et
.xlsx (Excel 2007 et suivants).
R> library(readxl)
donnees <- read_excel("data/fichier.xlsx")
Une seule feuille de calculs peut être importée à la fois. On pourra préciser la feuille désirée avec sheet
en indiquant soit le nom de la feuille, soit sa position (première, seconde, …).
R> donnees <- read_excel("data/fichier.xlsx", sheet = 3)

donnees <- read_excel("data/fichier.xlsx", sheet = "mes_donnees")
On pourra préciser avec col_names si la première ligne contient le nom des variables.
Par défaut, read_excel va essayer de deviner le type (numérique, textuelle, date) de chaque colonne. Au
besoin, on pourra indiquer le type souhaité de chaque colonne avec col_types .
– 158 –
Import de données
RStudio propose également pour les fichiers Excel un assitant d’importation, similaire à celui pour les
fichiers texte, permettant de faciliter l’import.
NOTE
Une première alternative est l’extenstion openxlsx et sa fonction read.xlsx .
Une seconde alternative est l’extension xlsx qui propose deux fonctions différentes pour importer
des fichiers Excel : read.xlsx et read.xlsx2 . La finalité est la même mais leur fonctionnement
interne est différent. En cas de difficultés d’import, on pourra tester l’autre. Il est impératif de spécifier
la position de la feuille de calculs que l’on souhaite importer.
R> library(xlsx)
donnees <- read.xlsx("data/fichier.xlsx", 1)
dBase
L’Insee et d’autres producteur de données diffusent leurs fichiers au format dBase (extension .dbf ).
Ceux-ci sont directement lisibles dans R avec la fonction read.dbf de l’extension foreign.
R> library(foreign)
donnees <- read.dbf("data/fichier.dbf")
La principale limitation des fichiers dBase est de ne pas gérer plus de 256 colonnes. Les tables des
enquêtes de l’Insee sont donc parfois découpées en plusieurs fichiers .dbf qu’il convient de fusionner
avec la fonction merge . L’utilisation de cette fonction est détaillée dans le chapitre sur la fusion de tables,
page 277.
Feuille de calcul Google Sheets

Pour importer des données stockées sous formes de feuilles de calcul Google, on pourra se référer à
l’extension googlesheets.
– 159 –
Données spatiales
Shapefile
Les fichiers Shapefile sont couramment utilisés pour échanger des données géoréférencées. La majorité
des logiciels de SIG (systèmes d’informations géographiques) sont en capacité d’importer et d’exporter
des données dans ce format.
Un shapefile contient toute l’information liée à la géométrie des objets décrits, qui peuvent être :
• des points
• des lignes
• des polygones
Son extension est classiquement .shp et il est toujours accompagné de deux autres fichiers de même
nom et d’extensions :
• un fichier .dbf , qui contient les données attributaires relatives aux objets contenus dans le
shapefile
• un fichier .shx , qui stocke l’index de la géométrie
D’autres fichiers peuvent être également fournis :
• .sbn et .sbx - index spatial des formes.

• .fbn et .fbx - index spatial des formes pour les shapefile en lecture seule
• .ain et .aih - index des attributs des champs actifs dans une table ou dans une table
d’attributs du thème
• .prj - information sur le système de coordonnées
• .shp.xml - métadonnées du shapefile.
• .atx - fichier d’index des attributs pour le fichier .dbf
• .qix
En premier lieu, il importe que tous les fichiers qui compose un même shapefile soit situés dans le même
répertoire et aient le même nom (seule l’extension étant différente).
L’extension maptools fournit les fonctions permettant d’importer un shapefile dans R. Le résultat obtenu
utilisera l’une des différentes classes spatiales fournies par l’extension sp.
La fonction générique d’import est readShapeSpatial :
– 160 –
Import de données
R> library(maptools)
donnees_spatiales <- readShapeSpatial("data/fichier.shp")
Si l’on connait déjà le type de données du shapefile (points, lignes ou polygones), on pourra utiliser
directement readShapePoints , readShapeLines ou readShapePoly .
Rasters
Il existe de multiples formats pour stocker des données matricielles spatiales. L’un des plus communs est
le format ASCII grid aussi connu sous le nom de Arc/Info ASCII grid ou ESRI grid. L’extension de ce format
n’est pas toujours uniforme. On trouve parfois .asc ou encore .ag voir même .txt .
Pour importer ce type de fichier, on pourra avoir recours à la fonction readAsciiGrid de l’extension
maptools. Le résultat sera, par défaut, au format SpatialGridDataFrame de l’extension sp.
R> library(maptools)
donnees_spatiales <- readAsciiGrid("data/fichier.asc")
L’extension raster permet d’effectuer de multiples manipulations sur les données du type raster. Elle
est en capacité d’importer des données depuis différents formats (plus précisément les formats pris en
charge par la librairie GDAL, http://www.gdal.org/).
De plus, les fichiers raster pouvant être particulièrement volumineux (jusqu’à plusieurs Go de données),
l’extension raster est capable de travailler sur un fichier raster sans avoir à le charger intégralement en
mémoire.
Pour plus d’informations, voir les fonctions raster et getValues .
Connexion à des bases de données
Interfaçage via l’extension DBI

R est capable de s’interfacer avec différents systèmes de bases de données relationnelles, dont SQLite,
MS SQL Server, PostgreSQL, MariaDB, etc.
Pour illustrer rapidement l’utilisation de bases de données, on va créer une base SQLite d’exemple à l’aide
du code R suivant, qui copie la table du jeu de données mtcars dans une base de données bdd.sqlite :
[1] TRUE
– 161 –
R> library(DBI)
library(RSQLite)
con <- DBI::dbConnect(RSQLite::SQLite(), dbname = "bdd.sqlite")
data(mtcars)
mtcars$name <- rownames(mtcars)
dbWriteTable(con, "mtcars", mtcars)
dbDisconnect(con)
Si on souhaite se connecter à cette base de données par la suite, on peut utiliser l’extension DBI, qui
propose une interface générique entre **R// et différents systèmes de bases de données. On doit aussi
avoir installé et chargé l’extension spécifique à notre base, ici RSQLite. On commence par ouvrir une
connexion à l’aide de la fonction dbConnect de DBI :
R> library(DBI)
library(RSQLite)
La connexion est stockée dans un objet con , qu’on va utiliser à chaque fois qu’on voudra interroger la
base.
On peut vérifier la liste des tables présentes et les champs de ces tables avec dbListTables et
dbListFields :
R> dbListTables(con)
[1] "mtcars"
R> dbListFields(con, "mtcars")
[1] "mpg" "cyl" "disp" "hp" "drat" "wt" "qsec" "vs"

[9] "am" "gear" "carb" "name"
On peut également lire le contenu d’une table dans un objet de notre environnement avec
dbReadTable :
R> cars <- dbReadTable(con, "mtcars")
On peut également envoyer une requête SQL directement à la base et récupérer le résultat avec
dbGetQuery :
R> dbGetQuery(con, "SELECT * FROM mtcars WHERE cyl = 4")
– 162 –
Import de données
Enfin, quand on a terminé, on peut se déconnecter à l’aide de dbDisconnect :
R> dbDisconnect(con)
Ceci n’est évidemment qu’un tout petit aperçu des fonctionnalités de DBI.
Utilisation de dplyr et dbplyr

L’extension dplyr est dédiée à la manipulation de données, elle est présentée dans un chapitre dédié,
page 241. En installant l’extension complémentaire dbplyr, on peut utiliser dplyr directement sur une
connection à une base de données générée par DBI :
R> library(DBI)
library(RSQLite)
library(dplyr)
La fonction tbl notamment permet de créer un nouvel objet qui représente une table de la base de
données :
R> cars_tbl <- tbl(con, "mtcars")
I M P O R TA N T
Ici l’objet cars_tbl n’est pas un tableau de données, c’est juste un objet permettant d’interroger la
table de notre base de données.
On peut utiliser cet objet avec les verbes, page 241 de dplyr :
R> cars_tbl %>%

filter(cyl == 4) %>%
select(name, mpg, cyl)
dbplyr s’occupe, de manière transparente, de transformer les instructions dplyr en requête SQL,
d’interroger la base de données et de renvoyer le résultat. De plus, tout est fait pour qu’un minimum
d’opérations sur la base, parfois coûteuses en temps de calcul, ne soient effectuées.
– 163 –
I M P O R TA N T
Il est possible de modifier des objets de type tbl , par exemple avec mutate :
cars_tbl <- cars_tbl %>% mutate(type = "voiture")
Dans ce cas la nouvelle colonne type est bien créée et on peut y accéder par la suite. Mais cette
création se fait dans une table temporaire : elle n’existe que le temps de la connexion à la base de
données. À la prochaine connexion, cette nouvelle colonne n’apparaîtra pas dans la table.
Bien souvent on utilisera une base de données quand les données sont trop volumineuses pour être
gérées par un ordinateur de bureau. Mais si les données ne sont pas trop importantes, il sera toujours plus
rapide de récupérer l’intégralité de la table dans notre session R pour pouvoir la manipuler comme les
tableaux de données habituels. Ceci se fait grâce à la fonction collect de dplyr :
R> cars <- cars_tbl %>% collect()
Ici, cars est bien un tableau de données classique, copie de la table de la base au moment du collect .
Et dans tous les cas, on n’oubliera pas de se déconnecter avec :
R> dbDisconnect(con)
Ressources
Pour plus d’informations, voir la documentation très complète (en anglais) proposée par RStudio.
Par ailleurs, depuis la version 1.1, RStudio facilite la connexion à certaines bases de données grâce à
l’onglet Connections. Pour plus d’informations on pourra se référer à l’article (en anglais) Using RStudio
Connections.
Autres sources
R offre de très nombreuses autres possibilités pour accéder aux données. Il est ainsi possible d’importer
des données depuis d’autres applications qui n’ont pas été évoquées (Epi Info, S-Plus, etc.), de lire des
données via ODBC ou des connexions réseau, etc.
Pour plus d’informations on consultera le manuel R Data Import/Export :

http://cran.r-project.org/manuals.html.
– 164 –
Import de données
La section Database Management du site Awesome R fournit également une liste d’extensions permettant
de s’interfacer avec différents gestionnaires de bases de données.
Sauver ses données

R dispose également de son propre format pour sauvegarder et échanger des données. On peut sauver
n’importe quel objet créé avec R et il est possible de sauver plusieurs objets dans un même fichier. L’usage
est d’utiliser l’extension .RData pour les fichiers de données R. La fonction à utiliser s’appelle tout
simplement save .
Par exemple, si l’on souhaite sauvegarder son tableau de données d ainsi que les objets tailles et
poids dans un fichier export.RData :
R> save(d, tailles, poids, file = "export.RData")
À tout moment, il sera toujours possible de recharger ces données en mémoire à l’aide de la fonction
load :
R> load("export.RData")
I M P O R TA N T
Si entre temps vous aviez modifié votre tableau d , vos modifications seront perdues. En effet, si lors
du chargement de données, un objet du même nom existe en mémoire, ce dernier sera remplacé par
l’objet importé.
La fonction save.image est un raccourci pour sauvergarder tous les objets de la session de travail dans
le fichier .RData (un fichier un peu étrange car il n’a pas de nom mais juste une extension). Lors de la
fermeture de RStudio, il vous sera demandé si vous souhaitez enregistrer votre session. Si vous répondez
Oui, c’est cette fonction save.image qui sera appliquée.
R> save.image()
[1] FALSE
– 165 –
Où trouver de l’aide ?
Aide en ligne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
Aide sur une fonction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 168
Naviguer dans l’aide . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 169
Ressources sur le Web . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
Moteur de recherche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
Aide en ligne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
Antisèches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 170
Ressources officielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
Ouvrages, blogs, MOOCs… . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
Revue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
Ressources francophones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 174
RStudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
Où poser des questions ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
Les forums d’analyse-R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
Discussion instantanée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
Liste R-soc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
Liste Quanti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
StackOverflow . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
Forum Web en français . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 176
Canaux IRC (chat) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
Listes de discussion officielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
Où trouver des extensions intéressantes ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
NOTE
La version originale de ce chapitre a été écrite par Julien Barnier dans le cadre du support de cours
Introduction à R.
– 167 –
Aide en ligne
R dispose d’une aide en ligne très complète, mais dont l’usage n’est pas forcément très simple. D’une
part car elle est intégralement en anglais, d’autre part car son organisation prend un certain temps à être
maîtrisée.
Aide sur une fonction

La fonction la plus utile est sans doute help (ou son équivalent ? ) qui permet d’afficher la page d’aide
liée à une ou plusieurs fonctions. Celle-ci permet de lister les arguments de la fonction, d’avoir des
informations détaillées sur son fonctionnement, les résultats qu’elle retourne, etc.
Pour accéder à l’aide de la fonction mean , par exemple, il vous suffit de saisir directement :
R> ?mean
ou bien
R> help("mean")
Sous RStudio, la page d’aide correspondante s’affichera sous l’onglet Help dans le quadrant inférieur droit.
Chaque page d’aide comprend plusieurs sections, en particulier :
– 168 –
Section Contenu
Description donne un résumé en une phrase de ce que fait la fonction
Usage indique la ou les manières de l’utiliser
Arguments détaille tous les arguments possibles et leur signification
Value indique la forme du résultat renvoyé par la fonction
Details apporte des précisions sur le fonctionnement de la fonction
Note pour des remarques éventuelles
References pour des références bibliographiques ou des URL associées
See Also très utile, renvoie vers d’autres fonctions semblables ou liées, ce qui peut être très
utile pour découvrir ou retrouver une fonction dont on a oublié le nom
Examples série d’exemples d’utilisation
Les exemples peuvent être directement exécutés en utilisant la fonction example :
R> example(mean)
mean> x <- c(0:10, 50)
mean> xm <- mean(x)
mean> c(xm, mean(x, trim = 0.10))

[1] 8.75 5.50
Naviguer dans l’aide

La fonction help.start permet d’afficher le sommaire de l’aide en ligne. Saisissez simplement :
R> help.start()
Si vous souhaitez rechercher quelque chose dans le contenu de l’aide, vous pouvez utiliser la fonction
help.search (ou ?? qui est équivalente) qui renvoie une liste des pages d’aide contenant les termes
recherchés.
Par exemple :
– 169 –
R> help.search("logistic")
ou
R> ??logistic
pour rechercher les pages de l’aide qui contiennent le terme logistic.
Ressources sur le Web

De nombreuses ressources existent en ligne, mais la plupart sont en anglais.
Citons tout d’abord Rzine, un site collaboratif et interdisciplinaire de référencement et de partage de

documentation sur la pratique de R en sciences humaines et sociales : http://rzine.fr/
Moteur de recherche
Le fait que le logiciel s’appelle R ne facilite malheureusement pas les recherches sur le Web… La solution
à ce problème a été trouvée grâce à la constitution d’un moteur de recherche ad hoc à partir de Google,
nommé Rseek :
http://www.rseek.org/.
Les requêtes saisies dans Rseek sont exécutées dans des corpus prédéfinis liés à R, notamment les
documents et manuels, les listes de discussion ou le code source du programme.
Les requêtes devront cependant être formulées en anglais.
Aide en ligne
Les sites RDocumentation et rdrr.io proposent un accès clair et rapide à la documentation de R et des
extensions hébergées sur le CRAN (ainsi que certaines extensions hébergées sur GitHub). Il permettent
notamment de rechercher et naviguer facilement entre les pages des différentes fonctions :
• http://www.rdocumentation.org/
• https://rdrr.io/
Antisèches
RStudio propose plusieurs cheat sheets (antisèches) en anglais qui proposent sur deux pages une synthèse
– 170 –
compacte de fonctions et de leur usage selon différentes thématiques, notamment :
• Manipulation des données avec dplyr

• Visualisation avec ggplot2
• Export avec RMarkdown
• etc.
La liste complète est disponible en ligne :
https://www.rstudio.com/resources/cheatsheets/
ou directement depuis RStudio, via le menu Help, puis Cheatsheets.
À noter que certaines antisèches sont également disponibles en français.
Ressources officielles
La documentation officielle de R est accessible en ligne depuis le site du projet :
http://www.r-project.org/.
Les liens de l’entrée Documentation du menu de gauche vous permettent d’accéder à différentes
ressources.
Manuels
Les manuels sont des documents complets de présentation de certains aspects de R. Ils sont accessibles en
ligne, ou téléchargeables au format PDF :
http://cran.r-project.org/manuals.html.
On notera plus particulièrement An introduction to R, normalement destiné aux débutants, mais qui
nécessite quand même un minimum d’aisance en informatique et en statistiques :
http://cran.r-project.org/doc/manuals/R-intro.html.
R Data Import/Export explique notamment comment importer des données depuis d’autres logiciels :
http://cran.r-project.org/doc/manuals/R-data.html.
Ouvrages, blogs, MOOCs…
Francophones
Parmi les ressources en français, on peut citer notamment R et espace, manuel d’initiation à la
programmation avec R appliqué à l’analyse de l’information géographique, librement téléchargeable en
ligne.
– 171 –
La très bonne Introduction à R et au tidyverse de Julien Barnier disponible sur https://juba.github.io/

tidyverse/.
La section Contributed documentation du site officiel de R contient également des liens vers différents
documents en français, plus ou moins accessibles et plus ou moins récemment mis à jour.
Le pôle bioinformatique lyonnais (PBIL) propose depuis longtemps une somme très importante de
documents, qui comprend des cours complets de statistiques utilisant R :
• http://pbil.univ-lyon1.fr/R/
Plusieurs blogs francophones autour de R sont également actifs, parmi lesquels :
• ElementR, le blog du groupe du même nom, qui propose de nombreuses ressources sur R en
général et en particulier sur la cartographie ou l’analyse de réseaux.
• R-atique, blog animé par Lise Vaudor, propose régulièrement des articles intéressants et
accessibles sur des méthodes d’analyse ou sur des extensions R.
Enfin, le site France Université Numérique propose régulièrement des sessions de cours en ligne, parmi
lesquels une Introduction à la statistique avec R et un cours sur l’Analyse des données
multidimensionnelles.
On peut aussi citer :
• Logiciel R et programmation par @3wen

• Programmer en R, wikibook collaboratif (licence CC-BY-SA)
• R et espace : manuel d’initiation à la programmation avec R appliqué à l’analyse de l’information
géographique, librement téléchargeable en ligne.
• Introduction à la programmation en R
• C’est l’enfeR donne des exemples de code simple avec R qui donnent des résultats surprenants.
Et enfin, une liste de ressources francophones : https://github.com/frrrenchies/frrrenchies/.
Anglophones
Les ressources anglophones sont évidemment très nombreuses.
On citera essentiellement l’ouvrage en ligne R for data science, très complet, et qui fournit une
introduction très complète et progressive à R, et aux packages du tidyverse. Il existe également en version
papier.
Pour aborder des aspects beaucoup plus avancés, l’ouvrage également en ligne Advanced R, d’Hadley
Wickham, est extrêmement bien et fait et très complet.
L’ouvrage en ligne The Epidemiologist R Handbook: R for applied epidemiology and public health est très
complet et pourra également être utile à des chercheur·e·s d’autres disciplines.
On notera également l’existence du R journal, revue en ligne consacrée à R, et qui propose régulièrement
– 172 –
des articles sur des méthodes d’analyse, des extensions, et l’actualité du langage.
La plateforme R-bloggers agrège les contenus de plusieurs centaines de blogs parlant de R, très pratique
pour suivre l’actualité de la communauté.
Enfin, sur Twitter, les échanges autour de R sont regroupés autour du hashtag #rstats.
On peut aussi citer le site Awesome R (https://github.com/qinwf/awesome-R) qui fournit une liste
d’extensions choisies et triées par thématique et le site R Data Science Tutorials qui recense des tutoriels
en anglais.
FAQ
Les FAQ (frequently asked questions) regroupent des questions fréquemment posées et leurs réponses. À
lire donc ou, au moins, à parcourir avant toute chose :
http://cran.r-project.org/faqs.html.
La FAQ la plus utile est la FAQ généraliste sur R :

http://cran.r-project.org/doc/FAQ/R-FAQ.html.
Mais il existe également une FAQ dédiée aux questions liées à Windows et une autre à la plateforme Mac
OS X.
NOTE
Les manuels et les FAQ sont accessibles même si vous n’avez pas d’accès à Internet en utilisant la
fonction help.start décrite précédemment.
R-announce
R-announce est la liste de diffusion électronique officielle du projet. Elle ne comporte qu’un nombre
réduit de messages (quelques-uns par mois tout au plus) et diffuse les annonces concernant de nouvelles
versions de R ou d’autres informations particulièrement importantes. On peut s’y abonner à l’adresse
suivante :
https://stat.ethz.ch/mailman/listinfo/r-announce
R Journal
R Journal est la « revue » officielle du projet R, qui a succédé début 2009 à la lettre de nouvelles R News.
Elle paraît entre deux et cinq fois par an et contient des informations sur les nouvelles versions du logiciel,
des articles présentant des extensions, des exemples d’analyse… Les parutions sont annoncées sur la liste
de diffusion R-announce et les numéros sont téléchargeables à l’adresse suivante :
– 173 –
http://journal.r-project.org/.
Autres documents
On trouvera de nombreux documents dans différentes langues, en général au format PDF, dans le
répertoire suivant :
http://cran.r-project.org/doc/contrib/.
Parmi ceux-ci, les cartes de référence peuvent être très utiles, ce sont des aides-mémoire recensant les
fonctions les plus courantes :
http://cran.r-project.org/doc/contrib/Short-refcard.pdf
On notera également un document d’introduction en anglais progressif et s’appuyant sur des méthodes
statistiques relativement simples :
http://cran.r-project.org/doc/contrib/Verzani-SimpleR.pdf
Pour les utilisateurs déjà habitués à SAS ou SPSS, le livre R for SAS and SPSS Users et le document gratuit
qui en est tiré peuvent être de bonnes ressources, tout comme le site web Quick-R :
http://rforsasandspssusers.com/ et http://www.statmethods.net/.
Revue
La revue Journal of Statistical Software est une revue électronique anglophone, dont les articles sont en
accès libre, et qui traite de l’utilisation de logiciels d’analyse de données dans un grand nombre de
domaines. De nombreux articles (la majorité) sont consacrés à R et à la présentation d’extensions plus ou
moins spécialisées.
Les articles qui y sont publiés prennent souvent la forme de tutoriels plus ou moins accessibles mais qui
fournissent souvent une bonne introduction et une ressource riche en informations et en liens.
Adresse de la revue :
http://www.jstatsoft.org/
Ressources francophones
Il existe des ressources en français sur l’utilisation de R, mais peu sont réellement destinées aux
débutants, elles nécessitent en général des bases à la fois en informatique et en statistique.
Le document le plus abordable et le plus complet est sans doute R pour les débutants, d’Emmanuel Paradis,
accessible au format PDF :
http://cran.r-project.org/doc/contrib/Paradis-rdebuts_fr.pdf.
La somme de documentation en français la plus importante liée à R est sans nulle doute celle mise à
– 174 –
disposition par le Pôle bioinformatique lyonnais. Leur site propose des cours complets de statistique
utilisant R :
http://pbil.univ-lyon1.fr/R/enseignement.html.
La plupart des documents sont assez pointus niveau mathématique et plutôt orientés biostatistique, mais
on trouvera des documents plus introductifs ici :
http://pbil.univ-lyon1.fr/R/html/cours1.
Dans tous les cas la somme de travail et de connaissances mise à disposition librement est
impressionnante… Enfin, le site de Vincent Zoonekynd (http://zoonek2.free.fr/UNIX/48_R_2004/
all.html) comprend de nombreuses notes prises au cours de sa découverte du logiciel. On notera
cependant que l’auteur est normalien et docteur en mathématiques…
RStudio
La documentation officielle de RStudio est disponible sur https://support.rstudio.com (catégorie
Documentation disponible en milieu de page).
Où poser des questions ?

La communauté des utilisateurs de R est très active et en général très contente de pouvoir répondre
aux questions (nombreuses) des débutants et à celles (tout aussi nombreuses) des utilisateurs plus
expérimentés. Dans tous les cas, les règles de base à respecter avant de poser une question sont toujours
les mêmes : avoir cherché soi-même la réponse auparavant, notamment dans les FAQ et dans l’aide en
ligne, et poser sa question de la manière la plus claire possible, de préférence avec un exemple de code
posant problème.
Les forums d’analyse-R

En premier lieu (autopromotion oblige), chaque chapitre du site d’analyse-R (http://larmarange.github.io/
analyse-R/) comporte en bas de page une fonctionnalité permettant de laisser des commentaires. On peut
donc y poser une question en lien avec le chapitre concerné.
Discussion instantanée
Grrr (“pour quand votre R fait Grrr”) est un groupe Slack (plateforme de discussion instantanée)
francophone dédié aux échanges et à l’entraide autour de R. Il est ouvert à tous et se veut accessible aux
débutants. Vous pouvez même utiliser un pseudonyme si vous préférez.
– 175 –
Pour rejoindre la discussion, il suffit de suivre le lien d’invitation suivant :
https://join.slack.com/t/r-grrr/shared_invite/zt-46utbgb9-uvo_bg5cbuxOV~H10YUX8w
Liste R-soc
Une liste de discussion a été créée spécialement pour permettre aide et échanges autour de l’utilisation
de R en sciences sociales. Elle est hébergée par RENATER et on peut s’y abonner à l’adresse suivante :
https://groupes.renater.fr/sympa/subscribe/r-soc.
Grâce aux services offerts par le site gmane.org, la liste est également disponible sous d’autres formes
(forum Web, blog, NNTP, flux RSS) permettant de lire et de poster sans avoir à s’inscrire et à recevoir les
messages sous forme de courrier électronique. Pour plus d’informations :
http://dir.gmane.org/gmane.comp.lang.r.user.french.
Liste Quanti
La liste Quanti également hébergée par Renater a pour vocation d’accueillir les contributions et les
échanges de toutes celles et tous ceux qui s’intéressent aux questions d’enseignement des méthodes
quantitatives dans les sciences sociales. Cela inclue l’usage de R.
Pour s’abonner : https://groupes.renater.fr/sympa/subscribe/quanti?previous_action=info
StackOverflow
Le site StackOverflow (qui fait partie de la famille des sites StackExchange) comprend une section
(anglophone) dédiée à R qui permet de poser des questions et en général d’obtenir des réponses assez
rapidement :
http://stackoverflow.com/questions/tagged/r.
La première chose à faire, évidemment, est de vérifier que sa question n’a pas déjà été posée.
Forum Web en français

Le Cirad a mis en ligne un forum dédié aux utilisateurs de R, très actif :
http://forums.cirad.fr/logiciel-R/index.php.
Les questions diverses et variées peuvent être posées dans la rubrique Questions en cours :
http://forums.cirad.fr/logiciel-R/viewforum.php?f=3.
Il est tout de même conseillé de faire une recherche rapide sur le forum avant de poser une question, pour
– 176 –
voir si la réponse ne s’y trouverait pas déjà.
Canaux IRC (chat)

L’IRC, ou Internet Relay Chat est le vénérable ancêtre toujours très actif des messageries instantanées
actuelles. Un canal (en anglais) est notamment dédié aux échanges autour de R ( #R ).
Si vous avez déjà l’habitude d’utiliser IRC, il vous suffit de pointer votre client préféré sur Freenode
( irc.freenode.net ) puis de rejoindre l’un des canaux en question.
Sinon, le plus simple est certainement d’utiliser l’interface web de Mibbit, accessible à l’adresse
http://www.mibbit.com/.
Dans le champ Connect to IRC, sélectionnez Freenode.net, puis saisissez un pseudonyme dans le champ Nick
et #R dans le champ Channel. Vous pourrez alors discuter directement avec les personnes présentes.
Le canal #R est normalement peuplé de personnes qui seront très heureuses de répondre à toutes les
questions, et en général l’ambiance y est très bonne. Une fois votre question posée, n’hésitez pas à être
patient et à attendre quelques minutes, voire quelques heures, le temps qu’un des habitués vienne y faire
un tour.
Listes de discussion officielles

La liste de discussion d’entraide (par courrier électronique) officielle du logiciel R s’appelle R-help. On peut
s’y abonner à l’adresse suivante, mais il s’agit d’une liste avec de nombreux messages :
https://stat.ethz.ch/mailman/listinfo/r-help.
Pour une consultation ou un envoi ponctuels, le mieux est sans doute d’utiliser les interfaces Web fournies
par gmane.org :
http://blog.gmane.org/gmane.comp.lang.r.general.
R-help est une liste avec de nombreux messages, suivie par des spécialistes de R, dont certains des
développeurs principaux. Elle est cependant à réserver aux questions particulièrement techniques qui
n’ont pas trouvé de réponses par d’autres biais.
Dans tous les cas, il est nécessaire avant de poster sur cette liste de bien avoir pris connaissance du posting
guide correspondant :
http://www.r-project.org/posting-guide.html.
Plusieurs autres listes plus spécialisées existent également, elles sont listées à l’adresse suivante :
http://www.r-project.org/mail.html.
– 177 –
Où trouver des extensions intéressantes ?

Il existe plusieurs milliers d’extensions pour R, et il n’est pas toujours facile de savoir laquelle choisir pour
une tâche donnée.
Si un des meilleurs moyens reste le bouche à oreille, on peut aussi se reporter à la page CRAN Task
view qui liste un certain nombre de domaines (classification, sciences sociales, séries temporelles…) et
indique, pour chacun d’entre eux, une liste d’extensions potentiellement intéressantes accompagnées
d’une courte description. On peut même installer l’ensemble des extensions d’une catégorie avec la
fonction install.views() .
Une autre possibilité est de consulter la page listant l’ensemble des packages existant. S’il n’est
évidemment pas possible de passer en revue les milliers d’extensions une à une, on peut toujours effectuer
une recherche dans la page avec des mots-clés correspondant aux fonctionnalités recherchées.
Un autre site intéressant est Awesome R, une liste élaborée collaborativement des extensions les plus
utiles ou les plus populaires classées par grandes catégories : manipulation des données, graphiques
interactifs, etc.
La page frrrenchies liste des packages pouvant être utiles pour des utilisateurs français (géolocalisation,
traitement du langage, accès à des API…), ainsi que des ressources francophones.
Enfin, certaines extensions fournissent des “galeries” permettant de repérer ou découvrir certains
packages. C’est notamment le cas de htmlwidgets , qui propose une galerie d’extensions proposant des
graphiques interactifs, ou de R Markdown.
– 178 –
Visualiser ses données
Inspection visuelle des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
summary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 181
str . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
glimpse (dplyr) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 184
look_for (labelled) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
describe (questionr) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 189
Addins de codebook . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
skim (skimr) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 194
create_report (DataExplorer) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
makeCodebook (dataMaid) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
scan_data (pointblank) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 200
Au fil des différents chapitres, nous avons abordé diverses fonctions utiles au quotidien et permettant de
visualiser ses données. Ce chapitre se propose de les regrouper.
Chargeons tout d’abord quelques fichiers de données à titre d’exemple.
data(hdv2003)
data(fecondite)
R> load(url("https://github.com/larmarange/analyse-R/raw/gh-pages/data/rp99.RDat
a"))
Inspection visuelle des données

La particularité de R par rapport à d’autres logiciels comme Modalisa ou SPSS est de ne pas proposer,
par défaut, de vue des données sous forme de tableau. Ceci peut parfois être un peu déstabilisant dans
les premiers temps d’utilisation, même si l’on perd vite l’habitude et qu’on finit par se rendre compte que
« voir » les données n’est pas forcément un gage de productivité ou de rigueur dans le traitement.
– 179 –
Néanmoins, R propose une interface permettant de visualiser le contenu d’un tableau de données à l’aide
de la fonction View :
R> View(hdv2003)
Sous RStudio, on peut aussi afficher la visionneusee (viewer) en cliquant sur la petite icône en forme
de tableau située à droite de la ligne d’un tableau de données dans l’onglet Environment du quadrant
supérieur droit (cf. figure ci-après).
Icône pour afficher une vue du contenu d’un tableau
Figure 1. Icône pour afficher une vue du contenu d’un tableau
Dans tous les cas, RStudio lancera le viewer dans un onglet dédié dans le quadrant supérieur gauche. Le
visualiseur de RStudio est plus avancé que celui-de base fournit par R. Il est possible de trier les données
selon une variable en cliquant sur le nom de cette dernière. Il y a également un champs de recherche et un
bouton Filter donnant accès à des options de filtrage avancées.
– 180 –
La visionneuse de données de RStudio
Figure 2. La visionneuse de données de RStudio
summary
La fonction summary permet d’avoir une vue résumée d’une variable. Elle s’applique à tout type d’objets
(y compris un tableau de données entier) et s’adapte à celui-ci.
R> summary(hdv2003$age)

18.00 35.00 48.00 48.16 60.00 97.00
R> summary(hdv2003$qualif)

203 292
86 160
Cadre Employe
260 594
Autre NA's
58 347
– 181 –
R> summary(hdv2003)
id age sexe
Min. : 1.0 Min. :18.00 Homme: 899
1st Qu.: 500.8 1st Qu.:35.00 Femme:1101
Median :1000.5 Median :48.00
Mean :1000.5 Mean :48.16
3rd Qu.:1500.2 3rd Qu.:60.00
Max. :2000.0 Max. :97.00
nivetud
1er cycle :204
2eme cycle :183
(Other) :256
NA's :112
poids occup
Min. : 78.08 Exerce une profession:1049
1st Qu.: 2221.82 Chomeur : 134
Median : 4631.19 Etudiant, eleve : 94
Mean : 5535.61 Retraite : 392
3rd Qu.: 7626.53 Retire des affaires : 77
Max. :31092.14 Au foyer : 171
Autre inactif : 83
(Other) :144 Max. :22.000
NA's :347
clso relig
Rejet : 93
NSP ou NVPR : 40
– 182 –

NA's :952


Non:1174 Non:1277 Min. : 0.000
Oui: 826 Oui: 723 1st Qu.: 1.000
Median : 2.000
Mean : 2.247
3rd Qu.: 3.000
Max. :12.000
NA's :5
str
La fonction str est plus complète que names . Elle liste les différentes variables, indique leur type et
donne le cas échéant des informations supplémentaires ainsi qu’un échantillon des premières valeurs
prises par cette variable :
R> str(hdv2003)

$ id : int 1 2 3 4 5 6 7 8 9 10 ...
$ age : int 28 23 59 34 71 35 60 47 20 28 ...
3 6 NA 7 ...
$ poids : num 2634 9738 3994 5732 4329 ...
3 1 ...
A 7 ...
1 2 ...
– 183 –

2 ...
NA 3 ...
...
$ heures.tv : num 0 1 0 2 3 2 2.9 1 2 2 ...
I M P O R TA N T
La fonction str est essentielle à connaître et peut s’appliquer à n’importe quel type d’objet. C’est un
excellent moyen de connaître en détail la structure d’un objet. Cependant, les résultats peuvent être
parfois trop détaillés et on lui priviligiera dans certains cas les fonctions suivantes.
glimpse (dplyr)
L’extension dplyr (voir le chapitre dédié, page 241), propose une fonction glimpse (ce qui signifie
«aperçu» en anglais) qui permet de visualiser rapidement et de manière condensée le contenu d’un
tableau de données.
R> library(dplyr)
glimpse(hdv2003)
Rows: 2,000
Columns: 20
$ id <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 1…
$ age <int> 28, 23, 59, 34, 71, 35, 60, 47, 20, …
$ sexe <fct> Femme, Femme, Homme, Homme, Femme, F…
$ nivetud <fct> "Enseignement superieur y compris te…
$ poids <dbl> 2634.3982, 9738.3958, 3994.1025, 573…
$ occup <fct> "Exerce une profession", "Etudiant, …
$ qualif <fct> Employe, NA, Technicien, Technicien,…
$ freres.soeurs <int> 8, 2, 2, 1, 0, 5, 1, 5, 4, 2, 3, 4, …
– 184 –
$ clso <fct> Oui, Oui, Non, Non, Oui, Non, Oui, N…

$ relig <fct> Ni croyance ni appartenance, Ni croy…
$ trav.imp <fct> Peu important, NA, Aussi important q…
$ trav.satisf <fct> Insatisfaction, NA, Equilibre, Satis…
$ hard.rock <fct> Non, Non, Non, Non, Non, Non, Non, N…
$ lecture.bd <fct> Non, Non, Non, Non, Non, Non, Non, N…
$ peche.chasse <fct> Non, Non, Non, Non, Non, Non, Oui, O…
$ cuisine <fct> Oui, Non, Non, Oui, Non, Non, Oui, O…
$ bricol <fct> Non, Non, Non, Oui, Non, Non, Non, O…
$ cinema <fct> Non, Oui, Non, Oui, Non, Oui, Non, N…
$ sport <fct> Non, Oui, Oui, Oui, Non, Oui, Non, N…
$ heures.tv <dbl> 0.0, 1.0, 0.0, 2.0, 3.0, 2.0, 2.9, 1…
look_for (labelled)
L’extension labelled propose une fonction look_for , inspirée de Stata, qui permet de lister les
différentes variables d’un fichier de données, ainsi que leurs principales caractéristiques :
look_for(hdv2003)
1 id — int range: 1 - 2000
2 age — int range: 18 - 97
3 sexe — fct Homme
Femme
4 nivetud — fct N'a jamais fait d'etudes
A arrete ses etudes, avant la derniere annee

d'etudes primaires
Derniere annee d'etudes primaires
1er cycle
2eme cycle
– 185 –
Enseignement technique ou professionnel court
Enseignement technique ou professionnel long
Enseignement superieur y compris technique su

perieur
5 poids — dbl range: 78.0783403 - 31092.14132
6 occup — fct Exerce une profession
Chomeur
Etudiant, eleve
Retraite
Retire des affaires
Au foyer
Autre inactif
7 qualif — fct Ouvrier specialise
Ouvrier qualifie
Technicien
Profession intermediaire
Cadre
Employe
Autre
8 freres.soeurs — int range: 0 - 22
9 clso — fct Oui
Non
Ne sait pas
10 relig — fct Pratiquant regulier
Pratiquant occasionnel
– 186 –
Appartenance sans pratique
Ni croyance ni appartenance
Rejet
NSP ou NVPR
Peu important
Insatisfaction
Equilibre
13 hard.rock — fct Non
Oui
14 lecture.bd — fct Non
Oui
15 peche.chasse — fct Non
Oui
16 cuisine — fct Non
Oui
17 bricol — fct Non
Oui
18 cinema — fct Non
Oui
– 187 –
19 sport — fct Non
Oui
20 heures.tv — dbl range: 0 - 12
Lorsque l’on a un gros tableau de données avec de nombreuses variables, il peut être difficile de retrouver
la ou les variables d’intérêt. Il est possible d’indiquer à look_for un mot-clé pour limiter la recherche.
Par exemple :
R> look_for(hdv2003, "trav")

Peu important
Insatisfaction
Equilibre
Il est à noter que si la recherche n’est pas sensible à la casse (i.e. aux majuscules et aux minuscules), elle est
sensible aux accents. Il est aussi possible de fournir plusieurs expressions de recherche.
La fonction look_for est par ailleurs compatible avec les étiquettes de variable de l’extension labelled,
les étiquettes étant prise en compte dans la recherche d’une variable.
R> look_for(femmes, "rés")

[2] rural
[2] Est
[3] Sud
[4] Ouest
R> look_for(femmes, "rés", "nb")
– 188 –

[2] rural
[2] Est
[3] Sud
[4] Ouest
16 nb_enf_ideal Nombre idéal d'enfants dbl+lbl [96] Ne sait pas
[99] manquant
À noter, le résultat renvoyé par look_for est un tableau de données qui peut ensuite être aisément
manipulé (voir l’aide de la fonction).
describe (questionr)
L’extension questionr fournit également une fonction bien pratique pour décrire les différentes variables
d’un tableau de données. Il s’agit de describe . Faisons de suite un essai :
R> describe(hdv2003)
[2000 obs. x 20 variables] tbl_df tbl data.frame
$id:
integer: 1 2 3 4 5 6 7 8 9 10 ...
$age:
integer: 28 23 59 34 71 35 60 47 20 28 ...
$sexe:
nominal factor: "Femme" "Femme" "Homme" "Homme" "Femme" "Femme" "Femme" "Homme"
"Femme" "Homme" ...
NAs: 0 (0%)
$nivetud:
nominal factor: "Enseignement superieur y compris technique superieur" NA "Derni
ere annee d'etudes primaires" "Enseignement superieur y compris technique superi
eur" "Derniere annee d'etudes primaires" "Enseignement technique ou professionne
l court" "Derniere annee d'etudes primaires" "Enseignement technique ou professi
onnel court" NA "Enseignement technique ou professionnel long" ...
8 levels: N'a jamais fait d'etudes | A arrete ses etudes, avant la derniere anne
– 189 –
e d'etudes primaires | Derniere annee d'etudes primaires | 1er cycle | 2eme cycl
e | Enseignement technique ou professionnel court | Enseignement technique ou pr
ofessionnel long | Enseignement superieur y compris technique superieur
NAs: 112 (5.6%)
$poids:
numeric: 2634.3982157 9738.3957759 3994.1024587 5731.6615081 4329.0940022 8674.6
993828 6165.8034861 12891.640759 7808.8720636 2277.160471 ...
min: 78.0783403 - max: 31092.14132 - NAs: 0 (0%) - 1877 unique values
$occup:
nominal factor: "Exerce une profession" "Etudiant, eleve" "Exerce une professio
n" "Exerce une profession" "Retraite" "Exerce une profession" "Au foyer" "Exerce
une profession" "Etudiant, eleve" "Exerce une profession" ...
7 levels: Exerce une profession | Chomeur | Etudiant, eleve | Retraite | Retire
des affaires | Au foyer | Autre inactif
NAs: 0 (0%)
$qualif:
nominal factor: "Employe" NA "Technicien" "Technicien" "Employe" "Employe" "Ouvr
ier qualifie" "Ouvrier qualifie" NA "Autre" ...
7 levels: Ouvrier specialise | Ouvrier qualifie | Technicien | Profession interm
ediaire | Cadre | Employe | Autre
NAs: 347 (17.3%)
$freres.soeurs:
integer: 8 2 2 1 0 5 1 5 4 2 ...
$clso:
nominal factor: "Oui" "Oui" "Non" "Non" "Oui" "Non" "Oui" "Non" "Oui" "Non" ...
3 levels: Oui | Non | Ne sait pas
NAs: 0 (0%)
$relig:
nominal factor: "Ni croyance ni appartenance" "Ni croyance ni appartenance" "Ni
croyance ni appartenance" "Appartenance sans pratique" "Pratiquant regulier" "Ni
croyance ni appartenance" "Appartenance sans pratique" "Ni croyance ni apparten
ance" "Appartenance sans pratique" "Pratiquant occasionnel" ...
6 levels: Pratiquant regulier | Pratiquant occasionnel | Appartenance sans prati
que | Ni croyance ni appartenance | Rejet | NSP ou NVPR
NAs: 0 (0%)
$trav.imp:
nominal factor: "Peu important" NA "Aussi important que le reste" "Moins importa
nt que le reste" NA "Le plus important" NA "Peu important" NA "Moins important q
ue le reste" ...
– 190 –
4 levels: Le plus important | Aussi important que le reste | Moins important que
le reste | Peu important
NAs: 952 (47.6%)
$trav.satisf:
nominal factor: "Insatisfaction" NA "Equilibre" "Satisfaction" NA "Equilibre" NA
"Insatisfaction" NA "Satisfaction" ...
3 levels: Satisfaction | Insatisfaction | Equilibre
NAs: 952 (47.6%)
$hard.rock:
nominal factor: "Non" "Non" "Non" "Non" "Non" "Non" "Non" "Non" "Non" "Non" ...
2 levels: Non | Oui
NAs: 0 (0%)
$lecture.bd:
nominal factor: "Non" "Non" "Non" "Non" "Non" "Non" "Non" "Non" "Non" "Non" ...
2 levels: Non | Oui
NAs: 0 (0%)
$peche.chasse:
nominal factor: "Non" "Non" "Non" "Non" "Non" "Non" "Oui" "Oui" "Non" "Non" ...
2 levels: Non | Oui
NAs: 0 (0%)
$cuisine:
nominal factor: "Oui" "Non" "Non" "Oui" "Non" "Non" "Oui" "Oui" "Non" "Non" ...
2 levels: Non | Oui
NAs: 0 (0%)
$bricol:
nominal factor: "Non" "Non" "Non" "Oui" "Non" "Non" "Non" "Oui" "Non" "Non" ...
2 levels: Non | Oui
NAs: 0 (0%)
$cinema:
nominal factor: "Non" "Oui" "Non" "Oui" "Non" "Oui" "Non" "Non" "Oui" "Oui" ...
2 levels: Non | Oui
NAs: 0 (0%)
$sport:
nominal factor: "Non" "Oui" "Oui" "Oui" "Non" "Oui" "Non" "Non" "Non" "Oui" ...
2 levels: Non | Oui
NAs: 0 (0%)
$heures.tv:
numeric: 0 1 0 2 3 2 2.9 1 2 2 ...
– 191 –
min: 0 - max: 12 - NAs: 5 (0.2%) - 30 unique values
Comme on le voit sur cet exemple, describe nous affiche le type des variables, les premières valeurs de
chacune, le nombre de valeurs manquantes, le nombre de valeurs différentes (uniques) ainsi que quelques
autres informations suivant le type de variables.
Il est possible de restreindre l’affichage à seulement quelques variables en indiquant le nom de ces
dernières ou une expression de recherche (comme avec lookfor ).
R> describe(hdv2003, "age", "trav")
$age:
integer: 28 23 59 34 71 35 60 47 20 28 ...
$trav.imp:
nominal factor: "Peu important" NA "Aussi important que le reste" "Moins importa
nt que le reste" NA "Le plus important" NA "Peu important" NA "Moins important q
ue le reste" ...
4 levels: Le plus important | Aussi important que le reste | Moins important que
le reste | Peu important
NAs: 952 (47.6%)
$trav.satisf:
nominal factor: "Insatisfaction" NA "Equilibre" "Satisfaction" NA "Equilibre" NA
"Insatisfaction" NA "Satisfaction" ...
3 levels: Satisfaction | Insatisfaction | Equilibre
NAs: 952 (47.6%)
On peut également transmettre juste une variable :
R> describe(hdv2003$sexe)
[2000 obs.]
nominal factor: "Femme" "Femme" "Homme" "Homme" "Femme" "Femme" "Femme" "Homme"
"Femme" "Homme" ...
NAs: 0 (0%)
n %
Homme 899 45
Femme 1101 55
– 192 –
Total 2000 100
Enfin, describe est également compatible avec les vecteurs labellisés, page 121.
R> describe(femmes, "milieu")
$milieu: Milieu de résidence

labelled double: 2 2 2 2 2 2 2 2 2 2 ...
2 value labels: [1] urbain [2] rural
À noter, l’argument freq.n.max permets d’indiquer le nombre de modalités en-dessous duquel

describe renverra également un tri à plat de la variable.
R> describe(menages, freq.n.max = 6)
$id_menage: Identifiant du ménage

numeric: 1 2 3 4 5 6 7 8 9 10 ...
$taille: Taille du ménage (nombre de membres)

numeric: 7 3 6 5 7 6 15 6 5 19 ...
$sexe_chef: Sexe du chef de ménage

labelled double: 2 1 1 1 1 2 2 2 1 1 ...
2 value labels: [1] homme [2] femme
n %
[1] homme 1420 78.3
[2] femme 394 21.7
Total 1814 100.0
$structure: Structure démographique du ménage

labelled double: 4 2 5 4 4 4 5 2 5 5 ...
6 value labels: [0] pas d'adulte [1] un adulte [2] deux adultes de sexe opposé
[3] deux adultes de même sexe [4] trois adultes ou plus avec lien de parenté [5]
adultes sans lien de parenté
– 193 –
n %
[0] pas d'adulte 0 0.0
[1] un adulte 78 4.3
[2] deux adultes de sexe opposé 439 24.2
[3] deux adultes de même sexe 75 4.1
[4] trois adultes ou plus avec lien de parenté 920 50.7
[5] adultes sans lien de parenté 302 16.6
Total 1814 100.0
$richesse: Niveau de vie (quintiles)

labelled double: 1 2 2 1 1 3 2 5 4 3 ...
5 value labels: [1] très pauvre [2] pauvre [3] moyen [4] riche [5] très riche
n %
[1] très pauvre 335 18.5
[2] pauvre 357 19.7
[3] moyen 402 22.2
[4] riche 350 19.3
[5] très riche 370 20.4
Total 1814 100.0
Addins de codebook
L’extension codebook fournit plusieurs addins permettant d’explorer les étiquettes des différentes
variables d’un tableau de données. Ils sont accessibles par le menu Addins de RStudio.
On peut aussi lancer les addins manuellement, par exemple avec la commande suivante :
R> codebook::label_browser_static(femmes)
skim (skimr)
L’extension skimr a pour objectif de fournir une fonction skim comme alternative à summary {base} pour
les vecteurs et les tableaux de données afin de fournir plus de statistiques dans un format plus compact.
Elle peut être appliquée à un vecteur donné ou directement à un tableau de données.
– 194 –
R> library(skimr)
skim(hdv2003$cuisine)
Data summary
Name hdv2003$cuisine
Number of rows 2000
Number of columns 1
_______________________
Column type frequency:
factor 1
________________________
Group variables None

Variable type: factor
skim_variable n_missing complete_rate ordered n_unique top_counts
data 0 1 FALSE 2 Non: 1119, Oui: 881
– 195 –
R> skim(hdv2003)
Data summary
Name hdv2003
Number of rows 2000
Number of columns 20
_______________________
factor 15
numeric 5
________________________

– 196 –
sexe 0 1.00 FALSE 2 Fem: 1101, Hom:

899
nivetud 112 0.94 FALSE 8 Ens: 463, Ens: 441,

Der: 341, 1er: 204
occup 0 1.00 FALSE 7 Exe: 1049, Ret: 392,

Au : 171, Cho: 134
qualif 347 0.83 FALSE 7 Emp: 594, Ouv: 292,

Cad: 260, Ouv: 203
clso 0 1.00 FALSE 3 Non: 1037, Oui: 936,

Ne : 27
relig 0 1.00 FALSE 6 App: 760, Pra: 442,

Ni : 399, Pra: 266
trav.imp 952 0.52 FALSE 4 Moi: 708, Aus: 259,

Peu: 52, Le : 29
trav.satisf 952 0.52 FALSE 3 Sat: 480, Equ: 451,

Ins: 117
hard.rock 0 1.00 FALSE 2 Non: 1986, Oui: 14
lecture.bd 0 1.00 FALSE 2 Non: 1953, Oui: 47
peche.chasse 0 1.00 FALSE 2 Non: 1776, Oui: 224
cuisine 0 1.00 FALSE 2 Non: 1119, Oui: 881
bricol 0 1.00 FALSE 2 Non: 1147, Oui: 853
cinema 0 1.00 FALSE 2 Non: 1174, Oui: 826
sport 0 1.00 FALSE 2 Non: 1277, Oui: 723
Variable type: numeric
– 197 –
skim_variable n_missing complete_rate mean sd p0 p25 p50 p75
id 0 1 1000.50 577.49 1.00 500.75 1000.50 150
age 0 1 48.16 16.94 18.00 35.00 48.00 6
poids 0 1 5535.61 4375.03 78.08 2221.82 4631.19 762
freres.soeurs 0 1 3.28 2.77 0.00 1.00 2.00
heures.tv 5 1 2.25 1.78 0.00 1.00 2.00
On peut noter que les variables sont regroupées par type.
Il est possible de sélectionner des variables à la manière de dplyr. Voir l’aide de contains .
R> skim(hdv2003, contains("re"))
Data summary
Name hdv2003
Number of rows 2000
Number of columns 20
_______________________
factor 2
numeric 2
________________________

relig 0 1 FALSE 6 App: 760, Pra: 442,

Ni : 399, Pra: 266
lecture.bd 0 1 FALSE 2 Non: 1953, Oui: 47
– 198 –
skim_variable n_missing complete_rate mean sd p0 p25 p50 p75 p100 hist
freres.soeurs 0 1 3.28 2.77 0 1 2 5 22 ▇▂▁▁▁
heures.tv 5 1 2.25 1.78 0 1 2 3 12 ▇▃▁▁▁
Le support des vecteurs labellisés est encore en cours d’intégration.
R> skim(menages)
Data summary
Name menages
Number of rows 1814
Number of columns 5
_______________________
numeric 5
________________________

skim_variable n_missing complete_rate mean sd p0 p25 p50 p75 p
id_menage 0 1 907.50 523.80 1 454.25 907.5 1360.75 1
taille 0 1 7.50 4.42 1 4.00 6.0 9.00
sexe_chef 0 1 1.22 0.41 1 1.00 1.0 1.00
structure 0 1 3.51 1.15 1 2.00 4.0 4.00
richesse 0 1 3.03 1.39 1 2.00 3.0 4.00
– 199 –
create_report (DataExplorer)
L’extension DataExplorer fournit des outils d’exploration graphique d’un fichier de données. En premier
lieu, sa fonction create_report génère un rapport automatique à partir d’un tableau de données.
R> library(DataExplorer)
create_report(hdv2003)
Le résultat de ce rapport est visible sur http://larmarange.github.io/analyse-R/data/

hdv2003_DataExplorer_report.html.
L’extension fournit également différentes fonctions graphiques, présentées en détail dans la vignette
inclue dans l’extension et visible sur https://cran.r-project.org/web/packages/DataExplorer/vignettes/
dataexplorer-intro.html.
makeCodebook (dataMaid)
L’extension dataMaid propose une fonction makeCodebook permettant de générer une présentation de
l’ensemble des variables d’un tableau de données, au format PDF, Word ou HTML.
R> library(dataMaid)
makeCodebook(hdv2003)
Vous pouvez cliquer sur ce lien pour voir le PDF produit par dataMaid.
scan_data (pointblank)
L’extension pointblank propose une fonction scan_data permettant de générer un rapport automatisé
sur un jeu de données. Le rapport est surtout détaillé pour les variables continues mais ne fournit que
peu d’informations que les variables catégorielles. La fonction ne tient pas compte non plus des variables
labellisées. La fonction export_report permet d’exporter le rapport obtenu au format HTML.
R> library(pointblank)
rapport <- scan_data(hdv2003)
export_report(rapport, filename = "data/scan_data_hdv2003.html")
Vous pouvez cliquer sur ce lien pour voir le fichier HTML produit par pointblank.
– 200 –
Recodage de variables
Renommer des variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
Convertir une variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
Variable numérique ou textuelle en facteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
Conversion d’un facteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
Conversion d’un vecteur labellisé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
Quand convertir les vecteurs labellisés ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
Convertir un vecteur labellisé en facteur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 209
Convertir un vecteur labellisé en numérique ou en texte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
Conversion conditionnelle en facteurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 213
Nettoyage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 216
Découper une variable numérique en classes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
Regrouper les modalités d’une variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
Variables calculées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
Combiner plusieurs variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
Variables scores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
Vérification des recodages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 232
Facteurs et forcats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
Modifier les modalités d’une variable qualitative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 233
Ordonner les modalités d’une variable qualitative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 235
Combiner plusieurs variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
if_else . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
case_when . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238
Recodage et data.table . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 239
GUIDE-R
Une version actualisée de ce chapitre est disponible sur guide-R : Facteurs et forcats & Combiner
plusieurs variables
– 201 –
NOTE
La version originale de ce chapitre a été écrite par Julien Barnier dans le cadre du support de cours
Introduction à R.
WEBIN-R
Ce chapitre est évoqué dans le webin-R #05 (recoder des variables) sur YouTube.
Ce chapitre est évoqué dans le webin-R #06 (régression logistique partie 1) sur YouTube.
Le recodage de variables est une opération extrêmement fréquente lors du traitement d’enquête. Celui-ci
utilise soit l’une des formes d’indexation décrites précédemment, soit des fonctions ad hoc de R.
On passe ici en revue différents types de recodage parmi les plus courants. Les exemples s’appuient,
comme précédemment, sur l’extrait de l’enquête Histoire de vie :
data(hdv2003)
d <- hdv2003
Renommer des variables

Une opération courante lorsqu’on a importé des variables depuis une source de données externe consiste
à renommer les variables importées. Sous R les noms de variables doivent être à la fois courts et explicites.
I M P O R TA N T
Les noms de variables peuvent contenir des lettres, des chiffres (mais ils ne peuvent pas commencer
par un chiffre), les symboles . et _ et doivent commencer par une lettre. R fait la différence entre
les majuscules et les minuscules, ce qui signifie que x et X sont deux noms de variable différents. On
évitera également d’utiliser des caractères accentués dans les noms de variable. Comme les espaces
ne sont pas autorisés, on pourra les remplacer par un point ou un tiret bas.
On peut lister les noms des variables d’un tableau de données (data.frame) à l’aide de la fonction names :
– 202 –
R> names(d)
[1] "id" "age" "sexe"

[4] "nivetud" "poids" "occup"
[7] "qualif" "freres.soeurs" "clso"
[10] "relig" "trav.imp" "trav.satisf"
[13] "hard.rock" "lecture.bd" "peche.chasse"
[16] "cuisine" "bricol" "cinema"
[19] "sport" "heures.tv"
Si l’on utilise dplyr (voir chapitre dédié, page 241), on peut facilement renommer une variable avec
rename :
– 203 –
R> library(dplyr, quietly = TRUE)

d2 <- d %>% dplyr::rename(bricolage = bricol, religion = relig)
– 204 –
NOTE
La fonction names peut également être utilisée pour renommer l’ensemble des variables. Si par
exemple on souhaitait passer les noms de toutes les variables en majuscules, on pourrait faire :
R> d.maj <- d

names(d.maj) <- c(
"ID", "AGE", "SEXE", "NIVETUD", "POIDS", "OCCUP", "QUALIF",
"FRERES.SOEURS", "CLSO", "RELIG", "TRAV.IMP", "TRAV.SATISF", "HARD.ROCK",
"LECTURE.BD", "PECHE.CHASSE", "CUISINE", "BRICOL", "CINEMA", "SPORT", "HE
URES.TV"
)
summary(d.maj$SEXE)
Homme Femme
899 1101
Ce type de renommage peut être utile lorsqu’on souhaite passer en revue tous les noms de variables
d’un fichier importé pour les corriger le cas échéant. Pour faciliter un peu ce travail pas forcément
passionnant, on peut utiliser la fonction dput :
R> dput(names(d))
c("id", "age", "sexe", "nivetud", "poids", "occup", "qualif",

"freres.soeurs", "clso", "relig", "trav.imp", "trav.satisf",
"hard.rock", "lecture.bd", "peche.chasse", "cuisine", "bricol",
"cinema", "sport", "heures.tv")
On obtient en résultat la liste des variables sous forme de vecteur déclaré. On n’a plus alors qu’à
copier/coller cette chaîne, rajouter names(d) <- devant et modifier un à un les noms des variables.
Si on souhaite seulement modifier le nom d’une variable, on peut utiliser la fonction

rename.variable de l’extension questionr. Celle-ci prend en argument le tableau de données, le
nom actuel de la variable et le nouveau nom. Par exemple, si on veut renommer la variable bricol du
tableau de données d en bricolage :
– 205 –
R> d <- rename.variable(d, "bricol", "bricolage")

table(d$bricolage)
Non Oui
1147 853
Convertir une variable

Il peut arriver qu’on veuille transformer une variable d’un type dans un autre.
Variable numérique ou textuelle en facteur

Par exemple, on peut considérer que la variable numérique freres.soeurs est une « fausse » variable
numérique et qu’une représentation sous forme de facteur serait plus adéquate. Dans ce cas il suffit de
faire appel à la fonction factor :
R> d$fs.fac <- factor(d$freres.soeurs)

levels(d$fs.fac)
[1] "0" "1" "2" "3" "4" "5" "6" "7" "8" "9" "10"
[12] "11" "12" "13" "14" "15" "16" "18" "22"
La conversion d’une variable caractères en facteur se fait de la même manière.
La conversion d’un facteur ou d’une variable numérique en variable caractères peut se faire à l’aide de la
fonction as.character :
R> d$fs.char <- as.character(d$freres.soeurs)

d$qualif.char <- as.character(d$qualif)
Conversion d’un facteur

La conversion d’un facteur en caractères est fréquemment utilisé lors des recodages du fait qu’il est
impossible d’ajouter de nouvelles modalités à un facteur de cette manière. Par exemple, la première des
– 206 –
commandes suivantes génère un message d’avertissement, tandis que les deux autres fonctionnent :
R> d.temp <- d

d.temp$qualif[d.temp$qualif == "Ouvrier specialise"] <- "Ouvrier"
Warning in `[<-.factor`(`*tmp*`, d.temp$qualif == "Ouvrier

specialise", : niveau de facteur incorrect, NAs générés
R> d$qualif.char <- as.character(d$qualif)

d$qualif.char[d$qualif.char == "Ouvrier specialise"] <- "Ouvrier"
Dans le premier cas, le message d’avertissement indique que toutes les modalités « Ouvrier specialise » de
notre variable qualif ont été remplacées par des valeurs manquantes NA .
Enfin, une variable de type caractères dont les valeurs seraient des nombres peut être convertie en
variable numérique avec la fonction as.numeric .
R> v <- c("1", "3.1415", "4", "5.6", "1", "4")

v
[1] "1" "3.1415" "4" "5.6" "1" "4"
R> as.numeric(v)
[1] 1.000 3.142 4.000 5.600 1.000 4.000
– 207 –
I M P O R TA N T
Lorsque l’on convertit un facteur avec as.numeric , on obtient le numéro de chaque facteur
(première modalité, seconde modalité, etc.). Si la valeur numérique qui nous intéresse est en fait
contenu dans le nom des modalités, il faut convertir au préalable notre facteur en variable textuelle.
R> vf <- factor(v)

vf
[1] 1 3.1415 4 5.6 1 4

Levels: 1 3.1415 4 5.6
R> as.numeric(vf)
[1] 1 2 3 4 1 3
R> as.numeric(as.character(vf))
[1] 1.000 3.142 4.000 5.600 1.000 4.000
ATTENTION : la valeur numérique associée à chaque étiquette d’un facteur change lorsque l’on
modifie l’ordre des étiquettes d’un facteur. Dès lors, il est fortement déconseillé de convertir un
facteur en variable numérique.
Conversion d’un vecteur labellisé

Nous avons abordé dans un chapitre précédent, page 127 la gestion de données labellisées à l’aide de
l’extension labelled. Les vecteurs labellisés sont beaucoup plus souples que les facteurs lors de la
préparation des données, puisque la liste des modalités autorisées n’est pas fixée à l’avance. De plus, cela
permet également de documenter au-fur-et-à-mesure les nouvelles variables que l’on créé.
Nous verrons dans les chapitres d’analyse, notamment quand il s’agit de calculer des modèles, qu’il
est nécessaire de coder les variables catégorielles sous forme de facteurs. Et il est préférable pour les
variables continues de leur retirer la classe haven_labelled .
– 208 –
Quand convertir les vecteurs labellisés ?

La classe haven_labelled permets d’ajouter des métadonnées aux variables sous la forme d’étiquettes
de valeurs. Lorsque les données sont importées depuis SAS, SPSS ou Stata, cela permet notamment de
conserver le codage original du fichier importé.
Mais il faut noter que ces étiquettes de valeur n’indique pas pour autant de manière systématique le type
de variable (catégorielle ou continue). Les vecteurs labellisés n’ont donc pas vocation à être utilisés pour
l’analyse, notamment le calcul de modèles statistiques. Ils doivent être convertis en facteurs (pour les
variables catégorielles) ou en vecteurs numériques (pour les variables continues).
La question qui peut se poser est donc de choisirà quel moment cette conversion doit avoir lieu dans un
processus d’analyse. On peut considérer deux approches principales.
Deux approches possibles
Dans l’approche A, les vecteurs labellisés sont convertis juste après l’import des données, en utilisant les
fonctions unlabelled , to_factor ou unclass qui sont présentées ci-après. Dès lors, toute la partie
de nettoyage et de recodage des données se fera en utilisant les fonctions classiques de R.
Dans l’approche B, les vecteurs labellisés sont conservés pour l’étape de nettoyage et de recodage des
données. Dans ce cas là, on pourra avoir recours aux fonctions de l’extension labelled qui facilitent la
gestion des données labellisées. Cette approche est particulièrement intéressante quand (i) on veut
pouvoir se référer au dictionnaire de codification fourni avec les données sources et donc on veut
conserver le codage original et/ou (ii) quand les données devront faire l’objet d’un réexport après
transformation. Par contre, comme dans l’approche A, il faudra prévoir une conversion des variables
labellisées au moment de l’analyse.
Convertir un vecteur labellisé en facteur

Il est très facile de convertir un vecteur labellisé en facteur à l’aide la fonction to_factor de l’extension
– 209 –
labelled1.
v <- labelled(c(1, 2, 9, 3, 3, 2, NA), c(oui = 1, "peut-être" = 2, non = 3, "n
e sait pas" = 9))
v
<labelled<double>[7]>
[1] 1 2 9 3 3 2 NA
Labels:
value label
1 oui
2 peut-être
3 non
9 ne sait pas
R> to_factor(v)
[1] oui peut-être ne sait pas non

[5] non peut-être <NA>
Levels: oui peut-être non ne sait pas
Il possible d’indiquer si l’on souhaite, comme étiquettes du facteur, utiliser les étiquettes de valeur (par
défaut), les valeurs elles-mêmes, ou bien les étiquettes de valeurs préfixées par la valeur d’origine
indiquée entre crochets.
R> to_factor(v, "l")

R> to_factor(v, "v")
[1] 1 2 9 3 3 2 <NA>
Levels: 1 2 3 9
1. On priviligiera la fonction to_factor à la fonction as_factor de l’extension haven, la première ayant plus de
possibilités et un comportement plus consistent.
– 210 –
R> to_factor(v, "p")
[1] [1] oui [2] peut-être [9] ne sait pas

[4] [3] non [3] non [2] peut-être
[7] <NA>
4 Levels: [1] oui [2] peut-être ... [9] ne sait pas
Par défaut, les étiquettes du facteur seront triés selon l’ordre des étiquettes de valeur. Mais cela peut être
modifié avec l’argument sort_levels si l’on préfère trier selon les valeurs ou selon l’ordre alphabétique
des étiquettes.
R> to_factor(v, sort_levels = "v")

R> to_factor(v, sort_levels = "l")

Levels: ne sait pas non oui peut-être
D’autres options sont disponibles. On se réferra à la documentation complète de la fonction.
Convertir un vecteur labellisé en numérique ou en texte

Pour rappel, il existe deux types de vecteurs labellisés : des vecteurs numériques labellisés ( x dans
l’exemple ci-dessous) et des vecteurs textuels labellisés ( x dans l’exemple ci-dessous).
R> x <- labelled(c(1, 2, 9, 3, 3, 2, NA), c(oui = 1, "peut-être" = 2, non = 3, "n

e sait pas" = 9))
y <- labelled(c("f", "f", "h", "f"), c(femme = "f", homme = "h"))
x
<labelled<double>[7]>
[1] 1 2 9 3 3 2 NA
Labels:
– 211 –
value label
1 oui
2 peut-être
3 non
9 ne sait pas
R> y
[1] f f h f
Labels:
value label
f femme
h homme
Pour leur retirer leur caractère labellisé et revenir à leur classe d’origine, on peut utiliser la fonction
unclass .
R> unclass(x)
[1] 1 2 9 3 3 2 NA
attr(,"labels")
oui peut-être non ne sait pas
1 2 3 9
R> unclass(y)
[1] "f" "f" "h" "f"

attr(,"labels")
femme homme
"f" "h"
À noter que dans ce cas-là, les étiquettes sont conservées comme attributs du vecteur.
Une alternative est d’utiliser remove_labels qui supprimera toutes les étiquettes, y compris les
étiquettes de variable. Pour conserver les étiquettes de variables et ne supprimer que les étiquettes de
valeurs, on indiquera keep_var_label = TRUE .
– 212 –
R> var_label(x) <- "Etiquette de variable"

remove_labels(x)
[1] 1 2 9 3 3 2 NA
R> remove_labels(x, keep_var_label = TRUE)
[1] 1 2 9 3 3 2 NA
attr(,"label")
[1] "Etiquette de variable"
R> remove_labels(y)
[1] "f" "f" "h" "f"
Dans le cas d’un vecteur numérique labellisé que l’on souhaiterait convertir en variable textuelle, on
pourra utiliser to_character à la place de to_factor qui comme sa soeur utilisera les étiquettes de
valeurs.
R> to_character(x)
[1] "oui" "peut-être" "ne sait pas" "non"

[5] "non" "peut-être" NA
attr(,"label")
[1] "Etiquette de variable"
Conversion conditionnelle en facteurs

Il n’est pas toujours possible de déterminer la nature d’une variable (continue ou catégorielle) juste à
partir de la présence ou l’absence d’étiquettes de valeur. En effet, on peut utiliser des étiquettes de valeur
dans le cadre d’une variable continue pour indiquer certaines valeurs spécifiques.
Une bonne pratique est de vérifier chaque variable inclue dans une analyse, une à une.
Cependant, une règle qui fonctionne dans 90% des cas est de convertir un vecteur labellisé en facteur
seulement si toutes les valeurs observées dans le vecteur disposent d’une étiquette de valeur
correspondante. C’est ce que propose la fonction unlabelled qui peut même être appliqué à tout un
tableau de données. Par défaut, elle fonctionne ainsi :
– 213 –
1. les variables non labellisées restent inchangées (variables f et g dans l’exemple ci-dessous);
2. si toutes les valeurs observées d’une variable labellisées, elles sont converties en facteurs
(variables b et c);
3. sinon, on leur applique unclass (variables a, d et e).

a = labelled(c(1, 1, 2, 3), labels = c(No = 1, Yes = 2)),
b = labelled(c(1, 1, 2, 3), labels = c(No = 1, Yes = 2, DK = 3)),
c = labelled(c(1, 1, 2, 2), labels = c(No = 1, Yes = 2, DK = 3)),
d = labelled(c("a", "a", "b", "c"), labels = c(No = "a", Yes = "b")),
e = labelled_spss(
c(1, 9, 1, 2),
labels = c(No = 1, Yes = 2),
na_values = 9
),
f = 1:4,
g = as.Date(c("2020-01-01", "2020-02-01", "2020-03-01", "2020-04-01"))
)
dplyr::glimpse(df)
Rows: 4
Columns: 7
$ a <dbl+lbl> 1, 1, 2, 3
$ b <dbl+lbl> 1, 1, 2, 3
$ c <dbl+lbl> 1, 1, 2, 2
$ d <chr+lbl> "a", "a", "b", "c"
$ e <hvn_lbl_> 1, 9, 1, 2
$ f <int> 1, 2, 3, 4
$ g <date> 2020-01-01, 2020-02-01, 2020-03-01, 2020-04-01
R> dplyr::glimpse(unlabelled(df))
Rows: 4
Columns: 7
$ a <dbl> 1, 1, 2, 3
$ b <fct> No, No, Yes, DK
$ c <fct> No, No, Yes, Yes
$ d <chr> "a", "a", "b", "c"
$ e <fct> No, NA, No, Yes
$ f <int> 1, 2, 3, 4
$ g <date> 2020-01-01, 2020-02-01, 2020-03-01, 2020-04-01
On peut indiquer certaines options, par exemple drop_unused_labels = TRUE pour supprimer des
facteurs créés les niveaux non observées dans les données (voir la variable c) ou
– 214 –
user_na_to_na = TRUE pour convertir les valeurs manquantes de type SPSS en NA (voir la variable
e, notez qu’ici, du fait de cette conversion, toutes les valeurs ont une étiquette et la variable est alors
convertie en facteur.)
R> dplyr::glimpse(unlabelled(df, levels = "prefixed"))
Rows: 4
Columns: 7
$ a <dbl> 1, 1, 2, 3
$ b <fct> [1] No, [1] No, [2] Yes, [3] DK
$ c <fct> [1] No, [1] No, [2] Yes, [2] Yes
$ d <chr> "a", "a", "b", "c"
$ e <fct> [1] No, NA, [1] No, [2] Yes
$ f <int> 1, 2, 3, 4
$ g <date> 2020-01-01, 2020-02-01, 2020-03-01, 2020-04-01
R> dplyr::glimpse(unlabelled(df, user_na_to_na = TRUE))
Rows: 4
Columns: 7
$ a <dbl> 1, 1, 2, 3
$ d <chr> "a", "a", "b", "c"
$ f <int> 1, 2, 3, 4
$ g <date> 2020-01-01, 2020-02-01, 2020-03-01, 2020-04-01
R> dplyr::glimpse(unlabelled(df, drop_unused_labels = TRUE))
Rows: 4
Columns: 7
$ a <dbl> 1, 1, 2, 3
$ d <chr> "a", "a", "b", "c"
$ f <int> 1, 2, 3, 4
$ g <date> 2020-01-01, 2020-02-01, 2020-03-01, 2020-04-01
– 215 –
Nettoyage
L’extension cleaner propose plusieurs fonctions utiles lorsque l’on doit nettoyer une variable mal
encodées.
R> library(cleaner)
Attachement du package : 'cleaner'
L'objet suivant est masqué depuis 'package:questionr':
freq
R> # Recoder en valeurs logiques

clean_logical(c("Yes", "No", "Invalid", "Unknown"))
[1] TRUE FALSE NA NA
R> clean_logical(c("Oui, c'est ca", "Non, pas encore"))
[1] TRUE FALSE
R> clean_logical(c("ya :)", "tidak :("))
[1] TRUE FALSE
R> clean_logical(
x = c("Positive", "Negative", "Unknown", "Unknown"),
true = "pos",
false = "neg"
)
[1] TRUE FALSE NA NA
– 216 –
R> # Valeurs numériques

clean_numeric(c(
"$ 12,345.67",
"€ 12.345,67",
"12,345.67",
"12345,67"
))
[1] 12346 12346 12346 12346
R> clean_numeric("qwerty123456")
[1] 123456
R> clean_numeric("Positive (0.143)")
[1] 0.143
R> # Facteurs
gender_age <- c("male 0-50", "male 50+", "female 0-50", "female 50+")
gender_age
[1] "male 0-50" "male 50+" "female 0-50" "female 50+"
R> clean_factor(gender_age, levels = c("M", "F"))
[1] M M F F
Levels: M F
R> clean_factor(gender_age, levels = c("Male", "Female"))
[1] Male Male Female Female

Levels: Male Female
– 217 –
R> clean_factor(gender_age, levels = c("0-50", "50+"), ordered = TRUE)
[1] 0-50 50+ 0-50 50+

Levels: 0-50 < 50+
R> clean_factor(
gender_age,
levels = c(
"female" = "Group A",
"male 50+" = "Group B",
".*" = "Other"
)
)
[1] Other Group B Group A Group A

Levels: Group A Group B Other
R> # Dates
clean_Date("12-06-2012")
(assuming format 'dd-mm-yyyy')
[1] "2012-06-12"
R> clean_Date(38071)
(assuming Excel format)
[1] "2004-03-25"
– 218 –
I M P O R TA N T
L’extension cleaner propose également une fonction freq qui peut rentrer en conflit avec la fonction
freq de questionr. Dans ce cas, on pourra soit appeler explicitement la version de questionr avec
l’écriture questionr::freq() . Une autre possibilité est de «décharger» (le contraire de charger en
mémoire) l’extension cleaner une fois que l’on en n’a plus besoin.
R> detach("package:cleaner", unload = TRUE)
Découper une variable numérique en classes

Le premier type de recodage consiste à découper une variable de type numérique en un certain nombre
de classes. On utilise pour cela la fonction cut .
Celle-ci prend, outre la variable à découper, un certain nombre d’arguments :
• breaks indique soit le nombre de classes souhaité, soit, si on lui fournit un vecteur, les limites
des classes ;
• labels permet de modifier les noms de modalités attribués aux classes ;
• include.lowest et right influent sur la manière dont les valeurs situées à la frontière des
classes seront inclues ou exclues ;
• dig.lab indique le nombre de chiffres après la virgule à conserver dans les noms de modalités.
Prenons tout de suite un exemple et tentons de découper notre variable age en cinq classes et de placer
le résultat dans une nouvelle variable nommée age5cl :
R> d$age5cl <- cut(d$age, 5)

table(d$age5cl)
(17.9,33.8] (33.8,49.6] (49.6,65.4] (65.4,81.2] (81.2,97.1]

454 628 556 319 43
Par défaut R nous a bien créé cinq classes d’amplitudes égales. La première classe va de 16,9 à 32,2 ans (en
fait de 17 à 32), etc.
Les frontières de classe seraient plus présentables si elles utilisaient des nombres ronds. On va donc
spécifier manuellement le découpage souhaité, par tranches de 20 ans :
– 219 –
R> d$age20 <- cut(d$age, c(0, 20, 40, 60, 80, 100))
table(d$age20)
(0,20] (20,40] (40,60] (60,80] (80,100]

72 660 780 436 52
On aurait pu tenir compte des âges extrêmes pour la première et la dernière valeur :
R> range(d$age)
[1] 18 97
R> d$age20 <- cut(d$age, c(18, 20, 40, 60, 80, 97))
table(d$age20)
(18,20] (20,40] (40,60] (60,80] (80,97]

55 660 780 436 52
Les symboles dans les noms attribués aux classes ont leur importance : ( signifie que la frontière de la
classe est exclue, tandis que [ signifie qu’elle est incluse. Ainsi, (20,40] signifie « strictement supérieur
à 20 et inférieur ou égal à 40 ».
On remarque que du coup, dans notre exemple précédent, la valeur minimale, 18, est exclue de notre
première classe, et qu’une observation est donc absente de ce découpage. Pour résoudre ce problème on
peut soit faire commencer la première classe à 17, soit utiliser l’option include.lowest=TRUE :
R> d$age20 <- cut(d$age, c(17, 20, 40, 60, 80, 97))
table(d$age20)
(17,20] (20,40] (40,60] (60,80] (80,97]

72 660 780 436 52
R> d$age20 <- cut(d$age, c(18, 20, 40, 60, 80, 97), include.lowest = TRUE)
table(d$age20)
– 220 –
[18,20] (20,40] (40,60] (60,80] (80,97]

72 660 780 436 52
On peut également modifier le sens des intervalles avec l’option right=FALSE , et indiquer
manuellement les noms des modalités avec labels :
R> d$age20 <- cut(d$age, c(18, 20, 40, 60, 80, 97), right = FALSE, include.lowest
= TRUE)
table(d$age20)
[18,20) [20,40) [40,60) [60,80) [80,97]

48 643 793 454 62
R> d$age20 <- cut(d$age, c(18, 20, 40, 60, 80, 97), include.lowest = TRUE, labels
= c("<20ans", "21-40 ans", "41-60ans", "61-80ans", ">80ans"))
table(d$age20)
<20ans 21-40 ans 41-60ans 61-80ans >80ans

72 660 780 436 52
– 221 –
NOTE
L’extension questionr propose une interface interactive à la fonction cut , nommée icut . Elle
s’utilise de la manière suivante :
R> icut(d, age)
RStudio devrait ouvrir une fenêtre semblable à l’image ci-dessous.
Capture d’écran d’icut
Vous pouvez alors indiquer les limites de vos classes ainsi que quelques options complémentaires. Ces
limites sont représentées graphiquement sur l’histogramme de la variable d’origine.
L’onglet Vérification affiche un tri à plat et un graphique en barres de la nouvelle variable. Une fois le
résultat satisfaisant, vous pouvez récupérer le code généré pour l’inclure dans votre script.
L’extension questionr propose aussi une fonction quant.cut permettant de découper une variable
– 222 –
numérique en un nombre de classes donné ayant des efffectifs semblables. Il suffit de lui passer le
nombre de classes en argument :
R> d$age6cl <- quant.cut(d$age, 6)

table(d$age6cl)
[18,30) [30,39) [39,48) [48,55.667) [55.667,66)

302 337 350 344 305
[66,97]
362
quant.cut admet les mêmes autres options que cut ( include.lowest , right , labels … ).
Regrouper les modalités d’une variable

Pour regrouper les modalités d’une variable qualitative (d’un facteur le plus souvent), on peut utiliser
directement l’indexation.
Ainsi, si on veut recoder la variable qualif dans une variable qualif.reg plus « compacte », on peut
utiliser :
R> table(d$qualif)

203 292
86 160
Cadre Employe
260 594
Autre
58
– 223 –
R> d$qualif.reg[d$qualif == "Ouvrier specialise"] <- "Ouvrier"

d$qualif.reg[d$qualif == "Ouvrier qualifie"] <- "Ouvrier"
d$qualif.reg[d$qualif == "Employe"] <- "Employe"
d$qualif.reg[d$qualif == "Profession intermediaire"] <- "Intermediaire"
d$qualif.reg[d$qualif == "Technicien"] <- "Intermediaire"
d$qualif.reg[d$qualif == "Cadre"] <- "Cadre"
d$qualif.reg[d$qualif == "Autre"] <- "Autre"
table(d$qualif.reg)
Autre Cadre Employe Intermediaire

58 260 594 246
Ouvrier
495
On aurait pu représenter ce recodage de manière plus compacte, notamment en commençant par copier
le contenu de qualif dans qualif.reg, ce qui permet de ne pas s’occuper de ce qui ne change pas.
Il est cependant nécessaire de ne pas copier qualif sous forme de facteur, sinon on ne pourrait ajouter
de nouvelles modalités. On copie donc la version caractères de qualif grâce à la fonction
as.character :
R> d$qualif.reg <- as.character(d$qualif)

d$qualif.reg[d$qualif == "Ouvrier specialise"] <- "Ouvrier"
d$qualif.reg[d$qualif == "Ouvrier qualifie"] <- "Ouvrier"
d$qualif.reg[d$qualif == "Profession intermediaire"] <- "Intermediaire"
d$qualif.reg[d$qualif == "Technicien"] <- "Intermediaire"
table(d$qualif.reg)

58 260 594 246
Ouvrier
495
On peut faire une version encore plus compacte en utilisant l’opérateur logique ou ( | ) :
– 224 –

d$qualif.reg[d$qualif == "Ouvrier specialise" | d$qualif == "Ouvrier qualifi
e"] <- "Ouvrier"
d$qualif.reg[d$qualif == "Profession intermediaire" | d$qualif == "Technicie
n"] <- "Intermediaire"
table(d$qualif.reg)

58 260 594 246
Ouvrier
495
Enfin, pour terminer ce petit tour d’horizon, on peut également remplacer l’opérateur | par %in% , qui
peut parfois être plus lisible :

d$qualif.reg[d$qualif %in% c("Ouvrier specialise", "Ouvrier qualifie")] <- "Ou
vrier"
d$qualif.reg[d$qualif %in% c("Profession intermediaire", "Technicien")] <- "In
termediaire"
table(d$qualif.reg)

58 260 594 246
Ouvrier
495
Dans tous les cas le résultat obtenu est une variable de type caractère. On pourra la convertir en facteur
par un simple :
R> d$qualif.reg <- factor(d$qualif.reg)
Si on souhaite recoder les valeurs manquantes, il suffit de faire appel à la fonction is.na :
R> table(d$trav.satisf)
Satisfaction Insatisfaction Equilibre

480 117 451
– 225 –
R> d$trav.satisf.reg <- as.character(d$trav.satisf)

d$trav.satisf.reg[is.na(d$trav.satisf)] <- "Manquant"
table(d$trav.satisf.reg)
Equilibre Insatisfaction Manquant Satisfaction

451 117 952 480
– 226 –
NOTE
questionr propose une interface interactive pour le recodage d’une variable qualitative (renommage
et regroupement de modalités). Cette fonction, nommée irec , s’utilise de la manière suivante :
R> irec(d, qualif)
RStudio va alors ouvrir une fenêtre semblable à l’image ci-dessous :
Capture de irec
Vous pouvez alors sélectionner différentes options, et pour chaque ancienne modalité, indiquer la
nouvelle valeur correspondante. Pour regrouper des modalités, il suffit de leur assigner des nouvelles
valeurs identiques. Dans tous les cas n’hésitez pas à expérimenter, l’interface se contente de générer
du code R à copier/coller dans votre script mais ne l’exécute pas, et ne modifie donc jamais vos
– 227 –
données !
L’onglet Vérification affiche un tri croisé de l’ancienne et de la nouvelle variable pour vérifier que le
recodage est correct. Une fois le résultat satisfaisant, vous pouvez récupérer le code généré dans
l’onglet Code pour l’inclure dans votre script.
NOTE
Les exemples précédents montrent bien qu’il est parfois malaisé d’utiliser des facteurs lorsque l’on
recode des variables. Les vecteurs labellisés sont, quant à eux, plus souples. Attention : avec des
vecteurs labellisés, on utilisera les valeurs sous-jacentes et non les étiquettes pour écrire des
conditions.
R> data(fecondite)
library(labelled)
femmes %>% look_for("educ")
R> femmes$educ2 <- 0

femmes$educ2[femmes$educ >= 2] <- 1
var_label(femmes$educ2) <- "A atteint un niveau secondaire ou supérieur ?"
val_labels(femmes$educ2) <- c(non = 0, oui = 1)
femmes %>% look_for("educ")
Variables calculées
La création d’une variable numérique à partir de calculs sur une ou plusieurs autres variables numériques
se fait très simplement.
Supposons que l’on souhaite calculer une variable indiquant l’écart entre le nombre d’heures passées à
regarder la télévision et la moyenne globale de cette variable. On pourrait alors faire :
R> range(d$heures.tv, na.rm = TRUE)
[1] 0 12
– 228 –
R> mean(d$heures.tv, na.rm = TRUE)
[1] 2.247
R> d$ecart.heures.tv <- d$heures.tv - mean(d$heures.tv, na.rm = TRUE)

range(d$ecart.heures.tv, na.rm = TRUE)
[1] -2.247 9.753
R> mean(d$ecart.heures.tv, na.rm = TRUE)
[1] 4.715e-17
Autre exemple tiré du jeu de données rp99 : si on souhaite calculer le pourcentage d’actifs dans chaque
commune, on peut diviser la population active pop.act par la population totale pop.tot.
a"))
R> rp99$part.actifs <- rp99$pop.act / rp99$pop.tot * 100
Combiner plusieurs variables

La combinaison de plusieurs variables se fait à l’aide des techniques d’indexation déjà décrites
précédemment. Le plus compliqué est d’arriver à formuler des conditions parfois complexes de manière
rigoureuse.
On peut ainsi vouloir combiner plusieurs variables qualitatives en une seule :
– 229 –
R> d$act.manuelles <- NA

d$act.manuelles[d$cuisine == "Oui" & d$bricol == "Oui"] <- "Cuisine et Bricola
ge"
d$act.manuelles[d$cuisine == "Oui" & d$bricol == "Non"] <- "Cuisine seulement"
d$act.manuelles[d$cuisine == "Non" & d$bricol == "Oui"] <- "Bricolage seulemen
t"
d$act.manuelles[d$cuisine == "Non" & d$bricol == "Non"] <- "Ni cuisine ni bric
olage"
table(d$act.manuelles)
Bricolage seulement Cuisine et Bricolage

437 416
Cuisine seulement Ni cuisine ni bricolage
465 682
On peut également combiner variables qualitatives et variables quantitatives :
R> d$age.sexe <- NA

d$age.sexe[d$sexe == "Homme" & d$age < 40] <- "Homme moins de 40 ans"
d$age.sexe[d$sexe == "Homme" & d$age >= 40] <- "Homme plus de 40 ans"
d$age.sexe[d$sexe == "Femme" & d$age < 40] <- "Femme moins de 40 ans"
d$age.sexe[d$sexe == "Femme" & d$age >= 40] <- "Femme plus de 40 ans"
table(d$age.sexe)
Femme moins de 40 ans Femme plus de 40 ans

376 725
Homme moins de 40 ans Homme plus de 40 ans
315 584
Les combinaisons de variables un peu complexes nécessitent parfois un petit travail de réflexion. En
particulier, l’ordre des commandes de recodage a parfois une influence dans le résultat final.
Pour combiner rapidement plusieurs variables entre elles, on peut aussi avoir recours à la fonction
interaction qui créra un facteur avec un niveau pour chaque combinaison de modalités des variables
sources.
R> d$age20.sexe <- interaction(d$sexe, d$age20)

table(d$age20.sexe)
Homme.<20ans Femme.<20ans Homme.21-40 ans
– 230 –
34 38 291
Femme.21-40 ans Homme.41-60ans Femme.41-60ans
369 352 428
Homme.61-80ans Femme.61-80ans Homme.>80ans
205 231 17
Femme.>80ans
35
Variables scores
Une variable score est une variable calculée en additionnant des poids accordés aux modalités d’une série
de variables qualitatives.
Pour prendre un exemple tout à fait arbitraire, imaginons que nous souhaitons calculer un score
d’activités extérieures. Dans ce score on considère que le fait d’aller au cinéma « pèse » 10, celui de pêcher
ou chasser vaut 30 et celui de faire du sport vaut 20. On pourrait alors calculer notre score de la manière
suivante :
R> d$score.ext <- 0

d$score.ext[d$cinema == "Oui"] <- d$score.ext[d$cinema == "Oui"] + 10
d$score.ext[d$peche.chasse == "Oui"] <- d$score.ext[d$peche.chasse == "Oui"]
+ 30
d$score.ext[d$sport == "Oui"] <- d$score.ext[d$sport == "Oui"] + 20
table(d$score.ext)
0 10 20 30 40 50 60
800 342 229 509 31 41 48
Cette notation étant un peu lourde, on peut l’alléger un peu en utilisant la fonction ifelse . Celle-ci
prend en argument une condition et deux valeurs. Si la condition est vraie elle retourne la première valeur,
sinon elle retourne la seconde.
R> d$score.ext <- 0

d$score.ext <- ifelse(d$cinema == "Oui", 10, 0) + ifelse(d$peche.chasse == "Ou
i", 30, 0) + ifelse(d$sport == "Oui", 20, 0)
table(d$score.ext)
0 10 20 30 40 50 60
800 342 229 509 31 41 48
– 231 –
Vérification des recodages

Il est très important de vérifier, notamment après les recodages les plus complexes, qu’on a bien obtenu le
résultat escompté. Les deux points les plus sensibles étant les valeurs manquantes et les erreurs dans les
conditions.
Pour vérifier tout cela, le plus simple est sans doute de faire des tableaux croisés entre la variable recodée
et celles ayant servi au recodage, à l’aide des fonctions table ou xtabs , et de vérifier le nombre de
valeurs manquantes dans la variable recodée avec summary , freq ou table .
Par exemple :
R> d$act.manuelles <- NA

d$act.manuelles[d$cuisine == "Oui" & d$bricol == "Oui"] <- "Cuisine et Bricola
ge"
d$act.manuelles[d$cuisine == "Oui" & d$bricol == "Non"] <- "Cuisine seulement"
d$act.manuelles[d$cuisine == "Non" & d$bricol == "Oui"] <- "Bricolage seulemen
t"
d$act.manuelles[d$cuisine == "Non" & d$bricol == "Non"] <- "Ni cuisine ni bric
olage"
table(d$act.manuelles, d$cuisine)
Non Oui
Bricolage seulement 437 0
Cuisine et Bricolage 0 416
Cuisine seulement 0 465
Ni cuisine ni bricolage 682 0
R> table(d$act.manuelles, d$bricol)
Non Oui
Bricolage seulement 0 437
Cuisine et Bricolage 0 416
Cuisine seulement 465 0
Ni cuisine ni bricolage 682 0
– 232 –
Facteurs et forcats
forcats est une extension facilitant la manipulation des variables qualitatives, qu’elles soient sous forme
de vecteurs character ou de facteurs. Elle fait partie du tidyverse, et est donc automatiquement
chargée par :
Modifier les modalités d’une variable qualitative

Une opération courante consiste à modifier les valeurs d’une variable qualitative, que ce soit pour avoir
des intitulés plus courts ou plus clairs ou pour regrouper des modalités entre elles.
Il existe plusieurs possibilités pour effectuer ce type de recodage, mais ici on va utiliser la fonction
fct_recode de l’extension forcats. Celle-ci prend en argument une liste de recodages sous la forme
"Nouvelle valeur" = "Ancienne valeur" .
Un exemple :
R> f <- c("Pomme", "Poire", "Pomme", "Cerise")

f <- fct_recode(f,
"Fraise" = "Pomme",
"Ananas" = "Poire"
)
f
[1] Fraise Ananas Fraise Cerise

Levels: Cerise Ananas Fraise
Autre exemple sur une “vraie” variable :
R> freq(hdv2003$qualif)
– 233 –
R> hdv2003$qualif5 <- fct_recode(hdv2003$qualif,

"Ouvrier" = "Ouvrier specialise",
"Ouvrier" = "Ouvrier qualifie",
"Interm" = "Technicien",
"Interm" = "Profession intermediaire"
)
freq(hdv2003$qualif5)
Attention, les anciennes valeurs saisies doivent être exactement égales aux valeurs des modalités de la
variable recodée : toute différence d’accent ou d’espace fera que ce recodage ne sera pas pris en compte.
Dans ce cas, forcats affiche un avertissement nous indiquant qu’une valeur saisie n’a pas été trouvée
dans les modalités de la variable :
R> hdv2003$qualif_test <- fct_recode(hdv2003$qualif,

"Ouvrier" = "Ouvrier spécialisé",
"Ouvrier" = "Ouvrier qualifié"
)
Warning: Unknown levels in `f`: Ouvrier spécialisé, Ouvrier

qualifié
Si on souhaite recoder une modalité de la variable en NA , il faut (contre intuitivement) lui assigner la
valeur NULL :
R> hdv2003$qualif_rec <- fct_recode(hdv2003$qualif, NULL = "Autre")
freq(hdv2003$qualif_rec)
À l’inverse, si on souhaite recoder les NA d’une variable, on utilisera la fonction fct_explicit_na , qui
convertit toutes les valeurs manquantes ( NA ) d’un facteur en une modalité spécifique :
R> hdv2003$qualif_rec <- fct_explicit_na(hdv2003$qualif, na_level = "(Manquant)")
D’autres fonctions sont proposées par forcats pour faciliter certains recodage, comme fct_collapse ,
qui propose une autre syntaxe pratique quand on doit regrouper ensemble des modalités :
– 234 –
R> hdv2003$qualif_rec <- fct_collapse(hdv2003$qualif,

"Ouvrier" = c("Ouvrier specialise", "Ouvrier qualifie"),
"Interm" = c("Technicien", "Profession intermediaire")
)
fct_other , qui regroupe une liste de modalités en une seule modalité “Other” :
R> hdv2003$qualif_rec <- fct_other(hdv2003$qualif,

drop = c(
"Cadre", "Autre"
)
)
fct_lump , qui regroupe automatiquement les modalités les moins fréquentes en une seule modalité
“Other” (avec possibilité d’indiquer des seuils de regroupement) :
R> hdv2003$qualif_rec <- fct_lump(hdv2003$qualif)
Ordonner les modalités d’une variable qualitative

L’avantage des facteurs (par rapport aux vecteurs de type character ) est que leurs modalités peuvent
être ordonnées, ce qui peut faciliter la lecture de tableaux ou graphiques.
On peut ordonner les modalités d’un facteur manuellement, par exemple avec la fonction
fct_relevel() de l’extension forcats :
R> hdv2003$qualif_rec <- fct_relevel(

hdv2003$qualif,
"Cadre", "Profession intermediaire", "Technicien",
"Employe", "Ouvrier qualifie", "Ouvrier specialise",
"Autre"
)
Une autre possibilité est d’ordonner les modalités d’un facteur selon les valeurs d’une autre variable. Par
exemple, si on représente le boxplot de la répartition de l’âge selon le statut d’occupation :
– 235 –
R> library(ggplot2)
ggplot(hdv2003) +
geom_boxplot(aes(x = occup, y = age))
Le graphique pourrait être plus lisible si les modalités étaient triées par âge median croissant. Ceci est
possible en utilisant fct_reorder . Celle-ci prend 3 arguments : le facteur à réordonner, la variable dont
les valeurs doivent être utilisées pour ce réordonnancement, et enfin une fonction à appliquer à cette
deuxième variable.
– 236 –
R> hdv2003$occup_age <- fct_reorder(hdv2003$occup, hdv2003$age, median)
ggplot(hdv2003) +
geom_boxplot(aes(x = occup_age, y = age))
Combiner plusieurs variables

Parfois, on veut créer une nouvelle variable en partant des valeurs d’une ou plusieurs autres variables.
Dans ce cas on peut utiliser les fonctions if_else pour les cas les plus simples, ou case_when pour les
cas plus complexes. Ces deux fonctions sont incluses dans l’extension dplyr, qu’il faut donc avoir chargé
précédemment (voir le chapitre consacré à dplyr, page 241).
if_else
if_else prend trois arguments : un test, une valeur à renvoyer si le test est vrai, et une valeur à renvoyer
si le test est faux.
– 237 –
Voici un exemple simple :
R> v <- c(12, 14, 8, 16)

if_else(v > 10, "Supérieur à 10", "Inférieur à 10")
[1] "Supérieur à 10" "Supérieur à 10" "Inférieur à 10"

[4] "Supérieur à 10"
La fonction devient plus intéressante avec des tests combinant plusieurs variables. Par exemple,
imaginons qu’on souhaite créer une nouvelle variable indiquant les hommes de plus de 60 ans :
R> hdv2003$statut <- if_else(hdv2003$sexe == "Homme" & hdv2003$age > 60,

"Homme de plus de 60 ans",
"Autre"
)
freq(hdv2003$statut)
case_when
case_when est une génération du if_else qui permet d’indiquer plusieurs tests et leurs valeurs
associées.
Imaginons qu’on souhaite créer une nouvelle variable permettant d’identifier les hommes de plus de 60
ans, les femmes de plus de 60 ans, et les autres. On peut utiliser la syntaxe suivante :
R> hdv2003$statut <- case_when(

hdv2003$age > 60 & hdv2003$sexe == "Homme" ~ "Homme de plus de 60 ans",
hdv2003$age > 60 & hdv2003$sexe == "Femme" ~ "Femme de plus de 60 ans",
TRUE ~ "Autre"
)
case_when prend en arguments une série d’instructions sous la forme condition ~ valeur . Il les
exécute une par une, et dès qu’une condition est vraie, il renvoit la valeur associée.
La clause TRUE ~ "Autre" permet d’assigner une valeur à toutes les lignes pour lesquelles aucune des
conditions précédentes n’est vraie.
– 238 –
I M P O R TA N T
Attention : comme les conditions sont testées l’une après l’autre et que la valeur renvoyée est celle
correspondant à la première condition vraie, l’ordre de ces conditions est très important. Il faut
absolument aller du plus spécifique au plus général.
Par exemple le recodage suivant ne fonctionne pas :

hdv2003$sexe == "Homme" ~ "Homme",
hdv2003$sexe == "Homme" & hdv2003$age > 60 ~ "Homme de plus de 60 ans",
TRUE ~ "Autre"
)
Comme la condition sexe == "Homme" est plus générale que sexe == "Homme" & age > 60 ,
cette deuxième condition n’est jamais testée ! On n’obtiendra jamais la valeur correspondante.
Pour que ce recodage fonctionne il faut donc changer l’ordre des conditions pour aller du plus
spécifique au plus général :

hdv2003$sexe == "Homme" & hdv2003$age > 60 ~ "Homme de plus de 60 ans",
hdv2003$sexe == "Homme" ~ "Homme",
TRUE ~ "Autre"
)
Vous pouvez trouver des exercices avec leur solution dans l’Introduction à R et au tidyverse de Julien
Barnier.
Pour aller plus loin, R for Data Science de Garrett Grolemund et Hadley Wickham.
Recodage et data.table
Nous aborderons dans un prochain chapitre, page 259 l’extension data.table qui étend les tableaux de
données et modifie complètement la syntaxe utilisée entre les crochets. Elle nécessite un petit temps
d’adaptation mais, une fois maîtrisée, elle facile le quotidien lorsqu’il s’agit de manipuler et recoder les
données. Ci-dessous, un petit avant-goût, reprenons quelques exemples précédents.
– 239 –
R> library(data.table)
dt <- data.table(hdv2003)
dt[, score.ext := 0]
dt[cinema == "Oui", score.ext := score.ext + 10]
dt[peche.chasse == "Oui", score.ext := score.ext + 30]
dt[sport == "Oui", score.ext := score.ext + 20]
table(dt$score.ext)
dt[cuisine == "Oui" & bricol == "Oui", act.manuelles := "Cuisine et Bricolag

e"]
dt[cuisine == "Oui" & bricol == "Non", act.manuelles := "Cuisine seulement"]
dt[cuisine == "Non" & bricol == "Oui", act.manuelles := "Bricolage seulement"]
dt[cuisine == "Non" & bricol == "Non", act.manuelles := "Ni cuisine ni bricola
ge"]
R> table(dt$act.manuelles)

437 416
465 682
R> dt[cuisine == "Oui" & bricol == "Oui", act.manuelles := "Cuisine et Bricolag

e"]
dt[cuisine == "Oui" & bricol == "Non", act.manuelles := "Cuisine seulement"]
dt[cuisine == "Non" & bricol == "Oui", act.manuelles := "Bricolage seulement"]
dt[cuisine == "Non" & bricol == "Non", act.manuelles := "Ni cuisine ni bricola
ge"]
R> table(dt$act.manuelles)

437 416
465 682
– 240 –
Manipuler les données avec
dplyr
Préparation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
Les verbes de dplyr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
slice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
select, rename et relocate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
arrange . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
mutate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 247
Enchaîner les opérations avec le «pipe» . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
Opérations groupées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
group_by . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 251
summarise et count . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
Grouper selon plusieurs variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 253
Autres fonctions utiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
sample_n et sample_frac . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
lead et lag . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
tally . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 256
distinct . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 256
Fonctions avancées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
Ressources . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 257
dplyr et data.table . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
dplyr et survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
GUIDE-R
Une version actualisée de ce chapitre est disponible sur guide-R : dplyr & Le pipe
– 241 –
NOTE
et au tidyverse.
WEBIN-R
Ce chapitre est évoqué dans le webin-R #04 (manipuler les données avec dplyr) sur YouTube.
dplyr est une extension facilitant le traitement et la manipulation de données contenues dans une ou
plusieurs tables (qu’il s’agisse de data frame ou de tibble). Elle propose une syntaxe claire et cohérente, sous
formes de verbes, pour la plupart des opérations de ce type.
Par ailleurs, les fonctions de dplyr sont en général plus rapides que leur équivalent sous R de base, elles
permettent donc de traiter des données de grande dimension1.
dplyr part du principe que les données sont tidy (voir la section consacrée aux tidy data, page 64). Les
fonctions de l’extension peuvent s’appliquer à des tableaux de type data.frame ou tibble , et elles
retournent systématiquement un tibble (voir la section dédiée, page 65).
Préparation
dplyr fait partie du coeur du tidyverse, elle est donc chargée automatiquement avec :
On peut également la charger individuellement avec :
R> library(dplyr)
Dans ce qui suit on va utiliser les données du jeu de données nycflights13, contenu dans l’extension du
même nom (qu’il faut donc avoir installé). Celui-ci correspond aux données de tous les vols au départ d’un
des trois aéroports de New-York en 2013. Il a la particularité d’être réparti en trois tables :
• flights contient des informations sur les vols : date, départ, destination, horaires, retard…
• airports contient des informations sur les aéroports
• airlines contient des données sur les compagnies aériennes
1. Elles sont cependant moins rapides que les fonctions de data.table, voir le chapitre dédié, page 259
– 242 –
Manipuler les données avec dplyr
On va charger les trois tables du jeu de données :
R> library(nycflights13)
## Chargement des trois tables du jeu de données
data(flights)
data(airports)
data(airlines)
Normalement trois objets correspondant aux trois tables ont dû apparaître dans votre environnement.
Ces trois tableaux sont au format tibble. Il s’agit d’une extension des tableaux de données utilisé par
le tidyverse. Les tibble {data-pkg=“tibble} s’utilisent comme des data.frame , avec justes quelques
différentes :
• leur classe est c("tbl_df", "tbf", "data.frame") ;

• leur présentation dans la console est amélioriée ;
• df[, j] renvoie toujours un tibble avec une seule colonne (et non le contenu de cette
colonne que l’on obtient avec df[[j]] ) ;
• les colonnes d’un tibble peuvent être des listes ;
• à la différence d’un tableau de données classique où il est possible d’utiliser un nom partiel (par
exemple écrire df$ab pour obtenir df$abc ), il est obligatoire d’utiliser les noms complets avec
un tibble .
Pour convertir un tableau de données en tibble , on utilisera la fonction as_tibble .
Les verbes de dplyr

La manipulation de données avec dplyr se fait en utilisant un nombre réduit de verbes, qui correspondent
chacun à une action différente appliquée à un tableau de données.
slice
Le verbe slice sélectionne des lignes du tableau selon leur position. On lui passe un chiffre ou un
vecteur de chiffres.
Si on souhaite sélectionner la 345e ligne du tableau airports :
R> slice(airports, 345)
Si on veut sélectionner les 5 premières lignes :
R> slice(airports, 1:5)
– 243 –
filter
filter sélectionne des lignes d’un tableau de données selon une condition. On lui passe en paramètre
un test, et seules les lignes pour lesquelles ce test renvoit TRUE (vrai) sont conservées.
Par exemple, si on veut sélectionner les vols du mois de janvier, on peut filtrer sur la variable month de la
manière suivante :
R> filter(flights, month == 1)
Si on veut uniquement les vols avec un retard au départ (variable dep_delay) compris entre 10 et 15
minutes :
R> filter(flights, dep_delay >= 10 & dep_delay <= 15)
Si on passe plusieurs arguments à filter , celui-ci rajoute automatiquement une condition et entre
les conditions. La ligne ci-dessus peut donc également être écrite de la manière suivante, avec le même
résultat :
R> filter(flights, dep_delay >= 10, dep_delay <= 15)
Enfin, on peut également placer des fonctions dans les tests, qui nous permettent par exemple de
sélectionner les vols avec la plus grande distance :
R> filter(flights, distance == max(distance))
select, rename et relocate

select permet de sélectionner des colonnes d’un tableau de données. Ainsi, si on veut extraire les
colonnes lat et lon du tableau airports :
R> select(airports, lat, lon)
Si on fait précéder le nom d’un - , la colonne est éliminée plutôt que sélectionnée :
R> select(airports, -lat, -lon)
select comprend toute une série de fonctions facilitant la sélection de multiples colonnes. Par exemple,
starts_with , ends_width , contains ou matches permettent d’exprimer des conditions sur les
– 244 –
noms de variables :
R> select(flights, starts_with("dep_"))
La syntaxe colonne1:colonne2 permet de sélectionner toutes les colonnes situées entre colonne1 et
colonne2 incluses2 :
R> select(flights, year:day)
all_of et any_of permettent de fournir une liste de variables à extraire sous forme de vecteur textuel.
Alors que all_of renverra une erreur si une variable n’est pas trouvée dans le tableau de départ,
any_of sera moins stricte.
R> select(flights, all_of(c("year", "month", "day")))
R> select(flights, all_of(c("century", "year", "month", "day")))
Erreur : Can't subset columns that don't exist.

x Column `century` doesn't exist.
R> select(flights, any_of(c("century", "year", "month", "day")))
where permets de sélectionner des variables à partir d’une fonction qui renvoie une valeur logique. Par
exemple, pour sélectionner seulement les variables textuelles.
R> select(flights, where(is.character))
select peut être utilisée pour réordonner les colonnes d’une table en utilisant la fonction
everything() , qui sélectionne l’ensemble des colonnes non encore sélectionnées. Ainsi, si on souhaite
faire passer la colonne name en première position de la table airports , on peut faire :
R> select(airports, name, everything())
Pour réordonner des colonnes, on pourra aussi avoir recours à relocate en indiquant les premières
variables. IL n’est pas nécessaire d’ajouter everything() car avec relocate toutes les variables sont
conservées.
2. À noter que cette opération est un peu plus “fragile” que les autres, car si l’ordre des colonnes change elle peut
renvoyer un résultat différent.
– 245 –
R> relocate(airports, lon, lat, name)
Une variante de select est rename 3, qui permet de renommer facilement des colonnes. On l’utilise
en lui passant des paramètres de la forme nouveau_nom = ancien_nom . Ainsi, si on veut renommer les
colonnes lon et lat de airports en longitude et latitude :
R> dplyr::rename(airports, longitude = lon, latitude = lat)
Si les noms de colonnes comportent des espaces ou des caractères spéciaux, on peut les entourer de
guillemets ( " ) ou de quotes inverses ( ` ) :
R> tmp <- dplyr::rename(flights,

"retard départ" = dep_delay,
"retard arrivée" = arr_delay)
select(tmp, `retard départ`, `retard arrivée`)
arrange
arrange réordonne les lignes d’un tableau selon une ou plusieurs colonnes.
Ainsi, si on veut trier le tableau flights selon le retard au départ croissant :
R> dplyr::arrange(flights, dep_delay)
On peut trier selon plusieurs colonnes. Par exemple selon le mois, puis selon le retard au départ :
R> dplyr::arrange(flights, month, dep_delay)
Si on veut trier selon une colonne par ordre décroissant, on lui applique la fonction desc() :
R> dplyr::arrange(flights, desc(dep_delay))
Combiné avec slice , arrange permet par exemple de sélectionner les trois vols ayant eu le plus de
retard :
R> tmp <- dplyr::arrange(flights, desc(dep_delay))

slice(tmp, 1:3)
3. Il est également possible de renommer des colonnes directement avec select , avec la même syntaxe que pour
rename .
– 246 –
mutate
mutate permet de créer de nouvelles colonnes dans le tableau de données, en général à partir de
variables existantes.
Par exemple, la table airports contient l’altitude de l’aéroport en pieds. Si on veut créer une nouvelle
variable alt_m avec l’altitude en mètres, on peut faire :
R> airports <- mutate(airports, alt_m = alt / 3.2808)

select(airports, name, alt, alt_m)
On peut créer plusieurs nouvelles colonnes en une seule fois, et les expressions successives peuvent
prendre en compte les résultats des calculs précédents. L’exemple suivant convertit d’abord la distance en
kilomètres dans une variable distance_km, puis utilise cette nouvelle colonne pour calculer la vitesse
en km/h.
R> flights <- mutate(flights,

distance_km = distance / 0.62137,
vitesse = distance_km / air_time * 60)
select(flights, distance, distance_km, vitesse)
À noter que mutate est évidemment parfaitement compatible avec les fonctions vues dans le chapitre
sur les recodages, page 201 : fonctions de forcats, if_else , case_when …
L’avantage d’utiliser mutate est double. D’abord il permet d’éviter d’avoir à saisir le nom du tableau de
données dans les conditions d’un if_else ou d’un case_when :
R> flights <- mutate(flights,

type_retard = case_when(
dep_delay > 0 & arr_delay > 0 ~ "Retard départ et arrivé
e",
dep_delay > 0 & arr_delay <= 0 ~ "Retard départ",
dep_delay <= 0 & arr_delay > 0 ~ "Retard arrivée",
TRUE ~ "Aucun retard"))
Utiliser mutate pour les recodages permet aussi de les intégrer dans un pipeline de traitement de
données, concept présenté dans la section suivante.
Citons également les fonctions recode et recode_factor .
– 247 –
R> flights$month_name <- recode_factor(flights$month,

"1" = "Jan",
"2" = "Feb",
"3" = "Mar",
"4" = "Apr",
"5" = "May",
"6" = "Jun",
"7" = "Jul",
"8" = "Aug",
"9" = "Sep",
"10" = "Oct",
"11" = "Nov",
"12" = "Dec"
)
Enchaîner les opérations avec le «pipe»

GUIDE-R
Une version actualisée de cette section est disponible sur guide-R : Le pipe
Quand on manipule un tableau de données, il est très fréquent d’enchaîner plusieurs opérations. On va par
exemple filtrer pour extraire une sous-population, sélectionner des colonnes puis trier selon une variable.
Dans ce cas on peut le faire de deux manières différentes. La première est d’effectuer toutes les
opérations en une fois en les «emboîtant» :
R> arrange(select(filter(flights, dest == "LAX"), dep_delay, arr_delay), dep_dela

y)
Cette notation a plusieurs inconvénients :
• elle est peu lisible

• les opérations apparaissent dans l’ordre inverse de leur réalisation. Ici on effectue d’abord le
filter , puis le select , puis le arrange , alors qu’à la lecture du code c’est le arrange qui
apparaît en premier.
• Il est difficile de voir quel paramètre se rapporte à quelle fonction
Une autre manière de faire est d’effectuer les opérations les unes après les autres, en stockant les
résultats intermédiaires dans un objet temporaire :
– 248 –
R> tmp <- filter(flights, dest == "LAX")

tmp <- select(tmp, dep_delay, arr_delay)
arrange(tmp, dep_delay)
C’est nettement plus lisible, l’ordre des opérations est le bon, et les paramètres sont bien rattachés à
leur fonction. Par contre, ça reste un peu “verbeux”, et on crée un objet temporaire tmp dont on n’a pas
réellement besoin.
Pour simplifier et améliorer encore la lisibilité du code, on va utiliser un nouvel opérateur, baptisé pipe4.
Le pipe se note %>% , et son fonctionnement est le suivant : si j’exécute expr %>% f , alors le résultat de
l’expression expr , à gauche du pipe, sera passé comme premier argument à la fonction f , à droite du
pipe, ce qui revient à exécuter f(expr) .
Ainsi les deux expressions suivantes sont rigoureusement équivalentes :
R> filter(flights, dest == "LAX")
R> flights %>% filter(dest == "LAX")
Ce qui est intéressant dans cette histoire, c’est qu’on va pouvoir enchaîner les pipes. Plutôt que d’écrire :
R> select(filter(flights, dest == "LAX"), dep_delay, arr_delay)
On va pouvoir faire :
R> flights %>% filter(dest == "LAX") %>% select(dep_delay, arr_delay)
À chaque fois, le résultat de ce qui se trouve à gauche du pipe est passé comme premier argument à ce
qui se trouve à droite : on part de l’objet flights , qu’on passe comme premier argument à la fonction
filter , puis on passe le résultat de ce filter comme premier argument du select .
Le résultat final est le même avec les deux syntaxes, mais avec le pipe l’ordre des opérations correspond à
l’ordre naturel de leur exécution, et on n’a pas eu besoin de créer d’objet intermédiaire.
Si la liste des fonctions enchaînées est longue, on peut les répartir sur plusieurs lignes à condition que
l’opérateur %>% soit en fin de ligne :
4. Le pipe a été introduit à l’origine par l’extension magrittr, et repris par dplyr
– 249 –
R> flights %>%

filter(dest == "LAX") %>%
select(dep_delay, arr_delay) %>%
arrange(dep_delay)
NOTE
On appelle une suite d’instructions de ce type un pipeline.
Évidemment, il est naturel de vouloir récupérer le résultat final d’un pipeline pour le stocker dans un objet.
Par exemple, on peut stocker le résultat du pipeline ci-dessus dans un nouveau tableau delay_la de la
manière suivante :
R> delay_la <- flights %>%

select(dep_delay, arr_delay) %>%
arrange(dep_delay)
Dans ce cas, delay_la contiendra le tableau final, obtenu après application des trois instructions
filter , select et arrange .
Cette notation n’est pas forcément très intuitive au départ. Il faut bien comprendre que c’est le résultat
final, une fois application de toutes les opérations du pipeline, qui est renvoyé et stocké dans l’objet en
début de ligne.
Une manière de le comprendre peut être de voir que la notation suivante :
R> delay_la <- flights %>%

select(dep_delay, arr_delay)
est équivalente à :
R> delay_la <- (flights %>% filter(dest == "LAX") %>% select(dep_delay, arr_dela
y))
NOTE
L’utilisation du pipe n’est pas obligatoire, mais elle rend les scripts plus lisibles et plus rapides à saisir.
On l’utilisera donc dans ce qui suit.
– 250 –
Opérations groupées
group_by
Un élément très important de dplyr est la fonction group_by . Elle permet de définir des groupes de
lignes à partir des valeurs d’une ou plusieurs colonnes. Par exemple, on peut grouper les vols selon leur
mois :
R> flights %>% group_by(month)
Par défaut ceci ne fait rien de visible, à part l’apparition d’une mention Groups dans l’affichage du résultat.
Mais à partir du moment où des groupes ont été définis, les verbes comme slice , mutate ou
summarise vont en tenir compte lors de leurs opérations.
Par exemple, si on applique slice à un tableau préalablement groupé, il va sélectionner les lignes aux
positions indiquées pour chaque groupe. Ainsi la commande suivante affiche le premier vol de chaque mois,
selon leur ordre d’apparition dans le tableau :
R> flights %>% group_by(month) %>% slice(1)
Idem pour mutate : les opérations appliquées lors du calcul des valeurs des nouvelles colonnes sont
aplliquée groupe de lignes par groupe de lignes. Dans l’exemple suivant, on ajoute une nouvelle colonne
qui contient le retard moyen du mois correspondant :
R> flights %>%

group_by(month) %>%
mutate(mean_delay_month = mean(dep_delay, na.rm = TRUE)) %>%
select(dep_delay, month, mean_delay_month)
Ceci peut permettre, par exemple, de déterminer si un retard donné est supérieur ou inférieur au retard
moyen du mois en cours.
group_by peut aussi être utile avec filter , par exemple pour sélectionner les vols avec le retard au
départ le plus important pour chaque mois :
R> flights %>%

group_by(month) %>%
filter(dep_delay == max(dep_delay, na.rm = TRUE))
– 251 –
I M P O R TA N T
Attention : la clause group_by marche pour les verbes déjà vus précédemment, sauf pour arrange ,
qui par défaut trie la table sans tenir compte des groupes. Pour obtenir un tri par groupe, il faut lui
ajouter l’argument .by_group = TRUE .
On peut voir la différence en comparant les deux résultats suivants :
R> flights %>%

group_by(month) %>%
dplyr::arrange(desc(dep_delay))
R> flights %>%

group_by(month) %>%
dplyr::arrange(desc(dep_delay), .by_group = TRUE)
summarise et count
summarise permet d’agréger les lignes du tableau en effectuant une opération “résumée” sur une ou
plusieurs colonnes. Par exemple, si on souhaite connaître les retards moyens au départ et à l’arrivée pour
l’ensemble des vols du tableau flights :
R> flights %>%

dplyr::summarise(
retard_dep = mean(dep_delay, na.rm=TRUE),
retard_arr = mean(arr_delay, na.rm=TRUE)
)
Cette fonction est en général utilisée avec group_by , puisqu’elle permet du coup d’agréger et résumer
les lignes du tableau groupe par groupe. Si on souhaite calculer le délai maximum, le délai minimum et le
délai moyen au départ pour chaque mois, on pourra faire :
R> flights %>%

group_by(month) %>%
dplyr::summarise(
max_delay = max(dep_delay, na.rm=TRUE),
min_delay = min(dep_delay, na.rm=TRUE),
mean_delay = mean(dep_delay, na.rm=TRUE)
)
– 252 –
summarise dispose d’un opérateur spécial, n() , qui retourne le nombre de lignes du groupe. Ainsi si on
veut le nombre de vols par destination, on peut utiliser :
R> flights %>%

group_by(dest) %>%
dplyr::summarise(nb = n())
n() peut aussi être utilisée avec filter et mutate .
À noter que quand on veut compter le nombre de lignes par groupe, on peut utiliser directement la
fonction count . Ainsi le code suivant est identique au précédent :
R> flights %>%

dplyr::count(dest)
Grouper selon plusieurs variables

On peut grouper selon plusieurs variables à la fois, il suffit de les indiquer dans la clause du group_by :
R> flights %>%

group_by(month, dest) %>%
dplyr::summarise(nb = n()) %>%
dplyr::arrange(desc(nb))
`summarise()` has grouped output by 'month'. You can

override using the `.groups` argument.
On peut également compter selon plusieurs variables :
R> flights %>%

dplyr::count(origin, dest) %>%
dplyr::arrange(desc(n))
On peut utiliser plusieurs opérations de groupage dans le même pipeline. Ainsi, si on souhaite déterminer
le couple origine/destination ayant le plus grand nombre de vols selon le mois de l’année, on devra
procéder en deux étapes :
• d’abord grouper selon mois, origine et destination pour calculer le nombre de vols
• puis grouper uniquement selon le mois pour sélectionner la ligne avec la valeur maximale.
Au final, on obtient le code suivant :
– 253 –
R> flights %>%

group_by(month, origin, dest) %>%
group_by(month) %>%
filter(nb == max(nb))
`summarise()` has grouped output by 'month', 'origin'. You

can override using the `.groups` argument.
Lorsqu’on effectue un group_by suivi d’un summarise , le tableau résultat est automatiquement
dégroupé de la dernière variable de regroupement. Ainsi le tableau généré par le code suivant est groupé par
month et origin :
R> flights %>%

dplyr::summarise(nb = n())
`summarise()` has grouped output by 'month', 'origin'. You

Cela peut permettre “d’enchaîner” les opérations groupées. Dans l’exemple suivant on calcule le
pourcentage des trajets pour chaque destination par rapport à tous les trajets du mois :
R> flights %>%

mutate(pourcentage = nb / sum(nb) * 100)

On peut à tout moment “dégrouper” un tableau à l’aide de ungroup . Ce serait par exemple nécessaire,
dans l’exemple précédent, si on voulait calculer le pourcentage sur le nombre total de vols plutôt que sur
le nombre de vols par mois :
– 254 –
R> flights %>%

ungroup() %>%
mutate(pourcentage = nb / sum(nb) * 100)

À noter que count , par contre, renvoit un tableau non groupé :
R> flights %>%

dplyr::count(month, dest)
Autres fonctions utiles

dplyr contient beaucoup d’autres fonctions utiles pour la manipulation de données.
sample_n et sample_frac
sample_n et sample_frac permettent de sélectionner un nombre de lignes ou une fraction des lignes
d’un tableau aléatoirement. Ainsi si on veut choisir 5 lignes au hasard dans le tableau airports :
R> airports %>% sample_n(5)
Si on veut tirer au hasard 10% des lignes de flights :
R> flights %>% sample_frac(0.1)
Ces fonctions sont utiles notamment pour faire de “l’échantillonnage” en tirant au hasard un certain
nombre d’observations du tableau.
lead et lag
lead et lag permettent de décaler les observations d’une variable d’un cran vers l’arrière (pour lead )
ou vers l’avant (pour lag ).
– 255 –
R> lead(1:5)
[1] 2 3 4 5 NA
R> lag(1:5)
[1] NA 1 2 3 4
Ceci peut être utile pour des données de type “séries temporelles”. Par exemple, on peut facilement
calculer l’écart entre le retard au départ de chaque vol et celui du vol précédent :
R> flights %>%

mutate(dep_delay_prev = lead(dep_delay),
dep_delay_diff = dep_delay - dep_delay_prev) %>%
select(dep_delay_prev, dep_delay, dep_delay_diff)
tally
tally est une fonction qui permet de compter le nombre d’observations d’un groupe :
R> flights %>%

tally
Lors de son premier appel, elle sera équivalente à un summarise(n = n()) ou à un count() . Là où la
fonction est intelligente, c’est que si on l’appelle plusieurs fois successivement, elle prendra en compte
l’existence d’un n déjà calculé et effectuera automatiquement un summarise(n = sum(n)) :
R> flights %>%

tally %>%
tally
distinct
distinct filtre les lignes du tableau pour ne conserver que les lignes distinctes, en supprimant toutes
les lignes en double.
– 256 –
R> flights %>%

select(day, month) %>%
distinct
On peut lui spécifier une liste de variables : dans ce cas, pour toutes les observations ayant des valeurs
identiques pour les variables en question, distinct ne conservera que la première d’entre elles.
R> flights %>%

distinct(month, day)
L’option .keep_all permet, dans l’opération précédente, de conserver l’ensemble des colonnes du
tableau :
R> flights %>%

distinct(month, day, .keep_all = TRUE)
Fonctions avancées
On pourra consulter le chapitre dplyr avancé de l’excellente Introduction à R et au tidyverse de Julien
Barnier (https://juba.github.io/tidyverse).
Julien Barnier aborde notamment les fonctions across pour appliquer une transformation à plusieurs
colonnes, rowwise et c_across pour appliquer une transformation ligne à ligne, rename_with pour
renommer les colonnes à l’aide d’une fonction, ou encore la syntaxe abrégée permettant de définir des
fonctions anonymes.
Ressources
Toutes les ressources ci-dessous sont en anglais…
Le livre R for data science, librement accessible en ligne, contient plusieurs chapitres très complets sur la
manipulation des données, notamment :
• Data transformation pour les manipulations

• Relational data pour les tables multiples
Le site de l’extension comprend une liste des fonctions et les pages d’aide associées, mais aussi une
introduction au package et plusieurs articles dont un spécifiquement sur les jointures.
Une “antisèche” très synthétique est également accessible depuis RStudio, en allant dans le menu Help
puis Cheatsheets et Data Transformation with dplyr.
– 257 –
Enfin, on trouvera des exercices dans l’Introduction à R et au tidyverse de Julien Barnier.
dplyr et data.table
Pour ceux travaillant également avec l’extension data.table, il est possible de concilier tibble et data.table
avec l’extension dtplyr. Cette extension a connu une profonde évolution en 2019. Pour plus
d’informations, voir https://dtplyr.tidyverse.org/. Pour décrouvrir data.table, voir le chapitre dédié,
page 259.
dplyr et survey
L’extension srvyr vise à permettre d’utiliser les verbes de dplyr avec les plans d’échantillonnage complexe
définis avec survey. Le fonctionnement de cette extension est expliqué dans une vignette dédiée :
https://cran.r-project.org/web/packages/srvyr/vignettes/srvyr-vs-survey.html.
– 258 –
Manipulations avancées
avec data.table
Convertir un data.frame en data.table . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
setDT et setDF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
dplyr et data.table . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261
La syntaxe des crochets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261
Sélectionner des observations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261
Sélectionner des variables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261
Grouper les résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 262
Ajouter / Modifier / Supprimer une variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
Enchaîner les opérations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 263
Réorganiser un tableau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 264
Ressources en ligne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 264
L’extension data.table permets d’étendre les tableaux de données. Elle modifie radicalement la syntaxe
des crochets, permettant un code plus court et surtout plus puissant. Par ailleurs, elle est particulièrement
rapide pour opérer des opérations sur les données et permets d’effectuer des opérations par assignation
directe sans avoir à copier les objets en mémoire. Autrement dit, elle est particulièrement utile lorsque
l’on travaille sur des gros fichiers de données.
Certes, l’apprentissage de cette nouvelle syntaxe peut faire peur au début, mais c’est un gain tellement
notable une fois qu’on la maîtrise, qu’il est difficile de revenir en arrière.
Pour un tutoriel (en anglais et en ligne) écrit par les développeurs de data.table, voir
https://www.datacamp.com/courses/data-table-data-manipulation-r-tutorial. On pourra aussi se référer
au site officiel et ses différentes vignettes (en anglais) : https://rdatatable.gitlab.io/.
Convertir un data.frame en data.table

Il suffit d’avoir recours à la fonction as.data.table .
– 259 –
iris2 <- as.data.table(iris)
class(iris2)
[1] "data.table" "data.frame"
Comme on le voit, cela ajoute plusieurs classes additionnelles au tableau de données, celui-ci restant
malgré tout toujours un data.frame. Cependant, la syntaxe des crochets simples [] change radicalement,
tandis que les crochets doubles [[]] restent inchangés. Par contre, comme il s’agit toujours d’un tableau
de données classique, on pourra l’utiliser avec les fonctions des autres extensions de R. Si jamais vous
rencontriez un problème, il est toujours possible de reconvertir en tableau de données classique avec
setDF (voir ci-dessous).
setDT et setDF
Lors de l’utilisation de as.data.table , le tableau de données original a d’abord été copié en mémoire,
converti puis il a fallu le sauvegarder dans un objet avec <- . Lorsqu’on l’on manipule de gros tableaux,
cela est gourmand en ressources système et prend du temps.
C’est pour cela que data.table fournie plusieurs fonctions (commençant parle préfixe set ) qui modifient
directement l’objet sélectionné en mémoire, ce qu’on appelle «modification par assignation». Ce type de
fonction est beaucoup plus rapide et efficace en termes de ressources système. On notera également qu’il
est inutile de stocker le résultats dans un objet puisque l’objet a été modifié directement en mémoire.
setDT converti un tableaux de données en data.table tandis que setDF fait l’opération opposée.
R> setDT(iris)
class(iris)
R> setDF(iris)
class(iris)
[1] "data.frame"
– 260 –
Manipulations avancées avec data.table
dplyr et data.table
Pour ceux travaillant également avec les extension dplyr et tibble, il est possible de concilier tibble et
data.table avec l’extension dtplyr. Cette extension a connu une profonde évolution en 2019. Pour plus
d’informations, voir https://dtplyr.tidyverse.org/.
La syntaxe des crochets

La syntaxe des crochets change radicalement avec data.table. Elle est de la forme objet[i, j, by]
(dans sa forme la plus simple, pour une présentation exhaustive, voir le fichier d’aide de
data.table-package ).
Sélectionner des observations

Cela se fait en indiquant une indiquant une condition au premier argument, à savoir i . Si l’on ne procède
à une sélection en même temps sur les variables, il n’est pas nécessaire d’indiquer de virgule , dans les
crochets.
R> iris2[Sepal.Length < 5]
On notera que les noms indiquer entre les crochets sont évalués en fonction du contexte, en l’occurence la
liste des variables de l’objet considéré. Ainsi, les noms des variables peuvent être indiqués tels quels, sans
utilisation du symbole $ ni des guillemets.
I M P O R TA N T
Une différence de taille : lorsqu’il y a des observations pour lesquelles la condition indiquée en i
renvoie NA , elles ne sont pas sélectionnées par data.table tandis que, pour un data.frame classique
cela renvoie des lignes manquantes.
Sélectionner des variables

Pour sélectionner une variable, il suffit d’indiquer son nom dans la seconde partie, à savoir j . Noter la
virgule qui permets d’indiquer que c’est une condition sur j et non sur i .
– 261 –
R> iris2[, Sepal.Length]
[1] 5.1 4.9 4.7 4.6 5.0 5.4 4.6 5.0 4.4 4.9 5.4 4.8 4.8
[14] 4.3 5.8 5.7 5.4 5.1 5.7 5.1 5.4 5.1 4.6 5.1 4.8 5.0
[27] 5.0 5.2 5.2 4.7 4.8 5.4 5.2 5.5 4.9 5.0 5.5 4.9 4.4
[40] 5.1 5.0 4.5 4.4 5.0 5.1 4.8 5.1 4.6 5.3 5.0 7.0 6.4
[53] 6.9 5.5 6.5 5.7 6.3 4.9 6.6 5.2 5.0 5.9 6.0 6.1 5.6
[66] 6.7 5.6 5.8 6.2 5.6 5.9 6.1 6.3 6.1 6.4 6.6 6.8 6.7
[79] 6.0 5.7 5.5 5.5 5.8 6.0 5.4 6.0 6.7 6.3 5.6 5.5 5.5
[92] 6.1 5.8 5.0 5.6 5.7 5.7 6.2 5.1 5.7 6.3 5.8 7.1 6.3
[105] 6.5 7.6 4.9 7.3 6.7 7.2 6.5 6.4 6.8 5.7 5.8 6.4 6.5
[118] 7.7 7.7 6.0 6.9 5.6 7.7 6.3 6.7 7.2 6.2 6.1 6.4 7.2
[131] 7.4 7.9 6.4 6.3 6.1 7.7 6.3 6.4 6.0 6.9 6.7 6.9 5.8
[144] 6.8 6.7 6.7 6.3 6.5 6.2 5.9
Pour sélectionner plusieurs variables, on fournira une liste définie avec list (et non un vecteur défini
avec c ).
R> iris2[, list(Sepal.Length, Sepal.Width)]
data.table fourni un raccourci pour écrire une liste : .() . A l’intérieur des crochets (mais pas en dehors),
.() sera compris comme list() .
R> iris2[, .(Sepal.Length, Sepal.Width)]
Il est possible de renommer une variable à la volée et même d’en calculer d’autres.
R> iris2[, .(espece = Species, aire_petal = Petal.Length * Petal.Width)]
Seul le retour est ici affecté. Cela n’impacte pas le tableau d’origine. Nous verrons plus loin comment créer
/ modifier une variable.
Attention : on ne peut pas directement sélectionner une variable par sa position ou en indiquant une
chaîne de caractères. En effet, une valeur numérique ou textuelle est comprise comme une constante.
R> iris2[, .("Species", 3)]
Grouper les résultats

Si en j on utilise des fonctions qui à partir d’un vecteur renvoient une valeur unique (telles que mean ,
median , min , max , first , last , nth , etc.), on peut ainsi obtenir un résumé. On pourra également
– 262 –
Manipulations avancées avec data.table
utiliser .N pour obtenir le nombre d’observations.
R> iris2[, .(min_sepal_width = min(Sepal.Width), max_sepal_width = max(Sepal.Widt

h), n_observations = .N)]
Cela devient particulièrement intéressant en calculant ces mêmes valeurs par sous-groupe, grace au
troisième paramètre : by .
R> iris2[, .(min_sepal_width = min(Sepal.Width), max_sepal_width = max(Sepal.Widt

h), n_observations = .N), by = Species]
Ajouter / Modifier / Supprimer une variable

data.table introduit un nouvel opérateur := permettant de modifier une variable par assignation directe.
Cela signifie que la modification a lieu directement en mémoire dans le tableau de données, sans qu’il soit
besoin réaffecter le résultat avec <- .
On peut également combiner := avec une sélection sur les observations en i pour ne modifier que
certaines observations. De même, le recours à by permets des calculs par groupe.
R> iris2[, group := "A"]

iris2[Species == "virginica", group := "B"]
iris2[, n_obs_per_species := .N, by = Species]
R> iris2
R> iris2[, .N, by = group]
Enchaîner les opérations

Il est possible d’enchaîner les opérations avec une succession de crochets.
R> iris2[, .(petal_area = Petal.Width * Petal.Length, Species)][, .(min_petal_are

a = min(petal_area)), by = Species]
– 263 –
Réorganiser un tableau
L’extension data.table fournie également deux fonctions, melt et dcast , dédiée à la réorganisation d’un
tableau de données (respectivement wide-to-long reshaping et long-to-wide reshaping).
Pour plus de détails, voir la vignette dédiée sur le site de l’extension : https://rdatatable.gitlab.io/
data.table/articles/datatable-reshape.html
Ressources en ligne
• Une introduction à data.table par Lino Galiana : https://linogaliana.netlify.app/post/datatable/
datatable-intro/
• Un cours sur data.table : https://gitlab.com/linogaliana/bigr/-/blob/master/04-datatable.Rmd
– 264 –
Tris
Fonctions R de base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
Extension dplyr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
Extension data.table . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
questionr.
data(hdv2003)
d <- hdv2003
Fonctions R de base
La fonction sort permet de trier les éléments d’un vecteur.
R> sort(c(2, 5, 6, 1, 8))
[1] 1 2 5 6 8
On peut appliquer cette fonction à une variable, mais celle-ci ne permet que d’ordonner les valeurs de
cette variable, et pas l’ensemble du tableau de données dont elle fait partie. Pour cela nous avons besoin
d’une autre fonction, nommée order . Celle-ci ne renvoie pas les valeurs du vecteur triées, mais les
emplacements de ces valeurs.
Un exemple pour comprendre :
– 265 –
R> order(c(15, 20, 10))
[1] 3 1 2
Le résultat renvoyé signifie que la plus petite valeur est la valeur située en 3e position, suivie de celle en
1ère position et de celle en 2e position. Tout cela ne paraît pas passionnant à première vue, mais si on
mélange ce résultat avec un peu d’indexation directe, ça devient intéressant…
R> head(order(d$age))
[1] 162 215 346 377 511 646
Ce que cette fonction renvoie, c’est l’ordre dans lequel on doit placer les éléments de age, et donc par
extension les lignes de d , pour que la variable soit triée par ordre croissant. Par conséquent, si on fait :
R> d.tri <- d[order(d$age), ]
Alors on a trié les lignes de d par ordre d’âge croissant ! Et si on fait un petit :
R> head(d.tri, 3)
On a les caractéristiques des trois enquêtés les plus jeunes.
On peut évidemment trier par ordre décroissant en utilisant l’option decreasing=TRUE . On peut donc
afficher les caractéristiques des trois individus les plus âgés avec :
R> head(d[order(d$age, decreasing = TRUE), ], 3)
On peut également trier selon plusieurs variables. Ainsi, si l’on souhaite trier le tableau par sexe puis, au
sein de chaque sexe, par age :
R> d.tri <- d[order(d$sexe, d$age), ]
NOTE
Si l’on transmets une variable textuelle, le tri sera réalisé de manière alphabétique alors que si l’on
transmets un facteur, le tri sera effectué selon l’ordre des facteurs (que l’on peut visualiser avec
levels ).
– 266 –
Tris
Extension dplyr
On aura simplement recours à la fonction arrange . Un tri par ordre décroissant s’indique avec la
fonction desc .
R> library(dplyr)
tbl <- as_tibble(hdv2003)
tbl <- tbl %>% arrange(sexe, desc(age))
Extension data.table
On pourra utiliser la fonction order dans la condition sur les observations (attention à sauvegarder le
résultats si nécessaire) ou bien la fonction setorder pour modifier l’ordre des observations directement
par assignation (modification directe en mémoire de l’objet). Un tri décroissant s’indique avec le signe - .
dt <- as.data.table(hdv2003)
# Option 1
dt <- dt[order(sexe, -age)]
# Option 2
setorder(dt, sexe, -age)
– 267 –
Sous-ensembles
Par indexation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269
Fonction subset . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271
Fonction tapply . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 272
Extension dplyr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 275
Extension data.table . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 275
questionr.
data(hdv2003)
d <- hdv2003
Par indexation
La première manière de construire des sous-populations est d’utiliser l’indexation par conditions. On peut
ainsi facilement sélectionner une partie des observations suivant un ou plusieurs critères et placer le
résultat dans un nouveau tableau de données.
Par exemple si l’on souhaite isoler les hommes et les femmes :
R> dh <- d[d$sexe == "Homme", ]

df <- d[d$sexe == "Femme", ]
table(d$sexe)
Homme Femme
899 1101
– 269 –
R> dim(dh)
[1] 899 20
R> dim(df)
[1] 1101 20
On a à partir de là trois tableaux de données, d comportant la population totale, dh seulement les

hommes et df seulement les femmes.
On peut évidemment combiner plusieurs critères :
R> dh.25 <- d[d$sexe == "Homme" & d$age <= 25, ]

dim(dh.25)
[1] 86 20
Si on utilise directement l’indexation, il convient cependant d’être extrêmement prudent avec les valeurs
manquantes. Comme indiqué précédemment, la présence d’une valeur manquante dans une condition fait
que celle-ci est évaluée en NA et qu’au final la ligne correspondante est conservée par l’indexation :

480 117 451 952
R> d.satisf <- d[d$trav.satisf == "Satisfaction", ]

dim(d.satisf)
[1] 1432 20
Comme on le voit, ici d.satisf contient les individus ayant la modalité Satisfaction mais aussi ceux
ayant une valeur manquante NA . C’est pourquoi il faut toujours soit vérifier au préalable qu’on n’a pas
de valeurs manquantes dans les variables de la condition, soit exclure explicitement les NA de la manière
suivante :
– 270 –
Sous-ensembles
R> d.satisf <- d[d$trav.satisf == "Satisfaction" & !is.na(d$trav.satisf), ]

dim(d.satisf)
[1] 480 20
C’est notamment pour cette raison qu’on préfèrera le plus souvent utiliser la fonction subset .
Fonction subset
La fonction subset permet d’extraire des sous-populations de manière plus simple et un peu plus
intuitive que l’indexation directe.
Celle-ci prend trois arguments principaux :
• le nom de l’objet de départ ;

• une condition sur les observations ( subset ) ;
• éventuellement une condition sur les colonnes ( select ).
Reprenons tout de suite un exemple déjà vu :
R> dh <- subset(d, sexe == "Homme")

df <- subset(d, sexe == "Femme")
L’utilisation de subset présente plusieurs avantages. Le premier est d’économiser quelques touches. On
n’est en effet pas obligé de saisir le nom du tableau de données dans la condition sur les lignes. Ainsi les
deux commandes suivantes sont équivalentes :
R> dh <- subset(d, d$sexe == "Homme")

dh <- subset(d, sexe == "Homme")
Le second avantage est que subset s’occupe du problème des valeurs manquantes évoquées
précédemment et les exclut de lui-même, contrairement au comportement par défaut :

480 117 451 952
– 271 –
R> d.satisf <- d[d$trav.satisf == "Satisfaction", ]

dim(d.satisf)
[1] 1432 20
R> d.satisf <- subset(d, trav.satisf == "Satisfaction")

dim(d.satisf)
[1] 480 20
Dans le cas présent, l’extraction obtenue avec subset est équivalente à :
R> d.satisf <- d[d$trav.satisf == "Satisfaction" & !is.na(d$trav.satisf), ]

dim(d.satisf)
[1] 480 20
Enfin, l’utilisation de l’argument select est simplifié pour l’expression de condition sur les colonnes.
On peut ainsi spécifier les noms de variable sans guillemets et leur appliquer directement l’opérateur
d’exclusion - :
R> d2 <- subset(d, select = c(sexe, sport))

d2 <- subset(d, age > 25, select = -c(id, age, cinema))
Fonction tapply
NOTE
Cette section documente une fonction qui peut être très utile, mais pas forcément indispensable au
départ.
La fonction tapply n’est qu’indirectement liée à la notion de sous-population, mais peut permettre
d’éviter d’avoir à créer ces sous-populations dans certains cas.
Son fonctionnement est assez simple, mais pas forcément intuitif. La fonction prend trois arguments :
un vecteur, un facteur et une fonction. Elle applique ensuite la fonction aux éléments du vecteur
correspondant à un même niveau du facteur. Vite, un exemple !
– 272 –
Sous-ensembles
R> tapply(d$age, d$sexe, mean)
Homme Femme
48.16 48.15
Qu’est-ce que ça signifie ? Ici tapply a sélectionné toutes les observations correspondant à « Homme »,
puis appliqué la fonction mean aux valeurs de age correspondantes. Puis elle a fait de même pour les
observations correspondant à « Femme ». On a donc ici la moyenne d’âge chez les hommes et chez les
femmes.
On peut fournir à peu près n’importe quelle fonction à tapply :
R> tapply(d$bricol, d$sexe, freq)
$Homme
Frequency table
Class: factor (numeric)

Length: 899
Levels: 2: Non, Oui
Available: 899 (100%, NA: 0 = 0%)
Unique: 2
Item Count Percent Cum. Count Cum. Percent

--- ------ ------- --------- ------------ --------------
1 Oui 515 57.29% 515 57.29%
2 Non 384 42.71% 899 100.00%
$Femme
Frequency table

Length: 1,101
Levels: 2: Non, Oui
Available: 1,101 (100%, NA: 0 = 0%)
Unique: 2

--- ------ ------- --------- ------------ --------------
1 Non 763 69.3% 763 69.3%
2 Oui 338 30.7% 1101 100.0%
Les arguments supplémentaires fournis à tapply sont en fait fournis directement à la fonction appelée.
– 273 –
R> tapply(d$bricol, d$sexe, freq, total = TRUE)
$Homme
Frequency table

Length: 899
Levels: 2: Non, Oui
Available: 899 (100%, NA: 0 = 0%)
Unique: 2

--- ------ ------- --------- ------------ --------------
1 Oui 515 57.29% 515 57.29%
2 Non 384 42.71% 899 100.00%
$Femme
Frequency table

Length: 1,101
Levels: 2: Non, Oui
Available: 1,101 (100%, NA: 0 = 0%)
Unique: 2

--- ------ ------- --------- ------------ --------------
1 Non 763 69.3% 763 69.3%
2 Oui 338 30.7% 1101 100.0%
– 274 –
Sous-ensembles
NOTE
La fonction by est un équivalent (pour les tableaux de données) de tapply . La présentation des
résultats diffère légèrement.
R> tapply(d$age, d$sexe, mean)
Homme Femme
48.16 48.15
R> by(d$age, d$sexe, mean)
d$sexe: Homme
[1] 48.16
---------------------------------------------
d$sexe: Femme
[1] 48.15
Extension dplyr
On utilisera tout simplement la fonction filter .
R> library(dplyr)
tbl <- as_tibble(hdv2003)
hommes_jeunes <- tbl %>% filter(sexe == "Homme", age < 30)
Voir le chapitre dédié à dplyr, page 241 pour plus de détails.
Extension data.table
Il suffit d’indiquer la condition entre crochets.
– 275 –
dt <- as.data.table(hdv2003)
hommes_jeunes <- dt[sexe == "Hommes" & age < 30]
Il est également possible d’utiliser la fonction subset sur un data.table.
R> hommes_jeunes <- subset(dt, sexe == "Hommes" & age < 30)
Voir le chapitre dédié à data.table, page 259 pour plus de détails.
– 276 –
Fusion de tables
La fonction merge et les jointures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 277
Jointures avec dplyr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281
Clés implicites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 282
Clés explicites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 283
Types de jointures . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 284
Jointures avec data.table . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290
Ajouter des observations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290
WEBIN-R
Lorsqu’on traite de grosses enquêtes, notamment les enquêtes de l’INSEE, on a souvent à gérer des
données réparties dans plusieurs tables, soit du fait de la construction du questionnaire, soit du fait de
contraintes techniques (fichiers dbf ou Excel limités à 256 colonnes, par exemple).
Cela arrive également lorsque l’on traitre de données d’une enquêtes réalisée à différents niveaux (par
exemple, un questionnaire ménage et un questionnaire individu).
On peut distinguer deux situations :
• l’ajout de variables (jointure entre tables)

• l’ajout d’observations (concaténation de tables)
La fonction merge et les jointures

Une opération relativement courante consiste à fusionner plusieurs tables pour regrouper tout ou partie
des données dans un unique tableau.
Nous allons simuler artificiellement une telle situation en créant deux tables à partir de l’extrait de
l’enquête Histoire de vie :
– 277 –
data(hdv2003)
d <- hdv2003
dim(d)
[1] 2000 20
R> d1 <- subset(d, select = c("id", "age", "sexe"))

dim(d1)
[1] 2000 3
R> d2 <- subset(d, select = c("id", "clso"))

dim(d2)
[1] 2000 2
On a donc deux tableaux de données, d1 et d2 , comportant chacun 2000 lignes et respectivement 3 et

2 colonnes. Comment les rassembler pour n’en former qu’un ?
Intuitivement, cela paraît simple. Il suffit de « coller » d2 à la droite de d1 , comme dans l’exemple suivant.
id v1 v2 id v3 id v1 v2 v3
1 H 12 1 rouge 1 H 12 rouge
+ =
2 H 17 2 bleu 2 H 17 bleu
3 F 41 3 bleu 3 F 41 bleu
4 F 9 4 rouge 4 F 9 rouge
… … … … … … … … …
Cela semble fonctionner. La fonction qui permet d’effectuer cette opération sous R s’appelle cbind , elle
« colle » des tableaux côte à côte en regroupant leurs colonnes.
R> head(cbind(d1, d2))
À part le fait qu’on a une colonne id en double, le résultat semble satisfaisant. À première vue seulement.
Imaginons maintenant que nous avons travaillé sur d1 et d2 , et que nous avons ordonné les lignes de
d1 selon l’âge des enquêtés :
– 278 –
Fusion de tables
R> d1 <- d1[order(d1$age), ]
Répétons l’opération de collage :
R> head(cbind(d1, d2))
Que constate-t-on ? La présence de la variable id en double nous permet de voir que les identifiants
ne coïncident plus ! En regroupant nos colonnes nous avons donc attribué à des individus les réponses
d’autres individus.
La commande cbind ne peut en effet fonctionner que si les deux tableaux ont exactement le même
nombre de lignes, et dans le même ordre, ce qui n’est pas le cas ici.
I M P O R TA N T
Pour éviter toute erreur, il est préférable de ne jamais utiliser cbind ou son équivalent bind_cols
fournis par dplyr.
On aura recours à la jointure entre tables présentée ci-dessous.
On va donc être obligé de procéder à une fusion des deux tableaux, qui va permettre de rendre à chaque
ligne ce qui lui appartient. Pour cela nous avons besoin d’un identifiant qui permet d’identifier chaque
ligne de manière unique et qui doit être présent dans tous les tableaux. Dans notre cas, c’est plutôt rapide,
il s’agit de la variable id.
Une fois l’identifiant identifié1, on peut utiliser la commande merge . Celle-ci va fusionner les deux
tableaux en supprimant les colonnes en double et en regroupant les lignes selon leurs identifiants :
R> d.complet <- merge(d1, d2, by = "id")

head(d.complet)
Ici l’utilisation de la fonction merge est plutôt simple car nous sommes dans le cas de figure idéal : les
lignes correspondent parfaitement et l’identifiant est clairement identifié. Parfois les choses peuvent être
un peu plus compliquées :
• parfois les identifiants n’ont pas le même nom dans les deux tableaux. On peut alors les spécifier
par les options by.x et by.y ;
• parfois les deux tableaux comportent des colonnes (hors identifiants) ayant le même nom.
merge conserve dans ce cas ces deux colonnes mais les renomme en les suffixant par .x pour
celles provenant du premier tableau et .y pour celles du second ;
• parfois on n’a pas d’identifiant unique préétabli, mais on en construit un à partir de plusieurs
1. Si vous me passez l’expression…
– 279 –
variables. On peut alors donner un vecteur en paramètres de l’option by , par exemple

by=c("nom","prenom","date.naissance") .
Une subtilité supplémentaire intervient lorsque les deux tableaux fusionnés n’ont pas exactement les
mêmes lignes. Par défaut, merge ne conserve que les lignes présentes dans les deux tableaux :
id v1 id v2
id v1 v2
+ =
1 H 1 10
1 H 10
2 H 2 15
2 H 15
3 F 5 31
On peut cependant modifier ce comportement avec les options all.x et all.y .
Ainsi, all.x = TRUE indique de conserver toutes les lignes du premier tableau. Dans ce cas merge
donne une valeur NA pour ces lignes aux colonnes provenant du second tableau. Ce qui donnerait :
id v1 id v2 id v1 v2
+ =
1 H 1 10 1 H 10
2 H 2 15 2 H 15
3 F 5 31 3 F NA
L’option all.y = TRUE fait la même chose en conservant toutes les lignes du second tableau.
id v1 id v2 id v1 v2
+ =
1 H 1 10 1 H 10
2 H 2 15 2 H 15
3 F 5 31 5 NA 31
Enfin, on peut décider de conserver toutes les lignes des deux tableaux en utilisant à la fois
all.x = TRUE et all.y = TRUE , ce qui donne :
– 280 –
Fusion de tables
id v1 v2
id v1 id v2
1 H 10
+ =
1 H 1 10
2 H 15
2 H 2 15
3 F NA
3 F 5 31
5 NA 31
Parfois, l’un des identifiants est présent à plusieurs reprises dans l’un des tableaux (par exemple lorsque
l’une des tables est un ensemble de ménages et que l’autre décrit l’ensemble des individus de ces
ménages). Dans ce cas les lignes de l’autre table sont dupliquées autant de fois que nécessaires :
id v2 id v1 v2
id v1 1 10 1 H 10
+ =
1 H 1 18 1 H 18
2 H 1 21 1 H 21
3 F 2 15 2 H 15
3 42 3 F 42
Jointures avec dplyr

Le jeu de données nycflights13 est un exemple de données réparties en plusieurs tables. Ici on en a trois :
les informations sur les vols, celles sur les aéroports et celles sur les compagnies aériennes sont dans trois
tables distinctes.
dplyr propose différentes fonctions permettant de travailler avec des données structurées de cette
manière.
– 281 –
library(nycflights13)
data(flights)
data(airports)
data(airlines)
Clés implicites
Très souvent, les données relatives à une analyse sont réparties dans plusieurs tables différentes. Dans
notre exemple, on peut voir que la table flights contient seulement le code de la compagnie aérienne
du vol dans la variable carrier :
R> flights %>% select(carrier)
Et que par ailleurs la table airlines contient une information supplémentaire relative à ces
compagnies, à savoir le nom complet.
R> airlines
Il est donc naturel de vouloir associer les deux, en l’occurrence pour ajouter les noms complets des
compagnies à la table flights . Dans ce cas on va faire une jointure : les lignes d’une table seront
associées à une autre en se basant non pas sur leur position, mais sur les valeurs d’une ou plusieurs
colonnes. Ces colonnes sont appelées des clés.
Pour faire une jointure de ce type, on va utiliser la fonction left_join :
R> left_join(flights, airlines)
Pour faciliter la lecture, on va afficher seulement certaines colonnes du résultat :
R> left_join(flights, airlines) %>%

select(month, day, carrier, name)
Joining with `by = join_by(carrier)`
On voit que la table résultat est bien la fusion des deux tables d’origine selon les valeurs des deux colonnes
clés carrier. On est parti de la table flights , et pour chaque ligne on a ajouté les colonnes de
airlines pour lesquelles la valeur de carrier est la même. On a donc bien une nouvelle colonne name
dans notre table résultat, avec le nom complet de la compagnie aérienne.
– 282 –
Fusion de tables
NOTE
À noter qu’on peut tout à fait utiliser le pipe avec les fonctions de jointure :
flights %>% left_join(airlines) .
Nous sommes ici dans le cas le plus simple concernant les clés de jointure : les deux clés sont uniques et
portent le même nom dans les deux tables. Par défaut, si on ne lui spécifie pas explicitement les clés, dplyr
fusionne en utilisant l’ensemble des colonnes communes aux deux tables. On peut d’ailleurs voir dans cet
exemple qu’un message a été affiché précisant que la jointure s’est faite sur la variable carrier.
Clés explicites
La table airports , elle, contient des informations supplémentaires sur les aéroports : nom complet,
altitude, position géographique, etc. Chaque aéroport est identifié par un code contenu dans la colonne
faa.
Si on regarde la table flights , on voit que le code d’identification des aéroports apparaît à deux endroits
différents : pour l’aéroport de départ dans la colonne origin, et pour celui d’arrivée dans la colonne
dest. On a donc deux clés de jointures possibles, et qui portent un nom différent de la clé de airports .
On va commencer par fusionner les données concernant l’aéroport de départ. Pour simplifier l’affichage
des résultats, on va se contenter d’un sous-ensemble des deux tables :
R> flights_ex <- flights %>% select(month, day, origin, dest)

airports_ex <- airports %>% select(faa, alt, name)
Si on se contente d’un left_join comme à l’étape précédente, on obtient un message d’erreur car
aucune colonne commune ne peut être identifiée comme clé de jointure :
R> left_join(flights_ex, airports_ex)
Error in `left_join()`:
! `by` must be supplied when `x` and `y` have no
common variables.
ℹ Use `cross_join()` to perform a cross-join.
On doit donc spécifier explicitement les clés avec l’argument by de left_join . Ici la clé est nommée
origin dans la première table, et faa dans la seconde. La syntaxe est donc la suivante :
– 283 –
R> left_join(flights_ex, airports_ex, by = c("origin" = "faa"))
On constate que les deux nouvelles colonnes name et alt contiennent bien les données correspondant à
l’aéroport de départ.
On va stocker le résultat de cette jointure dans flights_ex :
R> flights_ex <- flights_ex %>%

left_join(airports_ex, by = c("origin" = "faa"))
Supposons qu’on souhaite maintenant fusionner à nouveau les informations de la table airports , mais
cette fois pour les aéroports d’arrivée de notre nouvelle table flights_ex . Les deux clés sont donc
désormais dest dans la première table, et faa dans la deuxième. La syntaxe est donc la suivante :
R> left_join(flights_ex, airports_ex, by = c("dest" = "faa"))
Cela fonctionne, les informations de l’aéroport d’arrivée ont bien été ajoutées, mais on constate que les
colonnes ont été renommées. En effet, ici les deux tables fusionnées contenaient toutes les deux des
colonnes name et alt. Comme on ne peut pas avoir deux colonnes avec le même nom dans un tableau,
dplyr a renommé les colonnes de la première table en name.x et alt.x , et celles de la deuxième en
name.y et alt.y .
C’est pratique, mais pas forcément très parlant. On pourrait renommer manuellement les colonnes pour
avoir des intitulés plus explicites avec rename , mais on peut aussi utiliser l’argument suffix de
left_join , qui permet d’indiquer les suffixes à ajouter aux colonnes. Ainsi, on peut faire :
R> left_join(flights_ex, airports_ex,

by = c("dest" = "faa"),
suffix = c("_depart", "_arrivee")
)
On obtient ainsi directement des noms de colonnes nettement plus clairs.
Types de jointures
Jusqu’à présent nous avons utilisé la fonction left_join , mais il existe plusieurs types de jointures.
Partons de deux tables d’exemple, personnes et voitures :
– 284 –
Fusion de tables
R> personnes <- tibble(

nom = c("Sylvie", "Sylvie", "Monique", "Gunter", "Rayan", "Rayan"),
voiture = c("Twingo", "Ferrari", "Scenic", "Lada", "Twingo", "Clio")
)
nom voiture
Sylvie Twingo
Sylvie Ferrari
Monique Scenic
Gunter Lada
Rayan Twingo
Rayan Clio
R> voitures <- tibble(

voiture = c("Twingo", "Ferrari", "Clio", "Lada", "208"),
vitesse = c("140", "280", "160", "85", "160")
)
voiture vitesse
Twingo 140
Ferrari 280
Clio 160
Lada 85
208 160
left_join
Si on fait un left_join de voitures sur personnes :
– 285 –
R> left_join(personnes, voitures)
Joining with `by = join_by(voiture)`
nom voiture vitesse
Sylvie Twingo 140
Sylvie Ferrari 280
Monique Scenic NA
Gunter Lada 85
Rayan Twingo 140
Rayan Clio 160
On voit que chaque ligne de personnes est bien présente, et qu’on lui a ajouté une ligne de voitures
correspondante si elle existe. Dans le cas du Scenic , il n’y a avait pas de ligne dans voitures , donc
vitesse a été mise à NA . Dans le cas de 208 , présente dans voitures mais pas dans personnes , la
ligne n’apparaît pas.
Si on fait un left_join cette fois de personnes sur voitures , c’est l’inverse :
R> left_join(voitures, personnes)
Warning in left_join(voitures, personnes): Each row in `x` is expected to match

at most 1 row in `y`.
ℹ Row 1 of `x` matches multiple rows.
ℹ If multiple matches are expected, set `multiple = "all"`
to silence this warning.
– 286 –
Fusion de tables
voiture vitesse nom
Twingo 140 Sylvie
Twingo 140 Rayan
Ferrari 280 Sylvie
Clio 160 Rayan
Lada 85 Gunter
208 160 NA
La ligne 208 est là, mais nom est à NA . Par contre Monique est absente. Et on remarquera que la ligne
Twingo , présente deux fois dans personnes , a été dupliquée pour être associée aux deux lignes de
données de Sylvie et Rayan .
En résumé, quand on fait un left_join(x, y) , toutes les lignes de x sont présentes, et dupliquées
si nécessaire quand elles apparaissent plusieurs fois dans y . Les lignes de y non présentes dans x
disparaissent. Les lignes de x non présentes dans y se voient attribuer des NA pour les nouvelles
colonnes.
Intuitivement, on pourrait considérer que left_join(x, y) signifie “ramener l’information de la table

y sur la table x ”.
En général, left_join sera le type de jointures le plus fréquemment utilisé.
right_join
La jointure right_join est l’exacte symétrique de left_join , c’est-à dire que right_join(x, y)
est équivalent à left_join(x,y) :
R> right_join(personnes, voitures)
– 287 –
nom voiture vitesse
Sylvie Twingo 140
Sylvie Ferrari 280
Gunter Lada 85
Rayan Twingo 140
Rayan Clio 160
NA 208 160
inner_join
Dans le cas de inner_join , seules les lignes présentes à la fois dans x et y sont présentes (et si
nécessaire dupliquées) dans la table résultat :
R> inner_join(personnes, voitures)
nom voiture vitesse
Sylvie Twingo 140
Sylvie Ferrari 280
Gunter Lada 85
Rayan Twingo 140
Rayan Clio 160
Ici la ligne 208 est absente, ainsi que la ligne Monique , qui dans le cas d’un left_join avait été
conservée et s’était vue attribuer une vitesse à NA .
full_join
Dans le cas de full_join , toutes les lignes de x et toutes les lignes de y sont conservées (avec des
NA ajoutés si nécessaire) même si elles sont absentes de l’autre table :
– 288 –
Fusion de tables
R> full_join(personnes, voitures)
nom voiture vitesse
Sylvie Twingo 140
Sylvie Ferrari 280
Monique Scenic NA
Gunter Lada 85
Rayan Twingo 140
Rayan Clio 160
NA 208 160
semi_join et anti_join
semi_join et anti_join sont des jointures filtrantes, c’est-à-dire qu’elles sélectionnent les lignes de x
sans ajouter les colonnes de y .
Ainsi, semi_join ne conservera que les lignes de x pour lesquelles une ligne de y existe également, et
supprimera les autres. Dans notre exemple, la ligne Monique est donc supprimée :
R> semi_join(personnes, voitures)
– 289 –
nom voiture
Sylvie Twingo
Sylvie Ferrari
Gunter Lada
Rayan Twingo
Rayan Clio
Un anti_join fait l’inverse, il ne conserve que les lignes de x absentes de y . Dans notre exemple, on
ne garde donc que la ligne Monique :
R> anti_join(personnes, voitures)
nom voiture
Monique Scenic
Jointures avec data.table

data.table fournit une fonction merge beaucoup plus rapide que celle standard de R mais fonctionnant
de manière identique.
Ajouter des observations

I M P O R TA N T
La fonction rbind , fournie nativement avec R pour ajouter des observations à un tableau, doit être
évitée car elle générera des résultats non pertinents si les tableaux que l’on concatènent n’ont pas
exactement les mêmes colonnes dans le même ordre.
La fonction bind_rows de dplyr permet d’ajouter des lignes à une table à partir d’une ou plusieurs autres
tables.
– 290 –
Fusion de tables
L’exemple suivant (certes très artificiel) montre l’utilisation de bind_rows . On commence par créer trois
tableaux t1 , t2 et t3 :
R> t1 <- airports %>%

select(faa, name, lat, lon) %>%
slice(1:2)
t1

select(name, faa, lon, lat) %>%
slice(5:6)
t2

select(faa, name) %>%
slice(100:101)
t3
On concaténe ensuite les trois tables avec bind_rows :
R> bind_rows(t1, t2, t3)
On remarquera que si des colonnes sont manquantes pour certaines tables, comme les colonnes lat et
lon de t3 , des NA sont automatiquement insérées.
De plus, peu importe l’ordre des variables entre les différentes tables, bind_rows les réassociera en
considérant que deux colonnes ayant le même nom dans deux tableaux correspondent à la même variable.
Il peut être utile, quand on concatène des lignes, de garder une trace du tableau d’origine de chacune
des lignes dans le tableau final. C’est possible grâce à l’argument .id de bind_rows . On passe à cet
argument le nom d’une colonne qui contiendra l’indicateur d’origine des lignes :
R> bind_rows(t1, t2, t3, .id = "source")
Par défaut la colonne .id ne contient qu’un nombre, différent pour chaque tableau. On peut lui spécifier
des valeurs plus explicites en “nommant” les tables dans bind_rows de la manière suivante :
R> bind_rows(table1 = t1, table2 = t2, table3 = t3, .id = "source")
– 291 –
NOTE
Une alternative à bind_rows est la fonction rbind.fill de l’extension plyr qui fonctionne de
manière similaire.
– 292 –
Gestion des dates
Si R fournit quelques fonctions natives pour la gestion des dates, l’extension lubridate est recommandée
pour tout travail un peu plus fin sur des dates. On pourra se référer :
• au chapitre «Dates and Times» de l’ouvrage R for Data Science de Garrett Grolemund et Hadley
Wickham (en anglais)
• à la vignette officielle (https://cran.r-project.org/web/packages/lubridate/vignettes/
lubridate.html, en anglais)
• à ce tutoriel (https://rpubs.com/davoodastaraky/lubridate)
– 293 –
Fonctions à fenêtre
I M P O R TA N T
Ce chapitre est en cours d’écriture.
WEBIN-R
Ces fonctions sont présentées en détail (en anglais) dans une vignette dédiée de l’extension dplyr
(https://dplyr.tidyverse.org/articles/window-functions.html).
– 295 –
Manipuler du texte avec
stringr
Expressions régulières . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 298
Concaténer des chaînes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299
Convertir en majuscules / minuscules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300
Découper des chaînes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 301
Extraire des sous-chaînes par position . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 302
Détecter des motifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 302
Extraire des motifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303
Remplacer des motifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 304
Modificateurs de motifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 305
Insérer une variable dans une chaîne de caractères . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 306
Ressources . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 306
NOTE
et au tidyverse.
Les fonctions de forcats vues précédemment permettent de modifier des modalités d’une variables
qualitative globalement. Mais parfois on a besoin de manipuler le contenu même du texte d’une variable
de type chaîne de caractères : combiner, rechercher, remplacer…
On va utiliser ici les fonctions de l’extension stringr. Celle-ci fait partie du coeur du tidyverse, elle est donc
automatiquement chargée avec :
– 297 –
NOTE
stringr est en fait une interface simplifiée aux fonctions d’une autre extension, stringi. Si les fonctions
de stringr ne sont pas suffisantes ou si on manipule beaucoup de chaînes de caractères, ne pas hésiter
à se reporter à la documentation de stringi.
Dans ce qui suit on va utiliser le court tableau d’exemple d suivant :
R> d <- tibble(

nom = c("Mr Félicien Machin", "Mme Raymonde Bidule", "M. Martial Truc", "Mme
Huguette Chose"),
adresse = c("3 rue des Fleurs", "47 ave de la Libération", "12 rue du 17 oct
obre 1961", "221 avenue de la Libération"),
ville = c("Nouméa", "Marseille", "Vénissieux", "Marseille")
)
nom adresse ville
Mr Félicien Machin 3 rue des Fleurs Nouméa
Mme Raymonde Bidule 47 ave de la Libération Marseille
M. Martial Truc 12 rue du 17 octobre 1961 Vénissieux
Mme Huguette Chose 221 avenue de la Libération Marseille
Expressions régulières
Les fonctions présentées ci-dessous sont pour la plupart prévues pour fonctionner avec des expressions
régulières. Celles-ci constituent un mini-langage, qui peut paraître assez cryptique, mais qui est très
puissant pour spécifier des motifs de chaînes de caractères.
Elles permettent par exemple de sélectionner le dernier mot avant la fin d’une chaîne, l’ensemble des
suites alphanumériques commençant par une majuscule, des nombres de 3 ou 4 chiffres situés en début
de chaîne, et beaucoup beaucoup d’autres choses encore bien plus complexes.
Pour donner un exemple concret, l’expression régulière suivante permet de détecter une adresse de
courrier électronique1 :
– 298 –
Manipuler du texte avec stringr
[\w\d+.-_]+@[\w\d.-]+\.[a-zA-Z]{2,}
Par souci de simplicité, dans ce qui suit les exemples seront donnés autant que possible avec de simples
chaînes, sans expression régulière. Mais si vous pensez manipuler des données textuelles, il peut être très
utile de s’intéresser à cette syntaxe.
Concaténer des chaînes

La première opération de base consiste à concaténer des chaînes de caractères entre elles. On peut le
faire avec la fonction paste .
Par exemple, si on veut concaténer l’adresse et la ville :
R> paste(d$adresse, d$ville)
[1] "3 rue des Fleurs Nouméa"

[2] "47 ave de la Libération Marseille"
[3] "12 rue du 17 octobre 1961 Vénissieux"
[4] "221 avenue de la Libération Marseille"
Par défaut, paste concatène en ajoutant un espace entre les différentes chaînes. On peut spécifier un
autre séparateur avec son argument sep :
R> paste(d$adresse, d$ville, sep = " - ")
[1] "3 rue des Fleurs - Nouméa"

[2] "47 ave de la Libération - Marseille"
[3] "12 rue du 17 octobre 1961 - Vénissieux"
[4] "221 avenue de la Libération - Marseille"
Il existe une variante, paste0 , qui concatène sans mettre de séparateur, et qui est légèrement plus
rapide :
R> paste0(d$adresse, d$ville)
[1] "3 rue des FleursNouméa"

[2] "47 ave de la LibérationMarseille"
[3] "12 rue du 17 octobre 1961Vénissieux"
1. Il s’agit en fait d’une version très simplifiée, la «véritable» expression permettant de tester si une adresse mail est
valide fait plus de 80 lignes…
– 299 –
[4] "221 avenue de la LibérationMarseille"
NOTE
À noter que paste et paste0 sont des fonctions R de base. L’équivalent pour stringr se nomme
str_c .
Parfois on cherche à concaténer les différents éléments d’un vecteur non pas avec ceux d’un autre
vecteur, comme on l’a fait précédemment, mais entre eux. Dans ce cas paste seule ne fera rien :
R> paste(d$ville)
[1] "Nouméa" "Marseille" "Vénissieux" "Marseille"
Il faut lui ajouter un argument collapse , avec comme valeur la chaîne à utiliser pour concaténer les
éléments :
R> paste(d$ville, collapse = ", ")
[1] "Nouméa, Marseille, Vénissieux, Marseille"
Convertir en majuscules / minuscules

Les fonctions str_to_lower , str_to_upper et str_to_title permettent respectivement de mettre
en minuscules, mettre en majuscules, ou de capitaliser les éléments d’un vecteur de chaînes de
caractères :
R> str_to_lower(d$nom)
[1] "mr félicien machin" "mme raymonde bidule"

[3] "m. martial truc" "mme huguette chose"
R> str_to_upper(d$nom)
[1] "MR FÉLICIEN MACHIN" "MME RAYMONDE BIDULE"
– 300 –
[3] "M. MARTIAL TRUC" "MME HUGUETTE CHOSE"
R> str_to_title(d$nom)
[1] "Mr Félicien Machin" "Mme Raymonde Bidule"

[3] "M. Martial Truc" "Mme Huguette Chose"
Découper des chaînes

La fonction str_split permet de “découper” une chaîne de caractère en fonction d’un délimiteur. On
passe la chaîne en premier argument, et le délimiteur en second :
R> str_split("un-deux-trois", "-")
[[1]]
[1] "un" "deux" "trois"
On peut appliquer la fonction à un vecteur, dans ce cas le résultat sera une liste :
R> str_split(d$nom, " ")
[[1]]
[1] "Mr" "Félicien" "Machin"
[[2]]
[1] "Mme" "Raymonde" "Bidule"
[[3]]
[1] "M." "Martial" "Truc"
[[4]]
[1] "Mme" "Huguette" "Chose"
Ou un tableau (plus précisément une matrice) si on ajoute simplify = TRUE .
R> str_split(d$nom, " ", simplify = TRUE)
[,1] [,2] [,3]
– 301 –
[1,] "Mr" "Félicien" "Machin"

[2,] "Mme" "Raymonde" "Bidule"
[3,] "M." "Martial" "Truc"
[4,] "Mme" "Huguette" "Chose"
Si on souhaite créer de nouvelles colonnes dans un tableau de données en découpant une colonne de
type texte, on pourra utiliser la fonction separate de l’extension tidyr. Celle-ci est expliquée section
@ref(separate).
Voici juste un exemple de son utilisation :
R> library(tidyr)
d %>% separate(nom, c("genre", "prenom", "nom"))
Warning: Expected 3 pieces. Additional pieces discarded in 1 rows

[1].
Extraire des sous-chaînes par position

La fonction str_sub permet d’extraire des sous-chaînes par position, en indiquant simplement les
positions des premier et dernier caractères :
R> str_sub(d$ville, 1, 3)
[1] "Nou" "Mar" "Vén" "Mar"
Détecter des motifs

str_detect permet de détecter la présence d’un motif parmi les élements d’un vecteur. Par exemple, si
on souhaite identifier toutes les adresses contenant «Libération» :
R> str_detect(d$adresse, "Libération")
[1] FALSE TRUE FALSE TRUE
str_detect renvoit un vecteur de valeurs logiques et peut donc être utilisée, par exemple, avec le verbe
filter de dplyr pour extraire des sous-populations.
– 302 –
Une variante, str_count , compte le nombre d’occurrences d’une chaîne pour chaque élément d’un
vecteur :
R> str_count(d$ville, "s")
[1] 0 1 2 1
I M P O R TA N T
Attention, les fonctions de stringr étant prévues pour fonctionner avec des expressions régulières,
certains caractères n’auront pas le sens habituel dans la chaîne indiquant le motif à rechercher. Par
exemple, le . ne sera pas un point mais le symbole représentant «n’importe quel caractère».
La section sur les modificateurs de motifs explique comment utiliser des chaîne «classiques» au lieu
d’expressions régulières.
On peut aussi utiliser str_subset pour ne garder d’un vecteur que les éléments correspondant au
motif :
R> str_subset(d$adresse, "Libération")
[1] "47 ave de la Libération"

[2] "221 avenue de la Libération"
Extraire des motifs

str_extract permet d’extraire les valeurs correspondant à un motif. Si on lui passe comme motif une
chaîne de caractère, cela aura peu d’intérêt :
R> str_extract(d$adresse, "Libération")
[1] NA "Libération" NA "Libération"
C’est tout de suite plus intéressant si on utilise des expressions régulières. Par exemple la commande
suivante permet d’isoler les numéros de rue.
– 303 –
R> str_extract(d$adresse, "^\\d+")
[1] "3" "47" "12" "221"
str_extract ne récupère que la première occurrence du motif. Si on veut toutes les extraire on peut
utiliser str_extract_all . Ainsi, si on veut extraire l’ensemble des nombres présents dans les adresses :
R> str_extract_all(d$adresse, "\\d+")
[[1]]
[1] "3"
[[2]]
[1] "47"
[[3]]
[1] "12" "17" "1961"
[[4]]
[1] "221"
NOTE
Si on veut faire de l’extraction de groupes dans des expressions régulières (identifiés avec des
parenthèses), on pourra utiliser str_match .
À noter que si on souhaite extraire des valeurs d’une colonne texte d’un tableau de données pour créer de
nouvelles variables, on pourra utiliser la fonction extract de l’extension tidyr, décrite plus haut.
Par exemple :
R> library(tidyr)
d %>% tidyr::extract(adresse, "type_rue", "^\\d+ (.*?) ", remove = FALSE)
Remplacer des motifs

La fonction str_replace permet de remplacer une chaîne ou un motif par une autre.
Par exemple, on peut remplace les occurrence de “Mr” par “M.” dans les noms de notre tableau :
– 304 –
R> str_replace(d$nom, "Mr", "M.")
[1] "M. Félicien Machin" "Mme Raymonde Bidule"

[3] "M. Martial Truc" "Mme Huguette Chose"
La variante str_replace_all permet de spécifier plusieurs remplacements d’un coup :
R> str_replace_all(d$adresse, c("avenue" = "Avenue", "ave" = "Avenue", "rue" = "R

ue"))
[1] "3 Rue des Fleurs"

[2] "47 Avenue de la Libération"
[3] "12 Rue du 17 octobre 1961"
[4] "221 Avenue de la Libération"
Modificateurs de motifs
Par défaut, les motifs passés aux fonctions comme str_detect , str_extract ou str_replace sont
des expressions régulières classiques.
On peut spécifier qu’un motif n’est pas une expression régulière mais une chaîne de caractères normale en
lui appliquant la fonction fixed . Par exemple, si on veut compter le nombre de points dans les noms de
notre tableau, le paramétrage par défaut ne fonctionnera pas car dans une expression régulière le . est
un symbole signifiant “n’importe quel caractère” :
R> str_count(d$nom, ".")
[1] 18 19 15 18
Il faut donc spécifier que notre point est bien un point avec fixed :
R> str_count(d$nom, fixed("."))
[1] 0 0 1 0
On peut aussi modifier le comportement des expressions régulières à l’aide de la fonction regex . On peut
ainsi rendre les motifs insensibles à la casse avec ignore_case :
– 305 –
R> str_detect(d$nom, "mme")
[1] FALSE FALSE FALSE FALSE
R> str_detect(d$nom, regex("mme", ignore_case = TRUE))
[1] FALSE TRUE FALSE TRUE
On peut également permettre aux regex d’être multilignes avec l’option multiline = TRUE , etc.
Insérer une variable dans une chaîne de caractères

La fonction str_glue repose sur l’extension glue. Elle permet, à l’aide d’une syntaxe un peu spécifique,
de pouvoir insérer facilement les valeurs d’une ou plusieurs variables dans une chaîne de caractères.
Prenons un exemple :
R> prenom <- "Fred"

age <- 28
anniversaire <- as.Date("1991-10-12")
str_glue(
"Je m'appelle {prenom}. ",
"L'année prochaine j'aurai {age + 1} ans, ",
"car je suis né le {format(anniversaire, '%A %d %B %Y')}."
)
Je m'appelle Fred. L'année prochaine j'aurai 29 ans, car je suis né le samedi 12

octobre 1991.
Sa variante str_glue_data est adaptée lorsque l’on travaille sur un tableau de données avec dplyr.
R> d %>% mutate(phrase = str_glue_data(d, "{nom} habite à {ville}."))
Ressources
L’ouvrage R for Data Science, accessible en ligne, contient un chapitre entier sur les chaînes de caractères
et les expressions régulières (en anglais).
Le site officiel de stringr contient une liste des fonctions et les pages d’aide associées, ainsi qu’un article
– 306 –
dédié aux expressions régulières.
Pour des besoins plus pointus, on pourra aussi utiliser l’extension stringi sur laquelle est elle-même basée
stringr.
– 307 –
Réorganiser ses données
avec tidyr
Tidy data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 310
Trois règles pour des données bien rangées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 313
Les verbes de tidyr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 316
pivot_longer : rassembler des colonnes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 316
pivot_wider : disperser des lignes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 318
separate : séparer une colonne en plusieurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 321
unite : regrouper plusieurs colonnes en une seule . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 322
extract : créer de nouvelles colonnes à partir d’une colonne de texte . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 323
complete : compléter des combinaisons de variables manquantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 324
Ressources . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 325
Fichiers volumineux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 326
NOTE
et au tidyverse.
WEBIN-R
Ce chapitre est évoqué dans le webin-R #13 (exemples de graphiques avancés) sur YouTube.
Ce chapitre est évoqué dans le webin-R #17 (trajectoires de soins : un exemple de données
longitudinales) sur YouTube.
– 309 –
Tidy data
Comme indiqué dans l’introduction au tidyverse, page 64, les extensions du tidyverse comme dplyr ou
ggplot2 partent du principe que les données sont “bien rangées” sous forme de tidy data.
Prenons un exemple avec les données suivantes, qui indique la population de trois pays pour quatre
années différentes :
country 1992 1997 2002 2007
Belgium 10045622 10199787 10311970 10392226
France 57374179 58623428 59925035 61083916
Germany 80597764 82011073 82350671 82400996
Imaginons qu’on souhaite représenter avec ggplot2 l’évolution de la population pour chaque pays sous
forme de lignes : c’est impossible avec les données sous ce format. On a besoin d’arranger le tableau de la
manière suivante :
– 310 –
Réorganiser ses données avec tidyr
country annee population
Belgium 1992 10045622
France 1992 57374179
Germany 1992 80597764
Belgium 1997 10199787
France 1997 58623428
Germany 1997 82011073
Belgium 2002 10311970
France 2002 59925035
Germany 2002 82350671
Belgium 2007 10392226
France 2007 61083916
Germany 2007 82400996
C’est seulement avec les données dans ce format qu’on peut réaliser le graphique :
– 311 –
R> ggplot(d) +
geom_line(aes(x = annee, y = population, color = country)) +
scale_x_continuous(breaks = unique(d$annee))
C’est la même chose pour dplyr, par exemple si on voulait calculer la population minimale pour chaque
pays avec summarise :
R> d %>%
group_by(country) %>%
summarise(pop_min = min(population))
# A tibble: 3 × 2
country pop_min
<fct> <int>
1 Belgium 10045622
2 France 57374179
3 Germany 80597764
– 312 –
Trois règles pour des données bien rangées

Le concept de tidy data repose sur trois règles interdépendantes. Des données sont considérées comme
tidy si :
1. chaque ligne correspond à une observation

2. chaque colonne correspond à une variable
3. chaque valeur est présente dans une unique case de la table ou, de manière équivalente, si des
unités d’observations différentes sont présentes dans des tables différentes
Ces règles ne sont pas forcément très intuitives. De plus, il y a une infinité de manières pour un tableau de
données de ne pas être tidy.
Prenons par exemple les règles 1 et 2 et le tableau de notre premier exemple :
country 1992 1997 2002 2007
Belgium 10045622 10199787 10311970 10392226
France 57374179 58623428 59925035 61083916
Germany 80597764 82011073 82350671 82400996
Pourquoi ce tableau n’est pas tidy ? Parce que si on essaie d’identifier les variables mesurées dans le
tableau, il y en a trois : le pays, l’année et la population. Or elles ne correspondent pas aux colonnes de la
table. C’est le cas par contre pour la table transformée :
– 313 –
Belgium 1992 10045622
France 1992 57374179
Germany 1992 80597764
Belgium 1997 10199787
France 1997 58623428
Germany 1997 82011073
Belgium 2002 10311970
France 2002 59925035
Germany 2002 82350671
Belgium 2007 10392226
France 2007 61083916
Germany 2007 82400996
On peut remarquer qu’en modifiant notre table pour satisfaire à la deuxième règle, on a aussi réglé la
première : chaque ligne correspond désormais à une observation, en l’occurrence l’observation de trois
pays à plusieurs moments dans le temps. Dans notre table d’origine, chaque ligne comportait en réalité
quatre observations différentes.
Ce point permet d’illustrer le fait que les règles sont interdépendantes.
Autre exemple, généré depuis le jeu de données nycflights13, permettant cette fois d’illustrer la troisième
règle :
– 314 –
year month day dep_time carrier name flights_per_year
2013 1 1 517 UA United Air Lines Inc. 58665
2013 1 1 542 AA American Airlines Inc. 32729
Dans ce tableau on a bien une observation par ligne (un vol), et une variable par colonne. Mais on a
une “infraction” à la troisième règle, qui est que chaque valeur doit être présente dans une unique case :
si on regarde la colonne name , on a en effet une duplication de l’information concernant le nom des
compagnies aériennes. Notre tableau mêle en fait deux types d’observations différents : des observations
sur les vols, et des observations sur les compagnies aériennes.
Pour “arranger” ce tableau, il faut séparer les deux types d’observations en deux tables différentes :
year month day dep_time carrier
2013 1 1 517 UA
2013 1 1 533 UA
2013 1 1 542 AA
2013 1 1 554 UA
2013 1 1 558 AA
2013 1 1 558 UA
2013 1 1 558 UA
2013 1 1 559 AA
– 315 –
carrier name flights_per_year
UA United Air Lines Inc. 58665
AA American Airlines Inc. 32729
On a désormais deux tables distinctes, l’information n’est pas dupliquée, et on peut facilement faire une
jointure si on a besoin de récupérer l’information d’une table dans une autre.
Les verbes de tidyr

L’objectif de tidyr est de fournir des fonctions pour arranger ses données et les convertir dans un format
tidy. Ces fonctions prennent la forme de verbes qui viennent compléter ceux de dplyr et s’intègrent
parfaitement dans les séries de pipes ( %>% ), les pipelines, permettant d’enchaîner les opérations.
pivot_longer : rassembler des colonnes

Prenons le tableau d suivant, qui liste la population de 6 pays en 2002 et 2007 :
country 2002 2007
Belgium 10311970 10392226
France 59925035 61083916
Germany 82350671 82400996
Italy 57926999 58147733
Spain 40152517 40448191
Switzerland 7361757 7554661
Dans ce tableau, une même variable (la population) est répartie sur plusieurs colonnes, chacune
représentant une observation à un moment différent. On souhaite que la variable ne représente plus
qu’une seule colonne, et que les observations soient réparties sur plusieurs lignes.
Pour cela on va utiliser la fonction pivot_longer 1 :
1. pivot_longer est une version plus récente et plus robuste de la fonction gather .
– 316 –
R> d %>% pivot_longer(cols = c(`2002`, `2007`), names_to = "annee", values_to =

"population")
# A tibble: 12 × 3
<fct> <chr> <int>
1 Belgium 2002 10311970
2 Belgium 2007 10392226
3 France 2002 59925035
4 France 2007 61083916
5 Germany 2002 82350671
6 Germany 2007 82400996
7 Italy 2002 57926999
8 Italy 2007 58147733
9 Spain 2002 40152517
10 Spain 2007 40448191
11 Switzerland 2002 7361757
La fonction pivot_longer prend comme arguments la liste des colonnes à rassembler (on peut
également y utiliser les différentes fonctions de sélection de variables utilisables avec select , voir
select_helpers ), ainsi que deux arguments names_to et values_to :
• names_to est le nom de la colonne qui va contenir les “noms” des colonnes originelles, c’est-à-
dire les identifiants des différentes observations
• values_to est le nom de la colonne qui va contenir la valeur des observations
Parfois il est plus rapide d’indiquer à pivot_longer les colonnes qu’on ne souhaite pas rassembler. On
peut le faire avec la syntaxe suivante :
R> d %>% pivot_longer(-country, names_to = "annee", values_to = "population")
# A tibble: 12 × 3
<fct> <chr> <int>
1 Belgium 2002 10311970
2 Belgium 2007 10392226
3 France 2002 59925035
4 France 2007 61083916
5 Germany 2002 82350671
6 Germany 2007 82400996
7 Italy 2002 57926999
8 Italy 2007 58147733
9 Spain 2002 40152517
– 317 –
10 Spain 2007 40448191

pivot_wider : disperser des lignes

La fonction pivot_wider 2 est l’inverse de pivot_longer .
Soit le tableau d suivant :
country continent year variable value
Belgium Europe 2002 lifeExp 7.832e+01
France Europe 2002 lifeExp 7.959e+01
Germany Europe 2002 lifeExp 7.867e+01
Belgium Europe 2002 pop 1.031e+07
France Europe 2002 pop 5.993e+07
Germany Europe 2002 pop 8.235e+07
Ce tableau a le problème inverse du précédent : on a deux variables, lifeExp et pop qui, plutôt que
d’être réparties en deux colonnes, sont réparties entre plusieurs lignes.
On va donc utiliser pivot_wider pour «disperser» ces lignes dans deux colonnes différentes :
2. pivot_wider est une version plus récente et plus robuste de la fonction spread .
– 318 –
R> d %>% pivot_wider(names_from = variable, values_from = value)
# A tibble: 6 × 5
country continent year lifeExp pop
<fct> <fct> <int> <dbl> <dbl>
1 Belgium Europe 2002 78.3 10311970
2 Belgium Europe 2007 79.4 10392226
3 France Europe 2002 79.6 59925035
4 France Europe 2007 80.7 61083916
5 Germany Europe 2002 78.7 82350671
6 Germany Europe 2007 79.4 82400996
pivot_wider prend deux arguments principaux :
• names_from indique la colonne contenant les noms des nouvelles variables à créer
• values_from indique la colonne contenant les valeurs de ces variables
Il peut arriver que certaines variables soient absentes pour certaines observations. Dans ce cas
l’argument values_fill permet de spécifier la valeur à utiliser pour ces données manquantes (par
défaut, les valauers manquantes sont indiquées avec NA ).
Exemple avec le tableau d suivant :
– 319 –
country continent year variable value
France Europe 2002 density 9.400e+01
R> d %>%
pivot_wider(names_from = variable, values_from = value)
# A tibble: 6 × 6
country continent year lifeExp pop density
<chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Belgium Europe 2002 78.3 10311970 NA
2 Belgium Europe 2007 79.4 10392226 NA
3 France Europe 2002 79.6 59925035 94
4 France Europe 2007 80.7 61083916 NA
5 Germany Europe 2002 78.7 82350671 NA
6 Germany Europe 2007 79.4 82400996 NA
– 320 –
R> d %>%
pivot_wider(names_from = variable, values_from = value, values_fill = list(v
alue = 0))
# A tibble: 6 × 6
country continent year lifeExp pop density
<chr> <chr> <dbl> <dbl> <dbl> <dbl>
1 Belgium Europe 2002 78.3 10311970 0
2 Belgium Europe 2007 79.4 10392226 0
3 France Europe 2002 79.6 59925035 94
4 France Europe 2007 80.7 61083916 0
5 Germany Europe 2002 78.7 82350671 0
6 Germany Europe 2007 79.4 82400996 0
separate : séparer une colonne en plusieurs

Parfois on a plusieurs informations réunies en une seule colonne et on souhaite les séparer. Soit le tableau
d’exemple caricatural suivant, nommé df :
eleve note
Félicien Machin 5/20
Raymonde Bidule 6/10
Martial Truc 87/100
separate permet de séparer la colonne note en deux nouvelles colonnes note et note_sur :
R> d %>% separate(note, c("note", "note_sur"))
# A tibble: 3 × 3
eleve note note_sur
<chr> <chr> <chr>
1 Félicien Machin 5 20
2 Raymonde Bidule 6 10
3 Martial Truc 87 100
separate prend deux arguments principaux, le nom de la colonne à séparer et un vecteur indiquant
les noms des nouvelles variables à créer. Par défaut separate «sépare» au niveau des caractères non-
alphanumérique (espace, symbole, etc.). On peut lui indiquer explicitement le caractère sur lequel séparer
avec l’argument sep :
– 321 –
R> d %>% tidyr::separate(eleve, c("prenom", "nom"), sep = " ")
# A tibble: 3 × 3
prenom nom note
<chr> <chr> <chr>
1 Félicien Machin 5/20
2 Raymonde Bidule 6/10
3 Martial Truc 87/100
unite : regrouper plusieurs colonnes en une seule

unite est l’opération inverse de separate . Elle permet de regrouper plusieurs colonnes en une seule.
Imaginons qu’on obtient le tableau d suivant :
code_departement code_commune commune pop_tot
01 004 Ambérieu-en-Bugey 14233
01 007 Ambronay 2437
01 014 Arbent 3440
01 024 Attignat 3110
01 025 Bâgé-la-Ville 3130
01 027 Balan 2785
On souhaite reconstruire une colonne code_insee qui indique le code INSEE de la commune, et qui
s’obtient en concaténant le code du département et celui de la commune. On peut utiliser unite pour
cela :
R> d %>% unite(code_insee, code_departement, code_commune)
# A tibble: 6 × 3
code_insee commune pop_tot
<chr> <chr> <int>
1 01_004 Ambérieu-en-Bugey 14233
2 01_007 Ambronay 2437
3 01_014 Arbent 3440
4 01_024 Attignat 3110
5 01_025 Bâgé-la-Ville 3130
– 322 –
6 01_027 Balan 2785
Le résultat n’est pas idéal : par défaut unite ajoute un caractère _ entre les deux valeurs concaténées,
alors qu’on ne veut aucun séparateur. De plus, on souhaite conserver nos deux colonnes d’origine, qui
peuvent nous être utiles. On peut résoudre ces deux problèmes à l’aide des arguments sep et remove :
R> d %>%
unite(code_insee, code_departement, code_commune,
sep = "", remove = FALSE
)
# A tibble: 6 × 5
code_insee code_departement code_commune commune pop_tot
<chr> <chr> <chr> <chr> <int>
1 01004 01 004 Ambérieu… 14233
2 01007 01 007 Ambronay 2437
3 01014 01 014 Arbent 3440
4 01024 01 024 Attignat 3110
5 01025 01 025 Bâgé-la-… 3130
6 01027 01 027 Balan 2785
extract : créer de nouvelles colonnes à partir d’une colonne de

texte
extract permet de créer de nouvelles colonnes à partir de sous-chaînes d’une colonne de texte
existante, identifiées par des groupes dans une expression régulière.
Par exemple, à partir du tableau suivant :
eleve note
Félicien Machin 5/20
Raymonde Bidule 6/10
Martial Truc 87/100
On peut extraire les noms et prénoms dans deux nouvelles colonnes avec :
R> df %>% tidyr::extract(eleve, c("prenom", "nom"), "^(.*) (.*)$")
On passe donc à extract trois arguments : la colonne d’où on doit extraire les valeurs, un vecteur
– 323 –
avec les noms des nouvelles colonnes à créer, et une expression régulière comportant autant de groupes
(identifiés par des parenthèses) que de nouvelles colonnes.
Par défaut la colonne d’origine n’est pas conservée dans la table résultat. On peut modifier ce
comportement avec l’argument remove = FALSE . Ainsi, le code suivant extrait les initiales du prénom et
du nom mais conserve la colonne d’origine :
R> df %>% tidyr::extract(eleve,

c("initiale_prenom", "initiale_nom"),
"^(.).* (.).*$",
remove = FALSE
)
complete : compléter des combinaisons de variables

manquantes
Imaginons qu’on ait le tableau de résultats suivants :
eleve matiere note
Alain Maths 16
Alain Français 9
Barnabé Maths 17
Chantal Français 11
Les élèves Barnabé et Chantal n’ont pas de notes dans toutes les matières. Supposons que c’est parce
qu’ils étaient absents et que leur note est en fait un 0. Si on veut calculer les moyennes des élèves, on doit
compléter ces notes manquantes.
La fonction complete est prévue pour ce cas de figure : elle permet de compléter des combinaisons
manquantes de valeurs de plusieurs colonnes.
On peut l’utiliser de cette manière :
R> df %>% complete(eleve, matiere)
On voit que les combinaisons manquante “Barnabé - Français” et “Chantal - Maths” ont bien été ajoutées
par complete .
Par défaut les lignes insérées récupèrent des valeurs manquantes NA pour les colonnes restantes. On
peut néanmoins choisir une autre valeur avec l’argument fill , qui prend la forme d’une liste nommée :
– 324 –
R> df %>% complete(eleve, matiere, fill = list(note = 0))
Parfois on ne souhaite pas inclure toutes les colonnes dans le calcul des combinaisons de valeurs. Par
exemple, supposons qu’on rajoute dans notre tableau une colonne avec les identifiants de chaque élève :
id eleve matiere note
1001001 Alain Maths 16
1001001 Alain Français 9
1001002 Barnabé Maths 17
1001003 Chantal Français 11
Si on applique complete comme précédemment, le résultat n’est pas bon car il contient toutes les
combinaisons de id , eleve et matiere .
R> df %>% complete(id, eleve, matiere)
Dans ce cas, pour signifier à complete que id et eleve sont deux attributs d’un même individu et ne
doivent pas être combinés entre eux, on doit les placer dans une fonction nesting :
R> df %>% complete(nesting(id, eleve), matiere)
Ressources
Chaque jeu de données est différent, et le travail de remise en forme est souvent long et plus ou moins
compliqué. On n’a donné ici que les exemples les plus simples, et c’est souvent en combinant différentes
opérations qu’on finit par obtenir le résultat souhaité.
Le livre R for data science, librement accessible en ligne, contient un chapitre complet sur la remise en
forme des données.
L’article Tidy data, publié en 2014 dans le Journal of Statistical Software, présente de manière détaillée le
concept éponyme (mais il utilise des extensions désormais obsolètes qui ont depuis été remplacées par
dplyr ettidyr).
Le site de l’extension est accessible à l’adresse : http://tidyr.tidyverse.org/ et contient une liste des
fonctions et les pages d’aide associées.
En particulier, on pourra se référer à la vignette dédiée à pivot_wider et pivot_longer pour des

exemples avancés de réorganisation des données.
– 325 –
Pour des usages avancés, il est possible avec tidyr de gérer des données nichées (nested data), c’est-à-dire
des tableaux de données dans des tableaux de données. Ces fonctionnalités, réservées aux utilisateurs
avancés, sont décrites dans une vignette spécifique.
Fichiers volumineux
Si l’on a des tableaux de données particulièrement volumineux (plusieurs Go), les fonctions de tidyr ne
sont pas forcéments les plus performantes.
On aura alors intérêt à regarder du côté des fonctions melt et dcast de l’extension data.table
développées pour optimiser la performance sur les grands tableaux de données.
Pour plus de détails, voir la vignette dédiée : https://rdatatable.gitlab.io/data.table/articles/datatable-

reshape.html
– 326 –
Export de données
Export de tableaux de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 327
Exporter des objets spatiaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 328
Sauvegarder des objets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 328
Export de tableaux de données

On peut avoir besoin d’exporter un tableau de données dans R vers un fichier dans différents formats.
La plupart des fonctions d’import disposent d’un équivalent permettant l’export de données. On citera
notamment :
• write_csv , write_delim , write_tsv (readr)permettent d’enregistrer un data frame ou un

tibble dans un fichier au format texte délimité
• write_sas (haven) permet d’exporter au format SAS
• write_sav (haven) permet d’exporter au format SPSS
• write_dta (haven) permet d’exporter au format Stata
L’extension readxl ne fournit pas de fonction pour exporter au format Excel. Par contre, on pourra
passer par la fonction write.xlsx de l’extension openxlsx ou la fonction write.xlsx de l’extension
xlsx. L’intérêt de l’extension openxlsx est de ne pas dépendre de Java à la différence de l’extension xlsx.
Pour le format dBase, on peut utiliser write.dbf (foreign).
Ces fonctions sont utiles si on souhaite diffuser des données à quelqu’un d’autre, ou entre deux logiciels.
Si vous travaillez sur des données de grandes dimensions, les formats texte peuvent être lents à exporter
et importer. Dans ce cas, l’extension feather peut être utile : elle permet d’enregistrer un data frame au
format feather, qui n’est pas le plus compact mais qui est extrêmement rapide à lire et écrire 1.
Les fonctions read_feather et write_feather permettent d’importer et exporter des tableaux de

données dans ce format.
1. feather est un format compatible avec Python, R et Julia. Pour plus d’informations voir https://github.com/wesm/
feather
– 327 –
Exporter des objets spatiaux

On aura recours à l’extension maptools qui fournit les fonctions writePointsShape | maptools,
writeLinesShape et writePolyShape pour exporter des données respectivement de type points,
lignes et polygones au format Shapefile, et la fonction writeAsciiGrid pour exporter un objet raster au
format ASCII grid.
Sauvegarder des objets

Une autre manière de sauvegarder des données est de les enregistrer au format RData . Ce format
propre à R est compact, rapide, et permet d’enregistrer plusieurs objets R, quel que soit leur type, dans un
même fichier.
Pour enregistrer des objets, il suffit d’utiliser la fonction save et de lui fournir la liste des objets à
sauvegarder et le nom du fichier :
R> save(d, rp2012, tab, file = "fichier.RData")
Pour charger des objets préalablement enregistrés, utiliser load :
R> load("fichier.RData")
Les objets d , rp2012 et tab devraient alors apparaître dans votre environnement.
I M P O R TA N T
Attention, quand on utilise load , les objets chargés sont importés directement dans l’environnement
en cours avec leur nom d’origine. Si d’autres objets du même nom existaient déjà, ils sont écrasés sans
avertissement.
R propose différentes fonctions permettant d’exporter des données vers des formats variés.
– 328 –
Export de données
Type de fichier souhaité Fonction Extension
texte write.table utils
CSV write.csv utils
CSV write_csv readr
Excel write.xlsx xlsx
dBase write.dbf foreign
SPSS write_sav haven
SPSS write.foreign foreign
Stata write.dta foreign
Stata write_dta haven
SAS write.foreign foreign
SPSS write.foreign foreign
À nouveau, pour plus de détails on se référera aux pages d’aide de ces fonctions et au manuel R Data
Import/Export accessible à l’adresse suivante : http://cran.r-project.org/manuals.html.
– 329 –
Export de graphiques
Via l’interface de RStudio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 331
Sauvegarder le fichier en tant qu’image . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 332
Sauvegarder le graphique en PDF . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 334
Copier le graphique dans le presse-papier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 335
Export avec les commandes de R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 336
Export avec ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 337
Via l’interface de RStudio

L’export de graphiques est très facile avec RStudio. Lorsque l’on créé un graphique, ce dernier est affiché
sous l’onglet Plots dans le quadrant inférieur droit. Il suffit de cliquer sur Export pour avoir accès à trois
options différentes :
• Save as image pour sauvegarder le graphique en tant que fichier image ;

• Save as PDF pour sauvegarder le graphique dans un fichier PDF ;
• Copy to Clipboard pour copier le graphique dans le presse-papier (et pouvoir ainsi le coller ensuite
dans un document Word par exemple).
– 331 –
Sauvegarder le fichier en tant qu’image
Sauvegarder un graphique en tant qu’image avec RStudio
Figure 1. Sauvegarder un graphique en tant qu’image avec RStudio
– 332 –
La boîte de dialogue qui s’ouvre propose différentes options d’export :
• le type de fichier désiré ;

• le nom du fichier ;
• le répertoire où le fichier doit être créé (par défaut, il s’agit du répertoire de travail) ;
• la taille de l’image.
R peut exporter un graphique dans une grande variété de formats. Nous n’aborderons ici que les
principaux. Les formats PNG, JPEG et TIFF sont des formats de type bitmap (on parle aussi d’images
matricielles1). L’image est stockée sous forme de points, sa qualité dépendant de sa résolution, c’est-à-
dire du nombre total de points qui la composent. L’intérêt des images matricielles est d’être toujours
interprétées de manière identique quelque soit l’outil utilisé. Par contre, elles ne sont pas adaptées
lorsque l’on souhaite effectuer des retouches avec un logiciel de dessin.
Pour une utilisation sur un site web, on privilégiera une résolution d’image modérée (entre 400 et 800
pixels de largeur) et les formats PNG ou JPEG. Pour un document destiné à être imprimé, on priviligiera
une résolution plus élevée, pour éviter un phénomène dit de pixellisation.
Les images vectorielles2 ont l’avantage de pouvoir être redimensionnées à volonté sans perte de qualité
et produisent des fichiers en général de plus petite taille3. Elles sont donc tout à fait adaptées pour
l’impression. Si l’on souhaite importer l’image dans Word, on choisira le format Metafile (le seul compris
par ce logiciel). Pour Libre Office ou Open Office, on choisira le format SVG.
SVG (scalable vector graphic4) est un format libre permettant de décrire une image vectorielle. Les fichiers
SVG peuvent être directement lus par la majorité des navigateurs récents (Firefox, Chrome, …). De plus,
le logiciel libre de dessins Inkscape5 permet d’éditer et de modifier des fichiers SVG. Ce format est donc
tout à fait adapté pour les graphiques que l’on souhaite retoucher avant publication. Depuis Inkscape, il
sera possible de faire un export PNG en haute résolution pour intégration dans un fichier Word.
On pourra modifier la taille de l’image avec les paramètres Height (hauteur) et Width (largeur). En cliquant
sur Update Preview la prévisulation du rendu final sera mise à jour.
1. Voir http://fr.wikipedia.org/wiki/Image_matricielle.
2. Voir http://fr.wikipedia.org/wiki/Image_vectorielle.
3. Sauf dans le cas des graphiques complexes reposant sur des dégradés de couleurs, comme les cartes produites à partir
de rasters. Auquel cas, il sera parfois préférable de privilégier un export dans un format bitmap.
4. Voir https://www.wikiwand.com/fr/Scalable_Vector_Graphics.
5. téléchargeable gratuitement sur https://inkscape.org/fr/.
– 333 –
Sauvegarder le graphique en PDF
Sauvegarder un graphique en PDF avec RStudio
Figure 2. Sauvegarder un graphique en PDF avec RStudio
Les options de la boîte de dialogue permettent de modifier la taille du fichier PDF et, bien entendu,
d’indiquer le nom et le répertoire du fichier à créer.
En cliquant sur Preview, RStudio générera un fichier temporaire afin de visualiser le rendu final.
– 334 –
Copier le graphique dans le presse-papier
Copier un graphique dans le presse-papier avec RStudio
Figure 3. Copier un graphique dans le presse-papier avec RStudio
Il est possible de redimensionner le graphique. De plus, on précisera si l’on souhaite copier une version
matricielle (bitmap) ou vectorielle (metafile) du graphique.
– 335 –
Export avec les commandes de R

On peut également exporter les graphiques dans des fichiers de différents formats directement avec des
commandes R. Ceci a l’avantage de fonctionner sur toutes les plateformes et de faciliter la mise à jour du
graphique exporté (on n’a qu’à relancer les commandes concernées pour que le fichier externe soit mis à
jour).
La première possibilité est d’exporter le contenu d’une fenêtre déjà existante à l’aide de la fonction
dev.print . On doit fournir à celle-ci le format de l’export (option device ) et le nom du fichier (option
file ).
Par exemple :
R> boxplot(rnorm(100))
dev.print(device = png, file = "export.png", width = 600)
Les formats de sortie possibles varient selon les plateformes, mais on retrouve partout les formats bitmap
png , jpeg , tiff et les formats vectoriels svg , postscript ou pdf .
L’autre possibilité est de rediriger directement la sortie graphique dans un fichier, avant d’exécuter la
commande générant la figure. On doit pour cela faire appel à l’une des commandes permettant cette
redirection. Les plus courantes sont png , jpeg et tiff pour les formats bitmap, svg , pdf ,
postscript et win.metafile pour les formats vectoriels.
Ces fonctions prennent différentes options permettant de personnaliser la sortie graphique. Les plus
courantes sont width et height qui donnent la largeur et la hauteur de l’image générée (en pixels pour
les images bitmap, en pouces pour les images vectorielles) et pointsize qui donne la taille de base des
polices de caractère utilisées.
R> png(file = "out.png", width = 800, height = 700)

plot(rnorm(100))
dev.off()
pdf(file = "out.pdf", width = 9, height = 9, pointsize = 10)
plot(rnorm(150))
dev.off()
Il est nécessaire de faire un appel à la fonction dev.off après génération du graphique pour que le
résultat soit bien écrit dans le fichier de sortie (dans le cas contraire on se retrouve avec un fichier vide).
– 336 –
Export avec ggplot2

Les graphiques produits par ggplot2 peuvent être sauvegardés manuellement, comme vu précédemment,
ou programmatiquement. Pour sauvegarder le dernier graphique affiché par ggplot2 au format PNG, il
suffit d’utiliser la fonction ggsave , qui permet d’en régler la taille (en pouces) et la résolution (en pixels
par pouce ; 72 par défaut) :
R> ggsave("mon_graphique.png", width = 11, height = 8)
De la même manière, pour sauvegarder n’importe quel graphique construit avec ggplot2 et stocké dans
un objet, il suffit de préciser le nom de cet objet, comme ci-dessous, où l’on sauvegarde le graphique
contenu dans l’objet p au format vectoriel PDF, qui préserve la netteté du texte et des autres éléments
du graphique à n’importe quelle résolution d’affichage :
R> ggsave("mon_graphique.pdf",
plot = p,
width = 11, height = 8
)
– 337 –
Statistique univariée
Variable quantitative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 340
Principaux indicateurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 340
Histogramme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 341
Densité et répartition cumulée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 344
Boîtes à moustaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 346
Variable qualitative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 350
Tris à plat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 350
Représentation graphique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 354
Tableaux faciles avec gtsummary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 360
Exporter les graphiques obtenus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 362
GUIDE-R
Une version actualisée de ce chapitre est disponible sur guide-R : Statistique univariée & Intervalles
de confiance
WEBIN-R
sur YouTube.
On entend par statistique univariée l’étude d’une seule variable, que celle-ci soit quantitative ou
qualitative. La statistique univariée fait partie de la statistique descriptive.
Nous utiliserons dans ce chapitre les données de l’enquête Histoire de vie 2003 fournies avec l’extension
questionr.
– 339 –
data("hdv2003")
d <- hdv2003
Variable quantitative
Principaux indicateurs
Comme la fonction str nous l’a indiqué, notre tableau d contient plusieurs variables numériques ou
variables quantitatives, dont la variable heures.tv qui représente le nombre moyen passé par les enquêtés
à regarder la télévision quotidiennement. On peut essayer de déterminer quelques caractéristiques de
cette variable, en utilisant les fonctions mean (moyenne), sd (écart-type), min (minimum), max
(maximum) et range (étendue) :
R> mean(d$heures.tv)
[1] NA
R> mean(d$heures.tv, na.rm = TRUE)
[1] 2.247
R> sd(d$heures.tv, na.rm = TRUE)
[1] 1.776
R> min(d$heures.tv, na.rm = TRUE)
[1] 0
R> max(d$heures.tv, na.rm = TRUE)
[1] 12
– 340 –
R> range(d$heures.tv, na.rm = TRUE)
[1] 0 12
On peut lui ajouter la fonction median qui donne la valeur médiane, quantile qui calcule plus
généralement tout type de quantiles, et le très utile summary qui donne toutes ces informations ou
presque en une seule fois, avec en prime le nombre de valeurs manquantes ( NA ) :
R> median(d$heures.tv, na.rm = TRUE)
[1] 2
R> quantile(d$heures.tv, na.rm = TRUE)
0% 25% 50% 75% 100%

0 1 2 3 12
R> summary(d$heures.tv)
Min. 1st Qu. Median Mean 3rd Qu. Max. NA’s
0 1 2 2.247 3 12 5
La fonction summary est une fonction générique qui peut être utilisée sur tout type d’objet, y compris un
tableau de données. Essayez donc summary(d) .
Histogramme
Tout cela est bien pratique, mais pour pouvoir observer la distribution des valeurs d’une variable
quantitative, il n’y a quand même rien de mieux qu’un bon graphique.
On peut commencer par un histogramme de la répartition des valeurs. Celui-ci peut être généré très
facilement avec la fonction hist :
– 341 –
R> hist(d$heures.tv, main = "Nombre d'heures passées devant la télé par jou
r", xlab = "Heures", ylab = "Effectif")
Figure 1. Exemple d’histogramme
Sous RStudio, les graphiques s’affichent dans l’onglet Plots du quadrant inférieur droit. Il est possible
d’afficher une version plus grande de votre graphique en cliquant sur Zoom.
Ici, les options main , xlab et ylab permettent de personnaliser le titre du graphique, ainsi que les
étiquettes des axes. De nombreuses autres options existent pour personnaliser l’histogramme, parmi
celles-ci on notera :
• probability si elle vaut TRUE , l’histogramme indique la proportion des classes de valeurs au
lieu des effectifs.
• breaks permet de contrôler les classes de valeurs. On peut lui passer un chiffre, qui indiquera
alors le nombre de classes, un vecteur, qui indique alors les limites des différentes classes, ou
encore une chaîne de caractère ou une fonction indiquant comment les classes doivent être
calculées.
• col la couleur de l’histogramme1.
1. Il existe un grand nombre de couleurs prédéfinies dans R. On peut récupérer leur liste en utilisant la fonction colors
– 342 –
Voir la page d’aide de la fonction hist pour plus de détails sur les différentes options. Les deux figures
ci-après sont deux autres exemples d’histogramme.
R> hist(d$heures.tv, main = "Heures de télé en 7 classes", breaks = 7, xlab

= "Heures", ylab = "Proportion", probability = TRUE, col = "orange")
Figure 2. Un autre exemple d’histogramme
en tapant simplement colors() dans la console, ou en consultant le document suivant :

http://www.stat.columbia.edu/~tzheng/files/Rcolor.pdf.
– 343 –
R> hist(d$heures.tv, main = "Heures de télé avec classes spécifiées", breaks

= c(0, 1, 4, 9, 12), xlab = "Heures", ylab = "Proportion", col = "red")
Figure 3. Encore un autre exemple d’histogramme
Densité et répartition cumulée

La fonction density permet d’obtenir une estimation par noyau2 de la distribution du nombre d’heures
consacrées à regarder la télévision. Le paramètre na.rm = TRUE indique que l’on souhaite retirer les
valeurs manquantes avant de calculer cette courbe de densité.
Le résultat de cette estimation est ensuite représenté graphiquement à l’aide de plot . L’argument main
permet de spécifier le titre du graphique.
2. Voir https://fr.wikipedia.org/wiki/Estimation_par_noyau
– 344 –
R> plot(density(d$heures.tv, na.rm = TRUE), main = "Heures consacrées à la t

élévision")
Figure 4. Courbe de densité
De manière similaire, on peut calculer la fonction de répartition empirique ou empirical cumulative

distribution function en anglais avec la fonction ecdf. Le résultat obtenu peut, une fois encore, être
représenté sur un graphique à l’aide de la fonction plot .
– 345 –
R> plot(ecdf(d$heures.tv))
Figure 5. Fonction de répartition empirique cumulée
Boîtes à moustaches
Les boîtes à moustaches, ou boxplots en anglais, sont une autre représentation graphique de la répartition
des valeurs d’une variable quantitative. Elles sont particulièrement utiles pour comparer les distributions
de plusieurs variables ou d’une même variable entre différents groupes, mais peuvent aussi être utilisées
pour représenter la dispersion d’une unique variable. La fonction qui produit ces graphiques est la
fonction boxplot .
– 346 –
R> boxplot(d$heures.tv, main = "Nombre d'heures passées devant la télé par j

our", ylab = "Heures")
Figure 6. Exemple de boîte à moustaches
Comment interpréter ce graphique ? On le comprendra mieux à partir de la figure ci-après3.
3. Le code ayant servi à générer cette figure est une copie quasi conforme de celui présenté dans l’excellent document
de Jean Lobry sur les graphiques de base avec R, téléchargeable sur le site du Pôle bioinformatique lyonnais :
http://pbil.univ-lyon1.fr/R/pdf/lang04.pdf.
– 347 –
R> boxplot(d$heures.tv, col = grey(0.8), main = "Nombre d'heures passées dev

ant la télé par jour", ylab = "Heures")
abline(h = median(d$heures.tv, na.rm = TRUE), col = "navy", lty = 2)
text(1.35, median(d$heures.tv, na.rm = TRUE) + 0.15, "Médiane", col = "na
vy")
Q1 <- quantile(d$heures.tv, probs = 0.25, na.rm = TRUE)
abline(h = Q1, col = "darkred")
text(1.35, Q1 + 0.15, "Q1 : premier quartile", col = "darkred", lty = 2)
Q3 <- quantile(d$heures.tv, probs = 0.75, na.rm = TRUE)
abline(h = Q3, col = "darkred")
text(1.35, Q3 + 0.15, "Q3 : troisième quartile", col = "darkred", lty =
2)
arrows(x0 = 0.7, y0 = quantile(d$heures.tv, probs = 0.75, na.rm = TRUE),
x1 = 0.7, y1 = quantile(d$heures.tv, probs = 0.25, na.rm = TRUE), length
= 0.1, code = 3)
text(0.7, Q1 + (Q3 - Q1) / 2 + 0.15, "h", pos = 2)
mtext("L'écart inter-quartile h contient 50 % des individus", side = 1)
abline(h = Q1 - 1.5 * (Q3 - Q1), col = "darkgreen")
text(1.35, Q1 - 1.5 * (Q3 - Q1) + 0.15, "Q1 -1.5 h", col = "darkgreen", l
ty = 2)
abline(h = Q3 + 1.5 * (Q3 - Q1), col = "darkgreen")
text(1.35, Q3 + 1.5 * (Q3 - Q1) + 0.15, "Q3 +1.5 h", col = "darkgreen", l
ty = 2)
– 348 –
Figure 7. Interprétation d’une boîte à moustaches
Le carré au centre du graphique est délimité par les premiers et troisième quartiles, avec la médiane
représentée par une ligne plus sombre au milieu. Les « fourchettes » s’étendant de part et d’autres vont
soit jusqu’à la valeur minimale ou maximale, soit jusqu’à une valeur approximativement égale au quartile
le plus proche plus 1,5 fois l’écart interquartile. Les points se situant en-dehors de cette fourchette sont
représentés par des petits ronds et sont généralement considérés comme des valeurs extrêmes,
potentiellement aberrantes.
On peut ajouter la représentation des valeurs sur le graphique pour en faciliter la lecture avec des petits
traits dessinés sur l’axe vertical (fonction rug ) :
– 349 –
R> boxplot(d$heures.tv, main = "Nombre d'heures passées devant la télé par\n

jour", ylab = "Heures")
rug(d$heures.tv, side = 2)
Figure 8. Boîte à moustaches avec représentation des valeurs
Variable qualitative
Tris à plat
La fonction la plus utilisée pour le traitement et l’analyse des variables qualitatives (variable prenant ses
valeurs dans un ensemble de modalités) est sans aucun doute la fonction table , qui donne les effectifs
de chaque modalité de la variable, ce qu’on appelle un tri à plat ou tableau de fréquences.
– 350 –
R> table(d$sexe)
Homme Femme
899 1101
La tableau précédent nous indique que parmi nos enquêtés on trouve 899 hommes et 1101 femmes.
Quand le nombre de modalités est élevé, on peut ordonner le tri à plat selon les effectifs à l’aide de la
fonction sort .
R> table(d$occup)
Exerce une Etudiant, Retire des Au Autre

profession Chomeur eleve Retraite affaires foyer inactif
1049 134 94 392 77 171 83
R> sort(table(d$occup))
Retire des Autre Etudiant, Au Exerce une

affaires inactif eleve Chomeur foyer Retraite profession
77 83 94 134 171 392 1049
R> sort(table(d$occup), decreasing = TRUE)
Exerce une Au Etudiant, Autre Retire des

profession Retraite foyer Chomeur eleve inactif affaires
1049 392 171 134 94 83 77
À noter que la fonction table exclut par défaut les non-réponses du tableau résultat. L’argument useNA
de cette fonction permet de modifier ce comportement :
• avec useNA="no" (valeur par défaut), les valeurs manquantes ne sont jamais incluses dans le tri
à plat ;
• avec useNA="ifany" , une colonne NA est ajoutée si des valeurs manquantes sont présentes
dans les données ;
• avec useNA="always" , une colonne NA est toujours ajoutée, même s’il n’y a pas de valeurs
– 351 –
manquantes dans les données.
On peut donc utiliser :
R> table(d$trav.satisf, useNA = "ifany")
Satisfaction Insatisfaction Equilibre NA
480 117 451 952
L’utilisation de summary permet également l’affichage du tri à plat et du nombre de non-réponses :

480 117 451 952
Pour obtenir un tableau avec la répartition en pourcentages, on peut utiliser la fonction freq de
l’extension questionr4.
R> freq(d$qualif)
item count percent cum_count cum_percent
Employe 594 0.3593 594 0.3593
Ouvrier qualifie 292 0.1766 886 0.5360
Cadre 260 0.1573 1146 0.6933
Ouvrier specialise 203 0.1228 1349 0.8161
Profession intermediaire 160 0.0968 1509 0.9129
Technicien 86 0.0520 1595 0.9649
Autre 58 0.0351 1653 1.0000
La colonne n donne les effectifs bruts, la colonne % la répartition en pourcentages et val% la

répartition en pourcentages, données manquantes exclues. La fonction accepte plusieurs paramètres
4. En l’absence de l’extension questionr, on pourra se rabattre sur la fonction prop.table avec la commande suivante :
prop.table(table(d$qualif)) .
– 352 –
permettant d’afficher les totaux, les pourcentages cumulés, de trier selon les effectifs ou de contrôler
l’affichage. Par exemple :
R> freq(d$qualif, cum = TRUE, total = TRUE, sort = "inc", digits = 2, exclude = N
A)
Autre 58 0.0351 58 0.0351
Cadre 260 0.1573 318 0.1924
Employe 594 0.3593 912 0.5517
Ouvrier qualifie 292 0.1766 1204 0.7284
Ouvrier specialise 203 0.1228 1407 0.8512
Profession intermediaire 160 0.0968 1567 0.9480
Technicien 86 0.0520 1653 1.0000
La colonne %cum indique ici le pourcentage cumulé, ce qui est ici une très mauvaise idée puisque pour ce
type de variable cela n’a aucun sens. Les lignes du tableau résultat ont été triés par effectifs croissants, les
totaux ont été ajoutés, les non-réponses exclues et les pourcentages arrondis à deux décimales.
La fonction freq est également en mesure de tenir compte des étiquettes de valeurs lorsqu’on utilise des
données labellisées, page 121. Ainsi :
R> data(fecondite)
questionr::describe(femmes$region)
[2000 obs.] Région de résidence

labelled double: 4 4 4 4 4 3 3 3 3 3 ...
4 value labels: [1] Nord [2] Est [3] Sud [4] Ouest
n %
[1] Nord 707 35.4
[2] Est 324 16.2
[3] Sud 407 20.3
[4] Ouest 562 28.1
Total 2000 100.0
– 353 –
R> freq(femmes$region)
1 707 0.3535 707 0.3535
4 562 0.2810 1269 0.6345
3 407 0.2035 1676 0.8380
2 324 0.1620 2000 1.0000
R> freq(femmes$region, levels = "labels")
1 707 0.3535 707 0.3535
4 562 0.2810 1269 0.6345
3 407 0.2035 1676 0.8380
2 324 0.1620 2000 1.0000

Pour plus d’informations sur la fonction freq , consultez sa page d’aide en ligne avec ?freq ou
help("freq") .
Représentation graphique
Pour représenter la répartition des effectifs parmi les modalités d’une variable qualitative, on a souvent
tendance à utiliser des diagrammes en secteurs (camemberts). Ceci est possible sous R avec la fonction
pie , mais la page d’aide de la dite fonction nous le déconseille assez vivement : les diagrammes en
secteur sont en effet une mauvaise manière de présenter ce type d’information, car l’oeil humain préfère
comparer des longueurs plutôt que des surfaces5.
On privilégiera donc d’autres formes de représentations, à savoir les diagrammes en bâtons et les
diagrammes de Cleveland.
Les diagrammes en bâtons sont utilisés automatiquement par R lorsqu’on applique la fonction générique
plot à un tri à plat obtenu avec table . On privilégiera cependant ce type de représentations pour les
variables de type numérique comportant un nombre fini de valeurs. Le nombre de frères, soeurs, demi-
frères et demi-soeurs est un bon exemple :
5. Voir en particulier https://www.data-to-viz.com/caveat/pie.html pour un exemple concret.
– 354 –
R> plot(table(d$freres.soeurs), main = "Nombre de frères, soeurs, demi-frère

s et demi-soeurs", ylab = "Effectif")
Figure 9. Exemple de diagramme en bâtons
Pour les autres types de variables qualitatives, on privilégiera les diagrammes de Cleveland, obtenus avec
la fonction dotchart . On doit appliquer cette fonction au tri à plat de la variable, obtenu avec table 6 :
6. Pour des raisons liées au fonctionnement interne de la fonction dotchart , on doit transformer le tri à plat en
matrice, d’où l’appel à la fonction as.matrix .
– 355 –
R> dotchart(as.matrix(table(d$clso))[, 1], main = "Sentiment d'appartenance

à une classe sociale", pch = 19)
Figure 10. Exemple de diagramme de Cleveland
– 356 –
NOTE
Il est possible d’entrer directement la commande suivante dans la console :
R> dotchart(table(d$clso))
R produira bien le diagramme de Cleveland désiré mais affichera un message d’avertissement

(Warning) car pour des raisons liées au fonctionnement interne de la fonction dotchart , il est
attendu une matrice ou un vecteur, non un objet de type table. Pour éviter cet avertissement, il est
nécessaire de faire appel à la fonction as.matrix .
R> dotchart(as.matrix(table(d$clso)))
Dans le cas présent, on voit apparaître un chiffre 1 au-dessus des modalités. En fait, dotchart peut
être appliqué au résultat d’un tableau croisé à deux entrées, auquel cas il présentera les résultats pour
chaque colonne. Comme dans l’exemple ci-après.
– 357 –
R> dotchart(as.matrix(table(d$clso, d$sexe)))
Cela ne résoud pas le problème pour notre diagramme de Cleveland issu d’un tri à plat simple. Pour
bien comprendre, la fonction as.matrix a produit un objet à deux dimensions ayant une colonne et
plusieurs lignes. On indiquera à R que l’on ne souhaite extraire la première colonne avec [, 1] (juste
après l’appel à as.matrix ). C’est ce qu’on appelle l’indexation, abordée plus en détail dans le chapitre
Listes et tableaux de données, page 91.
Quand la variable comprend un grand nombre de modalités, il est préférable d’ordonner le tri à plat
obtenu à l’aide de la fonction sort :
– 358 –
R> dotchart(as.matrix(sort(table(d$qualif)))[, 1], main = "Niveau de qualifi

cation")
Figure 11. Exemple de diagramme de Cleveland ordonné
– 359 –
NOTE
L’agument pch , qui est utilisé par la plupart des graphiques de type points, permet de spécifier le
symbole à utiliser. Il peut prendre soit un nombre entier compris entre 0 et 25, soit un charactère
textuel (voir ci-dessous).
Tableaux faciles avec gtsummary

L’extension gtsummary permets de réaliser facilement des tableaux univariés grace à la fonction
tbl_summary . Le résultat produit des tableaux très propres, notamment dans le cadre de rapports
automatisés au format Rmarkdown (voir le chapitre dédié, page 1189).
On peut indiquer à la fois des variables quantitatives et qualitatives.
– 360 –
R> library(gtsummary)
d %>% tbl_summary(include = c("heures.tv", "occup", "qualif"))
Characteristic N = 2,0001
heures.tv 2.00 (1.00, 3.00)
Unknown 5
occup
Exerce une profession 1,049 (52%)
Chomeur 134 (6.7%)
Etudiant, eleve 94 (4.7%)
Retraite 392 (20%)
Retire des affaires 77 (3.9%)
Au foyer 171 (8.6%)
Autre inactif 83 (4.2%)
qualif
Ouvrier specialise 203 (12%)
Ouvrier qualifie 292 (18%)
Technicien 86 (5.2%)
Profession intermediaire 160 (9.7%)
Cadre 260 (16%)
Employe 594 (36%)
Autre 58 (3.5%)
Unknown 347
1 Median (IQR); n (%)
Il est possible de personnaliser les statisques présentées (par exemple moyenne et écart-type à la place
de la médiane et l’intervale inter-quartile). De plus, tbl_summary prend en compte les étiquettes de
variables si elles ont été définies (voir le chapitre dédié). Il est aussi possible de franciser la présentation
– 361 –
des résultats.
var_label(d$heures.tv) <- "Heures quotidiennes devant la télévision"
var_label(d$occup) <- "Activité"
theme_gtsummary_language("fr", decimal.mark = ",", big.mark = " ")
Setting theme `language: fr`
R> d %>% tbl_summary(

include = c("heures.tv", "occup"),
statistic = list(all_continuous() ~ "{mean} ({sd})")
)
Caractéristique N = 2 0001
Heures quotidiennes devant la télévision 2,25 (1,78)
Manquant 5
Activité
Exerce une profession 1 049 (52%)
Chomeur 134 (6,7%)
Etudiant, eleve 94 (4,7%)
Retraite 392 (20%)
Retire des affaires 77 (3,9%)
Au foyer 171 (8,6%)
Autre inactif 83 (4,2%)
1 Moyenne (ET); n (%)
Pour une présentation de toutes les possibilités offertes, voir la vignette dédiée sur
http://www.danieldsjoberg.com/gtsummary/articles/tbl_summary.html.
Exporter les graphiques obtenus

L’export de graphiques est très facile avec RStudio. Lorsque l’on créé un graphique, ce dernier est affiché
– 362 –
sous l’onglet Plots dans le quadrant inférieur droit. Il suffit de cliquer sur Export pour avoir accès à trois
options différentes :
• Save as image pour sauvegarder le graphique en tant que fichier image ;

• Save as PDF pour sauvegarder le graphique dans un fichier PDF ;
• Copy to Clipboard pour copier le graphique dans le presse-papier (et pouvoir ainsi le coller ensuite
dans un document Word par exemple).
Pour une présentation détaillée de l’export de graphiques avec RStudio, ainsi que pour connaître les
commandes R permettant d’exporter des graphiques via un script, on pourra se référer au chapitre dédié,
page 331.
– 363 –
Statistique bivariée
Deux variables quantitatives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 366
Trois variables ou plus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 373
Une variable quantitative et une variable qualitative . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 375
Représentations graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 375
Tests statistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 379
Deux variables qualitatives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 380
Tableau croisé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 380
Pourcentages en ligne et en colonne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 384
Représentation graphique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 387
Tests statistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 390
Tableaux faciles avec gtsummary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 390
Analyse des associations avec GDAtools . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 394
GUIDE-R
Une version actualisée de ce chapitre est disponible sur guide-R : Statistique bivariée & Tests de
comparaison
WEBIN-R
sur YouTube.
On entend par statistique bivariée l’étude des relations entre deux variables, celles-ci pouvant être
quantitatives ou qualitatives. La statistique bivariée fait partie de la statistique descriptive.
La statistique univariée a quant à elle déjà été abordée dans un chapitre dédié, page 339.
Comme dans la partie précédente, on travaillera sur les jeux de données fournis avec l’extension questionr
et tiré de l’enquête Histoire de vie et du recensement 1999 :
– 365 –
data(hdv2003)
d <- hdv2003
a"))
Deux variables quantitatives

La comparaison de deux variables quantitatives se fait en premier lieu graphiquement, en représentant
l’ensemble des couples de valeurs. On peut ainsi représenter les valeurs du nombre d’heures passées
devant la télévision selon l’âge.
R> plot(d$age, d$heures.tv)
Figure 1. Nombre d’heures de télévision selon l’âge
Le fait que des points sont superposés ne facilite pas la lecture du graphique. On peut utiliser une
– 366 –
représentation avec des points semi-transparents.
R> plot(d$age, d$heures.tv, pch = 19, col = rgb(1, 0, 0, 0.1))
Figure 2. Nombre d’heures de télévision selon l’âge avec semi-transparence
Plus sophistiqué, on peut faire une estimation locale de densité et représenter le résultat sous forme
de « carte ». Pour cela on commence par isoler les deux variables, supprimer les observations ayant au
moins une valeur manquante à l’aide de la fonction complete.cases , estimer la densité locale à l’aide
de la fonction kde2d de l’extension MASS1 et représenter le tout à l’aide d’une des fonctions image ,
contour ou filled.contour …
1. MASS est installée par défaut avec la version de base de R.
– 367 –
R> library(MASS)
tmp <- d[, c("age", "heures.tv")]
tmp <- tmp[complete.cases(tmp), ]
filled.contour(kde2d(tmp$age, tmp$heures.tv), color = terrain.colors)
Figure 3. Représentation de l’estimation de densité locale
Une représentation alternative de la densité locale peut être obtenue avec la fonction smoothScatter .
– 368 –
R> smoothScatter(d[, c("age", "heures.tv")])
Figure 4. Représentation alternative de l’estimation de densité locale
Dans tous les cas, il n’y a pas de structure très nette qui semble se dégager. On peut tester ceci
mathématiquement en calculant le coefficient de corrélation entre les deux variables à l’aide de la
fonction cor :
R> cor(d$age, d$heures.tv, use = "complete.obs")
[1] 0.1776
L’option use permet d’éliminer les observations pour lesquelles l’une des deux valeurs est manquante. Le
coefficient de corrélation est très faible.
On va donc s’intéresser plutôt à deux variables présentes dans le jeu de données rp99 , la part de
diplômés du supérieur et la proportion de cadres dans les communes du Rhône en 1999.
À nouveau, commençons par représenter les deux variables.
– 369 –
R> plot(rp99$dipl.sup, rp99$cadres, ylab = "Part des cadres", xlab = "Part d

es diplomês du supérieur")
Figure 5. Proportion de cadres et proportion de diplômés du supérieur
Ça ressemble déjà beaucoup plus à une relation de type linéaire.
Calculons le coefficient de corrélation :
R> cor(rp99$dipl.sup, rp99$cadres)
[1] 0.8975
C’est beaucoup plus proche de 1. On peut alors effectuer une régression linéaire complète en utilisant la
fonction lm :
– 370 –
R> reg <- lm(cadres ~ dipl.sup, data = rp99)

summary(reg)
Call:
lm(formula = cadres ~ dipl.sup, data = rp99)
Residuals:
Min 1Q Median 3Q Max
-9.691 -1.901 -0.182 1.491 17.087
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.2409 0.3299 3.76 2e-04 ***
dipl.sup 1.3835 0.0393 35.20 <2e-16 ***
---
Signif. codes:
0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 3.28 on 299 degrees of freedom

Multiple R-squared: 0.806, Adjusted R-squared: 0.805
F-statistic: 1.24e+03 on 1 and 299 DF, p-value: <2e-16
Le résultat montre que les coefficients sont significativement différents de 0. La part de cadres augmente
donc avec celle de diplômés du supérieur (ô surprise). On peut très facilement représenter la droite de
régression à l’aide de la fonction abline .
– 371 –
R> plot(rp99$dipl.sup, rp99$cadres, ylab = "Part des cadres", xlab = "Part d

es diplômés du supérieur")
abline(reg, col = "red")
Figure 6. Régression de la proportion de cadres par celle de diplômés du supérieur
– 372 –
NOTE
On remarquera que le premier argument passé à la fonction lm a une syntaxe un peu particulière. Il
s’agit d’une formule, utilisée de manière générale dans les modèles statistiques. On indique la variable
d’intérêt à gauche et la variable explicative à droite, les deux étant séparées par un tilde ∼ (obtenu
sous Windows en appuyant simultanément sur les touches Alt Gr et 2 ). On remarquera que les
noms des colonnes de notre tableau de données ont été écrites sans guillemets.
Dans le cas présent, nous avons calculé une régression linéaire simple entre deux variables, d’où
l’écriture cadres ∼ dipl.sup . Si nous avions voulu expliquer une variable z par deux variables x et
y, nous aurions écrit z ∼ x + y . Il est possible de spécifier des modèles encore plus complexes.
Pour un aperçu de la syntaxe des formules sous R, voir http://ww2.coastal.edu/kingw/statistics/R-

tutorials/formulae.html.
Trois variables ou plus

Lorsque l’on souhaite représenter trois variables quantitatives simultanément, il est possible de réaliser
un nuage de points représentant les deux premières variables sur l’axe horizontal et l’axe vertical et en
faisant varier la taille des points selon la troisième variable, en utilisant l’argument cex de la fonction
plot .
– 373 –
R> plot(rp99$dipl.aucun, rp99$tx.chom, cex = rp99$pop.tot / 10^4)
Figure 7. Nuage de points avec taille des points proportionnels à une troisième variable
Lorsque l’on étudie un plus grand nombres de variables quantitatives, il est peut être utile de réaliser une
matrice de nuages de points, qui compare chaque variable deux à deux et qui s’obtient facilement avec la
fonction pairs .
– 374 –
R> pairs(rp99[, c("proprio", "hlm", "locataire", "maison")])
Figure 8. Matrice de nuages de points
Une variable quantitative et une variable

qualitative
Représentations graphiques
Quand on parle de comparaison entre une variable quantitative et une variable qualitative, on veut en
général savoir si la distribution des valeurs de la variable quantitative est la même selon les modalités de
la variable qualitative. En clair : est ce que l’âge de ceux qui écoutent du hard rock est différent de l’âge de
ceux qui n’en écoutent pas ?
Là encore, l’idéal est de commencer par une représentation graphique. Les boîtes à moustaches (boxplot
en anglais) sont parfaitement adaptées pour cela.
– 375 –
Si on a construit des sous-populations d’individus écoutant ou non du hard rock, on peut utiliser la
fonction boxplot .
R> d.hard <- subset(d, hard.rock == "Oui")

d.non.hard <- subset(d, hard.rock == "Non")
boxplot(d.hard$age, d.non.hard$age)
Figure 9. Boxplot de la répartition des âges (sous-populations)
Mais construire les sous-populations n’est pas nécessaire. On peut utiliser directement la version de
boxplot prenant une formule en argument.
– 376 –
R> boxplot(age ~ hard.rock, data = d)
Figure 10. Boxplot de la répartition des âges (formule)
À première vue, ô surprise, la population écoutant du hard rock a l’air sensiblement plus jeune. Peut-on le
tester mathématiquement ?
– 377 –
NOTE
Les boîtes à moustache peuvent parfois être trompeuses car ne représentant qu’imparfaitement la
distribution d’une variable quantitative2.
Les graphique de pirates ou pirateplot sont une visualisation alternative qui combinent :
• un nuage de points représentant les données brutes ;

• une barre verticale représentant la moyenne ;
• un rectangle traduisant une inférence sur cette moyenne ;
• une forme en «haricot» ou «violon» indiquant la distribution.
De tels graphiques peuvent être réalisés avec la fonction pirateplot de l’extension yarr. Par défaut,
les rectangles représentent un intervalle bayésien crédible ou Bayesian Highest Density Intervals ou
HDI de la moyenne. On peut représenter à la place des intervalles de confiance avec
inf.method = "ci" .
2. Voir par exemple The boxplot and its pitfalls sur https://www.data-to-viz.com.
– 378 –
R> library(yarrr)
pirateplot(
age ~ hard.rock,
data = d,
theme = 1, inf.method = "ci",
bar.f.o = .1, bar.f.col = "grey10"
)
Figure 11. Graphique de «pirates»
Tests statistiques
On peut calculer la moyenne d’âge des deux groupes en utilisant la fonction tapply 3 :
3. La fonction tapply est présentée plus en détails dans le chapitre Manipulation de données.
– 379 –
R> tapply(d$age, d$hard.rock, mean)
Non Oui
48.30 27.57
Pour un test de comparaison de deux moyennes (test t de Student), on pourra se référer au chapitre dédié
aux test statistiques de comparaison, page 494.
Deux variables qualitatives

La comparaison de deux variables qualitatives s’appelle en général un tableau croisé. C’est sans doute
l’une des analyses les plus fréquentes lors du traitement d’enquêtes en sciences sociales.
Tableau croisé
La manière la plus simple d’obtenir un tableau croisé est d’utiliser la fonction table en lui donnant en
paramètres les deux variables à croiser. En l’occurrence nous allons croiser un recodage du niveau de
qualification regroupé avec le fait de pratiquer un sport.
On commence par calculer la variable recodée et par afficher le tri à plat des deux variables :
R> d$qualif2 <- as.character(d$qualif)

d$qualif2[d$qualif %in% c("Ouvrier specialise", "Ouvrier qualifie")] <- "Ouvri
er"
d$qualif2[d$qualif %in% c("Profession intermediaire", "Technicien")] <- "Inter
mediaire"
table(d$qualif2)
Autre Cadre Employe Intermediaire Ouvrier
58 260 594 246 495
Le tableau croisé des deux variables s’obtient de la manière suivante :
– 380 –
R> table(d$sport, d$qualif2)
/ Autre Cadre Employe Intermediaire Ouvrier
Non 38 117 401 127 381
Oui 20 143 193 119 114
– 381 –
NOTE
Il est tout à fait possible de croiser trois variables ou plus. Par exemple :
R> table(d$sport, d$cuisine, d$sexe)
Var1 Var2 Var3 Freq
Non Non Femme 358
Homme 401
Oui Femme 389
Homme 129
Oui Non Femme 132
Homme 228
Oui Femme 222
Homme 141
Une alternative à la fonction table est la fonction xtabs . On indiquera à cette dernière le
croisement à effectuer à l’aide d’une formule puis l’objet contenant nos données. Comme il ne s’agit
pas d’un modèle avec une variable à expliquer, toutes les variables seront indiquées à la droite du
symbole ∼ et séparées par + .
R> xtabs(~sport, d)
Non Oui
1277 723
– 382 –
R> xtabs(~ sport + cuisine, d)
sport/cuisine Non Oui
Non 759 518
Oui 360 363
R> xtabs(~ sport + cuisine + sexe, d)
sport cuisine sexe Freq
Non Non Femme 358
Homme 401
Oui Femme 389
Homme 129
Oui Non Femme 132
Homme 228
Oui Femme 222
Homme 141
On remarquera que le rendu par défaut est en général plus lisible car le nom des variables est indiqué,
permettant de savoir quelle variable est affichée en colonnes et laquelle en lignes.
Si l’on utilise des données labellisées, page 121, la fonction xtabs ne prendra pas en compte les
étiquettes de valeur.
– 383 –
R> data(fecondite)
xtabs(~ educ + region, femmes)
educ/region 1 2 3 4
0 387 213 282 256
1 179 53 86 142
2 123 57 37 131
3 18 1 2 33
On pourra alors utiliser la fonction ltabs de l’extension question, qui fonctionne exactement comme
xtabs , à ceci près qu’elle prendra en compte les étiquettes de variable et de valeur quand elles
existent.
R> ltabs(~ educ + region, femmes)
educ: Niveau d’éducation/region: Région de [1] [2] [3] [4]

résidence Nord Est Sud Ouest
[0] aucun 387 213 282 256
[1] primaire 179 53 86 142
[2] secondaire 123 57 37 131
[3] supérieur 18 1 2 33
Pourcentages en ligne et en colonne

On n’a cependant que les effectifs, ce qui rend difficile les comparaisons. L’extension questionr fournit
des fonctions permettant de calculer facilement les pourcentages lignes, colonnes et totaux d’un tableau
croisé.
Les pourcentages lignes s’obtiennent avec la fonction lprop 4. Celle-ci s’applique au tableau croisé
4. Il s’agit en fait d’un alias pour les francophones de la fonction rprop .
– 384 –
généré par table ou xtabs :
R> tab <- table(d$sport, d$qualif2)

lprop(tab)
/ Autre Cadre Employe Intermediaire Ouvrier Total
Non 3.571 11.00 37.69 11.94 35.81 100
Oui 3.396 24.28 32.77 20.20 19.35 100
Ensemble 3.509 15.73 35.93 14.88 29.95 100
R> tab <- xtabs(~ sport + qualif2, d)

lprop(tab)
sport/qualif2 Autre Cadre Employe Intermediaire Ouvrier Total
Non 3.571 11.00 37.69 11.94 35.81 100
Oui 3.396 24.28 32.77 20.20 19.35 100
Ensemble 3.509 15.73 35.93 14.88 29.95 100
Les pourcentages ligne ne nous intéressent guère ici. On ne cherche pas à voir quelle est la proportion de
cadres parmi ceux qui pratiquent un sport, mais plutôt quelle est la proportion de sportifs chez les cadres.
Il nous faut donc des pourcentages colonnes, que l’on obtient avec la fonction cprop :
R> cprop(tab)
sport/qualif2 Autre Cadre Employe Intermediaire Ouvrier Ensemble
Non 65.52 45 67.51 51.63 76.97 64.37
Oui 34.48 55 32.49 48.37 23.03 35.63
Total 100.00 100 100.00 100.00 100.00 100.00
Dans l’ensemble, le pourcentage de personnes ayant pratiqué un sport est de 35,6 %. Mais cette
proportion varie fortement d’une catégorie professionnelle à l’autre : 55,0 % chez les cadres contre 23,0
% chez les ouvriers.
Enfin, les pourcentage totaux s’obtiennent avec la fonction prop :
– 385 –
R> prop(tab)
sport/qualif2 Autre Cadre Employe Intermediaire Ouvrier Total
Non 2.299 7.078 24.26 7.683 23.049 64.37
Oui 1.210 8.651 11.68 7.199 6.897 35.63
Total 3.509 15.729 35.93 14.882 29.946 100.00
À noter qu’on peut personnaliser l’affichage de ces tableaux de pourcentages à l’aide de différentes
options, dont digits qui règle le nombre de décimales à afficher et percent qui indique si on souhaite
ou non rajouter un symbole % dans chaque case du tableau. Cette personnalisation peut se faire
directement au moment de la génération du tableau et dans ce cas elle sera utilisée par défaut :
R> ctab <- cprop(tab, digits = 2, percent = TRUE)

ctab
sport/qualif2 Autre Cadre Employe Intermediaire Ouvrier Ensemble
Non 65.52 45 67.51 51.63 76.97 64.37
Oui 34.48 55 32.49 48.37 23.03 35.63
Total 100.00 100 100.00 100.00 100.00 100.00
ou bien ponctuellement en passant les mêmes arguments à la fonction print :
R> ctab <- cprop(tab)

print(ctab, percent = TRUE)
qualif2
sport Autre Cadre Employe Intermediaire Ouvrier
Non 65.5% 45.0% 67.5% 51.6% 77.0%
Oui 34.5% 55.0% 32.5% 48.4% 23.0%
Total 100.0% 100.0% 100.0% 100.0% 100.0%
qualif2
sport Ensemble
Non 64.4%
Oui 35.6%
Total 100.0%
– 386 –
Représentation graphique
On peut obtenir une représentation graphique synthétisant l’ensemble des résultats obtenus sous la
forme d’un graphique en mosaïque grâce à la fonction mosaicplot .
R> mosaicplot(qualif2 ~ sport, data = d, shade = TRUE, main = "Graphe en mos

aïque")
Figure 12. Exemple de graphe en mosaïque
Comment interpréter ce graphique haut en couleurs5 ? Chaque rectangle représente une case de tableau.
Sa largeur correspond aux pourcentages en colonnes (il y a beaucoup d’employés et d’ouvriers et très peu
d’« Autre »). Sa hauteur correspond aux pourcentages en lignes : la proportion de sportifs chez les cadres
est plus élevée que chez les employés. Enfin, la couleur de la case correspond au résidu du test du χ²
correspondant : les cases en rouge sont sous-représentées, les cases en bleu sur-représentées, et les cases
blanches sont statistiquement proches de l’hypothèse d’indépendance.
5. Sauf s’il est imprimé en noir et blanc…
– 387 –
NOTE
Les graphiques en mosaïque permettent notamment de représenter des tableaux croisés à 3 ou 4

dimensions, voire plus.
L’extension vcd fournie une fonction mosaic fournissant plus d’options pour la création d’un
graphique en mosaïque, permettant par exemple d’indiquer quelles variables doivent être affichées
horizontalement ou verticalement, ou encore de colorier le contenu des rectangles en fonction d’une
variable donnée, …
R> library(vcd)
Attachement du package : 'vcd'
L'objet suivant est masqué depuis 'package:latticeExtra':
rootogram
Les objets suivants sont masqués depuis 'package:ggmosaic':
mosaic, spine
– 388 –
R> mosaic(~ sport + cuisine + sexe, d, highlighting = "sexe", main = "Exemple

de graphique en mosaïque à 3 dimensions")
Lorsque l’on s’intéresse principalement aux variations d’une variable selon une autre, par exemple ici à la
pratique du sport selon le niveau de qualification, il peut être intéressant de présenter les pourcentages
en colonne sous la forme de barres cumulées.
– 389 –
R> barplot(cprop(tab, total = FALSE), main = "Pratique du sport selon le niv

eau de qualification")
Figure 13. Exemple de barres cumulées
Tests statistiques
Pour un test de comparaison de proportions, un test du Chi² ou encore un test exact de Fisher, on pourra
se référer au chapitre dédié aux test statistiques de comparaison, page 499.
Tableaux faciles avec gtsummary

La fonction tbl_summary de l’extension gtsummary accepte un argument by permettant de réaliser
des croisements selon une variable catégorielle.
– 390 –
R> d %>%
tbl_summary(
include = c("hard.rock", "heures.tv", "sport", "qualif2"),
by = "hard.rock"
)
Caractéristique Non, N = 1 9861 Oui, N = 141
heures.tv 2,00 (1,00 – 3,00) 2,00 (2,00 – 3,75)
Manquant 5 0
sport
Non 1 268 (64%) 9 (64%)
Oui 718 (36%) 5 (36%)
qualif2
Autre 57 (3,5%) 1 (9,1%)
Cadre 260 (16%) 0 (0%)
Employe 587 (36%) 7 (64%)
Intermediaire 244 (15%) 2 (18%)
Ouvrier 494 (30%) 1 (9,1%)
Manquant 344 3
1 Médiane (EI); n (%)
Il est possible d’ajouter une colonne total avec add_overall et des tests statistiques avec add_p .
– 391 –
R> d %>%
tbl_summary(
include = c("hard.rock", "heures.tv", "sport", "qualif2"),
by = "hard.rock"
) %>%
add_overall(last = TRUE) %>%
add_p()
Caractéristique Non, N = 1 9861 Oui, N = 141 Total, N = 2 0001 p-valeur2
heures.tv 2,00 (1,00 – 3,00) 2,00 (2,00 – 3,75) 2,00 (1,00 – 3,00) 0,4
Manquant 5 0 5
sport >0,9
Non 1 268 (64%) 9 (64%) 1 277 (64%)
Oui 718 (36%) 5 (36%) 723 (36%)
qualif2 0,088
Autre 57 (3,5%) 1 (9,1%) 58 (3,5%)
Cadre 260 (16%) 0 (0%) 260 (16%)
Employe 587 (36%) 7 (64%) 594 (36%)
Intermediaire 244 (15%) 2 (18%) 246 (15%)
Ouvrier 494 (30%) 1 (9,1%) 495 (30%)
Manquant 344 3 347
1
Médiane (EI); n (%)
2 test de Wilcoxon-Mann-Whitney; test du khi-deux d'indépendance; test exact de Fisher
Par défaut, les pourcentages affichés sont les pourcentages en colonne. Mais il est possible de les
remplacer par les pourcentages en ligne avec l’argument percent .
– 392 –
R> d %>%
dplyr::select(hard.rock, sport, qualif2) %>%
tbl_summary(
by = "hard.rock",
percent = "row"
) %>%
add_overall(last = TRUE)
Caractéristique Non, N = 1 9861 Oui, N = 141 Total, N = 2 0001
sport
Non 1 268 (99%) 9 (0,7%) 1 277 (100%)
Oui 718 (99%) 5 (0,7%) 723 (100%)
qualif2
Autre 57 (98%) 1 (1,7%) 58 (100%)
Cadre 260 (100%) 0 (0%) 260 (100%)
Employe 587 (99%) 7 (1,2%) 594 (100%)
Intermediaire 244 (99%) 2 (0,8%) 246 (100%)
Ouvrier 494 (100%) 1 (0,2%) 495 (100%)
Manquant 344 3 347
1
n (%)
Citons également la variante tbl_cross utilisable pour un tableau croisé de seulement deux variables
(une en ligne et une en colonne).
– 393 –
R> d %>%
tbl_cross(sport, hard.rock)
hard.rock
Total
Non Oui
sport
Non 1 268 9 1 277
Oui 718 5 723
Total 1 986 14 2 000
Pour une présentation de toutes les possibilités offertes, voir la vignette dédiée sur
http://www.danieldsjoberg.com/gtsummary/articles/tbl_summary.html.
Analyse des associations avec GDAtools

L’extension GDAtools développée par Nicolas Robette propose, entre autres, plusieurs fonctions pour
décrire les associations statistiques entre deux variables catégorielles et/ou continues.
Pour une présentation détaillée, on pourra se référer à la vignette (en français) fournie par le package :
https://nicolas-robette.github.io/GDAtools/articles/french/Tutoriel_descr.html
Pour deux variables catégorielles, on aura recours à , assoc.twocat , ggassoc_crosstab et

ggassoc_phiplot .
R> library(GDAtools)
Attachement du package : 'GDAtools'
L'objet suivant est masqué depuis 'package:cluster':
medoids
R> assoc.twocat(d$sexe, d$cuisine)
$freq
– 394 –
Non Oui Sum

Homme 629 270 899
Femme 490 611 1101
Sum 1119 881 2000
$prop
Non Oui Sum
Homme 31.45 13.50 44.95
Femme 24.50 30.55 55.05
Sum 55.95 44.05 100.00
$rprop
Non Oui Sum
Homme 69.97 30.03 100
Femme 44.50 55.50 100
Sum 55.95 44.05 100
$cprop
Non Oui Sum
Homme 56.21 30.65 44.95
Femme 43.79 69.35 55.05
Sum 100.00 100.00 100.00
$expected
Non Oui
Homme 503 396
Femme 616 485
$chi.squared
[1] 130.2
$cramer.v
[1] 0.2551
$permutation.pvalue
NULL
$pearson.residuals
Non Oui
Homme 5.619 -6.332
Femme -5.077 5.722
$phi
Non Oui
Homme 0.2551 -0.2551
Femme -0.2551 0.2551
– 395 –
$phi.perm.pval
NULL
$gather
Var1 Var2 Freq prop rprop cprop expected
1 Homme Non 629 0.3145 0.6997 0.5621 503
2 Femme Non 490 0.2450 0.4450 0.4379 616
3 Homme Oui 270 0.1350 0.3003 0.3065 396
4 Femme Oui 611 0.3055 0.5550 0.6935 485
std.residuals phi
1 5.619 0.2551
2 -5.077 -0.2551
3 -6.332 -0.2551
4 5.722 0.2551
R> library(ggplot2)
ggassoc_crosstab(d, aes(x = sexe, y = cuisine))
– 396 –
R> ggassoc_phiplot(d, aes(x = sexe, y = cuisine))
Pour une variable catégorielle croisée avec une variable continue, on aura recours à , assoc.catcont et
ggassoc_boxplot .
R> assoc.catcont(d$sport, d$heures.tv)
$eta.squared
[1] 0.03109
$permutation.pvalue
NULL
$cor
Non Oui
0.176 -0.176
$cor.perm.pval
NULL
– 397 –
R> ggassoc_boxplot(d, aes(x = sport, y = heures.tv))
Warning: Removed 5 rows containing non-finite values

(`stat_ydensity()`).

(`stat_boxplot()`).
Pour deux variables continues, on aura recours à , assoc.twocont et ggassoc_scatter .
R> assoc.twocont(d$age, d$heures.tv)
pearson spearman kendall
value 0.1776 0.1727 0.1241
– 398 –
R> ggassoc_scatter(d, aes(x = age, y = heures.tv))
`geom_smooth()` using formula = 'y ~ s(x, bs = "cs")'

(`stat_smooth()`).
Warning: Removed 5 rows containing missing values

(`geom_point()`).
– 399 –
Introduction à ggplot2, la
grammaire des graphiques
Les données de l’exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 402
Nettoyage des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 403
Recodage d’une variable . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 405
Visualisation des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 405
Visualisation par «petits multiples» . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 407
Visualisation en séries temporelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 409
Combinaisons d’éléments graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 410
Composition graphique avec ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 411
Couleurs et échelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 413
Utilisation des thèmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 417
Export des graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 419
Pour aller plus loin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 419
Ressources essentielles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 421
Extensions de ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 421
GUIDE-R
Une version actualisée de ce chapitre est disponible sur guide-R : Graphiques avec ggplot2
NOTE
Ce chapitre est tiré d’une séance de cours de François Briatte et destinée à des étudiants de L2 sans
aucune connaissance de R. Cette séance de cours est elle-même inspirée d’un exercice tiré d’un cours
de Cosma Shalizi.
– 401 –
WEBIN-R
Ce chapitre est évoqué dans le webin-R #08 (ggplot2 et la grammaires des graphiques) sur YouTube.
R possède un puissant moteur graphique interne, qui permet de «dessiner» dans un graphique en y
rajoutant des segments, des points, du texte, ou toutes sortes d’autres symboles. Toutefois, pour produire
un graphique complet avec les fonctions basiques de R, il faut un peu bricoler : d’abord, ouvrir une fenêtre ;
puis rajouter des points ; puis rajouter des lignes ; tout en configurant les couleurs au fur-et-à-mesure ;
puis finir par fermer la fenêtre graphique.
L’extension ggplot21, développée par Hadley Wickham et mettant en œuvre la «grammaire graphique»
théorisée par Leland Wilkinson, devient vite indispensable lorsque l’on souhaite réaliser des graphiques
plus complexes2. On renvoit le lecteur intéressé à l’ouvrage de Winston Chang, R Graphics Cookbook,
disponible gratuitement dans sa deuxième édition à l’adresse suivante : https://r-graphics.org.
Ce chapitre, articulé autour d’une étude de cas, présente ggplot2 à partir d’un exemple simple de
visualisation de séries temporelles, puis rentre dans le détail de sa syntaxe. Pour une présentation plus
formelle, on pourra se référer au chapitre dédié de la section Approfondir.
Les données de l’exemple

Il y a quelques années, les chercheurs Carmen M. Reinhart et Kenneth S. Rogoff publiaient un article
intitulé Growth in a Time of Debt, dans lequel ils faisaient la démonstration qu’un niveau élevé de dette
publique nuisait à la croissance économique. Plus exactement, les deux chercheurs y défendaient l’idée
que, lorsque la dette publique dépasse 90 % du produit intérieur brut, ce produit cesse de croître.
Cette conclusion, proche du discours porté par des institutions comme le Fonds Monétaire International,
a alimenté plusieurs argumentaires politiques. Des parlementaires américains s’en ainsi sont servi pour
exiger une diminution du budget fédéral, et surtout, la Commission européenne s’est appuyée sur cet
argumentaire pour exiger que des pays comme la Grèce, durement frappés par la crise financière globale
de 2008, adoptent des plans d’austérité drastiques.
Or, en tentant de reproduire les résultats de Reinhart et Rogoff, les chercheurs Thomas Herndon, Michael
Ash et Robert Pollin y ont trouvé de nombreuses erreurs, ainsi qu’une bête erreur de calcul due à une
utilisation peu attentive du logiciel Microsoft Excel. La révélation de ces erreurs donna lieu à un débat
1. Voir l’excellente documentation de l’extension et les autres ressources citées en fin de chapitre.
2. Bien que l’on ait fait le choix de présenter l’extension ggplot2 plutôt que l’extension lattice, celle-ci reste un excellent
choix pour la visualisation, notamment, de panels et de séries temporelles. On trouve de très beaux exemples
d’utilisation de lattice en ligne, mais un peu moins de documentation, et beaucoup moins d’extensions, que pour
ggplot2.
– 402 –
Introduction à ggplot2, la grammaire des graphiques
très vif entre adversaires et partisans des politiques économiques d’austérité, débat toujours autant
d’actualité aujourd’hui.
Dans ce chapitre, on va se servir des données (corrigées) de Reinhart et Rogoff pour évaluer, de manière
indépendante, la cohérence de leur argument sur le rapport entre endettement et croissance
économique. Commençons par récupérer ces données au format CSV sur le site du chercheur américain
Cosma Shalizi, qui utilise ces données dans l’un de ses exercices de cours :
R> # charger l'extension lisant le format CSV

library(readr)
# emplacement souhaité pour le jeu de données

file <- "data/debt.csv"
# télécharger le jeu de données s'il n'existe pas

if(!file.exists(file))
download.file("http://www.stat.cmu.edu/~cshalizi/uADA/13/hw/11/debt.csv",
file, mode = "wb")
# charger les données dans l'objet 'debt'

debt <- read_csv(file)
New names:
Rows: 1171 Columns: 5
── Column specification
──────────────────────────────────── Delimiter: "," chr
(1): Country dbl (4): ...1, Year, growth, ratio
ℹ Use `spec()` to retrieve the full column specification
for this data. ℹ Specify the column types or set
`show_col_types = FALSE` to quiet this message.
• `` -> `...1`
NOTE
Le code ci-dessus utilise la fonction read_csv de l’extension readr, dont on a recommandé

l’utilisation dans un précédent chapitre, page 149. En l’absence de cette extension, on aurait pu utiliser
la fonction de base read.csv .
Nettoyage des données

Les données de Reinhart et Rogoff contiennent, pour un échantillon de 20 pays occidentaux membres de
la zone OCDE, la croissance de leur produit intérieur brut (PIB)3, et le ratio entre leur dette publique et
– 403 –
ce produit, exprimé sous la forme d’un pourcentage «Dette / PIB». Les données vont du milieu des années
1940 à la fin des années 2000. La première colonne du jeu de données ne contenant que les numéros des
lignes, on va la supprimer d’entrée de jeu :
R> # inspection du jeu de données

str(debt)
spc_tbl_ [1,171 × 5] (S3: spec_tbl_df/tbl_df/tbl/data.frame)

$ ...1 : num [1:1171] 147 148 149 150 151 152 153 154 155 156 ...
$ Country: chr [1:1171] "Australia" "Australia" "Australia" "Australia" ...
$ Year : num [1:1171] 1946 1947 1948 1949 1950 ...
$ growth : num [1:1171] -3.56 2.46 6.44 6.61 6.92 ...
$ ratio : num [1:1171] 190 177 149 126 110 ...
- attr(*, "spec")=
.. cols(
.. ...1 = col_double(),
.. Country = col_character(),
.. Year = col_double(),
.. growth = col_double(),
.. ratio = col_double()
.. )
- attr(*, "problems")=<externalptr>
R> # suppression de la première colonne

debt <- debt[, -1]
Il faut aussi noter d’emblée que certaines mesures sont manquantes : pour certains pays, on ne dispose
pas d’une mesure fiable du PIB et/ou de la dette publique. En conséquence, le nombre d’observations par
pays est différent, et va de 40 observations «pays-année» pour la Grèce à 64 observations «pays-année»
pour plusieurs pays comme l’Australie ou les États-Unis :
R> table(debt$Country)
Australia Austria Belgium Canada Denmark

64 59 63 64 56
Finland France Germany Greece Ireland
64 54 59 40 63
Italy Japan Netherlands New Zealand Norway
59 54 53 64 64
Portugal Spain Sweden UK US
3. Ce produit est mesuré en termes réels, de manière à ce que le calcul de sa croissance ne soit pas affecté par l’inflation.
– 404 –
58 42 64 63 64
Recodage d’une variable

Dernière manipulation préalable avant l’analyse : on va calculer la décennie de chaque observation, en
divisant l’année de mesure par 10, et en multipliant la partie entière de ce résultat par 10. Cette
manipulation très simple donne «1940» pour les mesures des années 1940 à 1949, «1950» pour les
années 1950-1959, et ainsi de suite.
R> debt$Decade <- factor(10 * debt$Year %/% 10)
Voici, pour terminer, les premières lignes du jeu de données sur lequel on travaille :
R> head(debt)
Visualisation des données

Chargeons à présent l’extension graphique ggplot2 :
R> library(ggplot2)
Procédons désormais à quelques visualisations très simples de ces données. On dispose de trois variables
continues : l’année, le taux de croissance du PIB, et le ratio «Dette publique / PIB». Si l’on souhaite
visualiser la croissance du PIB au cours du temps, la solution basique dans R s’écrit de la manière suivante :
– 405 –
R> with(debt, plot(Year, growth))
Figure 1
Le code de la visualisation est très simple et se lit : «avec l’objet debt , construire le graphique montrant
l’année d’observation Year en abcisse et le taux de croissance du PIB growth en ordonnée». Le code
est compris de cette manière par R car la fonction plot comprend le premier argument comme étant
la variable à représenter sur l’axe horizontal x , et le second comme la variable à représenter sur l’axe
vertical y .
Le même graphique s’écrit de la manière suivante avec l’extension ggplot2 :
– 406 –
R> with(debt, qplot(Year, growth))
Figure 2
Comme on peut le voir, le code est très proche du code utilisé dans «R base», la syntaxe signifiant toujours :
«avec le jeu de données debt , visualiser les variables Year sur l’axe x et growth sur l’axe y ». Le
résultat est similaire, bien que plusieurs paramètres graphiques aient changé : le fond gris clair, en
particulier, est caractéristique du thème graphique par défaut de ggplot2, que l’on apprendra à modifier
plus loin.
Par ailleurs, dans les deux exemples précédents, on a écrit with(debt, ...) pour indiquer que l’on
travaillait avec l’objet debt . Lorsque l’on travaille avec l’extension ggplot2, il est toutefois plus commun
d’utiliser l’argument data dans l’appel de qplot pour indiquer ce choix :
R> qplot(Year, growth, data = debt)
Visualisation par «petits multiples»

Cherchons désormais à mieux comprendre les variations du taux de croissance du PIB au fil des années.
– 407 –
Dans les graphiques précédents, on voit clairement que ce taux est très variable dans l’immédiat après-
guerre, puis qu’il oscille entre environ -5 % et +15 %, puis qu’il semble chuter dramatiquement à la fin
des années 2000, marquées par la crise financière globale. Mais comment visualiser ces variations pour
chacun des vingt pays de l’échantillon ?
On va ici utiliser le principe de la visualisation par «petits multiples», c’est-à-dire que l’on va reproduire le
même graphique pour chacun des pays, et visualiser l’ensemble de ces graphiques dans une même fenêtre.
Concrètement, il va donc s’agir de montrer la croissance annuelle du PIB en faisant apparaître chaque
pays dans une facette différente du graphique.
ggplot2 permet d’effectuer cette opération en rajoutant au graphique précédent, au moyen de l’opérateur
+ , l’élément facet_wrap(~ Country) au graphique et qui signifie «construire le graphique pour
chaque valeur différente de la variable Country». On notera que la fonction facet_wrap utilise la
syntaxe équation, page 1141 de R. Par défaut, ces «facettes» sont classées par ordre alphabétique :
R> qplot(Year, growth, data = debt) +

facet_wrap(~ Country)
Figure 3
Voilà qui est beaucoup plus clair ! On aperçoit bien, dans ce graphique, les variations très importantes de
croissance du PIB dans un pays comme l’Autriche, ruinée après la Seconde guerre mondiale, ou l’Irlande,
– 408 –
très durement frappée par la crise financière globale en 2008 et 2009. On aperçoit aussi où se trouvent
les données manquantes : voir le graphique de l’Espagne, par exemple.
Il faut noter ici un élément essentiel de la grammaire graphique de ggplot2, qui utilise une syntaxe
additive, où différents éléments et paramètres graphiques peuvent être combinés en les additionnant,
ce qui permet de construire et de modifier des graphiques de manière cumulative, pas à pas. Cette
caractéristique permet de tâtonner, et de construire progressivement des graphiques très complets.
Visualisation en séries temporelles

Enfin, pour produire le même graphique que ci-dessus en utilisant des lignes plutôt que des points, il
suffit d’utiliser l’argument geom = "line" , ce qui peut être considéré comme une meilleure manière de
visualiser des séries temporelles, mais qui tend aussi à rendre plus difficile la détection des périodes pour
lesquelles il manque des données (voir, à nouveau, le graphique pour l’Espagne) :
R> qplot(data = debt, y = growth, x = Year, geom = "line") +

facet_wrap(~ Country)
Figure 4
– 409 –
Dans ce dernier exemple, on a défini l’axe y avant de définir l’axe x , en écrivant ces arguments de
manière explicite ; de même, on a commencé par spécifier l’argument data , et l’on a terminé par
l’argument geom . Cet ordre d’écriture permet de conserver une forme de cohérence dans l’écriture des
fonctions graphiques.
Combinaisons d’éléments graphiques

On n’a pas encore visualisé le ratio «Dette publique / PIB», l’autre variable du raisonnement de Reinhart et
Rogoff. C’est l’occasion de voir comment rajouter des titres aux axes des graphiques, et d’utiliser les lignes
en même temps que des points, toujours grâce à l’argument geom , qui peut prendre plusieurs valeurs (ici,
"point" produit les points et "line" produit les lignes) :
R> qplot(data = debt, y = ratio, x = Year, geom = c("line", "point")) +

facet_wrap(~ Country) +
labs(x = NULL,
y = "Ratio dette publique / produit intérieur brut (%)")
Figure 5
Dans ce graphique, on a combiné deux «objets géométriques» ( geom ) pour afficher à la fois des points et
– 410 –
des lignes. On a ensuite défini les titres des axes, en supprimant celui de l’axe x , et en rajoutant un peu
d’espace entre le titre de l’axe y et l’axe lui-même grâce à la chaîne de caractères finale \n , qui rajoute
une ligne vide entre ces deux éléments4.
Les différents exemples vus dans cette section montrent qu’il va falloir apprendre un minimum de syntaxe
graphique pour parvenir à produire des graphiques avec ggplot2. Ce petit investissement permet de
savoir très vite produire de très nombreux types de graphiques, assez élégants de surcroît, et très
facilement modifiables à l’aide de toutes sortes de paramètres optionnels.
I M P O R TA N T
Aussi élégants que soient vos graphiques, il ne vous dispense évidemment pas de réfléchir à ce que
vous êtes en train de visualiser, un graphique très élégant pouvant naturellement être complètement
erroné, en particulier si les données de base du graphique ont été mal mesurées… ou endommagées.
Composition graphique avec ggplot2

La section précédente a montré comment utiliser la fonction qplot (quick plot). La syntaxe complète
de l’extension ggplot2 passe par une autre fonction, ggplot , qui permet de mieux comprendre les
différents éléments de sa grammaire graphique. Dans cette section, on va détailler cette syntaxe pour en
tirer un graphique plus complexe que les précédents.
Commençons par créer un «treillis de base» au graphique :
R> p <- ggplot(data = debt, aes(y = growth, x = ratio))
Aucun graphique ne s’affiche ici : en effet, ce que l’on a stocké, dans l’objet p , n’est pas un graphique
complet, mais une base de travail. Cette base définit les coordonnées x et y du graphique dans
l’argument aes (aesthetics). Ici, on a choisi de mettre la variable dépendante de Reinhart et Rogoff,
growth (le taux de croissance du PIB), sur l’axe y , et la variable indépendante ratio (le ratio «Dette
publique / PIB») sur l’axe x .
Rajoutons désormais un objet géométrique, geom_point , qui va projeter, sur le graphique, des points
aux coordonnées précédemment définies, et divisons le graphique par un «petit multiple», en projetant
les points de chaque décennie dans une facette différente du graphique. Ce graphique propose une
décomposition temporelle de la relation étudiée par Reinhart et Rogoff :
4. Plus précisément, cela introduit un retour à la ligne dans le titre de l’axe.
– 411 –
R> p + geom_point() +
facet_grid(. ~ Decade)
Figure 6
NOTE
Le paramètre facet_grid , qui utilise aussi la syntaxe «équation, page 1141», permet de créer des
facettes plus compliquées que celles créées par le paramètre facet_wrap , même si, dans nos
exemples, on aurait pu utiliser aussi bien l’un que l’autre.
Le graphique ci-dessus présente un problème fréquent : l’axe horizontal du graphique, très important
puisque Reinhart et Rogoff évoquent un seuil «fatidique», pour la croissance, de 90% du PIB, est illisible.
Grâce à l’argument scale_x_continuous , on va pouvoir clarifier cet axe en n’y faisant figurer que
certaines valeurs :
– 412 –
R> p + geom_point() +
facet_grid(. ~ Decade) +
scale_x_continuous(breaks = seq(0, 200, by = 100))
Figure 7
Ces réglages nous conviennent : on va donc les sauvegarder dans l’objet p , de manière à continuer de
construire notre graphique en incluant ces différents éléments.
R> p <- p + geom_point() +

scale_x_continuous(breaks = seq(0, 200, by = 100))
Couleurs et échelles
Abordons désormais un élément-clé de ggplot2 : la manipulation des paramètres esthétiques.
Précédemment, on n’a montré que deux de ces paramètres : x et y , les coordonnées du graphique.
Mais ces paramètres peuvent aussi influencer la couleur des points de notre graphique comme le montre
l’exemple suivant :
– 413 –
R> p + aes(color = ratio < 90)
Figure 8
Qu’a-t-on fait ici ? On a rajouté, au graphique stocké dans p , un paramètre esthétique qui détermine
la couleur de ses points en fonction d’une inégalité, ratio < 90 , qui est vraie quand le ratio «Dette
publique / PIB» est inférieur au seuil «fatidique» de Reinhart et Rogoff, et fausse quand ce ratio dépasse
ce seuil. Les couleurs des points correspondent aux couleurs par défaut de ggplot2, que l’on peut très
facilement modifier avec scale_colour_brewer :
– 414 –
R> p + aes(color = ratio < 90) +

scale_colour_brewer(palette = "Set1")
Figure 9
Ici, on a fait appel à la palette de couleur Set1 de l’éventail de couleurs ColorBrewer, qui est
automatiquement disponible dans ggplot2, et qui est contenu dans l’extension RColorBrewer. La palette
de couleurs que l’on a choisie affiche les points situés au-dessus du seuil «fatidique» de Reinhart et Rogoff
en rouge, les autres en bleu.
Que peut-on dire, à ce stade, du seuil «fatidique» de Reinhart et Rogoff ? On peut observer qu’après la
Seconde guerre mondiale, de nombreux pays sont déjà endettés au-delà de ce seuil, et dégagent déjà
moins de croissance que les autres. Sur la base de cette trajectoire, de nombreux critiques de Reinhart et
Rogoff ont fait remarquer que le raisonnement de Reinhart et Rogoff pose en réalité un sérieux problème
d’inversion du rapport causal entre endettement et croissance au cours du temps.
Envisageons une nouvelle modification des paramètres graphiques. La légende du graphique, qui affiche
FALSE et TRUE en fonction de l’inégalité ratio < 90 , peut être déroutante. Clarifions un peu cette
légende en supprimant son titre et en remplaçant les libellés (labels) FALSE et TRUE par leur
signification :
– 415 –
R> p <- p + aes(color = ratio < 90) +

scale_color_brewer("", palette = "Set1",
labels = c("ratio > 90", "ratio < 90"))
Dans le bloc de code ci-dessus, on a stocké l’ensemble de nos modifications dans l’objet p , sans l’afficher ;
en effet, on souhaite encore procéder à une dernière modification, en rajoutant une régression locale à
travers les points de chaque facette5. Après consultation de la documentation de ggplot2 ici et là, on en
arrive au code ci-dessous, où p produit le graphique précédent et geom_smooth produit la régression
locale :
R> p + geom_smooth(method = "loess", se = FALSE,

size = 1, color = "black")
`geom_smooth()` using formula = 'y ~ x'
Figure 10
Le graphique permet d’évaluer de manière encore un peu plus précise l’argument de Reinhart et Rogoff, et
5. La régression locale est une variante du calcul de la moyenne glissante (ou «moyenne mobile») d’une courbe.
– 416 –
en particulier la nature pas si «fatidique» du seuil de 90% du ratio “Dette publique / PIB”, qui sans être une
bonne nouvelle pour l’économie, ne détermine pas «fatidiquement» la direction du taux de croissance : si
c’était le cas, toutes les courbes du graphique ressembleraient à celles des années 2000. Autrement dit,
l’argumentaire de Reinhart et Rogoff laisse clairement à désirer.
Utilisation des thèmes

Reprenons notre graphique de départ. On va, pour terminer cette démonstration, en construire une
version imprimable en noir et blanc, ce qui signifie qu’au lieu d’utiliser des couleurs pour distinguer les
points en-deçà et au-delà du seuil «fatidique» de Reinhart et Rogoff, on va utiliser une ligne verticale,
produite par geom_vline et affichée en pointillés par le paramètre lty (linetype) :
– 417 –
R> ggplot(data = debt, aes(y = growth, x = ratio)) +

geom_point(color = "grey50") +
geom_vline(xintercept = 90, lty = "dotted") +
geom_smooth(method = "loess", size = 1, color = "black", se = FALSE) +
scale_x_continuous(breaks = seq(0, 200, by = 100)) +
labs(y = "Taux de croissance du produit intérieur brut\n",
x = "\nRatio dette publique / produit intérieur brut (%)",
title = "Données Reinhart et Rogoff corrigées, 1946-2009\n") +
theme_bw() +
theme(strip.background = element_rect(fill = "grey90", color = "grey5
0"),
strip.text = element_text(size = rel(1)),
panel.grid = element_blank())
Figure 11
Ce graphique utilise tous les éléments présentés dans ce chapitre, ainsi qu’une dernière nouveauté :
l’utilisation d’un thème graphique différent du thème par défaut de ggplot2. Le thème par défaut, qui
– 418 –
s’appelle theme_grey , est ici remplacé par un thème moins chargé, theme_bw (“black and white”), que
l’on a modifié en y rajoutant quelques paramètres supplémentaires :
• le paramètre strip.background détermine la couleur du rectangle contenant les titres des

facettes, c’est-à-dire les décennies observées ;
• le paramètre strip.text détermine la taille des titres des facettes, qui sont ici affichés dans la
même taille de texte que le reste du texte ;
• et le paramètre panel.grid supprime ici les guides du graphique grâce à l’élément vide
element_blank , de manière à en alléger la lecture.
Ces différents réglages peuvent être sauvegardés de manière à créer des thèmes réutilisables, comme
ceux de l’extension ggthemes, ce qui permet par exemple de créer un thème entièrement blanc dans
lequel on peut ensuite projeter une carte, ou de produire une série de graphiques homogènes d’un point
de vue esthétique.
Export des graphiques

Les graphiques produits par ggplot2 peuvent être sauvegardés manuellement, comme expliqué dans
le chapitre «Export des graphiques, page 331», ou programmatiquement. Pour sauvegarder le dernier
graphique affiché par ggplot2 au format PNG, il suffit d’utiliser la fonction ggsave , qui permet d’en régler
la taille (en pouces) et la résolution (en pixels par pouce ; 72 par défaut) :
R> ggsave("reinhart-rogoff.png", width = 11, height = 8)
R> ggsave("reinhart-rogoff.pdf", plot = p,

width = 11, height = 8)
Pour aller plus loin

Ce chapitre n’a pu faire la démonstration que d’une infime partie des manières d’utiliser ggplot2. En voici
une dernière illustration, qui donne une idée des différents types de graphiques que l’extension permet de
produire dès que l’on connaît les principaux éléments de sa syntaxe :
– 419 –
R> ggplot(data = debt, aes(x = ratio > 90, y = growth)) +

geom_boxplot() +
scale_x_discrete(labels = c("< 90", "90+")) +
labs(y = "Taux de croissance du produit intérieur brut\n",
x = "\nRatio dette publique / produit intérieur brut (%)",
title = "Données Reinhart et Rogoff corrigées, 1946-2009\n") +
theme_linedraw() +
theme(strip.text = element_text(size = rel(1)),
panel.grid = element_blank())
Figure 12
Le code ci-dessus est somme toute très proche du code présenté dans le reste du texte, et en même
temps, on a basculé de la visualisation sous forme de série temporelles à une visualisation par boxplots.
Ces basculements sont très faciles à envisager dès que l’on maîtrise les principaux éléments de ggplot2,
geom , scale et facet , et les paramètres labs et theme pour effectuer les finitions.
– 420 –
Ressources essentielles
Pour tout ce qui concerne l’utilisation de ggplot2, l’ouvrage de Wickham, en cours d’actualisation, est la
ressource essentielle à consulter. L’ouvrage de Winston Chang, qui contient des dizaines d’exemples, le
complète utilement, de même que la documentation en ligne de l’extension. Enfin, le site StackOverflow
contient de très nombreuses questions/réponses sur les subtilités de sa syntaxe.
On trouve aussi très facilement, ailleurs sur Internet, des dizaines de tutorials et autres cheatsheets pour
ggplot2, ici ou là par exemple.
A noter également une gallerie de graphiques sous R avec de très nombreux exemples de graphique
ggplot2 : http://www.r-graph-gallery.com/portfolio/ggplot2-package/
Extensions de ggplot2
Il faut signaler, pour terminer, quelques-unes des différentes extensions inspirées de ggplot2, dont la
plupart sont encore en cours de développement, mais qui permettent d’ores et déjà de produire des
centaines de types de graphiques différents, à partir d’une syntaxe graphique proche de celle présentée
dans ce chapitre :
• l’extension ggfortify permet de visualiser les résultats de différentes fonctions de modélisation

avec ggplot2 ;
• l’extension ggmap permet de visualiser des fonds de carte et d’y superposer des éléments
graphiques rédigés avec ggplot2 ;
• l’extension GGally rajoute quelques types de graphiques à ceux que ggplot2 peut produire par
défaut ;
• et des extensions comme ggvis permettent de produire des graphiques interactifs en utilisant la
syntaxe de base de ggplot2.
– 421 –
Graphiques univariés et
bivariés avec ggplot2
Retour sur les bases de ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 424
Histogramme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 426
Densité et répartition cumulée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 429
Boîtes à moustaches (et représentations associées) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 432
Diagramme en bâtons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 437
Nuage de points . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 439
Matrice de nuages de points et matrice de corrélation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 445
Estimation locale de densité (et représentations associées) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 448
Diagramme de Cleveland . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 454
Diagrammes en barres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 457
Comparer plusieurs variables discrètes et/ou continues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 467
Graphe en mosaïque . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 469
Données labellisées et ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 470
Exporter les graphiques obtenus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 471
GUIDE-R
de confiance & Statistique bivariée & Tests de comparaison
WEBIN-R
sur YouTube.
Ce chapitre est évoqué dans le webin-R #09 (Graphiques uni- et bivariés avec ggplot2) sur YouTube.
– 423 –
Après avoir introduit l’extension ggplot2 au travers d’une étude de cas, page 401, nous reprenons ici les
graphiques produits dans les chapitres statistique univariée, page 339 et statistique bivariée, page 365 et
montrons comment les réaliser avec ggplot2.
Retour sur les bases de ggplot2

L’extension ggplot2 nécessite que les données du graphique soient sous la forme d’un tableau de données
(data.frame) avec une ligne par observation et les différentes valeurs à représenter sous forme de
variables du tableau.
Tous les graphiques avec ggplot2 suivent une même logique. En premier lieu, on appelera la fonction
ggplot en lui passant en paramètre le fichier de données.
ggplot2 nomme esthétiques les différentes propriétés visuelles d’un graphique, à savoir l’axe des x ( x ),
celui des y ( y ), la couleur des lignes ( colour ), celle de remplissage des polygones ( fill ), le type
de lignes ( linetype ), etc. Une représentation graphique consiste donc à représenter chacune de nos
variables d’intérêt selon une esthétique donnée. En second lieu, on appelera donc la fonction aes pour
indiquer la correspondance entre les variables de notre fichier de données et les esthétiques du
graphique.
A minima, il est nécessaire d’indiquer en troisième lieu une géométrie, autrement dit la manière dont les
éléments seront représentés visuellement. À chaque géométrie corresponds une fonction commençant
par geom_ , par exemple geom_point pour dessiner des points, geom_line pour des lignes, geom_bar
pour des barres ou encore geom_area pour des aires. Il existe de nombreuses géométries différentes,
chacune prenant en compte certaines esthétiques, certaines étant requises pour cette géométrie et
d’autres optionnelles. La liste des esthétiques prises en compte par chaque géométrie en indiquée dans
l’aide en ligne de cette dernière.
Pour un document récapitulant les principales géométries et options de ggplot2, on pourra se référer
à la Cheat Sheet officielle disponible à https://www.rstudio.com/wp-content/uploads/2015/03/
ggplot2-cheatsheet.pdf. Une version en français est disponible à l’adresse http://thinkr.fr/pdf/
ggplot2-french-cheatsheet.pdf.
ggplot2 reposant sur une syntaxe additive, la syntaxe de base d’un graphique sera donc de la forme :
R> ggplot(data) + aes(x = Var1, fill = Var2) + geom_bar()
De manière alternative, on peut également indiquer la correspondance entre variables et esthétiques

comme deuxième argument de la fonction ggplot . Les deux syntaxes sont équivalentes.
– 424 –
Graphiques univariés et bivariés avec ggplot2
R> ggplot(data, aes(x = Var1, fill = Var2)) + geom_bar()
Il est ensuite possible de personnaliser de nombreux éléments d’un graphique et notamment :
• les étiquettes ou labs (titre, axes, légendes) avec ggtitle , xlab , ylab ou encore la fonction
plus générique labs ;
• les échelles (scales) des différentes esthétiques avec les fonctions commençant par scale_ ;
• les facettes (facets) avec les fonctions commençant par facet_ ;
• le système de coordonnées avec les fonctions commençant par coord_ ;
• la légende (guides) avec les fonctions commençant par guide_ ;
• le thème du graphiques (mise en forme des différents éléments) avec theme .
Ces différents éléments seront abordés plus en détails dans le chapitre avancé sur ggplot2. Dans la suite
de ce chapitre, nous nous focaliserons sur les graphiques et options de base.
Grammaire des graphiques de ggplot2
Préparons les données des exemples et chargeons ggplot2 :
– 425 –
library(ggplot2)
data("hdv2003")
d <- hdv2003
Histogramme
Pour un histogramme, on aura recours à la géométrie geom_histogram . Si l’on a une observation par
ligne dans le fichier de données, l’histogramme s’obtient simplement en associant la variable d’intérêt à
l’esthétique x . Notez la syntaxe de aes : le nom des variables est indiqué directement, sans guillemets.
R> ggplot(d) +
aes(x = heures.tv) +
geom_histogram() +
ggtitle("Nombres d'heures passées devant la télévision") +
xlab("Heures") +
ylab("Effectifs")
Figure 1. Un histogramme
– 426 –
On peut personnaliser la couleur de remplissage des rectangles en indiduant une valeur fixe pour
l’esthétique fill dans l’appel de geom_histogram (et non via la fonction aes puisqu’il ne s’agit pas
d’une variable du tableau de données). L’esthétique colour permet de spécifier la couleur du trait des
rectangles. Enfin, le paramètre binwidth permet de spécifier la largeur des barres.
R> ggplot(d) +
geom_histogram(fill ="orange", colour = "black", binwidth = 2) +
xlab("Heures") +
ylab("Effectifs")
Figure 2. Un histogramme en couleur
Comme avec la fonction hist , on peut personnaliser les classes avec l’argument breaks .
– 427 –
R> ggplot(d) +
geom_histogram(fill ="orange", colour = "black", breaks = c(0, 1, 4, 9,
12)) +
xlab("Heures") +
ylab("Effectifs")
Figure 3. Un histogramme avec classes personnalisées
On peut ajouter à l’axe des x des tirets représentant la position des observations à l’aide de geom_rug .
– 428 –
R> ggplot(d) +
geom_histogram(fill ="orange", colour = "black", binwidth = 2) +
geom_rug() +
xlab("Heures") +
ylab("Effectifs")
Figure 4. Un histogramme avec geom_rug()
Densité et répartition cumulée

Une courbe de densité s’obtient aisément avec la géométrie geom_density .
– 429 –
R> ggplot(d) +
geom_density() +
xlab("Heures") +
ylab("Densité")
On peut personnaliser la fenêtre d’ajustement avec l’argument adjust .
– 430 –
R> ggplot(d) +
geom_density(adjust = 1.5) +
xlab("Heures") +
ylab("Densité")
Figure 6. Courbe de densité avec fenêtre d’ajustement personnalisée
Pour la fonction de répartition empirique ou empirical cumulative distribution function en anglais, on

utilisera la statistique stat_ecdf . Au passage, on notera qu’il est possible d’ajouter une couche à un
graphique en appelant soit une géométrie, soit une statistique.
– 431 –
R> ggplot(d) +
stat_ecdf() +
xlab("Heures") +
ylab("Fonction de répartition cumulée")
Figure 7. Fonction de répartition empirique cumulée
Boîtes à moustaches (et représentations associées)

La géométrie geom_boxplot nécessite a minima deux esthétiques : x et y . Pour représenter une
variable quantitative selon une variable catégorielle, on fera donc :
– 432 –
R> ggplot(d) +
aes(x = hard.rock, y = age) +
geom_boxplot() +
xlab("Ecoute du hard rock") +
ylab("Âge") +
ggtitle("Répartition par âge selon que l'on écoute du hard rock ou no
n")
Figure 8. Boîtes à moustache
Lorsque l’on souhaite représenter une seule variable quantitative (statistique univariée), on passera alors
une constante à l’esthétique x .
– 433 –
R> ggplot(d) +
aes(x = "Nombre d'heures passées devant la télévision", y = heures.tv)
+
geom_boxplot() +
xlab("") +
ylab("Heures quotidiennes")
Figure 9. Boîte à moustache (une seule variable)
Une représentation alternative aux boîtes à moustaches ou boxplots sont les graphiques en violon ou violin
plots, qui représentent la densité de distribution. Ils s’obtiennent avec la géométrie geom_violin .
– 434 –
R> ggplot(d) +
aes(x = hard.rock, y = age) +
geom_violin() +
ylab("Âge") +
n")
Figure 10. Graphiques en violon ou violin plot
Les boîtes à moustache peuvent parfois être trompeuses car ne représentant qu’imparfaitement la
distribution d’une variable quantitative. Voir par exemple The boxplot and its pitfalls sur
https://www.data-to-viz.com.
Les graphique de pirates ou pirateplot sont une visualisation alternative qui combinent :
• un nuage de points représentant les données brutes ;

• une barre verticale représentant la moyenne ;
• un rectangle traduisant l’intervalle de confiance de cette moyenne ;
• un «violon» indiquant la distribution.
L’extension ggpirate fournit une géométrie geom_pirate pour ggplot2. Cette extension n’étant
– 435 –
disponible que sur GitHub, on l’installera avec la commande :
R> devtools::install_github("mikabr/ggpirate")
R> library(ggpirate)
ggplot(d) +
aes(x = hard.rock, y = age, colour = hard.rock, fill = hard.rock) +
geom_pirate() +
ylab("Âge") +
n") +
theme_minimal() +
theme(panel.grid.minor = element_blank())
Figure 11. Graphiques de «pirates» ou pirateplot
– 436 –
NOTE
Il existe encore d’autres approches graphiques pour mieux rendre compte visuellement différentes
distrubutions comme les raincloud plots. Pour en savoir plus, on pourra se référer à un billet de blog en
anglais de Cédric Scherer ou encore à l’extension raincloudplots.
Figure 12. Exemple de graphique raincloud
Diagramme en bâtons
Un diagramme en bâtons s’obtient avec la géométrie geom_bar .
– 437 –
R> ggplot(d) +
aes(x = freres.soeurs) +
geom_bar() +
xlab("Nombre de frères et soeurs") +
ylab("Effectifs")
Figure 13. Diagramme en bâtons
La largeur des barres par défaut est de 0,9. Dès lors, le graphique ressemble plus à un histogramme qu’à
un diagramme en bâtons. On peut personnaliser ce paramètre avec l’argument width .
– 438 –
R> ggplot(d) +
aes(x = freres.soeurs) +
geom_bar(width = .2) +
xlab("Nombre de frères et soeurs") +
ylab("Effectifs")
Figure 14. Diagramme en bâtons avec ajustement de la largeur des barres
Nuage de points
Un nuage de points se représente facilement avec la géométrie geom_point .
– 439 –
R> ggplot(d) +
aes(x = age, y = heures.tv) +
geom_point() +
xlab("Âge") +
ylab("Heures quotidiennes de télévision")
Figure 15. Nuage de points
On pourra personnaliser la couleur des points avec colour et le niveau de transparence avec alpha .
– 440 –
R> ggplot(d) +
geom_point(colour = "red", alpha = .2) +
xlab("Âge") +
Figure 16. Nuage de points semi-transparents
– 441 –
NOTE
Une variante à geom_point est geom_count qui compte le nombre d’observations situées sur le
même point et dessine des points dont la taille est proportionnelle à ce nombre d’observations.
R> ggplot(d) +
geom_count(colour = "red", alpha = .2) +
xlab("Âge") +
ylab("Heures quotidiennes de télévision") +
labs(size = "effectifs")
Figure 17. Nuage de points de taille proportionnelle au nombre d’observations
Pour représenter une troisième variable quantitative, on pourra faire varier la taille des points avec
l’esthétique size . Pour une variable qualitative, on pourra faire varier la couleur avec colour . Pour
faciliter la lecture, on positionnera la légende en bas du graphique, en modifiant l’argument
legend.position via la fonction theme .
– 442 –
R> load(url("https://github.com/larmarange/analyse-R/raw/gh-pages/data/rp9
9.RData"))
R> rp99$prop.proprio <- 0

rp99[rp99$proprio >= mean(rp99$proprio), ]$prop.proprio <- 1
rp99$prop.proprio <- factor(rp99$prop.proprio, 0:1, c("non", "oui"))
ggplot(rp99) +
aes(x = dipl.aucun, y = tx.chom, size = pop.tot, colour = prop.proprio)
+
geom_point(alpha = .5) +
xlab("% sans diplôme") +
ylab("Taux de chômage") +
labs(size = "Population totale", colour = "Proportion de propriétaires
supérieure à la moyenne") +
theme(
legend.position = "bottom",
legend.box = "vertical"
)
Figure 18. Nuage de points proportionnels
– 443 –
geom_smooth permets d’ajouter au graphique une moyenne mobile du nuage de points avec son
intervalle de confiance. Notez que l’on ajoute geom_smooth au graphique avant geom_point puisque
l’ordre dans lequel sont affichées les différentes couches du graphique dépend de l’ordre dans lequel elles
ont été ajoutées. Dans cet exemple, nous souhaitons afficher les points «au-dessus» de la moyenne mobile.
R> ggplot(rp99) +
aes(x = dipl.sup, y = cadres) +
geom_smooth() +
geom_point() +
xlab("% de diplômés du supérieur") +
ylab("% de cadres")
`geom_smooth()` using method = 'loess' and formula = 'y ~

x'
Figure 19. Nuage de points avec moyenne mobile
Si l’on préfère afficher plutôt la droite de régression, on indiquera à geom_smooth l’agument

method = "lm" .
– 444 –
R> ggplot(rp99) +
aes(x = dipl.sup, y = cadres) +
geom_smooth(method = "lm") +
geom_point() +
xlab("% de diplômés du supérieur") +
ylab("% de cadres")
Figure 20. Nuage de points avec droite de régression linéaire
Matrice de nuages de points et matrice de

corrélation
ggplot2 ne fournit pas de fonction native pour la réalisation d’une matrice de nuages de points.
Cependant, il existe plusieurs extensions permettant d’étendre ggplot2. Parmi celles-ci, l’extension
GGally propose une fonction ggpairs correspondant exactement à notre besoin.
– 445 –
R> library(GGally)
ggpairs(rp99[, c("proprio", "hlm", "locataire", "maison")])
Figure 21. Matrice de nuages de points
ggpairs accepte même des variables catégorielles ainsi que des esthétiques supplémentaires, offrant
ainsi plus de possibilités que la fonction pairs 1.
1. Pour plus de détails, on pourra lire https://tgmstat.wordpress.com/2013/11/13/plot-matrix-with-the-r-package-

ggally/.
– 446 –
R> ggpairs(rp99[, c("hlm", "locataire", "maison", "prop.proprio")], aes(colo

ur = prop.proprio))
Figure 22. Matrice de nuages de points avec variables catégorielles
GGally propose également une fonction ggcorr permettant d’afficher une matrice de corrélation entre
variables quantitatives2.
2. Pour une présentation détaillée de cette fonction et de ses options, voir https://briatte.github.io/ggcorr/.
– 447 –
R> ggcorr(rp99)
Figure 23. Matrice de corrélarion
Estimation locale de densité (et représentations

associées)
On peut aisément représenter une estimation locale de densité avec la géométrie geom_density_2d .
– 448 –
R> ggplot(d) +
geom_density_2d() +
xlab("Âge") +
Figure 24. Estimation locale de densité (contours)
Par défaut, le résultat est représenté sous forme de contours. Pour obtenir une représentation avec des
polygones, on appelera la statistique stat_density_2d en forçant la géométrie.
– 449 –
R> ggplot(d) +
aes(x = age, y = heures.tv, fill = after_stat(level)) +
stat_density_2d(geom = "polygon") +
xlab("Âge") +
labs(fill = "Densité")
Figure 25. Estimation locale de densité (contours)
ggplot2 propose également deux géométries, geom_bin2d et geom_hex , permettant d’effectuer à un

comptage des effectifs en deux dimensions.
– 450 –
R> ggplot(d) +
geom_bin2d() +
xlab("Âge") +
labs(fill = "Effectifs")
Figure 26. Effectifs en deux dimensions
– 451 –
R> ggplot(d) +
geom_hex() +
xlab("Âge") +
labs(fill = "Effectifs")
Figure 27. Effectifs en deux dimensions (hexagones)
– 452 –
NOTE
Pour reproduire à l’identique l’exemple donné dans le chapitre statistique bivariée, page 366, on aura
besoin de la méthode tidy de l’extension broom afin de transformer le résultat de kde2d en un
tableau de données exploitables par ggplot2. tidy est une méthode générique permettant de
transformer un grand nombre d’objets (et en particulier les résultats d’un modèle) en un tableau de
données exploitable by ggplot2.
R> library(MASS)
tmp <- d[, c("age", "heures.tv")]
tmp <- tmp[complete.cases(tmp), ]
library(broom)
tmp <- tidy(kde2d(tmp$age, tmp$heures.tv))
str(tmp)
tibble [625 × 3] (S3: tbl_df/tbl/data.frame)

$ x: num [1:625] 18 21.3 24.6 27.9 31.2 ...
$ y: num [1:625] 0 0 0 0 0 0 0 0 0 0 ...
$ z: num [1:625] 0.00147 0.00227 0.0027 0.00291 0.00308 ...
– 453 –
R> ggplot(tmp) +
aes(x = x, y = y, fill = z) +
geom_raster(interpolate = TRUE) +
scale_fill_gradientn(colors = terrain.colors(14)) +
labs(x = "Âge", y = "Heures de TV", fill = "Densité")
Diagramme de Cleveland
Pour un diagramme de Cleveland, on aura recours à la géométrie geom_point . Cependant, il faudra lui
préciser que l’on souhaite utiliser la statistique stat_count afin que les effectifs soient calculés pour
chaque valeur de x .
– 454 –
R> ggplot(d) +
aes(x = clso) +
geom_point(stat = "count") +
xlab("Sentiment d'appartenance à une classe sociale") +
ylab("Effectifs")
Figure 28. Diagramme de Cleveland
Une alternative, notamment si l’on souhaite un diagramme de Cleveland ordonné, consiste à calculer
les effectifs de chaque modalité en amont. ggplot2 ayant besoin d’un tableau de données en entrée,
nous calculerons notre tableau de fréquences avec xtabs et le transformerons en tableau de données
avec as.data.frame . Pour que les niveaux de qualifaction soient représentés selon leur effectif, il est
nécessaire d’ordonner les étiquettes du facteur de manière adéquate. Enfin, nous utiliserons
coord_flip pour intervertir l’axe des x et celui des y .
R> tab <- as.data.frame(xtabs(~qualif, d))

tab$qualif <- factor(tab$qualif, levels = tab$qualif[order(tab$Freq)])
str(tab)
– 455 –
$ qualif: Factor w/ 7 levels "Autre","Technicien",..: 4 6 2 3 5 7 1

$ Freq : int 203 292 86 160 260 594 58
R> ggplot(tab) +
aes(x = qualif, y = Freq) +
geom_point() +
xlab("Niveau de qualification") +
ylab("Effectifs") +
coord_flip()
Diagramme de Cleveland ordonné
– 456 –
NOTE
L’extension ggalt propose quelques géométries supplémentaires pour ggplot2. L’une d’elles dite «en
sucettes» ( geom_lollipop ) propose une représentation graphique au croisement entre un
diagramme en bâtons et un diagramme de Cleveland.
R> library(ggalt)
ggplot(tab) +
aes(x = qualif, y = Freq) +
geom_lollipop() +
xlab("Niveau de qualification") +
ylab("Effectifs") +
coord_flip()
Diagrammes en barres
Un diagramme en barres se construit avec la géométrie geom_bar .
– 457 –
R> d$qualreg <- as.character(d$qualif)

d$qualreg[d$qualif %in% c("Ouvrier specialise", "Ouvrier qualifie")] <-
"Ouvrier"
d$qualreg[d$qualif %in% c("Profession intermediaire",
"Technicien")] <- "Intermediaire"
ggplot(d) +
aes(x = qualreg, fill = sport) +
geom_bar() +
xlab("CSP") +
ylab("Effectifs") +
labs(fill = "Pratique du sport")
Figure 29. Diagramme en barres
On peut modifier la position des barres avec le paramètre position .
– 458 –
R> ggplot(d) +
geom_bar(position = "dodge") +
xlab("CSP") +
ylab("Effectifs") +
Figure 30. Diagramme en barres côte à côte
Pour des barres cumulées, on aura recours à position = "fill" . Pour que les étiquettes de l’axe des
y soient représentées sous forme de pourcentages (i.e. 25% au lieu de 0.25 ), on aura recours à la
fonction percent de l’extension scales, qui sera transmise à ggplot2 via scale_y_continuous .
– 459 –
R> library(scales)
ggplot(d) +
geom_bar(position = "fill") +
xlab("CSP") +
ylab("Proportion") +
labs(fill = "Pratique du sport") +
scale_y_continuous(labels = percent)
Figure 31. Diagramme en barres cumulées
– 460 –
NOTE
Ajouter des étiquettes sur un diagramme en barre
Il est facile d’ajouter des étiquettes en ayant recours à geom_text , à condition de lui passer les bon
paramètres.
Tout d’abord, il faudra préciser stat = "count" pour indiquer que l’on souhaite utiliser la
statistique stat_count qui est celle utilisé par défaut par geom_bar . C’est elle qui permets de
compter le nombre d’observation.
Il faut ensuite utiliser l’esthétique label pour indiquer ce que l’on souhaite afficher comme
étiquettes. after_stat(count) permets d’accéder à la variable calculée par stat_count .
Enfin, il faut indiquer la position verticale avec position_stack . En précisant un ajustement de

vertical de 0.5 , on indique que l’on souhaite positionner l’étiquette au milieu.
– 461 –
R> ggplot(d) +
geom_bar() +
geom_text(aes(label = after_stat(count)), stat = "count", position = posi
tion_stack(.5)) +
xlab("CSP") +
ylab("Effectifs") +
Pour un graphique en barre cumulées, on peut utiliser de manière similaire position_fill .
– 462 –
R> ggplot(d) +
geom_text(aes(label = after_stat(count)), stat = "count", position = posi
tion_fill(.5)) +
xlab("CSP") +
On ne peut afficher directement les proportions avec stat_count . Cependant, l’extension GGally
fournit une statistique stat_prop dont le dénominateur peut être personnalisé via l’esthétique by
(attention : l’esthétique attendue doit impérativement être un facteur).
– 463 –
R> library(GGally)
d$qualreg <- forcats::fct_explicit_na(factor(d$qualreg))
ggplot(d) +
geom_text(aes(by = qualreg), stat = "prop", position = position_fill(.5))
+
xlab("CSP") +
scale_y_continuous(labels = scales::percent)
On peut aussi comparer facilement deux distributions, ici la proportion de chaque niveau de
qualification au sein chaque sexe.
– 464 –
R> p <- ggplot(d) +

aes(
x = qualreg, fill = sexe, by = sexe, y = after_stat(prop),
label = scales::percent(after_stat(prop), accuracy = 1),
) +
geom_bar(stat = "prop", position = position_dodge(.9)) +
geom_text(
aes(y = after_stat(prop) - .005), stat = "prop",
position = position_dodge(.9), vjust = "top"
) +
p
Il est possible d’alléger le graphique en retirant des éléments superflus.
– 465 –
R> p +
theme_light() +
xlab("") +
ylab("") +
labs(fill = "") +
ggtitle("Distribution de la population selon le niveau de qualification,
par sexe") +
theme(
panel.grid = element_blank(),
panel.border = element_blank(),
axis.text.y = element_blank(),
axis.ticks = element_blank(),
legend.position = "top"
) +
scale_fill_brewer()
– 466 –
Comparer plusieurs variables discrètes et/ou

continues
L’extension GGally , déjà évoquée, fournit également deux fonctions utiles pour comparer plusieurs
variables discrètes (et/ou continues) : ggbivariate et ggtable .
ggbivariate produit des graphiques en barre pour deux variables discrètes et des boites à moustache
lorsque l’on compare une variable discrète avec une variable continue.
R> library(GGally)
ggbivariate(data = d, outcome = "sport", explanatory = c("sexe", "cuisine", "n
ivetud", "age"))

(`stat_prop()`).
ggtable quant à elle affiche un tableau croisé avec le nombre d’observations pour deux variables
– 467 –
discrètes et les médianes avec l’intervalle interquartile pour une variable discrète croisée avec une
variable continue.
R> ggtable(data = d, columnsX = "sport", columnsY = c("sexe", "cuisine", "nivetu

d", "age"))
Il est possible de remplacer les effectifs par les pourcentages en ligne et de colorier les cellules en fonction
des résidus du Chi² qui permettent de visualiser les cellules du tableau sur- ou sous-représentées.
– 468 –
R> ggtable(
data = d,
columnsX = "sport",
columnsY = c("sexe", "cuisine", "nivetud"),
cells = "row.prop",
fill = "std.resid",
legend = 1
) + labs(fill = "Résidus\ndu Chi²")
Pour plus de possibilités de personnalisation, voir la fonction ggduo de GGally.
Graphe en mosaïque
Il n’y a pas, à ce jour, d’implémentation officielle des graphiques en mosaïque sous ggplot2. On pourra
néanmoins se référer à l’extension ggmosaic et sa fonction geom_mosaic 3.
3. Pour information, une première implémentation expérimentale avait été proposée avec l’extension productplots, voir
https://github.com/hadley/productplots et http://vita.had.co.nz/papers/prodplots.html
– 469 –
R> library(ggmosaic)
levels(d$sport) <- c("Ne fait pas de sport", "Pratique un sport")
levels(d$cuisine) <- c("Ne cuisine pas", "Cuisine")
levels(d$sexe) <- c("H", "F")
ggplot(data = d) +
geom_mosaic(aes(x = product(sport, cuisine), fill = sexe, na.rm = TRU
E)) +
xlab("") + ylab("") +
theme(legend.position = "bottom")
Figure 32. Graphique en mosaïque
Données labellisées et ggplot2

ggplot2 tient compte du type des variables, attendant à ce que les variables catégorielles soient
présentées sous forme de facteurs. Si l’on utilise des données labellisées (voir le chapitre dédié, page 127),
nos variables catégorielles seront stockées sous la forme d’un vecteur numérique avec des étiquettes. Il
sera donc nécessaire de convertir ces variables en facteurs, tout simplement avec la fonction to_factor
– 470 –
de l’extension labelled qui pourra utiliser les étiquettes de valeurs comme modalités du facteur.
Exporter les graphiques obtenus

Les graphiques produits par ggplot2 peuvent être sauvegardés manuellement, comme expliqué dans
le chapitre «Export des graphiques, page 331», ou programmatiquement. Pour sauvegarder le dernier
graphique affiché par ggplot2 au format PNG, il suffit d’utiliser la fonction ggsave , qui permet d’en régler
la taille (en pouces) et la résolution (en pixels par pouce ; 72 par défaut) :
R> ggsave("mon_graphique.png", width = 11, height = 8)
R> ggsave("mon_graphique.pdf", plot = p,

width = 11, height = 8)
– 471 –
Données pondérées
Options de certaines fonctions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 474
Données pondérées avec l’extension survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 474
gtsummary et survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 477
Graphiques natifs avec survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 479
Graphiques ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 480
Extraire un sous-échantillon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 483
Modèles logistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 483
dplyr et survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 483
Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 483
WEBIN-R
Ce chapitre est évoqué dans le webin-R #10 (Données pondérées, plan d’échantillonnage complexe &
survey) sur YouTube.
S’il est tout à fait possible de travailler avec des données pondérées sous R, cette fonctionnalité n’est pas
aussi bien intégrée que dans la plupart des autres logiciels de traitement statistique. En particulier, il y
a plusieurs manières possibles de gérer la pondération. Cependant, lorsque l’on doit également prendre
un compte un plan d’échantillonnage complexe (voir section dédiée ci-après), R fournit tous les outils
nécessaires, alors que dans la plupart des logiciels propriétaires, il faut disposer d’une extension adéquate,
pas toujours vendue de base avec le logiciel.
Dans ce qui suit, on utilisera le jeu de données tiré de l’enquête Histoire de vie et notamment sa variable de
pondération poids1.
1. On notera que cette variable est utilisée à titre purement illustratif. Le jeu de données étant un extrait d’enquête et la
variable de pondération n’ayant pas été recalculée, elle n’a ici à proprement parler aucun sens.
– 473 –
data(hdv2003)
d <- hdv2003
range(d$poids)
[1] 78.07834 31092.14132
Options de certaines fonctions

Tout d’abord, certaines fonctions de R acceptent en argument un vecteur permettant de pondérer les
observations (l’option est en général nommée weights ou row.w ). C’est le cas par exemple des
méthodes d’estimation de modèles linéaires2 ( lm ) ou de modèles linéaires généralisés 3 ( glm ) ou dans
les analyses de correspondances4 des extensions ade4 ou FactoMineR.
Par contre cette option n’est pas présente dans les fonctions de base comme mean , var , table ou
chisq.test .
Données pondérées avec l’extension survey

L’extension survey est spécialement dédiée au traitement d’enquêtes ayant des techniques
d’échantillonnage et de pondération potentiellement très complexes.
L’extension s’installe comme la plupart des autres :
R> install.packages("survey")
Le site officiel (en anglais) comporte beaucoup d’informations, mais pas forcément très accessibles :
http://r-survey.r-forge.r-project.org/.
Pour utiliser les fonctionnalités de l’extension, on doit d’abord définir le plan d’échantillonnage ou design
de notre enquête, c’est-à-dire indiquer quel type de pondération nous souhaitons lui appliquer.
Dans un premier temps, nous utiliserons le plan d’échantillonnage le plus simple, avec une variable de
pondération déjà calculée. Pour d’autres types de plan d’échantillonnage, voir la chapitre sur les plans
d’échantillonnage complexes, page 509.
2. Voir le chapitre régression linéaire, page 517.
3. Voir le chapitre sur la régression logistique, page 519.
4. Voir le chapitre dédié à l’analyse des correspondances, page 607.
– 474 –
Ceci se fait à l’aide de la fonction svydesign :
R> library(survey)
dw <- svydesign(ids = ~1, data = d, weights = ~ d$poids)
Cette fonction crée un nouvel objet, que nous avons nommé dw . Cet objet n’est pas à proprement parler
un tableau de données, mais plutôt un tableau de données plus une méthode de pondération. dw et
d sont des objets distincts, les opérations effectuées sur l’un n’ont pas d’influence sur l’autre. On peut
cependant retrouver le contenu de d depuis dw en utilisant dw$variables :
R> str(d$age)
int [1:2000] 28 23 59 34 71 35 60 47 20 28 ...
R> str(dw$variables$age)
int [1:2000] 28 23 59 34 71 35 60 47 20 28 ...
Lorsque notre plan d’échantillonnage est déclaré, on peut lui appliquer une série de fonctions permettant
d’effectuer diverses opérations statistiques en tenant compte de la pondération. On citera notamment :
• svymean , svyvar , svytotal , svyquantile : statistiques univariées (moyenne, variance,

total, quantiles)
• svytable : tri à plat et tableau croisé
• svychisq : test du χ²
• svyby : statistiques selon un facteur
• svyttest : test t de Student de comparaison de moyennes
• svyciprop : intervalle de confiance d’une proportion
• svyglm : modèles linéaires généralisés (dont régression logistique)
• svyplot , svyhist , svyboxplot : fonctions graphiques
D’autres fonctions sont disponibles, comme svyratio , mais elles ne seront pas abordées ici.
Pour ne rien arranger, ces fonctions prennent leurs arguments sous forme de formules5, c’est-à-dire pas
de la manière habituelle. En général l’appel de fonction se fait en spécifiant d’abord les variables d’intérêt
sous forme de formule, puis l’objet survey.design.
Voyons tout de suite quelques exemples6 :
5. Pour plus de détails sur les formules, voir le chapitre dédié, page 1141.
6. Pour d’autres exemples, voir http://www.ats.ucla.edu/stat/r/faq/svy_r_oscluster.htm (en anglais).
– 475 –
R> svymean(~age, dw)
mean SE
age 46.347 0.5284
R> svyquantile(~age, dw, quantile = c(0.25, 0.5, 0.75), ci = TRUE)
$age
quantile ci.2.5 ci.97.5 se
0.25 31 31 33 0.5099045
0.5 45 44 47 0.7648568
0.75 60 59 63 1.0198091
attr(,"hasci")
[1] TRUE
attr(,"class")
[1] "newsvyquantile"
R> svyvar(~heures.tv, dw, na.rm = TRUE)
variance SE
heures.tv 2.9886 0.1836
Les tris à plat se déclarent en passant comme argument le nom de la variable précédé d’un tilde ( ~ ), tandis
que les tableaux croisés utilisent les noms des deux variables séparés par un signe plus ( + ) et précédés
par un tilde ( ~ ).
R> svytable(~sexe, dw)
sexe
Homme Femme
5149382 5921844
R> svytable(~ sexe + clso, dw)
clso
sexe Oui Non Ne sait pas
Homme 2658744.04 2418187.64 72450.75
Femme 2602031.76 3242389.36 77422.79
– 476 –
La fonction freq peut être utilisée si on lui passe en argument non pas la variable elle-même, mais son tri
à plat obtenu avec svytable :
R> tab <- svytable(~peche.chasse, dw)

freq(tab, total = TRUE)
On peut également récupérer le tableau issu de svytable dans un objet et le réutiliser ensuite comme
n’importe quel tableau croisé :
R> tab <- svytable(~ sexe + clso, dw)

tab
clso
sexe Oui Non Ne sait pas
Homme 2658744.04 2418187.64 72450.75
Femme 2602031.76 3242389.36 77422.79
Les fonctions lprop et cprop de questionr sont donc tout à fait compatibles avec l’utilisation de survey.
R> lprop(tab)
clso
sexe Oui Non Ne sait pas Total
Homme 51.6 47.0 1.4 100.0
Femme 43.9 54.8 1.3 100.0
Ensemble 47.5 51.1 1.4 100.0
Le principe de la fonction svyby est similaire à celui de tapply 7. Elle permet de calculer des statistiques
selon plusieurs sous-groupes définis par un facteur. Par exemple :
R> svyby(~age, ~sexe, dw, svymean)
gtsummary et survey
L’extension gtsummary fournit une fonction tbl_svysummary , similaire à tbl_summary , mais adaptée
aux objets survey .
– 477 –
R> dw %>% tbl_svysummary(include = c("age", "sexe", "clso", "peche.chasse"))
Caractéristique N = 11 071 2261
age 45 (31 – 60)
sexe
Homme 5 149 382 (47%)
Femme 5 921 844 (53%)
clso
Oui 5 260 776 (48%)
Non 5 660 577 (51%)
Ne sait pas 149 874 (1,4%)
peche.chasse
Non 9 716 683 (88%)
Oui 1 354 544 (12%)
– 478 –
R> dw %>%
tbl_svysummary(
include = c("age", "sexe", "clso", "peche.chasse"),
by = "sexe"
) %>%
add_p()
Homme, N = 5 149 Femme, N = 5 921 Total, N = 11 071 p-

Caractéristique
3821 8441 2261 valeur2
age 44 (30 – 59) 45 (32 – 61) 45 (31 – 60) 0,067
clso 0,036
Oui 2 658 744 (52%) 2 602 032 (44%) 5 260 776 (48%)
Non 2 418 188 (47%) 3 242 389 (55%) 5 660 577 (51%)
Ne sait pas 72 451 (1,4%) 77 423 (1,3%) 149 874 (1,4%)
peche.chasse <0,001
Non 4 101 242 (80%) 5 615 441 (95%) 9 716 683 (88%)
Oui 1 048 141 (20%) 306 403 (5,2%) 1 354 544 (12%)
2 test de Wilcoxon sur la somme des rangs adapté aux plans d'échantillonnage complexes; test du
Chi² avec la correction du second ordre de Rao & Scott
Graphiques natifs avec survey

survey est également capable de produire des graphiques à partir des données pondérées. Quelques
exemples :
– 479 –
R> par(mfrow = c(2, 2))

svyplot(~ age + heures.tv, dw, col = "red", main = "Bubble plot")
svyhist(~heures.tv, dw, col = "peachpuff", main = "Histogramme")
svyboxplot(age ~ 1, dw, main = "Boxplot simple", ylab = "Âge")
svyboxplot(age ~ sexe, dw, main = "Boxplot double", ylab = "Âge", xlab =
"Sexe")
Figure 1. Fonctions graphiques de l’extension survey
Graphiques ggplot2
ggplot2 accepte une esthétique weight pour indiquer des poids à prendre en compte dans les différents
graphiques. La fonction weights permets justement de récupérer les poids d’un objet survey . La
fonction ggplot n’accepte pas d’objet survey mais a besoin d’un tableau de données. Ce dernier peut
être récupéré avec $variables .
– 480 –
R> library(ggplot2)
ggplot(dw$variables) +
aes(weight = weights(dw), x = sexe, fill = clso) +
geom_bar(position = "fill")
ATTENTION : les graphiques obtenus ne sont corrects qu’à la condition que seuls les poids soient
nécessaires pour les construire, ce qui est le cas d’un nuage de points ou d’un diagramme en barres. Par
contre, si le calcul du graphique implique le calcul de variance, la représentation sera incorrecte. Par
exemple, avec geom_smooth , les aires de confiance affichées ne prendront pas correctement en compte
le plan d’échantillonnage.
– 481 –
NOTE
L’extenstion questionr propose, dans sa version de développement, une fonction ggsurvey pour
faciliter les choses. Elle prend un objet survey , extrait le tableau de données et les poids, associe les
poids à l’esthétique correspondante et appelle ggplot .
ggsurvey(dw) +
aes(x = sexe, fill = clso) +
Pour installer la version de développement de questionr, on pourra utiliser la commande suivante :
R> if (!require(devtools)) {
install.packages("devtools")
library(devtools)
}
install_github("juba/questionr")
– 482 –
Extraire un sous-échantillon
Si l’on souhaite travailler sur un sous-échantillon tout en gardant les informations d’échantillonnage, on
utilisera la fonction subset présentée en détail dans le chapitre Sous-ensembles, page 269.
R> sous <- subset(dw, sexe == "Femme" & age >= 40)
Modèles logistiques
Pour réaliser des modèles logistiques (binaires, multinomiaux ou ordinaux) avec prise en compte d’un
plan d’échantillonnage, on pourra se référer à la sous-section dédiée du chapitre Régression logistique,
page 596.
dplyr et survey
L’extension srvyr vise à permettre d’utiliser les verbes de dplyr avec survey. Le fonctionnement de cette
extension est expliqué dans une vignette dédiée : https://cran.r-project.org/web/packages/srvyr/
vignettes/srvyr-vs-survey.html.
Conclusion
Si, la gestion de la pondération sous R n’est sans doute pas ce qui se fait de plus pratique et de plus simple,
on pourra quand même donner les conseils suivants :
• utiliser les options de pondération des fonctions usuelles ou les fonctions d’extensions comme
questionr pour les cas les plus simples ;
• si on utilise survey, effectuer autant que possible tous les recodages et manipulations sur les
données non pondérées ;
• une fois les recodages effectués, on déclare le design et on fait les analyses en tenant compte de
la pondération ;
• surtout ne jamais modifier les variables du design. Toujours effectuer recodages et
manipulations sur les données non pondérées, puis redéclarer le design pour que les mises à jour
effectuées soient disponibles pour l’analyse.
– 483 –
Intervalles de confiance
Intervalle de confiance d’une moyenne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 485
Intervalle de confiance d’une médiane . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 486
Intervalle de confiance d’une proportion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 487
Données pondérées et l’extension survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 491
GUIDE-R
de confiance
questionr.
data("hdv2003")
d <- hdv2003
Intervalle de confiance d’une moyenne

L’intervalle de confiance d’une moyenne peut être calculé avec la fonction t.test (fonction qui permet
également de réaliser un test t de Student comme nous le verrons dans le chapitre dédié aux
comparaisons de moyennes, page 493) :
R> t.test(d$heures.tv)
One Sample t-test
– 485 –
data: d$heures.tv
t = 56.505, df = 1994, p-value < 2.2e-16
alternative hypothesis: true mean is not equal to 0
95 percent confidence interval:
2.168593 2.324540
sample estimates:
mean of x
2.246566
Le niveau de confiance peut être précisé via l’argument conf.level :
R> t.test(d$heures.tv, conf.level = 0.9)
One Sample t-test
data: d$heures.tv
t = 56.505, df = 1994, p-value < 2.2e-16
alternative hypothesis: true mean is not equal to 0
2.181138 2.311995
sample estimates:
mean of x
2.246566
Le nombre d’heures moyennes à regarder la télévision parmi les enquêtés s’avère être de 2,2 heures, avec
un intervalle de confiance à 95 % de [2,17 - 2,33] et un intervalle de confiance à 90 % de [2,18 - 2,31].
Intervalle de confiance d’une médiane

L’intervalle de confiance d’une médiane peut être calculé avec la fonction wilcox.test en précisant
conf.int = TRUE :
R> wilcox.test(d$heures.tv, conf.int = TRUE)
Wilcoxon signed rank test with continuity correction
data: d$heures.tv
V = 1542646, p-value < 2.2e-16
– 486 –
alternative hypothesis: true location is not equal to 0

2.499994 2.500000
sample estimates:
(pseudo)median
2.499948
D’autres approches existent pour le calcul d’un tel intervalle de confiance. On pourra se référer à la
fonction MedianCI de l’extension DescTools.
Intervalle de confiance d’une proportion

La fonction prop.test permet de calculer l’intervalle de confiance d’une proportion. Une première
possibilité consiste à lui transmettre une table à une dimension et deux entrées. Par exemple, si l’on
s’intéresse à la proportion de personnes ayant pratiqué une activité physique au cours des douze derniers
mois :
R> freq(d$sport)
R> prop.test(table(d$sport))
1-sample proportions test with continuity correction
data: table(d$sport), null probability 0.5

X-squared = 152.9, df = 1, p-value < 2.2e-16
alternative hypothesis: true p is not equal to 0.5
0.6169447 0.6595179
sample estimates:
p
0.6385
On remarquera que la fonction a calculé l’intervalle de confiance correspondant à la première entrée du

tableau, autrement dit celui de la proportion d’enquêtés n’ayant pas pratiqué une activité sportive. Or,
nous sommes intéressé par la proportion complémentaire, à savoir celle d’enquêtés ayant pratiqué une
activité sportive. On peut dès lors modifier l’ordre de la table en indiquant notre modalité d’intérêt avec la
fonction relevel ou bien indiquer à prop.test d’abord le nombre de succès puis l’effectif total :
– 487 –
R> prop.test(table(relevel(d$sport, "Oui")))
data: table(relevel(d$sport, "Oui")), null probability 0.5

0.3404821 0.3830553
sample estimates:
p
0.3615
R> prop.test(sum(d$sport == "Oui"), length(d$sport))
data: sum(d$sport == "Oui") out of length(d$sport), null probability 0.5

0.3404821 0.3830553
sample estimates:
p
0.3615
Enfin, le niveau de confiance peut être modifié via l’argument conf.level :
R> prop.test(table(relevel(d$sport, "Oui")), conf.level = 0.9)
data: table(relevel(d$sport, "Oui")), null probability 0.5

0.3437806 0.3795989
sample estimates:
p
0.3615
– 488 –
NOTE
Il existe de nombreuses manières de calculer un intervalle de confiance pour une proportion. En

l’occurence, l’intervalle calculé par prop.test correspond dans le cas présent à un intervalle
bilatéral selon la méthode des scores de Wilson avec correction de continuité. Pour plus
d’information, on pourra lire http://joseph.larmarange.net/?Intervalle-de-confiance-bilateral.
– 489 –
NOTE
Pour se simplifier un peu la vie, le package JLutils propose une fonction prop.ci (et ses deux
variantes prop.ci.lower et prop.ci.upper ) permettant d’appeler plus facilement prop.test
et renvoyant directement l’intervalle de confiance.
JLutils n’étant disponible que sur GitHub, on aura recours au package devtools et à sa fonction
install_github pour l’installer :
R> library(devtools)
install_github("larmarange/JLutils")
prop.ci fonction accepte directement un tri à plat obtenu avec table , un vecteur de données, un
vecteur logique (issu d’une condition), ou bien le nombre de succès et le nombre total d’essais. Voir les
exemples ci-après :
R> library(JLutils)
freq(d$sport)
R> prop.ci(d$sport)
[1] 0.6169447 0.6595179
R> prop.ci.lower(d$sport)
[1] 0.6169447
R> prop.ci.upper(d$sport)
[1] 0.6595179
R> prop.ci(d$sport, conf.level = 0.9)
[1] 0.6204011 0.6562194
– 490 –
R> prop.ci(table(d$sport))
[1] 0.6169447 0.6595179
R> prop.ci(d$sport == "Non")
[1] 0.6169447 0.6595179
R> prop.ci(d$sport == "Oui")
[1] 0.3404821 0.3830553
R> prop.ci.lower(c(1277, 723), n = 2000)
[1] 0.6169447 0.3404821
R> prop.ci.upper(c(1277, 723), n = 2000)
[1] 0.6595179 0.3830553
Données pondérées et l’extension survey

Lorsque l’on utilise des données pondérées définies à l’aide de l’extension survey1, l’intervalle de confiance
d’une moyenne s’obtient avec confint et celui d’une proportion avec svyciprop .
Quelques exemples :
1. Voir le chapitre dédié aux données pondérées, page 474.
– 491 –
R> library(survey)
dw <- svydesign(ids = ~1, data = d, weights = ~poids)
svymean(~age, dw)
mean SE
age 46.347 0.5284
R> confint(svymean(~age, dw)) # Intervalle de confiance d'une moyenne
2.5 % 97.5 %
age 45.3117 47.38282
R> confint(svyby(~age, ~sexe, dw, svymean)) # Intervalles de confiance pour chaqu

e sexe
2.5 % 97.5 %
Homme 43.74781 46.65618
Femme 45.88867 48.79758
R> freq(svytable(~sexe, dw))
R> svyciprop(~sexe, dw) # Intervalle de confiance d'une proportion
2.5% 97.5%
sexe 0.535 0.507 0.56
– 492 –
Comparaisons (moyennes et
proportions)
Comparaison de moyennes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 494
Comparaison des rangs ou de la médiane . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 498
Comparaison de proportions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 499
χ² et dérivés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 501
Tests dans les tableaux de gtsummary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 506
GUIDE-R
Une version actualisée de ce chapitre est disponible sur guide-R : Statistique bivariée & Tests de
comparaison
WEBIN-R
sur YouTube.
questionr.
– 493 –
data("hdv2003")
d <- hdv2003
Comparaison de moyennes
On peut calculer la moyenne d’âge des deux groupes en utilisant la fonction tapply 1 :
R> tapply(d$age, d$hard.rock, mean)
Non Oui
48.30211 27.57143
L’écart est important. Est-il statistiquement significatif ? Pour cela on peut faire un test t de Student de
comparaison de moyennes à l’aide de la fonction t.test :
R> t.test(age ~ hard.rock, data = d)
Welch Two Sample t-test
data: age by hard.rock

t = 9.6404, df = 13.848, p-value = 1.611e-07
alternative hypothesis: true difference in means between group Non and group Oui
is not equal to 0
16.11379 25.34758
sample estimates:
mean in group Non mean in group Oui
48.30211 27.57143
Le test est extrêmement significatif. L’intervalle de confiance à 95 % de la différence entre les deux
moyennes va de 16,1 ans à 25,3 ans.
– 494 –
Comparaisons (moyennes et proportions)
NOTE
La valeur affichée pour p est de 1.611e-07 . Cette valeur peut paraître étrange pour les non avertis.
Cela signifie tout simplement 1,611 multiplié par 10 à la puissance -7, autrement dit 0,0000001611.
Cette manière de représenter un nombre est couramment appelée notation scientifique.
Pour plus de détails, voir http://fr.wikipedia.org/wiki/Notation_scientifique.
Il est possible de désactiver la notation scientifique avec la commande :
R> options(scipen = 999)
Pour rétablir la notation scientifique :
R> options(scipen = 0)
Nous sommes cependant allés un peu vite en besogne, car nous avons négligé une hypothèse
fondamentale du test t : les ensembles de valeur comparés doivent suivre approximativement une loi
normale et être de même variance2.
NOTE
Dans le test de Student, on suppose l’égalité des variances parentes, ce qui permet de former une
estimation commune de la variance des deux échantillons (on parle de pooled variance), qui revient
à une moyenne pondérée des variances estimées à partir des deux échantillons. Dans le cas où l’on
souhaite relaxer cette hypothèse, le test de Welch ou la correction de Satterthwaite reposent sur
l’idée que l’on utilise les deux estimations de variance séparément, suivie d’une approximation des
degrés de liberté pour la somme de ces deux variances. Le même principe s’applique dans le cas de
l’analyse de variance à un facteur (cf. oneway.test ).
Comment vérifier que l’hypothèse de normalité est acceptable pour ces données ? D’abord avec un petit
graphique composés de deux histogrammes :
2. Concernant cette seconde condition, t.test utilise par défaut un test de Welch qui ne suppose pas l’égalité des
variances parentes ; il est toutefois possible d’utiliser le test classique de Student en spécifiant l’option
var.equal = TRUE .
– 495 –

hist(d$age[d$hard.rock == "Oui"], main = "Hard rock", col = "red")
hist(d$age[d$hard.rock == "Non"], main = "Sans hard rock", col = "red")
Figure 1. Distribution des âges pour appréciation de la normalité
Une alternative consisterait à utiliser des graphiques de type QQ-plot, à l’aide de la fonction qnorm ,
même si leur utilisation et leur interprétation ne sera pas détaillée ici.
NOTE
La fonction par permet de modifier de nombreux paramètres graphiques. Ici, l’instruction

par(mfrow = c(1, 2)) sert à indiquer que l’on souhaite afficher deux graphiques sur une même
fenêtre, plus précisément que la fenêtre doit comporter une ligne et deux colonnes.
Ça a l’air à peu près bon pour les « Sans hard rock », mais un peu plus limite pour les fans de Metallica, dont
les effectifs sont d’ailleurs assez faibles. Si on veut en avoir le cœur net on peut utiliser le test de normalité
de Shapiro-Wilk avec la fonction shapiro.test :
– 496 –
R> shapiro.test(d$age[d$hard.rock == "Oui"])
Shapiro-Wilk normality test
data: d$age[d$hard.rock == "Oui"]

W = 0.86931, p-value = 0.04104
R> shapiro.test(d$age[d$hard.rock == "Non"])
Shapiro-Wilk normality test
data: d$age[d$hard.rock == "Non"]

W = 0.98141, p-value = 2.079e-15
Visiblement, le test estime que les distributions ne sont pas suffisamment proches de la normalité dans les
deux cas.
Et concernant l’égalité des variances ?
R> tapply(d$age, d$hard.rock, var)
Non Oui
285.62858 62.72527
L’écart n’a pas l’air négligeable. On peut le vérifier avec le test d’égalité des variances fourni par la fonction
var.test :
R> var.test(age ~ hard.rock, data = d)
F test to compare two variances

F = 4.5536, num df = 1985, denom df = 13, p-value =
0.003217
alternative hypothesis: true ratio of variances is not equal to 1
1.751826 8.694405
sample estimates:
– 497 –
ratio of variances
4.553644
La différence est très significative. En toute rigueur le test t n’aurait donc pas pu être utilisé. Cela dit, il
convient de rappeler que ce test statistique (1) suppose la normalité des distributions et (2) considère
comme hypothèse nulle l’égalité des variances (parentes) – ce que l’on souhaiterait vérifier alors qu’on
ne peut pas accepter l’hypothèse nulle dans un cadre d’inférence fréquentiste – sans que l’on définisse
réellement ce que signifie des variances différentes sur le plan pratique. Est-ce qu’une variation de la
variance du simple au double est pertinente au regard du domaine d’étude, ou bien faut-il décider qu’à
partir d’un rapport de 4 on peut considérer qu’il y a bien une différence importante entre deux variances ?
Sans avoir fixé au préalable cette hypothèse alternative, on ne peut guère conclure à partir de ce test. Une
alternative consiste à comparer la forme des distributions à l’aide, par exemple, de diagrammes de type
boîtes à moustaches.
Comparaison des rangs ou de la médiane

Damned ! Ces maudits tests statistiques vont-ils nous empêcher de faire connaître au monde entier notre
fabuleuse découverte sur l’âge des fans de Sepultura ? Non ! Car voici qu’approche à l’horizon un nouveau
test, connu sous le nom de Wilcoxon/Mann-Whitney. Celui-ci a l’avantage d’être non-paramétrique, c’est
à dire de ne faire aucune hypothèse sur la distribution des échantillons comparés, à l’exception que celles-
ci ont des formes à peu près comparables (essentiellement en termes de variance). Attention, il ne s’agit
pas d’un test comparant les différences de médianes (pour cela il existe le test de Mood) mais d’un test
reposant sur la somme des rangs des observations, au lieu des valeurs brutes, dans les deux groupes, via
la fonction wilcox.test :
R> wilcox.test(age ~ hard.rock, data = d)
Wilcoxon rank sum test with continuity correction

W = 23980, p-value = 2.856e-06
alternative hypothesis: true location shift is not equal to 0
Ouf ! La différence est hautement significative3. Nous allons donc pouvoir entamer la rédaction de notre
article pour la Revue française de sociologie.
Note : le test de Wilcoxon n’est pas adapté pour comparer les rangs lorsque l’on a trois groupes ou plus.
On pourra dans ce cas là avoir recours au test de Kruskal-Wallis avec la fonction krukal.test .
3. Ce test peut également fournir un intervalle de confiance avec l’option conf.int=TRUE .
– 498 –
R> kruskal.test(age ~ hard.rock, data = d)
Kruskal-Wallis rank sum test

Kruskal-Wallis chi-squared = 21.913, df = 1, p-value
= 2.852e-06
Note 2 : le test de Mood mentionné plus haut peut être réalisé avec mood.test .
R> mood.test(age ~ hard.rock, data = d)
Mood two-sample test of scale

Z = -3.1425, p-value = 0.001675
alternative hypothesis: two.sided
Comparaison de proportions
La fonction prop.test , que nous avons déjà rencontrée pour calculer l’intervalle de confiance d’une
proportion (voir le chapitre dédié aux intervalles de confiance, page 485) permets également d’effectuer
un test de comparaison de deux proportions.
Supposons que l’on souhaite comparer la proportion de personnes faisant du sport entre ceux qui lisent
des bandes dessinées et les autres :
R> tab <- xtabs(~ lecture.bd + sport, data = d)

lprop(tab)
sport
lecture.bd Non Oui Total
Non 64.2 35.8 100.0
Oui 48.9 51.1 100.0
Ensemble 63.8 36.1 100.0
Une représentation graphique sous forme de diagramme en barres peut être définie comme suit :
– 499 –
R> barplot(prop.table(tab, margin = 1) * 100, beside = TRUE, ylim = c(0, 10

0), xlab = "Sport", legend.text = c("Lecture : non", "Lecture : oui"))
Figure 2. Répartition des individus (en %) selon les variables sport et lecture
Il suffit de transmettre notre tableau croisé (à 2×2 dimensions) à prop.test :
R> prop.test(tab)
2-sample test for equality of proportions with

continuity correction
data: tab
X-squared = 4, df = 1, p-value = 0.0455
alternative hypothesis: two.sided
-0.002652453 0.308107236
sample estimates:
prop 1 prop 2
– 500 –
0.6420891 0.4893617
On pourra également avoir recours à la fonction fisher.test qui renverra notamment l’odds ratio et
son intervalle de confiance correspondant :
R> fisher.test(tab)
Fisher's Exact Test for Count Data
data: tab
p-value = 0.0445
alternative hypothesis: true odds ratio is not equal to 1
1.003372 3.497759
sample estimates:
odds ratio
1.871433
NOTE
Formellement, le test de Fisher suppose que les marges du tableau (totaux lignes et colonnes) sont
fixées, puisqu’il repose sur une loi hypergéométrique, et donc celui-ci se prête plus au cas des
situations expérimentales (plans d’expérience, essais cliniques) qu’au cas des données tirées d’études
observationnelles.
On pourra aussi avoir recours à la fonction odds.ratio de l’extension questionr qui réalise le même
calcul mais présente le résultat légèrement différemment :
R> odds.ratio(tab)
Note : pour le calcul du risque relatif, on pourra regarder du côté de la fonction relrisk de l’extension
mosaic.
χ² et dérivés
Dans le cadre d’un tableau croisé, on peut tester l’existence d’un lien entre les modalités de deux variables,
avec le très classique test du χ² de Pearson4. Celui-ci s’obtient grâce à la fonction chisq.test , appliquée
au tableau croisé obtenu avec table ou xtabs 5 :
– 501 –
R> d$qualreg <- as.character(d$qualif)

d$qualreg[d$qualif %in% c("Ouvrier specialise", "Ouvrier qualifie")] <- "Ouvri
er"
d$qualreg[d$qualif %in% c(
"Profession intermediaire",
"Technicien"
)] <- "Intermediaire"
tab <- table(d$sport, d$qualreg)

tab

Non 38 117 401 127 381
Oui 20 143 193 119 114
R> chisq.test(tab)
Pearson's Chi-squared test
data: tab
Le test est hautement significatif : on ne peut donc pas considérer qu’il y a indépendance entre les lignes
et les colonnes du tableau.
4. On ne donnera pas plus d’indications sur le test du χ² ici. Les personnes désirant une présentation plus détaillée
pourront se reporter (attention, séance d’autopromotion !) à la page suivante : http://alea.fr.eu.org/pages/khi2.
5. On peut aussi appliquer

directement le test en spécifiant les deux variables à croiser via
chisq.test(d$qualreg, d$sport) .
– 502 –
NOTE
Notons que l’agrégation des niveaux d’une variable catégorielle peut être réalisée d’une manière
différente en utilisant les fonctions de gestion des niveaux d’un facteur. Les expressions précédentes
sont donc équivalentes à l’approche ci-après, qui ne nécessite pas de convertir d$qualif en chaîne
de caractères :
R> d$qualreg <- d$qualif

levels(d$qualreg)[1:2] <- "Ouvrier"
levels(d$qualreg)[2:3] <- "Intermédiaire"
tab <- table(d$sport, d$qualreg)
On peut affiner l’interprétation du test en déterminant dans quelle cas l’écart à l’indépendance est le
plus significatif en utilisant les résidus du test. Ceux-ci sont notamment affichables avec la fonction
chisq.residuals de questionr :
R> chisq.residuals(tab)

Non 0.11 -3.89 0.95 -2.49 3.49
Oui -0.15 5.23 -1.28 3.35 -4.70
Les cases pour lesquelles l’écart à l’indépendance est significatif ont un résidu dont la valeur est
supérieure à 2 ou inférieure à -2 (le fameux nombre 2 issu de la loi normale, au-delà duquel on s’attend
à observer au maximum 2,5 % des observations). Ici on constate que la pratique d’un sport est sur-
représentée parmi les cadres et, à un niveau un peu moindre, parmi les professions intermédiaires, tandis
qu’elle est sous-représentée chez les ouvriers.
Enfin, on peut calculer le coefficient de contingence de Cramer du tableau, qui présente l’avantage de
pouvoir être comparé par la suite à celui calculé sur d’autres tableaux croisés. On peut pour cela utiliser la
fonction cramer.v de questionr :
R> cramer.v(tab)
[1] 0.24199
– 503 –
NOTE
Pour un tableau à 2×2 entrées, comme discuté plus haut, il est également possible de calculer le
test exact de Fisher avec la fonction fisher.test . On peut soit lui passer le résultat de table ou
xtabs , soit directement les deux variables à croiser.
R> lprop(table(d$sexe, d$cuisine))
Non Oui Total

Homme 70.0 30.0 100.0
Femme 44.5 55.5 100.0
Ensemble 56.0 44.0 100.0
R> fisher.test(table(d$sexe, d$cuisine))
Fisher's Exact Test for Count Data
data: table(d$sexe, d$cuisine)

p-value < 2.2e-16
alternative hypothesis: true odds ratio is not equal to 1
2.402598 3.513723
sample estimates:
odds ratio
2.903253
Le test du χ² de Pearson étant assez robuste quant aux déviations par rapport aux hypothèses
d’applications du test (effectifs théoriques tous ≥ 5), le test de Fisher présente en général peu d’intérêt
dans le cas de l’analyse des tableaux de contingence.

Lorsque l’on utilise des données pondérées, on aura recours à l’extension survey6.
Préparons des données d’exemple :
– 504 –
R> library(survey)
Pour comparer deux moyennes à l’aide d’un test t on aura recours à svyttest :
R> svyttest(age ~ sexe, dw)
Design-based t-test
data: age ~ sexe

t = 2.0404, df = 1998, p-value = 0.04144
alternative hypothesis: true difference in mean is not equal to 0
0.08316148 4.19909687
sample estimates:
difference in mean
2.141129
Pour le test de Wilcoxon/Mann-Whitney, on pourra avoir recours à svyranktest :
R> svyranktest(age ~ hard.rock, dw)
Design-based KruskalWallis test
data: age ~ hard.rock

t = -11.12, df = 1998, p-value < 2.2e-16
alternative hypothesis: true difference in mean rank score is not equal to 0
sample estimates:
difference in mean rank score
-0.3636859
On ne peut pas utiliser chisq.test directement sur un tableau généré par svytable . Les effectifs
étant extrapolés à partir de la pondération, les résultats du test seraient complètement faussés. Si on veut
faire un test du χ² sur un tableau croisé pondéré, il faut utiliser svychisq :
R> rprop(svytable(~ sexe + clso, dw))
clso
sexe Oui Non Ne sait pas Total
Homme 51.6 47.0 1.4 100.0
– 505 –
Femme 43.9 54.8 1.3 100.0

Ensemble 47.5 51.1 1.4 100.0
R> svychisq(~ sexe + clso, dw)
Pearson's X^2: Rao & Scott adjustment
data: svychisq(~sexe + clso, dw)

F = 3.3331, ndf = 1.9734, ddf = 3944.9024, p-value =
0.03641
L’extension survey ne propose pas de version adaptée du test exact de Fisher. Pour comparer deux
proportions, on aura donc recours au test du χ² :
R> rprop(svytable(~ lecture.bd + sport, dw))
sport
lecture.bd Non Oui Total
Non 61.0 39.0 100.0
Oui 46.8 53.2 100.0
Ensemble 60.7 39.3 100.0
R> svychisq(~ lecture.bd + sport, dw)
Pearson's X^2: Rao & Scott adjustment
data: svychisq(~lecture.bd + sport, dw)

F = 2.6213, ndf = 1, ddf = 1999, p-value = 0.1056
Tests dans les tableaux de gtsummary

Lorsque l’on réalise un tableau croisé avec tbl_summary ou tbl_svysummary de l’extension
gtsummary, il est possible d’ajouter des tests de comparaison avec add_p .
– 506 –
R> d %>%
tbl_summary(
include = c("hard.rock", "age", "sport"),
by = "hard.rock"
) %>%
add_p()
Caractéristique Non, N = 1 9861 Oui, N = 141 p-valeur2
age 48 (35 – 60) 26 (22 – 30) <0,001
sport >0,9
Non 1 268 (64%) 9 (64%)
Oui 718 (36%) 5 (36%)
2 test de Wilcoxon-Mann-Whitney; test du khi-deux d'indépendance
Il est possible de préciser le type de test à utiliser.
R> d %>%
tbl_summary(
include = c("hard.rock", "age"),
by = "hard.rock"
) %>%
add_p(test = list(all_continuous() ~ "wilcox.test"))
Caractéristique Non, N = 1 9861 Oui, N = 141 p-valeur2
age 48 (35 – 60) 26 (22 – 30) <0,001
1 Médiane (EI)
2 test de Wilcoxon-Mann-Whitney
Cela fonctionne également avec les données pondérées et les plans d’échantillonnage complexe.
– 507 –
R> dw %>%
tbl_svysummary(
include = c("hard.rock", "age", "sport"),
by = "hard.rock"
) %>%
add_p()
Caractéristique Non, N = 10 981 9631 Oui, N = 89 2641 p-valeur2
age 45 (31 – 60) 23 (19 – 28) <0,001
sport 0,8
Non 6 656 841 (61%) 57 920 (65%)
Oui 4 325 122 (39%) 31 344 (35%)
2 test de Wilcoxon sur la somme des rangs adapté aux plans d'échantillonnage complexes; test du
Chi² avec la correction du second ordre de Rao & Scott
– 508 –
Définir un plan
d’échantillonnage complexe
avec survey
Différents types d’échantillonnage . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509
Les options de svydesign . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 510
Quelques exemples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 511
Extraire un sous-échantillon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 512
Sous-échantillon et données labellisées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 512
WEBIN-R
Ce chapitre est évoqué dans le webin-R #10 (Données pondérées, plan d’échantillonnage complexe &
survey) sur YouTube.
L’extension survey ne permet pas seulement d’indiquer une variable de pondération mais également de
prendre les spécificités du plan d’échantillonnage (strates, grappes, …). Le plan d’échantillonnage ne joue
pas seulement sur la pondération des données, mais influence le calcul des variances et par ricochet
tous les tests statistiques. Deux échantillons identiques avec la même variable de pondération mais des
designs différents produiront les mêmes moyennes et proportions mais des intervalles de confiance
différents.
Le site officiel (en anglais) comporte beaucoup d’informations, mais pas forcément très accessibles :
http://r-survey.r-forge.r-project.org/.
Différents types d’échantillonnage

L’échantillonnage aléatoire simple ou échantillonnage équiprobable est une méthode pour laquelle tous
– 509 –
les échantillons possibles (de même taille) ont la même probabilité d’être choisis et tous les éléments de
la population ont une chance égale de faire partie de l’échantillon. C’est l’échantillonnage le plus simple :
chaque individu à la même probabilité d’être sélectionné.
L’échantillonnage stratifié est une méthode qui consiste d’abord à subdiviser la population en groupes
homogènes (strates) pour ensuite extraire un échantillon aléatoire de chaque strate. Cette méthode
suppose la connaissance de la structure de la population. Pour estimer les paramètres, les résultats
doivent être pondérés par l’importance relative de chaque strate dans la population.
L’échantillonnage par grappes est une méthode qui consiste à choisir un échantillon aléatoire d’unités qui
sont elles-mêmes des sous-ensembles de la population (grappes ou clusters en anglais). Cette méthode
suppose que les unités de chaque grappe sont représentatives. Elle possède l’avantage d’être souvent plus
économique.
Il est possible de combiner plusieurs de ces approches. Par exemple, les Enquêtes Démographiques et de
Santé1 (EDS) sont des enquêtes stratifiées en grappes à deux degrés. Dans un premier temps, la population
est divisée en strates par région et milieu de résidence. Dans chaque strate, des zones d’enquêtes,
correspondant à des unités de recensement, sont tirées au sort avec une probabilité proportionnelle au
nombre de ménages de chaque zone au dernier recensement de population. Enfin, au sein de chaque
zone d’enquête sélectionnée, un recensement de l’ensemble des ménages est effectué puis un nombre
identique de ménages par zone d’enquête est tiré au sort de manière alétoire simple.
Les options de svydesign

La fonction svydesign accepte plusieurs arguments décrits sur sa page d’aide (obtenue avec la
commande ?svydesign ).
L’agument data permet de spécifier le tableau de données contenant les observations.
L’argument ids est obligatoire et spécifie sous la forme d’une formule les identifiants des différents
niveaux d’un tirage en grappe. S’il s’agit d’un échantillon aléatoire simple, on entrera ids=˜1 . Autre
situation : supposons une étude portant sur la population française. Dans un premier temps, on a tiré au
sort un certain nombre de départements français. Dans un second temps, on tire au sort dans chaque
département des communes. Dans chaque commune sélectionnée, on tire au sort des quartiers. Enfin,
on interroge de manière exhaustive toutes les personnes habitant les quartiers enquêtés. Notre fichier
de données devra donc comporter pour chaque observation les variables id_departement, id_commune et
id_quartier. On écrira alors pour l’argument ids la valeur suivante :
ids=˜id_departement+id_commune+id_quartier .
Si l’échantillon est stratifié, on spécifiera les strates à l’aide de l’argument strata en spécifiant la variable
contenant l’identifiant des strates. Par exemple : strata=˜id_strate .
1. Vaste programme d’enquêtes réalisées à intervalles réguliers dans les pays du Sud, disponibles sur
http://www.dhsprogram.com/.
– 510 –
Définir un plan d’échantillonnage complexe avec survey
Il faut encore spécifier les probabilités de tirage de chaque cluster ou bien la pondération des individus. Si
l’on dispose de la probabilité de chaque observation d’être sélectionnée, on utilisera l’argument probs .
Si, par contre, on connaît la pondération de chaque observation (qui doit être proportionnelle à l’inverse
de cette probabilité), on utilisera l’argument weights .
Si l’échantillon est stratifié, qu’au sein de chaque strate les individus ont été tirés au sort de manière
aléatoire et que l’on connaît la taille de chaque strate, il est possible de ne pas avoir à spécifier la
probabilité de tirage ou la pondération de chaque observation. Il est préférable de fournir une variable
contenant la taille de chaque strate à l’argument fpc . De plus, dans ce cas-là, une petite correction sera
appliquée au modèle pour prendre en compte la taille finie de chaque strate.
Quelques exemples
R> # Échantillonnage aléatoire simple
plan <- svydesign(ids = ~1, data = donnees)
# Échantillonnage stratifié à un seul niveau (la taille de chaque strate est c

onnue)
plan <- svydesign(ids = ~1, data = donnees, fpc = ~taille)
# Échantillonnage en grappes avec tirages à quatre degrés (departement, commun

e, quartier, individus). La probabilité de tirage de chaque niveau de cluster
est connue.
plan <- svydesign(ids = ~ id_departement + id_commune + id_quartier, data = do
nnees, probs = ~ proba_departement + proba_commune + proba_quartier)
# Échantillonnage stratifié avec tirage à deux degrés (clusters et individus).

Le poids statistiques de chaque observation est connu.
plan <- svydesign(ids = ~id_cluster, data = donnees, strata = ~id_strate, weig
hts = ~poids)
Prenons l’exemple d’une Enquête Démographique et de Santé. Le nom des différentes variables est
standardisé et commun quelle que soit l’enquête. Nous supposerons que vous avez importé le fichier
individus dans un tableau de données nommés eds . Le poids statistique de chaque individu est fourni
par la variable V005 qui doit au préalable être divisée par un million. Les grappes d’échantillonnage au
premier degré sont fournies par la variable V021 (primary sample unit). Si elle n’est pas renseignée, on
pourra utilisier le numéro de grappe V001. Enfin, le milieu de résidence (urbain / rural) est fourni par V025
et la région par V024. Pour rappel, l’échantillon a été stratifié à la fois par région et par mileu de résidence.
Certaines enquêtes fournissent directement un numéro de strate via V022. Si tel est le cas, on pourra
préciser le plan d’échantillonnage ainsi :
– 511 –
R> eds$poids <- eds$V005 / 1000000

design.eds <- svydesign(ids = ~V021, data = eds, strata = ~V022, weights = ~po
ids)
Si V022 n’est pas fourni mais que l’enquête a bien été stratifiée par région et milieu de résidence (vérifiez
toujours le premier chapitre du rapport d’enquête), on pourra créer une variable strate ainsi2 :
R> eds$strate <- as.factor(as.integer(eds$V024) * 10 + as.integer(eds$V025))

levels(eds$strate) <- c(paste(levels(eds$V024), "Urbain"), paste(levels(eds$V0
24), "Rural"))
design.eds <- svydesign(ids = ~V021, data = eds, strata = ~strate, weights =
~poids)
I M P O R TA N T
Il n’est pas aisé de modifier des variables dans un objet survey.design . Il est donc préférable de
procéder à l’ensemble des nettoyages, recodages de variables (et au besoin transformation des
vecteurs labellisés en facteur), avant de convertir le tableau de données en objet survey et de
procéder aux analyses.
Une autre possibilité et d’utiliser l’extension srvyr qui permet d’utiliser les verbes de dplyr avec
survey. Le fonctionnement de cette extension est expliqué dans une vignette dédiée : https://cran.r-
project.org/web/packages/srvyr/vignettes/srvyr-vs-survey.html.
Extraire un sous-échantillon
Si l’on souhaite travailler sur un sous-échantillon tout en gardant les informations d’échantillonnage, on
utilisera la fonction subset présentée en détail dans le chapitre Manipulation de données.
R> sous <- subset(plan, sexe == "Femme" & age >= 40)
Sous-échantillon et données labellisées

Si vous utilisez des données labellisées (voir chapitre dédié, page 121), les étiquettes de variables risquent
d’être perdues avec subset .
2. L’astuce consiste à utiliser as.integer pour obtenir le code des facteurs et non leur valeur textuelle. L’addition
des deux valeurs après multiplication du code de la région par 10 permet d’obtenir une valeur unique pour chaque
combinaison des deux variables. On retransforme le résultat en facteurs puis on modifie les étiquettes des modalités.
– 512 –
R> library(survey)
data("fecondite", package = "questionr")
d <- svydesign(ids = ~1, data = enfants, weights = ~1)

d$variables %>%
look_for() %>%
print()
pos variable label col_type missing

1 id_enfant Identifiant de~ dbl 0
2 id_femme Identifiant de~ dbl 0
3 date_naissance Date de naissa~ date 0
4 sexe Sexe de l'enfa~ dbl+lbl 0
5 survie L'enfant est-i~ dbl+lbl 0
6 age_deces Age au décès (~ dbl 1442

values
[1] masculin
[2] féminin
[0] non
[1] oui
R> d2 <- subset(d, sexe == 2)

d2$variables %>%
look_for() %>%
print()

1 id_enfant — dbl 0
2 id_femme — dbl 0
3 date_naissance — date 0
6 age_deces — dbl 774

values
– 513 –
[1] masculin
[2] féminin
[0] non
[1] oui
Dans ce cas là, il est préférable d’utiliser l’extension srvyr et la fonction filter .
R> library(srvyr)
Attachement du package : 'srvyr'
L'objet suivant est masqué depuis 'package:stats':
filter
R> d <- enfants %>% as_survey(weights = 1)

d$variables %>%
look_for() %>%
print()


values
[1] masculin
[2] féminin
[0] non
[1] oui
– 514 –
R> d2 <- d %>% filter(sexe == 2)

d2$variables %>%
look_for() %>%
print()


values
[1] masculin
[2] féminin
[0] non
[1] oui
– 515 –
Régression linéaire
GUIDE-R
Une version actualisée de ce chapitre est disponible sur guide-R : Régression linéaire
I M P O R TA N T
On pourra se référer au chapitre «6 Régressions linéaires avec R» du support de cours d’Ewen Gallic
intitulé Logiciel R et programmation (http://egallic.fr/Enseignement/R/m1_stat_eco_logiciel_R.pdf).
– 517 –
Régression logistique
binaire, multinomiale et
ordinale
Préparation des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 520
Régression logistique binaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 524
Coefficients du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 527
Représentation graphique du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 533
Représentation graphique des effets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 534
Matrice de confusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 537
Identifier les variables ayant un effet significatif . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 538
Sélection de modèles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 541
Tableaux «all-in-one» . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 547
Effets d’interaction dans le modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 580
Multicolinéarité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 580
Régression logistique multinomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 581
Régression logistique ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 592
Régression logistique binaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 597
Régression multinomiale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 599
Régression ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 603
GUIDE-R
Une version actualisée de ce chapitre est disponible sur guide-R : Régression logistique binaire
– 519 –
NOTE
La version originale de ce chapitre a été écrite par Joseph Larmarange dans le cadre du support de
cours Introduction à l’analyse d’enquêtes avec R.
WEBIN-R
longitudinales 4 : régression logistique multinomiale & modèles mixtes à classe latente) sur YouTube.
longitudinales 5 : modèle à observations répétée, régression logistique ordinale GEE & analyse de
survie multi-états) sur YouTube.
La régression logistique est fréquemment utilisée en sciences sociales car elle permet d’effectuer un
raisonnement dit toutes choses étant égales par ailleurs. Plus précisément, la régression logistique a pour
but d’isoler les effets de chaque variable, c’est-à-dire d’identifier les effets résiduels d’une variable
explicative sur une variable d’intérêt, une fois pris en compte les autres variables explicatives introduites
dans le modèle. La régression logistique est ainsi prisée en épidémiologie pour identifier les facteurs
associés à telle ou telle pathologie.
La régression logistique ordinaire ou régression logistique binaire vise à expliquer une variable d’intérêt
binaire (c’est-à-dire de type « oui / non » ou « vrai / faux »). Les variables explicatives qui seront introduites
dans le modèle peuvent être quantitatives ou qualitatives.
La régression logistique multinomiale est une extension de la régression logistique aux variables
qualitatives à trois modalités ou plus, la régression logistique ordinale aux variables qualitatives à trois
modalités ou plus qui sont ordonnées hiérarchiquement.
Préparation des données

Dans ce chapite, nous allons encore une fois utiliser les données de l’enquête Histoire de vie, fournies avec
l’extension questionr.
– 520 –
Régression logistique binaire, multinomiale et ordinale
data(hdv2003)
d <- hdv2003
À titre d’exemple, nous allons étudier l’effet de l’âge, du sexe, du niveau d’étude, de la pratique religieuse
et du nombre moyen d’heures passées à regarder la télévision par jour sur le fait de pratiquer un sport.
En premier lieu, il importe de vérifier que notre variable d’intérêt (ici sport) est correctement codée. Une
possibilité consiste à créer une variable booléenne (vrai / faux) selon que l’individu a pratiqué du sport ou
non :
R> d$sport2 <- FALSE

d$sport2[d$sport == "Oui"] <- TRUE
Dans le cas présent, cette variable n’a pas de valeur manquante. Mais, le cas échéant, il importe de bien
coder les valeurs manquantes en NA , les individus en question étant alors exclu de l’analyse.
Il n’est pas forcément nécessaire de transformer notre variable d’intérêt en variable booléenne. En effet,
R accepte sans problème une variable de type facteur. Cependant, l’ordre des valeurs d’un facteur a de
l’importance. En effet, R considère toujours la première modalité comme étant la modalité de référence.
Dans le cas de la variable d’intérêt, la modalité de référence correspond au fait de ne pas remplir le critère
étudié, dans notre exemple au fait de ne pas avoir eu d’activité sportive au cours des douze derniers mois.
Pour connaître l’ordre des modalités d’une variable de type facteur, on peut utiliser la fonction levels
ou bien encore tout simplement la fonction freq de l’extension questionr :
R> levels(d$sport)
[1] "Non" "Oui"
R> freq(d$sport)
Dans notre exemple, la modalité « Non » est déjà la première modalité. Il n’y a donc pas besoin de modifier
notre variable. Si ce n’est pas le cas, il faudra modifier la modalité de référence avec la fonction
fct_relevel ou la fonction relevel comme nous allons le voir un peu plus loin.
– 521 –
I M P O R TA N T
Il est possible d’indiquer un facteur à plus de deux modalités. Dans une telle situation, R considérera
que tous les modalités, sauf la modalité de référence, est une réalisation de la variable d’intérêt.
Cela serait correct, par exemple, si notre variable sport était codée ainsi : « Non », « Oui, toutes les
semaines », « Oui, au moins une fois par mois », « Oui, moins d’une fois par mois ». Cependant, afin
d’éviter tout risque d’erreur ou de mauvaise interprétation, il est vivement conseillé de recoder au
préalable sa variable d’intérêt en un facteur à deux modalités.
La notion de modalité de référence s’applique également aux variables explicatives qualitatives. En effet,
dans un modèle, tous les coefficients sont calculés par rapport à la modalité de référence. Il importe de
choisir une modalité de référence qui fasse sens afin de faciliter l’interprétation. Par ailleurs, ce choix
peut également dépendre de la manière dont on souhaite présenter les résultats. De manière générale on
évitera de choisir comme référence une modalité peu représentée dans l’échantillon ou bien une modalité
correspondant à une situation atypique.
Prenons l’exemple de la variable sexe. Souhaite-t-on connaitre l’effet d’être une femme par rapport au fait
d’être un homme ou bien l’effet d’être un homme par rapport au fait d’être une femme ? Si l’on opte pour le
second, alors notre modalité de référence sera le sexe féminin. Comme est codée cette variable ?
R> freq(d$sexe)
La modalité « Femme » s’avère ne pas être la première modalité. Nous devons appliquer la fonction
fct_relevel ou la fonction relevel :
R> d$sexe <- relevel(d$sexe, "Femme")

freq(d$sexe)
I M P O R TA N T
Données labellisées
Si l’on utilise des données labellisées (voir le chapitre dédié, page 127), nos variables catégorielles
seront stockées sous la forme d’un vecteur numérique avec des étiquettes. Il sera donc nécessaire
de convertir ces variables en facteurs, tout simplement avec la fonction to_factor de l’extension
labelled qui pourra utiliser les étiquettes de valeurs comme modalités du facteur.
Les variables age et heures.tv sont des variables quantitatives. Il importe de vérifier qu’elles sont bien
enregistrées en tant que variables numériques. En effet, il arrive parfois que dans le fichier source les
variables quantitatives soient renseignées sous forme de valeur textuelle et non sous forme numérique.
– 522 –
R> str(d$age)
int [1:2000] 28 23 59 34 71 35 60 47 20 28 ...
R> str(d$heures.tv)
num [1:2000] 0 1 0 2 3 2 2.9 1 2 2 ...
Nos deux variables sont bien renseignées sous forme numérique.
Cependant, l’effet de l’âge est rarement linéaire. Un exemple trivial est par exemple le fait d’occuper un
emploi qui sera moins fréquent aux jeunes âges et aux âges élevés. Dès lors, on pourra transformer la
variable age en groupe d’âges avec la fonction cut (voir le chapitre Manipulation de données) :
R> d$grpage <- cut(d$age, c(16, 25, 45, 65, 99), right = FALSE, include.lowest =
TRUE)
freq(d$grpage)
Jetons maintenant un oeil à la variable nivetud :
R> freq(d$nivetud)
En premier lieu, cette variable est détaillée en pas moins de huit modalités dont certaines sont peu
représentées (seulement 39 individus soit 2 % n’ont jamais fait d’études par exemple). Afin d’améliorier
notre modèle logistique, il peut être pertinent de regrouper certaines modalités (voir le chapitre
Manipulation de données) :
R> d$etud <- d$nivetud

levels(d$etud) <- c(
"Primaire", "Primaire", "Primaire",
"Secondaire", "Secondaire", "Technique/Professionnel",
"Technique/Professionnel", "Supérieur"
)
freq(d$etud)
Notre variable comporte également 112 individus avec une valeur manquante. Si nous conservons cette
valeur manquante, ces 112 individus seront, par défaut, exclus de l’analyse. Ces valeurs manquantes
n’étant pas négligeable (5,6 %), nous pouvons également faire le choix de considérer ces valeurs
manquantes comme une modalité supplémentaire. Auquel cas, nous utiliserons la fonction
1
fct_explicit_na fournie par questionr :
1. Il existe également une fonction add.NA fournie de base avec R et addNAstr fournie par questionr.
– 523 –
R> levels(d$etud)
[1] "Primaire" "Secondaire"

[3] "Technique/Professionnel" "Supérieur"
R> d$etud <- forcats::fct_explicit_na(d$etud, "manquant")

levels(d$etud)
[1] "Primaire" "Secondaire"

[3] "Technique/Professionnel" "Supérieur"
[5] "manquant"
Régression logistique binaire

La fonction glm (pour generalized linear models soit modèle linéaire généralisé en français) permet de
calculer une grande variété de modèles statistiques. La régression logistique ordinaire correspond au
modèle logit de la famille des modèles binomiaux, ce que l’on indique à glm avec l’argument
family=binomial(logit) .
Le modèle proprement dit sera renseigné sous la forme d’une formule (que nous avons déjà rencontrée
dans le chapitre sur la statistique bivariée, page 365 et présentée plus en détails dans un chapitre dédié,
page 1141). On indiquera d’abord la variable d’intérêt, suivie du signe ~ (que l’on obtient en appuyant sur
les touches Alt Gr et 3 sur un clavier de type PC) puis de la liste des variables explicatives séparées par
un signe + . Enfin, l’argument data permettra d’indiquer notre tableau de données.
R> reg <- glm(sport ~ sexe + grpage + etud + relig + heures.tv, data = d, family
= binomial(logit))
reg
Call: glm(formula = sport ~ sexe + grpage + etud + relig + heures.tv,

family = binomial(logit), data = d)
Coefficients:
(Intercept)
-0.7984
sexeHomme
0.4397
grpage[25,45)
-0.4204
– 524 –
grpage[45,65)
-1.0854
grpage[65,99]
-1.3814
etudSecondaire
0.9506
etudTechnique/Professionnel
1.0493
etudSupérieur
1.8917
etudmanquant
2.1504
religPratiquant occasionnel
-0.0219
religAppartenance sans pratique
-0.0067
religNi croyance ni appartenance
-0.2154
religRejet
-0.3835
religNSP ou NVPR
-0.0838
heures.tv
-0.1209
Degrees of Freedom: 1994 Total (i.e. Null); 1980 Residual

(5 observations effacées parce que manquantes)
Null Deviance: 2610
Residual Deviance: 2210 AIC: 2240
NOTE
Il est possible de spécifier des modèles plus complexes. Par exemple, x:y permet d’indiquer
l’interaction entre les variables x et y. x * y sera équivalent à x + y + x:y . Pour aller plus loin,
voir http://ww2.coastal.edu/kingw/statistics/R-tutorials/formulae.html.
Une présentation plus complète des résultats est obtenue avec la méthode summary :
R> summary(reg)
Call:
glm(formula = sport ~ sexe + grpage + etud + relig + heures.tv,
– 525 –
family = binomial(logit), data = d)
Deviance Residuals:
Min 1Q Median 3Q Max
-1.878 -0.886 -0.481 1.003 2.422
Coefficients:
Estimate Std. Error
(Intercept) -0.7984 0.3239
sexeHomme 0.4397 0.1061
grpage[25,45) -0.4204 0.2281
grpage[45,65) -1.0854 0.2377
grpage[65,99] -1.3814 0.2738
etudSecondaire 0.9506 0.1974
etudTechnique/Professionnel 1.0493 0.1898
etudSupérieur 1.8917 0.1952
etudmanquant 2.1504 0.3302
religPratiquant occasionnel -0.0219 0.1892
religAppartenance sans pratique -0.0067 0.1747
religNi croyance ni appartenance -0.2154 0.1931
religRejet -0.3835 0.2859
religNSP ou NVPR -0.0838 0.4110
heures.tv -0.1209 0.0336
z value Pr(>|z|)
(Intercept) -2.46 0.01371 *
sexeHomme 4.15 3.4e-05 ***
grpage[25,45) -1.84 0.06524 .
grpage[45,65) -4.57 5.0e-06 ***
grpage[65,99] -5.05 4.5e-07 ***
etudSecondaire 4.81 1.5e-06 ***
etudTechnique/Professionnel 5.53 3.2e-08 ***
etudSupérieur 9.69 < 2e-16 ***
etudmanquant 6.51 7.4e-11 ***
religPratiquant occasionnel -0.12 0.90783
religAppartenance sans pratique -0.04 0.96943
religNi croyance ni appartenance -1.12 0.26462
religRejet -1.34 0.17976
religNSP ou NVPR -0.20 0.83847
heures.tv -3.60 0.00032 ***
---
Signif. codes:
0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for binomial family taken to be 1)
Null deviance: 2609.2 on 1994 degrees of freedom

Residual deviance: 2206.2 on 1980 degrees of freedom
– 526 –

AIC: 2236
Number of Fisher Scoring iterations: 4
Coefficients du modèle
Dans le cadre d’un modèle logistique, généralement on ne présente pas les coefficients du modèle mais
leur valeur exponentielle, cette dernière correspondant en effet à des odds ratio, également appelés
rapports des cotes. L’odds ratio diffère du risque relatif. Cependent son interprétation est similaire. Un
odds ratio de 1 signifie l’absence d’effet. Un odds ratio largement supérieur à 1 correspond à une
augmentation du phénomène étudié et un odds ratio largement inféieur à 1 correspond à une diminution
du phénomène étudié2.
La fonction coef permet d’obtenir les coefficients d’un modèle, confint leurs intervalles de confiance
et exp de calculer l’exponentiel. Les odds ratio et leurs intervalles de confiance s’obtiennent ainsi :
R> exp(coef(reg))
(Intercept)
0.4501
sexeHomme
1.5522
grpage[25,45)
0.6568
grpage[45,65)
0.3378
grpage[65,99]
0.2512
etudSecondaire
2.5872
etudTechnique/Professionnel
2.8555
etudSupérieur
6.6304
etudmanquant
8.5885
0.9783
0.9933
2. Pour plus de détails, voir http://www.spc.univ-lyon1.fr/polycop/odds%20ratio.htm.
– 527 –

0.8062
religRejet
0.6814
religNSP ou NVPR
0.9196
heures.tv
0.8861
R> exp(confint(reg))
Attente de la réalisation du profilage...
2.5 % 97.5 %
(Intercept) 0.2377 0.8473
sexeHomme 1.2614 1.9120
grpage[25,45) 0.4194 1.0275
grpage[45,65) 0.2115 0.5381
grpage[65,99] 0.1464 0.4288
etudSecondaire 1.7653 3.8328
etudSupérieur 4.5518 9.7951
etudmanquant 4.5348 16.5885
religPratiquant occasionnel 0.6759 1.4199
religAppartenance sans pratique 0.7063 1.4020
religNi croyance ni appartenance 0.5524 1.1782
religRejet 0.3869 1.1890
religNSP ou NVPR 0.3997 2.0216
heures.tv 0.8290 0.9458
On pourra faciliter la lecture en combinant les deux :
R> exp(cbind(coef(reg), confint(reg)))
2.5 % 97.5 %
(Intercept) 0.4501 0.2377 0.8473
sexeHomme 1.5522 1.2614 1.9120
grpage[25,45) 0.6568 0.4194 1.0275
grpage[45,65) 0.3378 0.2115 0.5381
grpage[65,99] 0.2512 0.1464 0.4288
etudSecondaire 2.5872 1.7653 3.8328
– 528 –
etudTechnique/Professionnel 2.8555 1.9805 4.1729

etudSupérieur 6.6304 4.5518 9.7951
etudmanquant 8.5885 4.5348 16.5885
religPratiquant occasionnel 0.9783 0.6759 1.4199
religAppartenance sans pratique 0.9933 0.7063 1.4020
religNi croyance ni appartenance 0.8062 0.5524 1.1782
religRejet 0.6814 0.3869 1.1890
religNSP ou NVPR 0.9196 0.3997 2.0216
heures.tv 0.8861 0.8290 0.9458
Pour savoir si un odds ratio diffère significativement de 1 (ce qui est identique au fait que le coefficient soit
différent de 0), on pourra se référer à la colonne Pr(>|z|) obtenue avec summary .
Si vous disposez de l’extension questionr, la fonction odds.ratio permet de calculer directement les
odds ratio, leur intervalles de confiance et les p-value :
odds.ratio(reg)
La fonction tidy de l’extension broom pour récupérer les coefficients du modèle sous la forme d’un
tableau de données. On précisera conf.int = TRUE pour obtenir les intervalles de confiance et
exponentiate = TRUE pour avoir les odds ratio plutôt que les coefficients bruts.
R> library(broom)
tidy(reg, conf.int = TRUE, exponentiate = TRUE)
L’extension broom.helpers fournit une fonction tidi_plus_plus qui permet d’améliorer le tableau
renvoyé par tidy en y identifiant les variables utilisés, ajoutant les modalités de référence et en
proposant des étiquettes plus explicites.
R> library(broom.helpers)
Attachement du package : 'broom.helpers'
Les objets suivants sont masqués depuis 'package:gtsummary':
all_continuous, all_contrasts
R> tidy_plus_plus(reg, exponentiate = TRUE)
– 529 –
Si l’on souhaite avoir des noms de variables plus explicites, il faut ajouter des étiquettes des variables avec
var_label de l’extension labelled (voir le chapitre sur les vecteurs labellisés, page 0).
Par contre, cette étape doit avoir eu lieu avant le calcul de la régression linéaire.
var_label(d$sport) <- "Pratique du sport ?"
var_label(d$sexe) <- "Sexe"
var_label(d$grpage) <- "Groupe d'âges"
var_label(d$etud) <- "Niveau d'étude"
var_label(d$relig) <- "Pratique religieuse"
var_label(d$heures.tv) <- "Heures de télévision / jour"
var_label(d$trav.imp) <- "Importance du travail"
reg <- glm(sport ~ sexe + grpage + etud + relig + heures.tv, data = d, family
= binomial(logit))
La fonction tbl_regression de l’extension gtsummary, qui a recours en interne à broom.helpers,

permet d’obtenir un tableau plus propre. Comme nous souhaitons afficher les odds ratios plutôt que les
coefficients du modèle, on indiquera exponentiate = TRUE .
– 530 –
tbl_regression(reg, exponentiate = TRUE)
– 531 –
Caractéristique OR1 95% IC1 p-valeur
Sexe
Femme — —
Homme 1,55 1,26 – 1,91 <0,001
Groupe d'âges
[16,25) — —
[25,45) 0,66 0,42 – 1,03 0,065
[45,65) 0,34 0,21 – 0,54 <0,001
[65,99] 0,25 0,15 – 0,43 <0,001
Niveau d'étude
Primaire — —
Secondaire 2,59 1,77 – 3,83 <0,001
Technique/Professionnel 2,86 1,98 – 4,17 <0,001
Supérieur 6,63 4,55 – 9,80 <0,001
manquant 8,59 4,53 – 16,6 <0,001
Pratique religieuse
Pratiquant regulier — —
Pratiquant occasionnel 0,98 0,68 – 1,42 >0,9
Appartenance sans pratique 0,99 0,71 – 1,40 >0,9
Ni croyance ni appartenance 0,81 0,55 – 1,18 0,3
Rejet 0,68 0,39 – 1,19 0,2
NSP ou NVPR 0,92 0,40 – 2,02 0,8
Heures de télévision / jour 0,89 0,83 – 0,95 <0,001
1 OR = rapport de cotes, IC = intervalle de confiance
On pourra se référer à la vignette dédiée (en anglais) pour découvrir les différentes options de
tbl_regression .
– 532 –
Représentation graphique du modèle

Il est possible de représenter graphiquement les différents odds ratios avec la fonction ggcoef_model
de GGally.
R> library(GGally)
ggcoef_model(reg, exponentiate = TRUE)
Figure 1. La fonction ggcoef_model
– 533 –
NOTE
L’extension forestmodel propose de son côté une fonction forest_model qui, à partir d’un modèle,
propose une représentation visuelle et tabulaire des coefficients.
R> library(forestmodel)
forest_model(reg)
Figure 2. La fonction forest_model
A la différence de ggcoef_model qui fonctionne avec la plupart des types de modèles (dont les
modèles à effets mixtes ou ceux réalisés avec un plan d’échantillonnage complexe), forest_model
ne fonctionne qu’avec les modèles les plus courants.
Représentation graphique des effets
GUIDE-R
– 534 –
Une version actualisée de cette section est disponible sur guide-R : Prédictions marginales, contrastes
marginaux & effets marginaux
L’extension effects propose une représentation graphique résumant les effets de chaque variable du
modèle. Pour cela, il suffit d’appliquer la méthode plot au résultat de la fonction allEffects . Nous
obtenons alors la figure ci-dessous, page 535.
R> library(effects)
plot(allEffects(reg))
Figure 3. Représentation graphique de l’effet de chaque variable du modèle logistique
Nous pouvons alternativement avoir recours à l’extension ggeffects3 et sa fonction ggeffect qui
permettent de récupérer les résultats de effects dans un format utilisable avec ggplot2.
Ainsi, la fonction ggeffect , quand on lui précise un terme spécifique, produit un tableau de données
3. Cette extension est livrée avec de nombreuses vignettes dont une vignette d’introduction présentant le
fonctionnement des différentes fonctions.
– 535 –
avec les effets marginaux pour cette variable.
R> library(ggeffects)
ggeffect(reg, "sexe")
En combinant ce résultat avec plot , on obtient un graphique ggplot2 de l’effet en question.
R> plot(ggeffect(reg, "sexe"))
Figure 4. Effet du sexe représenté avec ggeffect
Si l’on ne précise pas de terme, ggeffect(reg) calcule les effets pour chaque variable du modèle et
plot(ggeffect(reg)) renvoie une liste de graphiques. Il faut donc utiliser la fonction plot_grid de
cowplot pour combiner ces graphiques en un seul (voir le chapitre dédié, page 1009).
– 536 –
cowplot::plot_grid(plotlist = plot(ggeffect(reg)))
Figure 5. Effet du modèles représentés avec ggeffect
On pourra noter la prise en compte par ggeffect des étiquettes de variables définies plus haut.
Matrice de confusion
Une manière de tester la qualité d’un modèle est le calcul d’une matrice de confusion, c’est-à-dire le
tableau croisé des valeurs observées et celles des valeurs prédites en appliquant le modèle aux données
d’origine.
La méthode predict avec l’argument type="response" permet d’appliquer notre modèle logistique à
un tableau de données et renvoie pour chaque individu la probabilité qu’il ait vécu le phénomène étudié.
R> sport.pred <- predict(reg, type = "response", newdata = d)

head(sport.pred)
1 2 3 4 5 6
– 537 –
0.61241 0.73415 0.15983 0.70350 0.07294 0.34824
Or notre variable étudiée est de type binaire. Nous devons donc transformer nos probabilités prédites en
une variable du type « oui / non ». Usuellement, les probabilités prédites seront réunies en deux groupes
selon qu’elles soient supérieures ou inférieures à la moitié. La matrice de confusion est alors égale à :
R> table(sport.pred > 0.5, d$sport)
Non Oui
FALSE 1076 384
TRUE 199 336
Nous avons donc 583 (384+199) prédictions incorrectes sur un total de 1993, soit un taux de mauvais
classement de 29,3 %.
Identifier les variables ayant un effet significatif

Les p-values associées aux odds ratios nous indique si un odd ratio est significativement différent de 1,
par rapport à la modalité de référence. Mais cela n’indique pas si globalement une variable a un effet
significatif sur le modèle. Pour tester l’effet global sur un modèle, on peut avoir recours à la fonction
drop1 . Cette dernière va tour à tour supprimer chaque variable du modèle et réaliser une analyse de
variance (ANOVA, voir fonction anova ) pour voir si la variance change significativement.
R> drop1(reg, test = "Chisq")
Ainsi, dans le cas présent, la suppression de la variable relig ne modifie significativement pas le modèle,
indiquant l’absence d’effet de cette variable.
Une fonction plus générique (i.e. fonctionnant avec une plus grande variété de modèles) est la fonction
Anova de l’extension car.
R> library(car)
Anova(reg)
Si l’on a recours à tbl_regression , on peut facilement ajouter les p-valeurs globales avec
add_global_p .
– 538 –
R> reg %>%

tbl_regression(exponentiate = TRUE) %>%
add_global_p(type = "II")
– 539 –
Sexe <0,001
Femme — —
Homme 1,55 1,26 – 1,91
Groupe d'âges <0,001
[16,25) — —
[25,45) 0,66 0,42 – 1,03
[45,65) 0,34 0,21 – 0,54
[65,99] 0,25 0,15 – 0,43
Niveau d'étude <0,001
Primaire — —
Secondaire 2,59 1,77 – 3,83
Technique/Professionnel 2,86 1,98 – 4,17
Supérieur 6,63 4,55 – 9,80
manquant 8,59 4,53 – 16,6
Pratique religieuse 0,5
Pratiquant occasionnel 0,98 0,68 – 1,42
Appartenance sans pratique 0,99 0,71 – 1,40
Ni croyance ni appartenance 0,81 0,55 – 1,18
Rejet 0,68 0,39 – 1,19
NSP ou NVPR 0,92 0,40 – 2,02
– 540 –
NOTE
Concernant le test réalisé dans le cadre d’une Anova, il existe trois tests différents que l’on présente
comme le type 1, le type 2 et le type 3 (ou I, II et III). Pour une explication sur ces différents types,
on pourra se référer (en anglais) à https://mcfromnz.wordpress.com/2011/03/02/anova-type-iiiiii-
ss-explained/ ou encore http://md.psych.bio.uni-goettingen.de/mv/unit/lm_cat/
lm_cat_unbal_ss_explained.html.
Le type I n’est pas recommandé dans le cas présent car il dépend de l’ordre dans lequel les différentes
variables sont testées.
Lorsqu’il n’y a pas d’interaction dans un modèle (voir le chapitre sur les interactions, page 781), le type
II serait à privilégier car plus puissant.
En présence d’interactions, il est conseillé d’avoir plutôt recours au type III. Cependant, en toute
rigueur, pour utiliser le type III, il faut que les variables catégorielles soient codées en utilisant un
contrastes dont la somme est nulle (un contrast de type somme ou polynomial). Or, par défaut, les
variables catégorielles sont codées avec un contraste de type «traitement» (pour une explication sur
les contrastes dans les modèles, voir en anglais cette page ou celle-ci).
Par défaut, Anova utilise le type II et add_global_p le type III. Dans les deux cas, il est possible de
préciser le type de test avec type = "II" ou type = "III" .
Dans le cas de notre exemple, un modèle simple sans interaction, le type de test ne change pas les
résultats.
R> Anova(reg, type = "II")
R> Anova(reg, type = "III")
Sélection de modèles
Il est toujours tentant lorsque l’on recherche les facteurs associés à un phénomène d’inclure un nombre
important de variables explicatives potentielles dans un mmodèle logistique. Cependant, un tel modèle
n’est pas forcément le plus efficace et certaines variables n’auront probablement pas d’effet significatif sur
la variable d’intérêt.
Pour une présentation didactique du cadre théorique de la sélection de modèle, vous pouvez consulter en
ligne le cours de L. Rouvière sur la sélection/validation de modèles.
La technique de sélection descendante pas à pas est une approche visant à améliorer son modèle
explicatif4. On réalise un premier modèle avec toutes les variables spécifiées, puis on regarde s’il est
– 541 –
possible d’améliorer le modèle en supprimant une des variables du modèle. Si plusieurs variables
permettent d’améliorer le modèle, on supprimera la variable dont la suppression améliorera le plus le
modèle. Puis on recommence le même procédé pour voir si la suppression d’une seconde variable peut
encore améliorer le modèle et ainsi de suite. Lorsque le modèle ne peut plus être améliorer par la
suppresion d’une variable, on s’arrête.
Il faut également définir un critère pour déterminer la qualité d’un modèle. L’un des plus utilisés est le
Akaike Information Criterion ou AIC. Plus l’AIC sera faible, meilleure sera le modèle.
La fonction step permet justement de sélectionner le meilleur modèle par une procédure pas à pas
descendante basée sur la minimisation de l’AIC. La fonction affiche à l’écran les différentes étapes de la
sélection et renvoie le modèle final.
R> reg2 <- step(reg)
Start: AIC=2236
sport ~ sexe + grpage + etud + relig + heures.tv
Df Deviance AIC
- relig 5 2210 2230
<none> 2206 2236
- heures.tv 1 2220 2248
- sexe 1 2223 2251
- grpage 3 2259 2283
- etud 4 2330 2352
Step: AIC=2230
sport ~ sexe + grpage + etud + heures.tv
Df Deviance AIC
<none> 2210 2230
- heures.tv 1 2224 2242
- sexe 1 2226 2244
- grpage 3 2261 2275
- etud 4 2334 2346
Le modèle initial a un AIC de 2235,9. À la première étape, il apparait que la suppression de la variable
religion permet diminuer l’AIC à 2230,2. Lors de la seconde étape, toute suppression d’une autre variable
ferait augmenter l’AIC. La procédure s’arrête donc.
Pour obtenir directement l’AIC d’un modèle donné, on peut utiliser la fonction AIC .
4. Il existe également des méthodes de sélection ascendante pas à pas, mais nous les aborderons pas ici.
– 542 –
R> AIC(reg)
[1] 2236
R> AIC(reg2)
[1] 2230
On peut effectuer une analyse de variance ou ANOVA pour comparer les deux modèles avec la fonction
anova .
R> anova(reg, reg2, test = "Chisq")
Il n’y a pas de différences significatives entre nos deux modèles. Autrement dit, notre second modèle
explique tout autant de variance que notre premier modèle, tout en étant plus parcimonieux.
– 543 –
NOTE
Une alternative à la fonction step est la fonction stepAIC de l’extension MASS qui fonctionne de la
même manière. Si cela ne change rien aux régressions logistiques classiques, il arrive que pour certains
types de modèle la méthode step ne soit pas disponible, mais que stepAIC puisse être utilisée à la
place.
R> library(MASS)
reg2bis <- stepAIC(reg)
Start: AIC=2236
Df Deviance AIC
- relig 5 2210 2230
<none> 2206 2236
- heures.tv 1 2220 2248
- sexe 1 2223 2251
- grpage 3 2259 2283
- etud 4 2330 2352
Step: AIC=2230
Df Deviance AIC
<none> 2210 2230
- heures.tv 1 2224 2242
- sexe 1 2226 2244
- grpage 3 2261 2275
- etud 4 2334 2346
Un critère similaire à l’AIC est le critère BIC (Bayesian Information Criterion) appelé aussi SBC (Schwarz
information criterion). Il s’obtient avec step an ajoutant l’argument k = log(n) où n est le nombre
d’observations inclues dans le modèle que l’on peut obtenir avec nrow(model.matrix(reg)) (pour
tenir compte des éventuelles observations manquantes retirées des données pour le calcul du
modèle).
R> reg2_bic <- step(reg, k = log(nrow(model.matrix(reg))))
Start: AIC=2320
– 544 –
Df Deviance AIC
- relig 5 2210 2286
<none> 2206 2320
- heures.tv 1 2220 2326
- sexe 1 2223 2330
- grpage 3 2259 2350
- etud 4 2330 2414
Step: AIC=2286
Df Deviance AIC
<none> 2210 2286
- heures.tv 1 2224 2292
- sexe 1 2226 2295
- grpage 3 2261 2314
- etud 4 2334 2380
On peut facilement comparer visuellement deux modèles avec ggcoef_compare de GGally.
– 545 –
R> library(GGally)
ggcoef_compare(
list("modèle complet" = reg, "modèle réduit" = reg2),
exponentiate = TRUE,
variable_labels = c(heures.tv = "Heures TV / jour")
)
– 546 –
R> ggcoef_compare(
list("modèle complet" = reg, "modèle réduit" = reg2),
type = "faceted",
variable_labels = c(heures.tv = "Heures TV / jour")
)
Figure 6. La fonction ggcoef_compare
Tableaux «all-in-one»
gtsummary
Nous avons déjà vu précédemment la fonction tbl_regression de l’extension gtsummary. Une

vignette dédiée de l’extension explicite les possibilités de personnalisation des résultats. Par exemple
add_global_p permet d’ajouter des p-valeurs globales pour chaque variable.
– 547 –
– 548 –
R> tbl_regression(reg, exponentiate = TRUE) %>%

add_global_p(keep = TRUE)
– 549 –
Sexe <0,001
Femme — —
Homme 1,55 1,26 – 1,91 <0,001
[16,25) — —
[25,45) 0,66 0,42 – 1,03 0,065
[45,65) 0,34 0,21 – 0,54 <0,001
[65,99] 0,25 0,15 – 0,43 <0,001
Primaire — —
Secondaire 2,59 1,77 – 3,83 <0,001
Supérieur 6,63 4,55 – 9,80 <0,001
manquant 8,59 4,53 – 16,6 <0,001
Rejet 0,68 0,39 – 1,19 0,2
NSP ou NVPR 0,92 0,40 – 2,02 0,8
On peut remarquer que gtsummary (comme d’autres extensions présentées précédemment) a tenu
compte des étiquettes de variables définies plus haut avec var_label de l’extension labelled (voir le
– 550 –
chapitre sur les vecteurs labellisés, page 0).
Comme tbl_regression repose sur les extensions broom et broom.helpers, gtsummary peut en
principe couvrir un plus grand nombre de modèles que finalfit (voir ci-dessous) ainsi qu’un plus grand
nombre de cas particuliers (effets d’interactions, contrastes autres que traitement, paramètre
polynomiaux définis avec poly .
– 551 –
NOTE
Par défaut, les valeurs de p sont arrondies avec un nombre variable de décimales (pour ne garder que
des valeurs signifiantes). Cela peut être personnalisé via l’argument pvalue_fun .
– 552 –
R> reg %>%

tbl_regression(
pvalue_fun = function(x) style_pvalue(x, digits = 3)
)
– 553 –
Sexe
Femme — —
Homme 1,55 1,26 – 1,91 <0,001
Groupe d'âges
[16,25) — —
[25,45) 0,66 0,42 – 1,03 0,065
[45,65) 0,34 0,21 – 0,54 <0,001
[65,99] 0,25 0,15 – 0,43 <0,001
Niveau d'étude
Primaire — —
Secondaire 2,59 1,77 – 3,83 <0,001
Supérieur 6,63 4,55 – 9,80 <0,001
manquant 8,59 4,53 – 16,6 <0,001
Pratique religieuse
Pratiquant occasionnel 0,98 0,68 – 1,42 0,908
Appartenance sans pratique 0,99 0,71 – 1,40 0,969
Rejet 0,68 0,39 – 1,19 0,180
NSP ou NVPR 0,92 0,40 – 2,02 0,838
– 554 –
1
OR = rapport de cotes, IC = intervalle de confiance
tbl_merge permet de fusionner ensemble les résultats de plusieurs modèles.
– 555 –
R> tbl_merge(
tbls = list(tbl_regression(reg), tbl_regression(reg2)),
tab_spanner = c("Modèle complet", "Modèle réduit")
)
– 556 –
Modèle complet Modèle réduit

Caractéristique p- p-
log(OR)1 95% IC1 log(OR)1 95% IC1
valeur valeur
Sexe
Femme — — — —
0,23 – 0,21 –
Homme 0,44 <0,001 0,42 <0,001
0,65 0,62
Groupe d'âges
[16,25) — — — —
-0,87 – -0,84 –
[25,45) -0,42 0,065 -0,39 0,084
0,03 0,05
-1,6 – -1,5 –
[45,65) -1,1 <0,001 -1,0 <0,001
-0,62 -0,57
-1,9 – -1,8 –
[65,99] -1,4 <0,001 -1,3 <0,001
-0,85 -0,78
Niveau d'étude
Primaire — — — —
0,57 – 0,55 –
Secondaire 0,95 <0,001 0,93 <0,001
1,3 1,3
Technique/ 0,68 – 0,67 –

1,0 <0,001 1,0 <0,001
Professionnel 1,4 1,4
Supérieur 1,9 1,5 – 2,3 <0,001 1,9 1,5 – 2,3 <0,001
manquant 2,2 1,5 – 2,8 <0,001 2,1 1,5 – 2,8 <0,001
Pratique religieuse
Pratiquant -0,39 –
-0,02 >0,9
occasionnel 0,35
– 557 –
Modèle complet Modèle réduit

Caractéristique p- p-
log(OR)1 95% IC1 log(OR)1 95% IC1
valeur valeur
Appartenance sans -0,35 –

-0,01 >0,9
pratique 0,34
Ni croyance ni -0,59 –
-0,22 0,3
appartenance 0,16
-0,95 –
Rejet -0,38 0,2
0,17
-0,92 –
NSP ou NVPR -0,08 0,8
0,70
Heures de télévision / -0,19 – -0,19 –

-0,12 <0,001 -0,12 <0,001
jour -0,06 -0,06
1
OR = rapport de cotes, IC = intervalle de confiance
L’extension gtsummary fournit également la fonction tbl_summary pour effectuer des tris à plats et/ou
un tri croisé.
– 558 –
R> d %>%
dplyr::select(sport, sexe, grpage, etud, relig, heures.tv) %>%
tbl_summary()
– 559 –
Pratique du sport ?
Non 1 277 (64%)
Oui 723 (36%)
Sexe
Femme 1 101 (55%)
Homme 899 (45%)
Groupe d'âges
[16,25) 169 (8,5%)
[25,45) 706 (35%)
[45,65) 745 (37%)
[65,99] 380 (19%)
Niveau d'étude
Primaire 466 (23%)
Secondaire 387 (19%)
Technique/Professionnel 594 (30%)
Supérieur 441 (22%)
manquant 112 (5,6%)
Pratique religieuse
Pratiquant regulier 266 (13%)
Pratiquant occasionnel 442 (22%)
Appartenance sans pratique 760 (38%)
Ni croyance ni appartenance 399 (20%)
Rejet 93 (4,7%)
1 n (%); Médiane (EI)
– 560 –
NSP ou NVPR 40 (2,0%)
Heures de télévision / jour 2,00 (1,00 – 3,00)
Manquant 5
– 561 –
R> d %>%
tbl_summary(by = "sport", percent = "row") %>%
add_p()
– 562 –
Non, N = 1 Total, N = 2 p-
Caractéristique Oui, N = 7231
2771 0001 valeur2
Sexe <0,001
Femme 747 (68%) 354 (32%) 1 101 (100%)
Homme 530 (59%) 369 (41%) 899 (100%)
[16,25) 58 (34%) 111 (66%) 169 (100%)
[25,45) 359 (51%) 347 (49%) 706 (100%)
[45,65) 541 (73%) 204 (27%) 745 (100%)
[65,99] 319 (84%) 61 (16%) 380 (100%)
Primaire 416 (89%) 50 (11%) 466 (100%)
Secondaire 270 (70%) 117 (30%) 387 (100%)
Technique/Professionnel 378 (64%) 216 (36%) 594 (100%)
Supérieur 186 (42%) 255 (58%) 441 (100%)
manquant 27 (24%) 85 (76%) 112 (100%)
Pratiquant regulier 182 (68%) 84 (32%) 266 (100%)
Pratiquant occasionnel 295 (67%) 147 (33%) 442 (100%)
Appartenance sans
473 (62%) 287 (38%) 760 (100%)
pratique
Ni croyance ni
239 (60%) 160 (40%) 399 (100%)
appartenance
Rejet 60 (65%) 33 (35%) 93 (100%)
2
test du khi-deux d'indépendance; test de Wilcoxon-Mann-Whitney
– 563 –
Non, N = 1 Total, N = 2 p-
Caractéristique Oui, N = 7231
2771 0001 valeur2
NSP ou NVPR 28 (70%) 12 (30%) 40 (100%)
2,00 (1,00 – 2,00 (1,00 – 2,00 (1,00 –

Heures de télévision / jour <0,001
3,00) 3,00) 3,00)
Manquant 2 3 5
1
n (%); Médiane (EI)
2 test du khi-deux d'indépendance; test de Wilcoxon-Mann-Whitney
Il est à noter que tbl_regression sait prendre en compte les effets d’interactions (voir ci-après).
La fonction tbl_uvregression permets quant à elle de réaliser plusieurs régressions univariées et de

les présenter dans un tableau unique.
– 564 –
R> tbl_u <- d %>%

tbl_uvregression(
method = glm,
y = sport,
method.args = list(family = binomial),
pvalue_fun = ~ style_pvalue(.x, digits = 2)
) %>%
add_global_p() %>%
add_nevent()
tbl_u
– 565 –
Caractéristique N Event N OR1 95% IC1 p-valeur
Sexe 2 000 723 <0,001
Femme — —
Homme 1,47 1,22 – 1,77
Groupe d'âges 2 000 723 <0,001
[16,25) — —
[25,45) 0,51 0,35 – 0,71
[45,65) 0,20 0,14 – 0,28
[65,99] 0,10 0,07 – 0,15
Niveau d'étude 2 000 723 <0,001
Primaire — —
Secondaire 3,61 2,52 – 5,23
Technique/Professionnel 4,75 3,42 – 6,72
Supérieur 11,4 8,11 – 16,3
manquant 26,2 15,7 – 44,9
Pratique religieuse 2 000 723 0,14
Pratiquant occasionnel 1,08 0,78 – 1,50
Appartenance sans pratique 1,31 0,98 – 1,78
Ni croyance ni appartenance 1,45 1,05 – 2,02
Rejet 1,19 0,72 – 1,95
NSP ou NVPR 0,93 0,44 – 1,88
Heures de télévision / jour 1 995 720 0,79 0,74 – 0,84 <0,001
Il est possible de réunir analyse univariée et multivariée en un seul table avec tbl_merge .
– 566 –
R> tbl_m <- reg %>%

tbl_regression(
pvalue_fun = ~ style_pvalue(.x, digits = 2)
) %>%
add_global_p()
tbl_merge(
list(tbl_u, tbl_m),
tab_spanner = c("**Univarié**", "**Multivarié**")
)
– 567 –
Univarié Multivarié
Caractéristique Event 95% p- 95% p-
N OR1 OR1
N IC1 valeur IC1 valeur
2
Sexe 723 <0,001 <0,001
000
Femme — — — —
1,22 1,26
Homme 1,47 – 1,55 –
1,77 1,91
2
Groupe d'âges 723 <0,001 <0,001
000
[16,25) — — — —
0,35 0,42
[25,45) 0,51 – 0,66 –
0,71 1,03
0,14 0,21
[45,65) 0,20 – 0,34 –
0,28 0,54
0,07 0,15
[65,99] 0,10 – 0,25 –
0,15 0,43
2
Niveau d'étude 723 <0,001 <0,001
000
Primaire — — — —
2,52 1,77
Secondaire 3,61 – 2,59 –
5,23 3,83
3,42 1,98
Technique/
4,75 – 2,86 –
Professionnel
6,72 4,17
Supérieur 11,4 8,11 6,63 4,55
– 568 –
Univarié Multivarié
Caractéristique Event 95% p- 95% p-
N OR1 OR1
N IC1 valeur IC1 valeur
– –
16,3 9,80
15,7 4,53
manquant 26,2 – 8,59 –
44,9 16,6
Pratique 2
723 0,14 0,52
religieuse 000
Pratiquant
— — — —
regulier
0,78 0,68
Pratiquant
1,08 – 0,98 –
occasionnel
1,50 1,42
0,98 0,71
Appartenance
1,31 – 0,99 –
sans pratique
1,78 1,40
1,05 0,55
Ni croyance ni
1,45 – 0,81 –
appartenance
2,02 1,18
0,72 0,39
Rejet 1,19 – 0,68 –
1,95 1,19
0,44 0,40
NSP ou NVPR 0,93 – 0,92 –
1,88 2,02
0,74 0,83
Heures de 1
720 0,79 – <0,001 0,89 – <0,001
télévision / jour 995
0,84 0,95
– 569 –
finalfit
L’extension finalfit fournit une fonction finalfit du type “all-in-one” qui calcule un tableau avec les tris
croisés, les odds ratios univariés et un modèle multivarié.
Il faut d’abord définir la variable dépendante et les variables explicatives.
R> dep <- "sport"

vars <- c("sexe", "grpage", "etud", "relig", "heures.tv")
Une première fonction summary_factorlist fournit un tableau descriptif avec, si l’option p = TRUE
est indiquée, des tests de comparaisons (ici des tests du Chi²).
R> library(finalfit)
Attachement du package : 'finalfit'
L'objet suivant est masqué depuis 'package:labelled':
remove_labels
R> tab <- summary_factorlist(d, dep, vars, p = TRUE, add_dependent_label = TRUE)

tab
On peut remarquer que finalfit a tenu compte des étiquettes de variables définies plus haut avec
var_label de l’extension labelled (voir le chapitre sur les vecteurs labellisés, page 0).
On peut associer le résultat avec la fonction kable de knitr pour un rendu plus esthétique lorsque l’on
produit un rapport Rmarkdown (voir le chapitre dédié aux rapports automatisés, page 1189).
– 570 –
R> knitr::kable(tab, row.names = FALSE)
– 571 –
Dependent: Pratique du
sport ? Non Oui p
Sexe Femme 747 354 <0.001

(58.5) (49.0)
Homme 530 369

(41.5) (51.0)
Groupe d’âges [16,25) 58 (4.5) 111 <0.001

(15.4)
[25,45) 359 347

(28.1) (48.0)
[45,65) 541 204

(42.4) (28.2)
[65,99] 319 61 (8.4)

(25.0)
Niveau d’étude Primaire 416 50 (6.9) <0.001

(32.6)
Secondaire 270 117

(21.1) (16.2)
Technique/Professionnel 378 216

(29.6) (29.9)
Supérieur 186 255

(14.6) (35.3)
manquant 27 (2.1) 85 (11.8)
Pratique religieuse Pratiquant regulier 182 84 (11.6) 0.144

(14.3)
Pratiquant occasionnel 295 147

(23.1) (20.3)
Appartenance sans 473 287

pratique (37.0) (39.7)
Ni croyance ni 239 160

appartenance (18.7) (22.1)
– 572 –
Dependent: Pratique du
sport ? Non Oui p
Rejet 60 (4.7) 33 (4.6)
NSP ou NVPR 28 (2.2) 12 (1.7)
Heures de télévision / jour Mean (SD) 2.5 (1.9) 1.8 (1.4) <0.001
La fonction finalfit , quant à elle, calcule à la fois les odds ratios univariés (modèles logistiques avec une
seule variable inclue à la fois) et un modèle complet, présentant le tout dans un tableau synthétique.
– 573 –
R> tab <- finalfit(d, dep, vars)

knitr::kable(tab, row.names = FALSE)
– 574 –
Dependent:
Pratique du sport OR OR
? Non Oui (univariable) (multivariable)
Sexe Femme 747 354 - -

(67.8) (32.2)
Homme 530 369 1.47 (1.22-1.77, 1.55

(59.0) (41.0) p<0.001) (1.26-1.91,
p<0.001)
Groupe d’âges [16,25) 58 111 - -

(34.3) (65.7)
[25,45) 359 347 0.51 (0.35-0.71, 0.66

(50.8) (49.2) p<0.001) (0.42-1.03,
p=0.065)
[45,65) 541 204 0.20 (0.14-0.28, 0.34

(72.6) (27.4) p<0.001) (0.21-0.54,
p<0.001)
[65,99] 319 61 - -
(83.9) (16.1)
Niveau d’étude Primaire 416 50 - -

(89.3) (10.7)
Secondaire 270 117 3.61 (2.52-5.23, 2.59

(69.8) (30.2) p<0.001) (1.77-3.83,
p<0.001)
Technique/ 378 216 4.75 (3.42-6.72, 2.86

Professionnel (63.6) (36.4) p<0.001) (1.98-4.17,
p<0.001)
Supérieur 186 255 11.41 6.63

(42.2) (57.8) (8.11-16.31, (4.55-9.80,
p<0.001) p<0.001)
manquant 27 85 26.19 8.59

(24.1) (75.9) (15.74-44.90, (4.53-16.59,
p<0.001) p<0.001)
Pratique Pratiquant 182 84 - -

religieuse regulier (68.4) (31.6)
– 575 –
Dependent:
Pratiquant 295 147 1.08 (0.78-1.50, 0.98

occasionnel (66.7) (33.3) p=0.644) (0.68-1.42,
p=0.908)
Appartenance 473 287 1.31 (0.98-1.78, 0.99

sans pratique (62.2) (37.8) p=0.071) (0.71-1.40,
p=0.969)
Ni croyance ni 239 160 1.45 (1.05-2.02, 0.81

appartenance (59.9) (40.1) p=0.026) (0.55-1.18,
p=0.265)
Rejet 60 33 1.19 (0.72-1.95, 0.68

(64.5) (35.5) p=0.489) (0.39-1.19,
p=0.180)
NSP ou NVPR 28 12 0.93 (0.44-1.88, 0.92

(70.0) (30.0) p=0.841) (0.40-2.02,
p=0.838)
Heures de Mean (SD) 2.5 1.8 0.79 (0.74-0.84, 0.89

télévision / jour (1.9) (1.4) p<0.001) (0.83-0.95,
p<0.001)
NA NA NA NA 0.10 (0.07-0.15, 0.25

p<0.001) (0.15-0.43,
p<0.001)
Par défaut, toutes les variables explicatives fournies sont retenues dans le modèle affiché. Si on ne
souhaite inclure que certaines variables dans le modèle mutivarié (parce que l’on aura précédemment
réalisé une procédure step ), il faudra préciser séparément les variables du modèle multivarié.
– 576 –
R> vars_multi <- c("sexe", "grpage", "etud", "heures.tv")

tab <- finalfit(d, dep, vars, explanatory_multi = vars_multi)
knitr::kable(tab, row.names = FALSE)
– 577 –
Dependent:
Sexe Femme 747 354 - -

(67.8) (32.2)
Homme 530 369 1.47 (1.22-1.77, 1.52

(59.0) (41.0) p<0.001) (1.24-1.87,
p<0.001)
Groupe d’âges [16,25) 58 111 - -

(34.3) (65.7)
[25,45) 359 347 0.51 (0.35-0.71, 0.68

(50.8) (49.2) p<0.001) (0.43-1.06,
p=0.084)
[45,65) 541 204 0.20 (0.14-0.28, 0.36

(72.6) (27.4) p<0.001) (0.23-0.57,
p<0.001)
[65,99] 319 61 - -
(83.9) (16.1)
Niveau d’étude Primaire 416 50 - -

(89.3) (10.7)
Secondaire 270 117 3.61 (2.52-5.23, 2.54

(69.8) (30.2) p<0.001) (1.73-3.75,
p<0.001)
Technique/ 378 216 4.75 (3.42-6.72, 2.81

Professionnel (63.6) (36.4) p<0.001) (1.95-4.10,
p<0.001)
Supérieur 186 255 11.41 6.55

(42.2) (57.8) (8.11-16.31, (4.50-9.66,
p<0.001) p<0.001)
manquant 27 85 26.19 8.54

(24.1) (75.9) (15.74-44.90, (4.51-16.47,
p<0.001) p<0.001)
Pratique Pratiquant 182 84 - -

religieuse regulier (68.4) (31.6)
– 578 –
Dependent:
Pratiquant 295 147 1.08 (0.78-1.50, -

occasionnel (66.7) (33.3) p=0.644)
Appartenance 473 287 1.31 (0.98-1.78, -

sans pratique (62.2) (37.8) p=0.071)
Ni croyance ni 239 160 1.45 (1.05-2.02, -

appartenance (59.9) (40.1) p=0.026)
Rejet 60 33 1.19 (0.72-1.95, -

(64.5) (35.5) p=0.489)
NSP ou NVPR 28 12 0.93 (0.44-1.88, -

(70.0) (30.0) p=0.841)
Heures de Mean (SD) 2.5 1.8 0.79 (0.74-0.84, 0.89

télévision / jour (1.9) (1.4) p<0.001) (0.83-0.95,
p<0.001)
NA NA NA NA 0.10 (0.07-0.15, 0.27

p<0.001) (0.16-0.46,
p<0.001)
On pourra se référer à l’aide de la fonction finalfit pour d’autres exemples.
L’extension finalfit propose aussi une fonction or_plot pour présenter les odd ratios obtenus sous
forme de graphique.
– 579 –
R> var_label(d$heures.tv) <- "Nombre d'heures\nde TV par jour"

or_plot(d, dep, vars_multi)


(`geom_errorbarh()`).
Figure 7. Graphique des odds ratios obtenu avec or_plot
ATTENTION : or_plot n’est pas compatible avec les effets d’interactions (cf. ci-dessous).
Effets d’interaction dans le modèle

Voir le chapitre dédié aux effets d’interaction, page 781.
Multicolinéarité
Voir le chapitre dédié, page 809.
– 580 –
Régression logistique multinomiale

WEBIN-R
La régression logistique multinomiale est évoquée dans le webin-R #17 (trajectoires de soins : un
exemple de données longitudinales) sur YouTube.
La régression logistique multinomiale est une extension de la régression logistique aux variables
qualitatives à trois modalités ou plus. Dans ce cas de figure, chaque modalité de la variable d’intérêt sera
comparée à la modalité de réference. Les odds ratio seront donc exprimés par rapport à cette dernière.
Nous allons prendre pour exemple la variable trav.satisf, à savoir la satisfaction ou l’insatisfaction au
travail.
R> freq(d$trav.satisf)
Nous allons choisir comme modalité de référence la position intermédiaire, à savoir l’« équilibre ».
R> d$trav.satisf <- relevel(d$trav.satisf, "Equilibre")
Enfin, nous allons aussi en profiter pour raccourcir les étiquettes de la variable trav.imp :
R> levels(d$trav.imp) <- c("Le plus", "Aussi", "Moins", "Peu")
Pour calculer un modèle logistique multinomial, nous allons utiliser la fonction multinom de l’extension
nnet5. La syntaxe de multinom est similaire à celle de glm , le paramètre family en moins.
R> library(nnet)
regm <- multinom(trav.satisf ~ sexe + etud + grpage + trav.imp, data = d)
# weights: 39 (24 variable)

initial value 1151.345679
iter 10 value 977.348901
iter 20 value 969.849189
iter 30 value 969.522965
final value 969.521855
5. Une alternative est d’avoir recours à l’extension mlogit que nous n’aborderons pas ici. Voir http://www.ats.ucla.edu/
stat/r/dae/mlogit.htm (en anglais) pour plus de détails.
– 581 –
converged
Comme pour la régression logistique, il est possible de réaliser une sélection pas à pas descendante :
R> regm2 <- step(regm)
Start: AIC=1987.04
trav.satisf ~ sexe + etud + grpage + trav.imp
trying - sexe
iter 10 value 978.538886
iter 20 value 970.453555
iter 30 value 970.294459
converged
trying - etud
iter 10 value 987.907714
iter 20 value 981.785467
iter 30 value 981.762800
converged
trying - grpage
iter 10 value 979.485430
iter 20 value 973.175923
converged
trying - trav.imp
iter 10 value 998.803976
iter 20 value 994.417973
iter 30 value 994.378914
converged
Df AIC
- grpage 18 1982.345
- sexe 22 1984.588
<none> 24 1987.044
- etud 16 1995.526
– 582 –
- trav.imp 18 2024.758
iter 10 value 979.485430
iter 20 value 973.175923
converged
Step: AIC=1982.34
trav.satisf ~ sexe + etud + trav.imp
trying - sexe
iter 10 value 976.669670
iter 20 value 973.928385
iter 20 value 973.928377
iter 20 value 973.928377
converged
trying - etud
iter 10 value 988.413720
converged
trying - trav.imp
iter 10 value 1001.517287
converged
Df AIC
- sexe 16 1979.857
<none> 18 1982.345
- etud 10 1990.172
- trav.imp 12 2020.409
iter 10 value 976.669670
iter 20 value 973.928385
iter 20 value 973.928377
iter 20 value 973.928377
converged
Step: AIC=1979.86
– 583 –
trav.satisf ~ etud + trav.imp
trying - etud
iter 10 value 986.124104
converged
trying - trav.imp
iter 10 value 1000.225356
converged
Df AIC
<none> 16 1979.857
- etud 8 1988.068
- trav.imp 10 2016.791
La plupart des fonctions vues précédemment fonctionnent, y compris tbl_regression (par contre,
add_global_p n’est pour le moment pas compatible) :
R> summary(regm2)
Call:
multinom(formula = trav.satisf ~ etud + trav.imp, data = d)
Coefficients:
(Intercept) etudSecondaire
Satisfaction -0.1110996 0.04916210
Insatisfaction -1.1213760 -0.09737523
etudTechnique/Professionnel etudSupérieur
Satisfaction 0.07793241 0.69950061
Insatisfaction 0.08392603 0.07755307
etudmanquant trav.impAussi trav.impMoins
Satisfaction -0.53841577 0.2578973 -0.1756206
Insatisfaction -0.04364055 -0.2279774 -0.5330349
trav.impPeu
Satisfaction -0.5995051
Insatisfaction 1.3401509
Std. Errors:
(Intercept) etudSecondaire
Satisfaction 0.4520902 0.2635573
Insatisfaction 0.6516992 0.3999875
– 584 –
etudTechnique/Professionnel etudSupérieur
Satisfaction 0.2408483 0.2472571
Insatisfaction 0.3579684 0.3831110
etudmanquant trav.impAussi trav.impMoins
Satisfaction 0.5910993 0.4260623 0.4115818
Insatisfaction 0.8407592 0.6213781 0.5941721
trav.impPeu
Satisfaction 0.5580115
Insatisfaction 0.6587383
Residual Deviance: 1947.857

AIC: 1979.857
R> odds.ratio(regm2)
R> tbl_regression(regm2, exponentiate = TRUE)
ℹ Multinomial models have a different underlying structure than the models

gtsummary was designed for. Other gtsummary functions designed to work with
tbl_regression objects may yield unexpected results.
– 585 –
Characteristic OR1 95% CI1 p-value
Satisfaction
Niveau d'étude
Primaire — —
Secondaire 1.05 0.63, 1.76 0.9
Technique/Professionnel 1.08 0.67, 1.73 0.7
Supérieur 2.01 1.24, 3.27 0.005
manquant 0.58 0.18, 1.86 0.4
Importance du travail
Le plus — —
Aussi 1.29 0.56, 2.98 0.5
Moins 0.84 0.37, 1.88 0.7
Peu 0.55 0.18, 1.64 0.3
Insatisfaction
Niveau d'étude
Primaire — —
Secondaire 0.91 0.41, 1.99 0.8
Supérieur 1.08 0.51, 2.29 0.8
manquant 0.96 0.18, 4.97 >0.9
Le plus — —
Aussi 0.80 0.24, 2.69 0.7
Moins 0.59 0.18, 1.88 0.4
1 OR = Odds Ratio, CI = Confidence Interval
– 586 –
Peu 3.82 1.05, 13.9 0.042
R> car::Anova(regm2)
De même, il est possible de calculer la matrice de confusion :
R> table(predict(regm2, newdata = d), d$trav.satisf)
Equilibre Satisfaction Insatisfaction

Equilibre 262 211 49
Satisfaction 171 258 45
Insatisfaction 18 11 23
La fonction tidy_plus_plus peut s’appliquer au résultat de multinom :
tidy_plus_plus(regm2, exponentiate = TRUE)
On notera la présence d’une colonne supplémentaire, y.level. De fait, la fonction ggcoef_model de

GGally ne peut s’appliquer directement, car les coefficients vont se supperposer. On aura dès lors recours
à sa variante ggcoef_multinom dédiée aux modèles multinomiax.
– 587 –
R> library(GGally)
ggcoef_multinom(
regm2,
exponentiate = TRUE
)
– 588 –
R> ggcoef_multinom(
regm2,
type = "faceted",
exponentiate = TRUE
)
Figure 8. La fonction ggcoef_multinom
Il est possible de représenter les effets marginaux du modèle avec la fonction allEffects de l’extension
effects.
– 589 –
R> library(effects)
plot(allEffects(regm2))
Figure 9. Effets marginaux du modèle multinomial
Une alternative est d’avoir recours à la fonction ggeffect de l’extension ggeffects.
– 590 –
plot(ggeffect(regm2, "trav.imp"))
– 591 –
R> plot(ggeffect(regm2, "etud"))
Figure 10. Représentation alternative des effets marginaux du modèle multinomial
Régression logistique ordinale

La régression logistique ordinale s’applique lorsque la variable à expliquer possède trois ou plus modalités
qui sont ordonnées (par exemple : modéré, moyen, fort).
L’extension la plus utilisée pour réaliser des modèles ordinaux est ordinal et sa fonction clm . Il est
même possible de réaliser des modèles ordinaux avec des effets aléatoires (modèles mixtes) à l’aide de la
fonction clmm .
Pour une bonne introduction à l’extension ordinal, on pourra se référer au tutoriel officiel (en anglais) :
https://cran.r-project.org/web/packages/ordinal/vignettes/.
Une autre introduction pertinente (en français) et utilisant cette fois-ci l’extention VGAM et sa fonction
vglm est disponible sur le site de l’université de Lyon : https://eric.univ-lyon2.fr/~ricco/cours/
didacticiels/data-mining/didacticiel_Reg_Logistique_Polytomique_Ordinale.pdf.
– 592 –
On va reprendre l’exemple précédent puisque la variable trav.satisf est une variable ordonnée.
R> freq(d$trav.satisf)
ATTENTION : Dans le cas d’une régression logistique ordinale, il importante que les niveaux du facteur
soient classés selon leur ordre hiéarchique (du plus faible au plus fort). On va dès lors recoder notre
variable à expliquer.
R> d$trav.satisf <- factor(d$trav.satisf, c("Insatisfaction", "Equilibre", "Satis

faction"), ordered = TRUE)
freq(d$trav.satisf)
R> library(ordinal)
Attachement du package : 'ordinal'
L'objet suivant est masqué depuis 'package:plotly':
slice
L'objet suivant est masqué depuis 'package:breakDown':
wine
L'objet suivant est masqué depuis 'package:dplyr':
slice
R> rego <- clm(trav.satisf ~ sexe + etud + trav.imp, data = d)

summary(rego)
formula: trav.satisf ~ sexe + etud + trav.imp

data: d
link threshold nobs logLik AIC niter max.grad

logit flexible 1048 -978.61 1977.23 5(0) 5.41e-09
cond.H
3.9e+02
Coefficients:
Estimate Std. Error z value
– 593 –
sexeHomme -0.16141 0.12215 -1.321

etudSecondaire 0.05558 0.23220 0.239
etudSupérieur 0.61336 0.21972 2.792
etudmanquant -0.45555 0.48761 -0.934
trav.impAussi 0.35104 0.38578 0.910
trav.impMoins 0.02616 0.37174 0.070
trav.impPeu -1.66062 0.46204 -3.594
Pr(>|z|)
sexeHomme 0.186369
etudSecondaire 0.810819
etudTechnique/Professionnel 0.873660
etudSupérieur 0.005245 **
etudmanquant 0.350174
trav.impAussi 0.362857
trav.impMoins 0.943896
trav.impPeu 0.000325 ***
---
Signif. codes:
0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Threshold coefficients:
Estimate Std. Error z value
Insatisfaction|Equilibre -2.0226 0.4189 -4.829
Equilibre|Satisfaction 0.3391 0.4113 0.825
Une fois encore, il est possible de faire une sélection descendante pas à pas.
R> rego2 <- step(rego)
Start: AIC=1977.23
trav.satisf ~ sexe + etud + trav.imp
Df AIC
- sexe 1 1977.0
<none> 1977.2
- etud 4 1990.6
- trav.imp 3 2013.2
Step: AIC=1976.97
trav.satisf ~ etud + trav.imp
Df AIC
<none> 1977.0
– 594 –
- etud 4 1990.6
- trav.imp 3 2011.6
L’extension broom propose une méthode tidy pour les objets clm .
R> tidy(rego2, exponentiate = TRUE, conf.int = TRUE)
La méthode tidy étant disponible, on peut utiliser ggcoef_model et tbl_regression .
R> library(JLutils)
library(GGally)
ggcoef_model(rego2, exponentiate = TRUE)
Figure 11. Coefficients du modèle ordinal
– 595 –
R> tbl_regression(rego, exponentiate = TRUE)
Sexe
Femme — —
Homme 0.85 0.67, 1.08 0.2
Niveau d'étude
Primaire — —
Secondaire 1.06 0.67, 1.67 0.8
Supérieur 1.85 1.20, 2.84 0.005
manquant 0.63 0.24, 1.66 0.4
Le plus — —
Aussi 1.42 0.66, 3.03 0.4
Moins 1.03 0.49, 2.13 >0.9
Peu 0.19 0.08, 0.47 <0.001
1
OR = Odds Ratio, CI = Confidence Interval

Lorsque l’on utilise des données pondérées, on aura recours à l’extension survey6.
Préparons des données d’exemple :
– 596 –
R> library(survey)
Régression logistique binaire

L’extension survey fournit une fonction svyglm permettant de calculer un modèle statistique tout en
prenant en compte le plan d’échantillonnage spécifié. La syntaxe de svyglm est proche de celle de glm .
Cependant, le cadre d’une régression logistique, il est nécessaire d’utiliser family = quasibinomial()
afin d’éviter un message d’erreur indiquant un nombre non entier de succès :
R> reg <- svyglm(sport ~ sexe + age + relig + heures.tv, dw, family = binomial())
Warning in eval(family$initialize): nombre de succès non

entier dans un glm binomial !
R> reg <- svyglm(sport ~ sexe + age + relig + heures.tv, dw, family = quasibinomi
al())
reg
Independent Sampling design (with replacement)

svydesign(ids = ~1, data = d, weights = ~poids)
Call: svyglm(formula = sport ~ sexe + age + relig + heures.tv, design = dw,

family = quasibinomial())
Coefficients:
(Intercept)
1.53590
sexeHomme
0.36526
age
-0.04127
0.05577
0.16367
0.03988
religRejet
-0.14862
religNSP ou NVPR
– 597 –
-0.22682
heures.tv
-0.18204
Degrees of Freedom: 1994 Total (i.e. Null); 1986 Residual

Null Deviance: 2672
Residual Deviance: 2378 AIC: NA
Le résultat obtenu est similaire à celui de glm et l’on peut utiliser sans problème les fonctions coef ,
confint , odds.ratio , predict ou encore tidy , tidy_plus_plus et ggcoef_model .
R> odds.ratio(reg)
R> tbl_regression(reg, exponentiate = TRUE)
Sexe
Femme — —
Homme 1.44 1.12, 1.85 0.004
age 0.96 0.95, 0.97 <0.001
Pratique religieuse
Pratiquant occasionnel 1.06 0.66, 1.70 0.8
Appartenance sans pratique 1.18 0.76, 1.83 0.5
Ni croyance ni appartenance 1.04 0.65, 1.68 0.9
Rejet 0.86 0.43, 1.74 0.7
NSP ou NVPR 0.80 0.32, 1.96 0.6
Nombre d'heures de TV par jour 0.83 0.77, 0.90 <0.001
– 598 –
R> library(GGally)
ggcoef_model(reg, exponentiate = TRUE)
Figure 12. Représentation graphique d’un modèle svyglm
Dans ses dernières versions, survey fournit une méthode AIC.svyglm permettant d’estimer un AIC sur
un modèle calculé avec svyglm . Il est dès lors possible d’utiliser la fonction step pour réaliser une
sélection descendante pas à pas.
L’extension effects n’est quant à elle pas compatible avec svyglm 7.
Régression multinomiale
L’extension survey ne fournit pas de fonction adaptée aux régressions multinomiales. Cependant, il est
possible d’en réaliser une en ayant recours à des poids de réplication, comme suggéré par Thomas Lumley
dans son ouvrage Complex Surveys: A Guide to Analysis Using R. Thomas Lumley est par ailleurs l’auteur de
l’extension survey.
7. Compatibilité qui pourra éventuellement être introduite dans une future version de l’extension.
– 599 –
L’extension svrepmisc disponible sur GitHub fournit quelques fonctions facilitant l’utilisation des poids de
réplication avec survey. Pour l’installer, on utilisera le code ci-dessous :
R> devtools::install_github("carlganz/svrepmisc")
En premier lieu, il faut définir le design de notre tableau de données puis calculer des poids de réplication.
R> library(survey)
dwr <- as.svrepdesign(dw, type = "bootstrap", replicates = 100)
Il faut prévoir un nombre de replicates suffisant pour calculer ultérieurement les intervalles de
confiance des coefficients. Plus ce nombre est élevé, plus précise sera l’estimation de la variance et donc
des valeurs p et des intervalles de confiance. Cependant, plus ce nombre est élevé, plus le temps de calcul
sera important.
svrepmisc fournit une fonction svymultinom pour le calcul d’une régression multinomiale avec des
poids de réplication.
R> library(svrepmisc)
regm <- svymultinom(trav.satisf ~ sexe + etud + grpage + trav.imp, design = dw
r)
svrepmisc fournit également des méthodes confint et tidy . Il est également possible d’utiliser
ggcoef .
R> regm
Coefficient
Equilibre.(Intercept) 0.93947
Satisfaction.(Intercept) 0.74127
Equilibre.sexeHomme -0.24304
Satisfaction.sexeHomme -0.27381
Equilibre.etudSecondaire -0.41802
Satisfaction.etudSecondaire -0.26579
Equilibre.etudTechnique/Professionnel -0.47708
Satisfaction.etudTechnique/Professionnel -0.23585
Equilibre.etudSupérieur -0.57579
Satisfaction.etudSupérieur 0.36801
Equilibre.etudmanquant -0.32346
Satisfaction.etudmanquant -0.65343
Equilibre.grpage[25,45) 0.60710
Satisfaction.grpage[25,45) 0.46941
– 600 –
Equilibre.grpage[65,99] -3.20673
Satisfaction.grpage[65,99] 11.60092
Equilibre.trav.impAussi 0.42551
Satisfaction.trav.impAussi 0.54156
Equilibre.trav.impMoins 0.73727
Satisfaction.trav.impMoins 0.66621
Equilibre.trav.impPeu -1.54722
Satisfaction.trav.impPeu -1.47191
SE t value
Equilibre.(Intercept) 3.08681 0.3043
Satisfaction.(Intercept) 2.99811 0.2472
Equilibre.sexeHomme 0.32599 -0.7455
Satisfaction.sexeHomme 0.30959 -0.8844
Equilibre.etudSecondaire 0.58700 -0.7121
Satisfaction.etudSecondaire 0.62122 -0.4279
Equilibre.etudTechnique/Professionnel 0.53999 -0.8835
Satisfaction.etudTechnique/Professionnel 0.56932 -0.4143
Equilibre.etudSupérieur 0.53037 -1.0856
Satisfaction.etudSupérieur 0.56015 0.6570
Equilibre.etudmanquant 5.27928 -0.0613
Satisfaction.etudmanquant 5.15549 -0.1267
Equilibre.grpage[25,45) 0.60719 0.9998
Satisfaction.grpage[25,45) 0.63359 0.7409
Equilibre.grpage[45,65) 0.66554 0.8713
Satisfaction.grpage[45,65) 0.67234 0.7864
Equilibre.grpage[65,99] 15.19731 -0.2110
Satisfaction.grpage[65,99] 16.34759 0.7096
Equilibre.trav.impAussi 2.99947 0.1419
Satisfaction.trav.impAussi 2.94534 0.1839
Equilibre.trav.impMoins 2.97232 0.2480
Satisfaction.trav.impMoins 2.91825 0.2283
Equilibre.trav.impPeu 3.09324 -0.5002
Satisfaction.trav.impPeu 3.05773 -0.4814
Pr(>|t|)
Equilibre.sexeHomme 0.4582
Satisfaction.sexeHomme 0.3793
Equilibre.etudSecondaire 0.4786
Satisfaction.etudSecondaire 0.6700
Equilibre.etudTechnique/Professionnel 0.3798
Satisfaction.etudTechnique/Professionnel 0.6798
Equilibre.etudSupérieur 0.2811
Equilibre.etudmanquant 0.9513
Satisfaction.etudmanquant 0.8995
– 601 –
Equilibre.grpage[65,99] 0.8334
Equilibre.trav.impPeu 0.6184
Satisfaction.trav.impPeu 0.6316
R> confint(regm)
2.5 %
Equilibre.(Intercept) -5.2084508
Satisfaction.(Intercept) -5.2299773
Equilibre.sexeHomme -0.8923106
Satisfaction.sexeHomme -0.8904071
Equilibre.etudSecondaire -1.5871351
Satisfaction.etudSecondaire -1.5030519
Equilibre.etudTechnique/Professionnel -1.5525615
Satisfaction.etudTechnique/Professionnel -1.3697625
Equilibre.etudSupérieur -1.6321174
Satisfaction.etudSupérieur -0.7476291
Equilibre.etudmanquant -10.8380480
Satisfaction.etudmanquant -10.9214744
Equilibre.grpage[25,45) -0.6022290
Satisfaction.grpage[25,45) -0.7924897
Equilibre.grpage[45,65) -0.7456414
Satisfaction.grpage[45,65) -0.8103550
Equilibre.grpage[65,99] -33.4748095
Satisfaction.grpage[65,99] -20.9581253
Equilibre.trav.impAussi -5.5484453
Satisfaction.trav.impAussi -5.3245967
Equilibre.trav.impMoins -5.1826190
Satisfaction.trav.impMoins -5.1459947
Equilibre.trav.impPeu -7.7079314
Satisfaction.trav.impPeu -7.5619188
97.5 %
Equilibre.sexeHomme 0.4062276
Satisfaction.sexeHomme 0.3427945
– 602 –
Equilibre.etudSecondaire 0.7510904
Satisfaction.etudSecondaire 0.9714624
Equilibre.etudTechnique/Professionnel 0.5984006
Satisfaction.etudTechnique/Professionnel 0.8980555
Equilibre.etudSupérieur 0.4805406
Equilibre.etudmanquant 10.1911288
Satisfaction.etudmanquant 9.6146107
Equilibre.grpage[65,99] 27.0613398
Equilibre.trav.impPeu 4.6134952
Satisfaction.trav.impPeu 4.6180931
R> library(broom)
tidy(regm, exponentiate = TRUE, conf.int = TRUE)
Régression ordinale
Pour un modèle ordinal, il existe une version simplifiée des modèles ordinaux directement disponible dans
survey via la fonction svyolr .
R> rego <- svyolr(trav.satisf ~ sexe + etud + trav.imp, design = dw)

summary(rego)
Call:
svyolr(trav.satisf ~ sexe + etud + trav.imp, design = dw)
Coefficients:
Value Std. Error
sexeHomme -0.1328026100 0.1545640
etudSecondaire -0.0427151234 0.2751085
etudSupérieur 0.6424698737 0.2593446
etudmanquant -0.4694599623 0.5033490
– 603 –
trav.impAussi 0.1207125976 0.5044264

trav.impMoins 0.0526740003 0.4895782
trav.impPeu -1.5303889517 0.7215699
t value
sexeHomme -0.859207986
etudSecondaire -0.155266460
etudSupérieur 2.477282672
etudmanquant -0.932672851
trav.impPeu -2.120915790
Intercepts:
Value Std. Error t value
R> confint(rego)
2.5 % 97.5 %
sexeHomme -0.4357425 0.1701372
etudSecondaire -0.5819179 0.4964876
etudTechnique/Professionnel -0.4881013 0.4889536
etudSupérieur 0.1341638 1.1507759
etudmanquant -1.4560059 0.5170860
trav.impAussi -0.8679450 1.1093702
trav.impMoins -0.9068816 1.0122296
trav.impPeu -2.9446399 -0.1161380
Insatisfaction|Equilibre -3.1027595 -0.9755811
Equilibre|Satisfaction -0.7672025 1.3126335
tidy_plus_plus(rego, exponentiate = TRUE, conf.int = TRUE)
Une alternative est d’avoir recours, comme pour la régression multinomiale, aux poids de réplication et à
la fonction svyclm implémentée dans l’extension svrepmisc.
– 604 –
R> dwr <- as.svrepdesign(dw, type = "bootstrap", replicates = 100)

library(svrepmisc)
rego_alt <- svyclm(trav.satisf ~ sexe + etud + trav.imp, design = dwr)
Warning: (-1) Model failed to converge with max|grad| = 0.00115453 (tol = 1e-06)
In addition: step factor reduced below minimum
Warning: (-1) Model failed to converge with max|grad| = 0.000312696 (tol = 1e-0
6)
6)
Warning: (-1) Model failed to converge with max|grad| = 2.88767e-05 (tol = 1e-0
6)
6)
R> rego_alt
Coefficient SE t value
sexeHomme -0.13280477 0.14490801 -0.9165
etudSecondaire -0.04271403 0.31046925 -0.1376
etudSupérieur 0.64247607 0.23962101 2.6812
etudmanquant -0.46945975 0.51160937 -0.9176
trav.impAussi 0.12071087 0.52813124 0.2286
trav.impMoins 0.05267146 0.50191026 0.1049
trav.impPeu -1.53039056 0.78653870 -1.9457
Pr(>|t|)
Insatisfaction|Equilibre 0.000374 ***
Equilibre|Satisfaction 0.616653
sexeHomme 0.361866
etudSecondaire 0.890881
– 605 –
etudSupérieur 0.008725 **
etudmanquant 0.361274
trav.impPeu 0.054808 .
---
Signif. codes:
0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
R> confint(rego_alt)
2.5 % 97.5 %
Insatisfaction|Equilibre -3.1348214 -0.94352790
Equilibre|Satisfaction -0.8058305 1.35126648
sexeHomme -0.4206898 0.15508028
etudSecondaire -0.6595154 0.57408732
etudTechnique/Professionnel -0.5379544 0.53881061
etudSupérieur 0.1664271 1.11852503
etudmanquant -1.4858611 0.54694156
trav.impAussi -0.9285140 1.16993575
trav.impMoins -0.9444609 1.04980380
trav.impPeu -3.0929870 0.03220584
R> tidy(rego_alt, exponentiate = TRUE, conf.int = TRUE)
– 606 –
Analyse des
correspondances multiples
(ACM)
Principe général . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 608
ACM avec ade4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 609
ACM avec FactoMineR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 638
Extensions complémentaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 649
factoextra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 649
explor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 649
GDAtools . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 649
Factoshiny . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 650
FactoInvestigate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 650
Voir aussi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 650
WEBIN-R
Ce chapitre est évoqué dans le webin-R #11 (Analyse des Correspondances Multiples sur YouTube.
Il existe plusieurs techniques d’analyse factorielle dont les plus courantes sont l’analyse en composante
principale (ACP) portant sur des variables quantitatives, l’analyse factorielle des correspondances (AFC)
portant sur deux variables qualitatives et l’analyse des correspondances multiples (ACM) portant sur
plusieurs variables qualitatives (il s’agit d’une extension de l’AFC). Pour combiner des variables à la fois
quantitatives et qualitatives, on pourra avoir recours à l’analyse factorielle avec données mixtes.
Bien que ces techniques soient disponibles dans les extensions standards de R, il est souvent préférable
d’avoir recours à deux autres extensions plus complètes, ade4 et FactoMineR, chacune ayant ses
avantages et des possibilités différentes. Voici les fonctions les plus fréquentes :
– 607 –
Fonction Fonction Fonctions

Analyse Variables standard ade4 FactoMineR
ACP plusieurs variables quantitatives princomp dudi.pca PCA
AFC deux variables qualitatives corresp dudi.coa CA
ACM plusieurs variables qualitatives mca dudi.acm MCA
Analyse plusieurs variables quantitatives — dudi.mix FAMD

mixte et/ou qualitatives
Dans la suite de ce chapitre, nous n’arboderons que l’analyse des correspondances multiples (ACM).
NOTE
On trouvera également de nombreux supports de cours en français sur l’analyse factorielle sur le site
de François Gilles Carpentier : http://geai.univ-brest.fr/~carpenti/.
Principe général
L’analyse des correspondances multiples est une technique descriptive visant à résumer l’information
contenu dans un grand nombre de variables afin de faciliter l’interprétention des corrélations existantes
entre ces différentes variables. On cherche à savoir quelles sont les modalités corrélées entre elles.
L’idée générale est la suivante1. L’ensemble des individus peut être représenté dans un espace à plusieurs
dimensions où chaque axe représente les différentes variables utilisées pour décrire chaque individu.
Plus précisément, pour chaque variable qualitative, il y a autant d’axes que de modalités moins un. Ainsi
il faut trois axes pour décrire une variable à quatre modalités. Un tel nuage de points est aussi difficile
à interpréter que de lire directement le fichier de données. On ne voit pas les corrélations qu’il peut y
avoir entre modalités, par exemple qu’aller au cinéma est plus fréquent chez les personnes habitant en
milieu urbain. Afin de mieux représenter ce nuage de points, on va procéder à un changement de systèmes
de coordonnées. Les individus seront dès lors projetés et représentés sur un nouveau système d’axe.
Ce nouveau système d’axes est choisis de telle manière que la majorité des variations soit concentrées
sur les premiers axes. Les deux-trois premiers axes permettront d’expliquer la majorité des différences
observées dans l’échantillon, les autres axes n’apportant qu’une faible part additionnelle d’information.
Dès lors, l’analyse pourra se concentrer sur ses premiers axes qui constitueront un bon résumé des
variations observables dans l’échantillon.
1. Pour une présentation plus détaillée, voir

http://www.math.univ-toulouse.fr/~baccini/zpedago/asdm.pdf.
– 608 –
Analyse des correspondances multiples (ACM)
Avant toute ACM, il est indispensable de réaliser une analyse préliminaire de chaque variable, afin de voir
si toutes les classes sont aussi bien représentées ou s’il existe un déséquilibre. L’ACM est sensible aux
effectifs faibles, aussi il est préférable de regrouper les classes peu représentées le cas échéant.
ACM avec ade4

Si l’extension ade4 n’est pas présente sur votre PC, il vous faut l’installer :
R> install.packages("ade4", dep = TRUE)
Dans tous les cas, il faut penser à la charger en mémoire :
R> library(ade4)
Comme précédemment, nous utiliserons le fichier de données hdv2003 fourni avec l’extension
questionr.
data(hdv2003)
d <- hdv2003
En premier lieu, comme dans le chapitre sur la régression logistique, page 519, nous allons créer une
variable groupe d’âges et regrouper les modalités de la variable « niveau d’étude ».
R> d$grpage <- cut(d$age, c(16, 25, 45, 65, 93), right = FALSE, include.lowest =
TRUE)
d$etud <- d$nivetud
"Primaire", "Primaire", "Primaire", "Secondaire", "Secondaire",
"Technique/Professionnel", "Technique/Professionnel", "Supérieur"
)
Ensuite, nous allons créer un tableau de données ne contenant que les variables que nous souhaitons
prendre en compte pour notre analyse factorielle.
R> d2 <- d[, c("grpage", "sexe", "etud", "peche.chasse", "cinema", "cuisine", "br
icol", "sport", "lecture.bd")]
Le calcul de l’ACM se fait tout simplement avec la fonction dudi.acm .
– 609 –
R> acm <- dudi.acm(d2)
Par défaut, la fonction affichera le graphique des valeurs propres de chaque axe (nous y reviendrons)
et vous demandera le nombre d’axes que vous souhaitez conserver dans les résultats. Le plus souvent,
cinq axes seront largement plus que suffisants. Vous pouvez également éviter cette étape en indiquant
directement à dudi.acm de vous renvoyer les cinq premiers axes ainsi :
R> acm <- dudi.acm(d2, scannf = FALSE, nf = 5)
NOTE
Si vous souhaitez explorer visuellement et interacticement les résultats, vous pouvez utiliser
l’extension explor et sa fonction homonyme explor .
R> explor::explor(acm)
Le graphique des valeurs propres peut être reproduit avec screeplot :
– 610 –
R> screeplot(acm)
Figure 1. Valeurs propres ou inertie de chaque axe avec screeplot()
Pour des grahiques reposant sur ggplot2, on pourra avoir recours à l’extension factoextra qui fournit
plusieurs fonctions graphiques dont fviz_screeplot
– 611 –
R> library(factoextra)
fviz_screeplot(acm, choice = "eigenvalue")
Figure 2. Valeurs propres des axe avec fviz_screeplot()
– 612 –
fviz_screeplot(acm)
Figure 3. Pourcentage de variance expliquée avec fviz_screeplot()
Les mêmes valeurs pour les premiers axes s’obtiennent également avec summary . On pourra également
avoir recours à la fonction inertia.dudi pour l’ensemble des axes.
R> summary(acm)
Class: acm dudi

Call: dudi.acm(df = d2, scannf = FALSE, nf = 5)
Total inertia: 1.451
Eigenvalues:
Ax1 Ax2 Ax3 Ax4 Ax5
0.2474 0.1672 0.1309 0.1263 0.1176
Projected inertia (%):
– 613 –
Ax1 Ax2 Ax3 Ax4 Ax5

17.055 11.525 9.022 8.705 8.109
Cumulative projected inertia (%):

Ax1 Ax1:2 Ax1:3 Ax1:4 Ax1:5
17.06 28.58 37.60 46.31 54.42
(Only 5 dimensions (out of 15) are shown)
R> inertia.dudi(acm)
Inertia information:
Call: inertia.dudi(x = acm)
Decomposition of total inertia:

inertia cum cum(%)
Ax1 0.2474360 0.2474 17.06
Ax2 0.1671951 0.4146 28.58
Ax3 0.1308832 0.5455 37.60
Ax4 0.1262915 0.6718 46.31
Ax5 0.1176380 0.7894 54.42
Ax6 0.1099985 0.8994 62.00
Ax7 0.1032282 1.0027 69.11
Ax8 0.0986748 1.1013 75.91
Ax9 0.0920695 1.1934 82.26
Ax10 0.0747282 1.2681 87.41
Ax11 0.0623488 1.3305 91.71
Ax12 0.0593251 1.3898 95.80
Ax13 0.0573240 1.4471 99.75
Ax14 0.0035264 1.4507 99.99
Ax15 0.0001104 1.4508 100.00
L’inertie totale est de 1,451 et l’axe 1 en explique 0,1474 soit 17 %. L’inertie projetée cumulée nous indique
que les deux premiers axes expliquent à eux seuls 29 % des variations observées dans notre échantillon.
Pour comprendre la signification des différents axes, il importe d’identifier quelles sont les variables/
modalités qui contribuent le plus à chaque axe. Une première représentation graphique est le cercle de
corrélation des modalités. Pour cela, on aura recours à s.corcicle . On indiquera d’abord acm$co si
l’on souhaite représenter les modalités ou acm$li si l’on souhaite représenter les individus. Les deux
chiffres suivant indiquent les deux axes que l’on souhaite afficher (dans le cas présent les deux premiers
axes). Enfin, le paramètre clabel permet de modifier la taille des étiquettes.
– 614 –
R> s.corcircle(acm$co, 1, 2, clabel = 0.7)
Figure 4. Cercle de corrélations des modalités sur les deux premiers axes
Il est aussi possible d’utiliser fviz_mca_var de factoextra. L’option repel = TRUE permets d’éviter
que les étiquettes ne se superposent.
– 615 –
R> fviz_mca_var(acm, repel = TRUE)
Figure 5. Représentation des modalités sur les deux premiers axes
On pourra avoir également recours à boxplot pour visualiser comment se répartissent les modalités de
chaque variable sur un axe donné2.
2. La fonction score constituera également une aide à l’interprétation des axes.
– 616 –
R> boxplot(acm)
Figure 6. Répartition des modalités selon le premier axe
– 617 –
R> boxplot(acm, 2)
Figure 7. Répartition des modalités selon le second axe
La fonction fviz_contrib de factoextra peut être utilisée pour représenter la contribution des
différentes variables sur un axe.
– 618 –
R> fviz_contrib(acm, choice = "var", axes = 1)
– 619 –
R> fviz_contrib(acm, choice = "var", axes = 2)
Figure 8. Représentation de la contribution des différentes variables
Le tableau acm$cr contient les rapports de corrélation (variant de 0 à 1) entre les variables et les axes
choisis au départ de l’ACM. Pour représenter graphiquement ces rapports, utiliser la fonction barplot
ainsi : barplot(acm$cr[,num],names.arg=row.names( acm$cr),las=2) où num est le numéro de
l’axe à représenter. Pour l’interprétation des axes, se concentrer sur les variables les plus structurantes,
c’est-à-dire dont le rapport de corrélation est le plus proche de 1.
– 620 –

for (i in 1:4) barplot(acm$cr[, i], names.arg = row.names(acm$cr), las =
2, main = paste("Axe", i))
Figure 9. Rapports de corrélation des variables sur les 4 premiers axes
NOTE
Le paramètre mfrow de la fonction par permet d’indiquer à R que l’on souhaite afficher plusieurs
graphiques sur une seule et même fenêtre, plus précisément que l’on souhaite diviser la fenêtre en
deux lignes et deux colonnes.
Dans l’exemple précédent, après avoir produit notre graphique, nous avons réinitilisé cette valeur à
c(1, 1) (un seul graphique par fenêtre) pour ne pas affecter les prochains graphiques que nous
allons produire.
– 621 –
Pour représenter, les modalités dans le plan factoriel, on utilisera la fonction s.label . Par défaut, les
deux premiers axes sont représentés.
R> s.label(acm$co, clabel = 0.7)
Figure 10. Répartition des modalités selon les deux premiers axes
Il est bien sur possible de préciser les axes à représenter. L’argument boxes permet quant à lui d’indiquer
si l’on souhaite tracer une boîte pour chaque modalité.
– 622 –
R> s.label(acm$co, 3, 4, clabel = 0.7, boxes = FALSE)
Figure 11. Répartition des modalités selon les axes 3 et 4
Bien entendu, on peut également représenter les individus. En indiquant clabel=0 (une taille nulle pour
les étiquettes), s.label remplace chaque observation par un symbole qui peut être spécifié avec pch .
– 623 –
R> s.label(acm$li, clabel = 0, pch = 17)
Figure 12. Répartition des individus selon les deux premiers axes
– 624 –
NOTE
L’agument pch permet de spécifier le symbole à utiliser. Il peut prendre soit un nombre entier
compris entre 0 et 25, soit un charactère textuel.
Il est également possible d’avoir recours à fviz_mca_ind de factoextra. geom = "point" permets
de de ne réprésenter que les points sans leur étiquette. alpha.ind = .25 permets d’appliquer une
transparance.
– 625 –
R> fviz_mca_ind(acm, geom = "point", alpha.ind = .25)
Figure 13. Répartition des individus selon les deux premiers axes avec fviz_mca_ind()
– 626 –
NOTE
Lorsque l’on réalise une ACM, il n’est pas rare que plusieurs observations soient identiques, c’est-à-
dire correspondent à la même combinaison de modalités. Dès lors, ces observations seront projetées
sur le même point dans le plan factoriel. Une représentation classique des observations avec
s.label ne permettra pas de rendre compte les effectifs de chaque point.
Le package JLutils, disponible seulement sur GitHub, propose une fonction s.freq représentant
chaque point par un carré proportionnel au nombre d’individus.
Pour installer JLutils, on aura recours au package devtools et à sa fonction install_github :
La fonction s.freq s’emploie de manière similaire aux autres fonctions graphiques de ade4. Le
paramètre csize permet d’ajuster la taille des carrés.
– 627 –
R> library(JLutils)
s.freq(acm$li)
L’interprétation est tout autre, non ?
NOTE
Gaston Sanchez propose un graphique amélioré des modalités dans le plan factoriel, avec notamment
de coubes de densité, à cette adresse : http://rpubs.com/gaston/MCA.
La fonction s.value permet notamment de représenter un troisième axe factoriel. Dans l’exemple ci-
après, nous projettons les individus selon les deux premiers axes factoriels. La taille et la couleur des
carrés dépendent pour leur part de la coordonnée des individus sur le troisième axe factoriel. Le
paramètre csi permet d’ajuster la taille des carrés.
– 628 –
R> s.value(acm$li, acm$li[, 3], 1, 2, csi = 0.5)
Figure 14. Répartition des individus selon les trois premiers axes
s.arrow permet de représenter les vecteurs variables ou les vecteurs individus sous la forme d’une
flèche allant de l’origine du plan factoriel aux coordonnées des variables/individus :
– 629 –
R> s.arrow(acm$co, clabel = 0.7)
Figure 15. Vecteurs des modalités selon les deux premiers axes
s.hist permet de représenter des individus (ou des modalités) sur le plan factoriel et d’afficher leur
distribution sur chaque axe :
– 630 –
R> s.hist(acm$li, clabel = 0, pch = 15)
Figure 16. Distribution des individus dans le plan factoriel
s.class et s.chull permettent de représenter les différentes observations classées en plusieurs

catégories. Cela permet notamment de projeter certaines variables.
s.class représente les observations par des points, lie chaque observation au barycentre de la modalité
à laquelle elle appartient et dessine une ellipse représentant la forme générale du nuage de points :
– 631 –
R> library(RColorBrewer)
s.class(acm$li, d2$sexe, col = brewer.pal(4, "Set1"))
Figure 17. Individus dans le plan factoriel selon le sexe (s.class)
s.chull représente les barycentres de chaque catégorie et dessine des lignes de niveaux représentant
la distribution des individus de cette catégorie. Les individus ne sont pas directement représentés :
– 632 –
R> s.chull(acm$li, d2$sexe, col = brewer.pal(4, "Set1"))
Figure 18. Individus dans le plan factoriel selon le sexe (s.chull)
– 633 –
NOTE
Il est préférable de fournir une liste de couleurs (via le paramètre col ) pour rendre le graphique plus
lisible. Si vous avez installé l’extension RColorBrewer, vous pouvez utiliser les différentes palettes de
couleurs proposées. Pour afficher les palettes disponibles, utilisez display.brewer.all .
– 634 –
R> library(RColorBrewer)
display.brewer.all(8)
Pour obtenir une palette de couleurs, utilisez la fonction brewer.pal avec les arguments n (nombre
de couleurs demandées) et pal (nom de la palette de couleurs désirée).
– 635 –
Pour plus d’informations sur les palettes de couleurs de R, voir le chapitre dédié, page 1241.
Il est aussi possible de passer à fviz_mca_ind une variable de regroupement via le paramètre
habillage .
R> fviz_mca_ind(acm, geom = "point", alpha.ind = .25, habillage = d2$sexe, a

ddEllipses = TRUE)
Figure 19. Individus dans le plan factoriel selon le sexe (fviz_mca_ind)
La variable catégorielle transmise à s.class ou s.chull n’est pas obligatoirement une des variables
retenues pour l’ACM. Il est tout à fait possible d’utiliser une autre variable. Par exemple :
– 636 –
R> s.class(acm$li, d$trav.imp, col = brewer.pal(4, "Set1"))
Figure 20. Individus dans le plan factoriel selon l’importance donnée au travail
Les fonctions scatter et biplot sont équivalentes : elles appliquent s.class à chaque variable
utilisée pour l’ACM.
– 637 –
R> scatter(acm, col = brewer.pal(4, "Set1"))
Figure 21. La fonction scatter appliquée au résultat d’une ACM
ACM avec FactoMineR

Comme avec ade4, il est nécessaire de préparer les données au préalable (voir section précédente).
L’ACM se calcule avec la fonction MCA , l’argument ncp permettant de choisir le nombre d’axes à retenir :
R> library(FactoMineR)
R> acm2 <- MCA(d2, ncp = 5, graph = FALSE)

acm2
**Results of the Multiple Correspondence Analysis (MCA)**

The analysis was performed on 2000 individuals, described by 9 variables
– 638 –
*The results are available in the following objects:
name description
1 "$eig" "eigenvalues"
2 "$var" "results for the variables"
3 "$var$coord" "coord. of the categories"
4 "$var$cos2" "cos2 for the categories"
5 "$var$contrib" "contributions of the categories"
6 "$var$v.test" "v-test for the categories"
7 "$ind" "results for the individuals"
8 "$ind$coord" "coord. for the individuals"
9 "$ind$cos2" "cos2 for the individuals"
10 "$ind$contrib" "contributions of the individuals"
11 "$call" "intermediate results"
12 "$call$marge.col" "weights of columns"
13 "$call$marge.li" "weights of rows"
R> acm2$eig
eigenvalue percentage of variance

dim 1 0.25757489 15.454493
dim 2 0.18363502 11.018101
dim 3 0.16164626 9.698776
dim 4 0.12871623 7.722974
dim 5 0.12135737 7.281442
dim 6 0.11213331 6.727999
dim 7 0.10959377 6.575626
dim 8 0.10340564 6.204338
dim 9 0.09867478 5.920487
dim 10 0.09192693 5.515616
dim 11 0.07501208 4.500725
dim 12 0.06679676 4.007805
dim 13 0.06002063 3.601238
dim 14 0.05832024 3.499215
dim 15 0.03785276 2.271166
cumulative percentage of variance
dim 1 15.45449
dim 2 26.47259
dim 3 36.17137
dim 4 43.89434
dim 5 51.17579
dim 6 57.90378
dim 7 64.47941
dim 8 70.68375
dim 9 76.60424
– 639 –
dim 10 82.11985
dim 11 86.62058
dim 12 90.62838
dim 13 94.22962
dim 14 97.72883
dim 15 100.00000
R> sum(acm2$eig[, 1])
[1] 1.666667
En premier lieu, il apparait que l’inertie totale obtenue avec MCA est différente de celle observée avec
dudi.acm . Cela est dû à un traitement différents des valeurs manquantes. Alors que dudi.acm exclu les
valeurs manquantes, MCA les considèrent, par défaut, comme une modalité additionnelle. Pour calculer
l’ACM uniquement sur les individus n’ayant pas de valeur manquante, on aura recours à
complete.cases :
R> acm2 <- MCA(d2[complete.cases(d2), ], ncp = 5, graph = FALSE)

acm2$eig
eigenvalue percentage of variance

dim 1 0.24790700 17.162792
dim 2 0.16758465 11.602014
dim 3 0.13042357 9.029324
dim 4 0.12595105 8.719688
dim 5 0.11338629 7.849820
dim 6 0.10976674 7.599236
dim 7 0.10060204 6.964757
dim 8 0.09802387 6.786268
dim 9 0.09283131 6.426783
dim 10 0.07673502 5.312425
dim 11 0.06609694 4.575942
dim 12 0.05950655 4.119684
dim 13 0.05562942 3.851267
cumulative percentage of variance
dim 1 17.16279
dim 2 28.76481
dim 3 37.79413
dim 4 46.51382
dim 5 54.36364
dim 6 61.96287
dim 7 68.92763
dim 8 75.71390
– 640 –
dim 9 82.14068
dim 10 87.45311
dim 11 92.02905
dim 12 96.14873
dim 13 100.00000
R> sum(acm2$eig[, 1])
[1] 1.444444
Les possibilités graphiques de FactoMineR sont différentes de celles de ade4. Un recours à la fonction
plot affichera par défaut les individus, les modalités et les variables. La commande ?plot.MCA permet
d’accéder au fichier d’aide de cette fonction (i.e. de la méthode générique plot appliquée aux objets
de type MCA ) et de voir toutes les options graphiques. L’argument choix permet de spécifier ce que
l’on souhaite afficher (« ind » pour les individus et les catégories, « var » pour les variables). L’argument
invisible quant à lui permet de spécifier ce que l’on souhaite masquer. Les axes à afficher se précisent
avec axes . Voir les exemples ci-dessous.
– 641 –
R> plot(acm2)
Figure 22. Plan factoriel (deux premiers axes)
– 642 –
R> plot(acm2, axes = c(3, 4))
Figure 23. Plan factoriel (axes 3 et 4)
– 643 –
R> plot(acm2, choix = "ind")
Figure 24. Plan factoriel (seulement les individus et les catégories)
– 644 –
R> plot(acm2, choix = "ind", invisible = "ind")
Figure 25. Plan factoriel (seulement les catégories)
– 645 –
R> plot(acm2, choix = "var")
Figure 26. Plan factoriel (seulement les variables)
La fonction plotellipses trace des ellipses de confiance atour des modalités de variables qualitatives.
L’objectif est de voir si les modalités d’une variable qualitative sont significativement différentes les unes
des autres.
Par défaut ( means=TRUE ), les ellipses de confiance sont calculées pour les coordonnées moyennes de
chaque catégorie.
– 646 –
R> plotellipses(acm2)
Figure 27. Ellipses de confiance (means=TRUE) dans le plan factoriel
L’option means=FALSE calculera les ellipses de confiance pour l’ensemble des coordonnées des
observations relevant de chaque catégorie.
– 647 –
R> plotellipses(acm2, means = FALSE)
Figure 28. Ellipses de confiance (means=FALSE) dans le plan factoriel
La fonction dimdesc aide à décrire et interpréter les dimensions de l’ACM. Cette fonction est très utile
quand le nombre de variables est élevé. Elle permet de voir à quelles variables les axes sont le plus liés :
quelles variables et quelles modalités décrivent le mieux chaque axe ?
Pour les variables qualitatives, un modèle d’analyse de variance à un facteur est

réalisé pour chaque dimension ; les variables à expliquer sont les coordonnées des
individus et la variable explicative est une des variables qualitatives. Un test F
permet de voir si la variable a un effet significatif sur la dimension et des tests
T sont réalisés modalité par modalité (avec le contraste somme des alpha_i=0).
Cela montre si les coordonnées des individus de la sous-population définie par une
modalité sont significativement différentes de celles de l’ensemble de la population
(i.e. différentes de 0). Les variables et modalités sont triées par probabilité critique
et seules celles qui sont significatives sont gardées dans le résultat.
– 648 –
— Source : http://factominer.free.fr/factosbest/description-des-
dimensions.html
R> dd <- dimdesc(acm2, axes = 1:2)

dd$`Dim 1`
Extensions complémentaires
factoextra
L’extension factoextra fournit des fonctions graphiques ggplot2 pour visualiser les résultats d’une analyse
factorielle, réalisée avec ade4 ou FactoMineR.
Plus d’informations sur https://rpkgs.datanovia.com/factoextra/.
explor
L’extension explor fournit une interface graphique pour explorer les résultats d’une analyse factorielle,
réalisée avec ade4 ou FactoMineR.
Interface graphique de explor
Plus d’informations sur https://github.com/juba/explor/.
GDAtools
L’extension GDAtools développé par Nicolas Robette propose plusieurs outils pour l’interprétation et la
visualisation des analyses factorielles ainsi que différentes variables d’ACM, pour la prise en compte par
exemple des valeurs manquantes.
On pourra se référer au tutoriel dédié disponible en français sur https://nicolas-robette.github.io/

GDAtools/articles/french/Tutoriel_AGD.html.
– 649 –
Factoshiny
L’extension Factoshiny permet d’améliorer facilement et de façon interactive les graphiques produits par
FactoMineR pour les rendre beaucoup plus lisibles.
Plus d’informations sur http://factominer.free.fr/graphs/factoshiny-fr.html.
FactoInvestigate
L’extension FactoInvestigate décrit et interprète automatiquement les résultats de votre analyse
factorielle (ACP, AFC ou ACM) en choisissant les graphes les plus appropriés pour un rapport.
Vous avez juste à faire l’analyse comme habituellement avec FactoMineR ou Factoshiny, et ensuite
utiliser FactoInvestigate pour obtenir un rapport automatisé.
Plus d’informations sur http://factominer.free.fr/reporting/index_fr.html.
Voir aussi
Un tutoriel détaillé en français, «Visualiser une analyse géométrique des données avec ggplot2 (R/
RStudio)», est disponible sur le blog Quanti : https://quanti.hypotheses.org/1871.
– 650 –
Classification ascendante
hiérarchique (CAH)
Calculer une matrice des distances . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 652
Distance de Gower . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 652
Distance du Φ² . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 654
Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 655
Calcul du dendrogramme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 655
Découper le dendrogramme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 659
Caractériser la typologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 672
CAH avec l’extension FactoMineR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 678
WEBIN-R
Ce chapitre est évoqué dans le webin-R #12 (Classification ascendante hiérarchique sur YouTube.
NOTE
Pour une introduction didactique et en français à la classification, voir ce billet de Philippe Cibois sur
Hypothses.org.
Il existe de nombreuses techniques statistiques visant à partinionner une population en différentes

classes ou sous-groupes. La classification ascendante hiérarchique (CAH) est l’une d’entre elles. On
cherche à ce que les individus regroupés au sein d’une même classe (homogénéité intra-classe) soient le
plus semblables possibles tandis que les classes soient le plus dissemblables (hétérogénéité inter-classe).
Le principe de la CAH est de rassembler des individus selon un critère de ressemblance défini au préalable
qui s’exprimera sous la forme d’une matrice de distances, exprimant la distance existant entre chaque
individu pris deux à deux. Deux observations identiques auront une distance nulle. Plus les deux
observations seront dissemblables, plus la distance sera importante. La CAH va ensuite rassembler les
– 651 –
individus de manière itérative afin de produire un dendrogramme ou arbre de classification. La

classification est ascendante car elle part des observations individuelles ; elle est hiérarchique car elle
produit des classes ou groupes de plus en plus vastes, incluant des sous-groupes en leur sein. En
découpant cet arbre à une certaine hauteur choisie, on produira la partition désirée.
NOTE
On trouvera également de nombreux supports de cours en français sur la CAH sur le site de François
Gilles Carpentier : http://pagesperso.univ-brest.fr/~carpenti/.
Calculer une matrice des distances

La notion de ressemblance entre observations est évaluée par une distance entre individus. Plusieurs type
de ditances existent selon les données utilisées.
Il existe de nombreuses distances mathématiques pour les variables quantitatives (euclidiennes,

Manhattan…) que nous n’aborderons pas ici1. La plupart peuvent être calculées avec la fonction dist .
Usuellement, pour un ensemble de variables qualitatives, on aura recours à la distance du Φ² qui est
celle utilisée pour l’analyse des correspondances multiples (voir le chapitre dédié). Avec l’extension ade4,
la distance du Φ² s’obtient avec la fonction dist.dudi 2. Le cas particulier de la CAH avec l’extension
FactoMineR sera abordée dans une section spécifique ci-après. Nous évoquerons également la distance
de Gower qui peut s’appliquer à un ensemble de variables à la fois qualitatives et quantitatives et qui se
calcule avec la fonction daisy de l’extension cluster. Enfin, dans le chapitre sur l’analyse de séquences,
page 845, nous verrons également la fonction seqdist (extension TraMineR) permettant de calculer
une distance entre séquences.
Distance de Gower
En 1971, Gower a proposé un indice de similarité qui porte son nom3. L’objectif de cet indice consiste
à mesurer dans quelle mesure deux individus sont semblables. L’indice de Gower varie entre 0 et 1. Si
1. Pour une présentation de ces différentes distances, on pourra se référer à http://old.biodiversite.wallonie.be/outils/

methodo/similarite_distance.htm ou encore à ce support de cours par D. Chessel, J. Thioulouse et A.B. Dufour
disponible à http://pbil.univ-lyon1.fr/R/pdf/stage7.pdf.
2. Cette même fonction peut aussi être utilisée pour calculer une distance après une analyse en composantes principales
ou une analyse mixte de Hill et Smith.
3. Voir Gower, J. (1971). A General Coefficient of Similarity and Some of Its Properties. Biometrics, 27(4), 857-871.
doi:10.2307/2528823 (http://www.jstor.org/stable/2528823).
– 652 –
Classification ascendante hiérarchique (CAH)
l’indice vaut 1, les deux individus sont identiques. À l’opposé, s’il vaut 0, les deux individus considérés n’ont
pas de point commun. Si l’on note Sg l’indice de similarité de Gower, la distance de Gower Dg s’obtient
simplement de la manière suivante : Dg = 1 - Sg. Ainsi, la distance sera nulle entre deux individus identiques
et elle sera égale à 1 entre deux individus totalement différents. Cette distance s’obtient sous R avec la
fonction daisy du package cluster.
L’indice de similarité de Gower entre deux individus x1 et x2 se calcule de la manière suivante :

p
1
(
Sg x1, x2) =
p ∑ s12j
j=1
p représente le nombre total de caractères (ou de variables) descriptifs utilisés pour comparer les deux
individus4. s12j représente la similarité partielle entre les individus 1 et 2 concernant le descripteur j. Cette
similarité partielle se calcule différemment s’il s’agit d’une variable qualitative ou quantitative :
• variable qualitative : s12j vaut 1 si la variable j prend la même valeur pour les individus 1 et 2,
et vaut 0 sinon. Par exemple, si 1 et 2 sont tous les deux « grand », alors s12j vaudra 1. Si 1 est
« grand » et 2 « petit », s12j vaudra 0.
• variable quantitative : la différence absolue entre les valeurs des deux variables est tout d’abord
calculée, soit |y1j − y2j|. Puis l’écart maximum observé sur l’ensemble du fichier est déterminé et
noté Rj. Dès lors, la similarité partielle vaut S12j = 1 - |y1j − y2j| / Rj.
Dans le cas où l’on n’a que des variables qualitatives, la valeur de l’indice de Gower correspond à la
proportion de caractères en commun. Supposons des individus 1 et 2 décris ainsi :
1. homme / grand / blond / étudiant / urbain

2. femme / grande / brune / étudiante / rurale
Sur les 5 variables utilisées pour les décrire, 1 et 2 ont deux caractéristiques communes : ils sont grand(e)s
et étudiant(e)s. Dès lors, l’indice de similarité de Gower entre 1 et 2 vaut 2/5 = 0,4 (soit une distance de
1 − 0,4 = 0,6).
Plusieurs approches peuvent être retenues pour traiter les valeurs manquantes :
• supprimer tout individu n’étant pas renseigné pour toutes les variables de l’analyse ;
• considérer les valeurs manquantes comme une modalité en tant que telle ;
• garder les valeurs manquantes en tant que valeurs manquantes.
Le choix retenu modifiera les distances de Gower calculées. Supposons que l’on ait :

2. femme / grande / brune / étudiante / manquant
Si l’on supprime les individus ayant des valeurs manquantes, 2 est retirée du fichier d’observations et
aucune distance n’est calculée.
4. Pour une description mathématique plus détaillée de cette fonction, notamment en cas de valeur manquante, se
référer à l’article original de Gower précédemment cité.
– 653 –
Si l’on traite les valeurs manquantes comme une modalité particulière, 1 et 2 partagent alors 2 caractères
sur les 5 analysés, la distance de Gower entre eux est alors de 1 − 2/5 =1 − 0,4 = 0,6.
Si on garde les valeurs manquantes, l’indice de Gower est dès lors calculé sur les seuls descripteurs
renseignés à la fois pour 1 et 2. La distance de Gower sera calculée dans le cas présent uniquement sur les
4 caractères renseignés et vaudra 1 − 2/4 = 0,5.
Distance du Φ²
Il s’agit de la distance utilisée dans les analyses de correspondance multiples (ACM). C’est une variante
de la distance du χ². Nous considérons ici que nous avons Q questions (soit Q variables initiales de type
facteur). À chaque individu est associé un patron c’est-à-dire une certaine combinaison de réponses aux Q
questions. La distance entre deux individus correspond à la distance entre leurs deux patrons. Si les deux
individus présentent le même patron, leur distance sera nulle. La distance du Φ² peut s’exprimer ainsi :
2
1 (δik − δjk)
d
2
Φ2
( )
Li, Lj =
Q ∑ fk
k
où Li et Lj sont deux patrons, Q le nombre total de questions. δik vaut 1 si la modalité k est présente dans le
patron Li, 0 sinon. fk est la fréquence de la modalité k dans l’ensemble de la population.
Exprimé plus simplement, on fait la somme de l’inverse des modalités non communes aux deux patrons,
puis on divise par le nombre total de question. Si nous reprenons notre exemple précédent :

2. femme / grande / brune / étudiante / rurale
Pour calculer la distance entre 1 et 2, il nous faut connaître la proportion des différentes modalités dans
l’ensemble de la population étudiée. En l’occurrence :
• hommes : 52 % / femmes : 48 %
• grand : 30 % / moyen : 45 % / petit : 25 %
• blond : 15 % / châtain : 45 % / brun : 30 % / blanc : 10 %
• étudiant : 20 % / salariés : 65 % / retraités : 15 %
• urbain : 80 % / rural : 20 %
Les modalités non communes entre les profils de 1 et 2 sont : homme, femme, blond, brun, urbain et rural.
La distance du Φ² entre 1 et 2 est donc la suivante :
d
2
Φ2
(
L1, )
L2 =
(
1 1
+
1
+
1
+
1
+
1
+
1
5 0, 52 0, 48 0, 15 0, 30 0, 80 0, 20 )
= 4, 05
Cette distance, bien que moins intuitive que la distance de Gower évoquée précédemment, est la plus
employée pour l’analyse d’enquêtes en sciences sociales. Il faut retenir que la distance entre deux profils
est dépendante de la distribution globale de chaque modalité dans la population étudiée. Ainsi, si l’on
– 654 –
recalcule les distances entre individus à partir d’un sous-échantillon, le résultat obtenu sera différent. De
manière générale, les individus présentant des caractéristiques rares dans la population vont se retrouver
éloignés des individus présentant des caractéristiques fortement représentées.
Exemple
Nous allons reprendre l’ACM calculée avec dudi.acm (ade4) dans le chapitre consacré à l’ACM :
data(hdv2003)
d <- hdv2003
d$grpage <- cut(d$age, c(16, 25, 45, 65, 93), right = FALSE, include.lowest =
TRUE)
d$etud <- d$nivetud
)
d2 <- d[, c("grpage", "sexe", "etud", "peche.chasse", "cinema", "cuisine", "br
icol", "sport", "lecture.bd")]
library(ade4)
acm <- dudi.acm(d2, scannf = FALSE, nf = 5)
La matrice des distances s’obtient dès lors avec la fonction dist.dudi :
R> md <- dist.dudi(acm)
Pour une matrice de distances basée sur la distance de Gower, nous aurions eu plutôt recours à la fonction
daisy de l’extension cluster.
R> library(cluster)
md_gower <- daisy(d2, metric = "gower")
Calcul du dendrogramme
Il faut ensuite choisir une méthode d’agrégation pour construire le dendrogramme. De nombreuses
solutions existent (saut minimum, distance maximum, moyenne, Ward…). Chacune d’elle produira un
dendrogramme différent. Nous ne détaillerons pas ici ces différentes techniques5. Cependant, à l’usage,
on privilégiera le plus souvent la méthode de Ward6. De manière simplifiée, cette méthode cherche à
5. On pourra consulter le cours de FG Carpentier déjà cité ou bien des ouvrages d’analyse statistique.
– 655 –
minimiser l’inertie intra-classe et à maximiser l’inertie inter-classe afin d’obtenir des classes les plus
homogènes possibles. Cette méthode est souvent incorrectement présentée comme une «méthode de
minimisation de la variance» alors qu’au sens strict Ward vise «l’augmentation mininum de la somme des
carrés» (“minimum increase of sum-of-squares (of errors)”)7.
En raison de la variété des distances possibles et de la variété des techniques d’agrégation, on pourra être
amené à réaliser plusieurs dendrogrammes différents sur un même jeu de données jusqu’à obtenir une
classification qui fait « sens ».
La fonction de base pour le calcul d’un dendrogramme est hclust en précisant le critère d’agrégation
avec method . Dans notre cas, nous allons opter pour la méthode de Ward appliquée au carré des
distances (ce qu’on indique avec method = "ward.D2" 8) :
R> arbre <- hclust(md, method = "ward.D2")
NOTE
Le temps de calcul d’un dendrogramme peut être particulièrement important sur un gros fichier de
données. L’extension fastcluster permet de réduire significativement le temps de calcul. Il suffit
d’installer puis d’appeler cette extension. La fonction hclust sera automatiquement remplacée par
cette version optimisée. Elle prends les mêmes paramètres :
R> library(fastcluster)
arbre <- hclust(md, method = "ward.D2")
Le dendrogramme obtenu peut être affiché simplement avec plot . Lorsque le nombre d’individus est
important, il peut être utile de ne pas afficher les étiquettes des individus avec labels=FALSE .
6. Ward, J. (1963). Hierarchical Grouping to Optimize an Objective Function. Journal of the American Statistical
Association, 58(301), 236-244. doi:10.2307/2282967. (http://www.jstor.org/stable/2282967)
7. Voir par exemple la discussion, en anglais, sur Wikipedia concernant la page présentant la méthode Ward :
https://en.wikipedia.org/wiki/Talk:Ward%27s_method
8. Depuis la version 3.1 de R. L’option method = "ward.D" correspondant à la version disponible dans les versions
précédentes de R. Mais il est à noter que la méthode décrite par Ward dans son article de 1963 correspond en réalité
à method = "ward.D2 .
– 656 –
R> plot(arbre, labels = FALSE, main = "Dendrogramme")
Figure 1. Dendrogramme obtenu avec hclust
Pour afficher un dendrogramme via ggplot2, on pourra avoir recours à la fonction ggdendrogram de
l’extension ggdendro.
– 657 –
R> library(ggdendro)
ggdendrogram(arbre, labels = FALSE)
Figure 2. Dendrogramme obtenu avec ggdendrogram
La fonction agnes de l’extension cluster peut également être utilisée pour calculer le dendrogramme.
Cependant, à l’usage, elle semble être un peu plus lente que hclust .
R> library(cluster)
arbre2 <- agnes(md, method = "ward")
ATTENTION : la
méthode implémentée dans la fonction agnes correspond à l’option
method = "ward.D2" de hclust .
Le résultat obtenu n’est pas au même format que celui de hclust . Il est possible de transformer un objet
agnes au format hclust avec as.hclust .
– 658 –
R> as.hclust(arbre2)
Découper le dendrogramme
Pour obtenir une partition de la population, il suffit de découper le dendrogramme obtenu à une certaine
hauteur. En premier lieu, une analyse de la forme du dendrogramme pourra nous donner une indication
sur le nombre de classes à retenir. Dans notre exemple, deux branches bien distinctes apparaissent sur
l’arbre.
Pour nous aider, nous pouvons représenter les sauts d’inertie du dendrogramme selon le nombre de
classes retenues.
R> inertie <- sort(arbre$height, decreasing = TRUE)

plot(inertie[1:20], type = "s", xlab = "Nombre de classes", ylab = "Inert
ie")
Figure 3. Inertie du dendrogramme
On voit trois sauts assez nets à 2, 5 et 8 classes, que nous avons représentés ci-dessous respectivement
– 659 –
en vert, en rouge et en bleu.
R> plot(inertie[1:20], type = "s", xlab = "Nombre de classes", ylab = "Inert

ie")
points(c(2, 5, 8), inertie[c(2, 5, 8)], col = c("green3", "red3", "blue
3"), cex = 2, lwd = 3)
Figure 4. Sauts d’inertie du dendrogramme
La fonction rect.hclust permet de visualiser les différentes partitions directement sur le

dendrogramme.
– 660 –
R> plot(arbre, labels = FALSE, main = "Partition en 2, 5 ou 8 classes", xlab

= "", ylab = "", sub = "", axes = FALSE, hang = -1)
rect.hclust(arbre, 2, border = "green3")
rect.hclust(arbre, 5, border = "red3")
rect.hclust(arbre, 8, border = "blue3")
Figure 5. Différentes partitions du dendrogramme
On peut également avoir recours à l’extension dendextend et sa fonction color_branches . À noter que
dendextend fournit une méthode permettant de passer un dendrogramme à ggplot .
– 661 –
R> library(dendextend)
Registered S3 method overwritten by 'dendextend':

method from
rev.hclust vegan
---------------------
Welcome to dendextend version 1.16.0
Type citation('dendextend') for how to cite the package.
Type browseVignettes(package = 'dendextend') for the package vignette.

The github page is: https://github.com/talgalili/dendextend/
Suggestions and bug-reports can be submitted at: https://github.com/talgali

li/dendextend/issues
You may ask questions at stackoverflow, use the r and dendextend tags:
https://stackoverflow.com/questions/tagged/dendextend
To suppress this message use: suppressPackageStartupMessages(library(d

endextend))
---------------------
Attachement du package : 'dendextend'
L'objet suivant est masqué depuis 'package:ggdendro':
theme_dendro
L'objet suivant est masqué depuis 'package:ggpubr':
rotate
L'objet suivant est masqué depuis 'package:data.table':
set
cutree
– 662 –
R> library(ggplot2)
ggplot(color_branches(arbre, k = 5), labels = FALSE)
Figure 6. Un dendrogramme coloré avec dendextend
On peut aussi avoir recours à la fonction fviz_dend de l’extension factoextra .
– 663 –
fviz_dend(arbre, k = 5, show_labels = FALSE, rect = TRUE)
Warning: The `<scale>` argument of `guides()` cannot be `FALSE`. Use

"none" instead as of ggplot2 3.3.4.
ℹ The deprecated feature was likely used in the factoextra
package.
Please report the issue at
<]8;;https://github.com/kassambara/factoextra/issueshttps://github.com/ka
ssambara/factoextra/issues]8;;>.
Figure 7. Un dendrogramme coloré avec factoextra
L’extension FactoMineR (que nous aborderons dans une section dédiée ci-après, page 678) suggère
d’utiliser la partition ayant la plus grande perte relative d’inertie.
L’extension JLutils (disponible sur GitHub) propose une fonction best.cutree qui permet de calculer
cette indicateur à partir de n’importe quel dendrogramme calculé avec hclust ou agnes .
Pour installer JLutils, on aura recours au package devtools et à sa fonction install_github :
– 664 –
Pour installer JLutils sur un PC sous Windows, vous aurez également besoin de Rtools, téléchargeable sur
https://cran.r-project.org/bin/windows/Rtools/. Une fois installée, pensez à charger l’extension.
R> library(JLutils)
Si vous rencontrez des difficultés avec l’installation de JLutils et si vous avez seulement besoin de
best.cutree , vous pouvez avoir recours à la commande suivante.
R> source(url("https://raw.githubusercontent.com/larmarange/JLutils/master/R/clus
tering.R"))
Par défaut, best.cutree regarde quelle serait la meilleure partition entre 3 et 20 classes.
R> best.cutree(arbre)
[1] 5
En l’occurence il s’agirait d’une partition en 5 classes. Il est possible de modifier le minimum et le maximum
des partitions recherchées avec min et max .
R> best.cutree(arbre, min = 2)
[1] 2
On peut également représenter le graphique des pertes relatives d’inertie avec graph=TRUE . La
meilleure partition selon ce critère est représentée par un point noir et la seconde par un point gris.
– 665 –
R> best.cutree(arbre, min = 2, graph = TRUE, xlab = "Nombre de classes", yla

b = "Inertie relative")
[1] 2
Figure 8. Perte relative d’inertie selon le nombre de classes
Un découpage en deux classes minimise ce critère. Cependant, si l’on souhaite réaliser une analyse un peu
plus fine, un nombre de classes plus élevé serait pertinent. Nous allons donc retenir un découpage en cinq
classes. Le découpage s’effectue avec la fonction cutree .
R> typo <- cutree(arbre, 5)

freq(typo)
– 666 –
I M P O R TA N T
Je peux ajouter directement ma typologie à mon objet d2 ou même d dans la mesure où je n’ai pas
modifié depuis le début du script l’ordre de mes observations. Dès lors, l’ordre du résultat renvoyé
par cutree correspond à l’ordre de ma matrice de distance qui elle-même est ordonnée selon les
observations de l’ACM qui est ordonnée selon l’ordre des observations du tableau de données initial.
R> d2$typo <- cutree(arbre, 5)
– 667 –
NOTE
Il existe de multiples autres indicateurs statistiques cherchant à mesurer la «qualité» de chaque

partition. Pour cela, on pourra par exemple avoir recours à la fonction as.clustrange de l’extension
WeightedCluster.
Pour plus d’informations, voir le manuel de la librairie WeightedCluster, chapitre 7.
R> library(WeightedCluster)
This is WeightedCluster stable version 1.6-0 (Built: 2023-01-10)
To get the manuals, please run:
vignette("WeightedCluster") ## Complete manual in English
vignette("WeightedClusterFR") ## Complete manual in French
vignette("WeightedClusterPreview") ## Short preview in English
To cite WeightedCluster in publications please use:
Studer, Matthias (2013). WeightedCluster Library
Manual: A practical guide to creating typologies
of trajectories in the social sciences with R.
LIVES Working Papers, 24. doi:
10.12682/lives.2296-1658.2013.24
– 668 –
R> plot(as.clustrange(arbre, md))
La typologie obtenue peut être représentée dans le plan factoriel avec s.class .
– 669 –

library(RColorBrewer)
s.class(acm$li, as.factor(typo), col = brewer.pal(5, "Set1"), sub = "Axes
1 et 2")
s.class(acm$li, as.factor(typo), 3, 4, col = brewer.pal(5, "Set1"), sub
= "Axes 3 et 4")
Figure 9. Projection de la typologie obtenue par CAH selon les 4 premiers axes
– 670 –
NOTE
De nombreuses possibilités graphiques sont possibles avec les dendrogrammes. Des exemples
documentés sont disponibles à cette adresse : http://rpubs.com/gaston/dendrograms.
Romain François a developpé une fonction A2Rplot permettant de réaliser facilement un

dendrogramme avec les branches colorées9. Par commodité, cette fonction est disponible
directement au sein de l’extension JLutils.
Si vous rencontrez des difficultés à installer JLutils, vous pouvez également charger seulement
A2Rplot source() avec la commande :
R> source(url("https://raw.githubusercontent.com/larmarange/JLutils/master/R/A
2Rplot.R"))
Pour réaliser le graphique, on indiquera le nombre de classes et les couleurs à utiliser pour chaque
branche de l’arbre :
9. Voir http://addicted2or.free.fr/packages/A2R/lastVersion/R/code.R.
– 671 –
R> A2Rplot(arbre, k = 5, boxes = FALSE, col.up = "gray50", col.down = brewer.p

al(5, "Dark2"), show.labels = FALSE)
NOTE
Pour plus d’options graphiques concernant les dendrogrammes en général, on pourra se référer à
l’extension dendextend : https://talgalili.github.io/dendextend/.
Caractériser la typologie
Reste le travail le plus important (et parfois le plus difficile) qui consiste à catégoriser la typologie obtenue
et le cas échéant à nommer les classes.
En premier lieu, on peut croiser la typologie obtenue avec les différentes variables inclues dans l’ACM. Le
plus simple est d’avoir recours à tbl_summary de gtsummary.
– 672 –
d2 %>%
tbl_summary(by = typo)
– 673 –
1, N = 2, N = 3, N = 4, N = 5, N =
Characteristic
1,0311 1641 5531 2051 471
grpage
164
[16,25) 0 (0%) 0 (0%) 0 (0%) 5 (11%)
(100%)
[25,45) 590 (57%) 0 (0%) 20 (3.6%) 80 (39%) 16 (34%)
[45,65) 441 (43%) 0 (0%) 185 (34%) 97 (47%) 22 (47%)
[65,93] 0 (0%) 0 (0%) 346 (63%) 28 (14%) 4 (8.5%)
Unknown 0 0 2 0 0
sexe
Homme 429 (42%) 74 (45%) 220 (40%) 161 (79%) 15 (32%)
Femme 602 (58%) 90 (55%) 333 (60%) 44 (21%) 32 (68%)
etud
Primaire 7 (0.7%) 1 (1.3%) 402 (73%) 50 (25%) 6 (14%)
Secondaire 267 (26%) 15 (19%) 65 (12%) 35 (17%) 5 (12%)
Technique/
406 (40%) 48 (62%) 48 (8.7%) 87 (43%) 5 (12%)
Professionnel
Supérieur 334 (33%) 14 (18%) 36 (6.5%) 30 (15%) 27 (63%)
Unknown 17 86 2 3 4
peche.chasse
1,030 553
Non 151 (92%) 0 (0%) 42 (89%)
(100%) (100%)
205
Oui 1 (<0.1%) 13 (7.9%) 0 (0%) 5 (11%)
(100%)
cinema
Non 497 (48%) 32 (20%) 486 (88%) 141 (69%) 18 (38%)
1 n (%)
– 674 –
1, N = 2, N = 3, N = 4, N = 5, N =
Characteristic
1,0311 1641 5531 2051 471
Oui 534 (52%) 132 (80%) 67 (12%) 64 (31%) 29 (62%)
cuisine
Non 539 (52%) 85 (52%) 361 (65%) 111 (54%) 23 (49%)
Oui 492 (48%) 79 (48%) 192 (35%) 94 (46%) 24 (51%)
bricol
Non 537 (52%) 103 (63%) 397 (72%) 89 (43%) 21 (45%)
Oui 494 (48%) 61 (37%) 156 (28%) 116 (57%) 26 (55%)
sport
Non 588 (57%) 57 (35%) 479 (87%) 130 (63%) 23 (49%)
Oui 443 (43%) 107 (65%) 74 (13%) 75 (37%) 24 (51%)
lecture.bd
1,031 164 553 205

Non 0 (0%)
(100%) (100%) (100%) (100%)
47
Oui 0 (0%) 0 (0%) 0 (0%) 0 (0%)
(100%)
1
n (%)
On peut également avoir recours à ggtable de GGally pour représenter les résidus du Chi² et mieux
repérer les différences.
– 675 –
R> library(GGally)
d2$typo <- factor(d2$typo)
ggtable(
d2,
columnsX = "typo",
columnsY = names(d2)[1:9],
cells = "col.prop",
fill = "std.resid"
) +
labs(fill = "Résidus standardizés du Chi²") +
Warning in chisq.test(xtabs(weight ~ y + x, data = data)):

L’approximation du Chi-2 est peut-être incorrecte





– 676 –
Figure 10. Résidus du Chi²
– 677 –
CAH avec l’extension FactoMineR

L’extension FactoMineR fournit une fonction HCPC permettant de réaliser une classification hiérarchique
à partir du résultats d’une analyse factorielle réalisée avec la même extension (voir la section dédiée du
chapitre sur l’ACM, page 678).
HCPC réalise à la fois le calcul de la matrice des distances, du dendrogramme et le partitionnement de la

population en classes. Par défaut, HCPC calcule le dendrogramme à partir du carré des distances du Φ² et
avec la méthode de Ward.
Par défaut, l’arbre est affiché à l’écran et l’arbre sera coupé selon la partition ayant la plus grande perte
relative d’inertie (comme avec best.cutree ). Utilisez graph=FALSE pour ne pas afficher le graphique
et l’argument nb.clust pour indiquer le nombre de classes désirées.
R> library(FactoMineR)
acm2 <- MCA(d2[complete.cases(d2), ], ncp = 5, graph = FALSE)
cah <- HCPC(acm2, graph = FALSE)
On pourra représenter le dendrogramme avec plot et l’argument choice="tree" .
– 678 –
R> plot(cah, choice = "tree")
Figure 11. Dendrogramme obtenu avec HCPC (5 axes)
Il apparait que le dendrogramme obtenu avec HCPC diffère de celui que nous avons calculé
précédemment en utilisant la matrice des distances fournies par dist.dudi . Cela est dû au fait que
HCPC procède différement pour calculer la matrice des distances en ne prenant en compte que les axes
retenus dans le cadre de l’ACM. Pour rappel, nous avions retenu que 5 axes dans le cadre de notre ACM :
R> acm2 <- MCA(d2[complete.cases(d2), ], ncp = 5, graph = FALSE)
HCPC n’a donc pris en compte que ces 5 premiers axes pour calculer les distances entre les individus,
considérant que les autres axes n’apportent que du « bruit » rendant la classification instable. Cependant,
comme le montre summary(acm2) , nos cinq premiers axes n’expliquent que 54 % de la variance. Il
usuellement préférable de garder un plus grande nombre d’axes afin de couvrir au moins 80 à 90 % de la
variance10. De son côté, dist.dudi prends en compte l’ensemble des axes pour calculer la matrice des
distances. On peut reproduire cela avec FactoMineR en indiquant ncp=Inf lors du calcul de l’ACM.
10. Voir http://factominer.free.fr/classical-methods/classification-hierarchique-sur-composantes-principales.html
– 679 –
R> acm2 <- MCA(d2[complete.cases(d2), ], ncp = Inf, graph = FALSE)

cah <- HCPC(acm2, nb.clust = -1, graph = FALSE)
On obtient bien cette fois-ci le même résultat.
R> plot(cah, choice = "tree")
Figure 12. Dendrogramme obtenu avec HCPC (tous les axes)
D’autres graphiques sont disponibles, en faisant varier la valeur de l’argument choice :
– 680 –
R> plot(cah, choice = "3D.map")
Figure 13. Représentation en 3 dimensions du dendrogramme
– 681 –
R> plot(cah, choice = "bar")
Figure 14. Gains d’inertie
– 682 –
R> plot(cah, choice = "map")
Figure 15. Projection des catégories sur le plan factoriel
L’objet renvoyé par HCPC contient de nombreuses informations. La partition peut notamment être
récupérée avec cah$data.clust$clust . Il y a également diverses statistiques pour décrire les
catégories.
R> cah
**Results for the Hierarchical Clustering on Principal Components**

name
1 "$data.clust"
2 "$desc.var"
3 "$desc.var$test.chi2"
4 "$desc.axes$category"
5 "$desc.axes"
6 "$desc.axes$quanti.var"
7 "$desc.axes$quanti"
8 "$desc.ind"
– 683 –
9 "$desc.ind$para"
10 "$desc.ind$dist"
11 "$call"
12 "$call$t"
description
1 "dataset with the cluster of the individuals"
2 "description of the clusters by the variables"
3 "description of the cluster var. by the categorical var."
4 "description of the clusters by the categories."
5 "description of the clusters by the dimensions"
6 "description of the cluster var. by the axes"
7 "description of the clusters by the axes"
8 "description of the clusters by the individuals"
9 "parangons of each clusters"
10 "specific individuals"
11 "summary statistics"
12 "description of the tree"
R> freq(cah$data.clust$clust)
– 684 –
Tableaux statistiques
avancés avec gtsummary
Remarques sur les types de variables et les sélecteurs associés . . . . . . . . . . . . . . . . . . . . . . . . . . 687
Remarques sur la syntaxe des options . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 688
Thèmes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 689
Statistiques descriptives avec tbl_summary() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 689
Sélection des variables (include) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 691
En fonction d’une seconde variable (by, add_overall) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 692
Statistiques affichées (statistic, percent, sort) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 694
Affichage du nom des statistiques (add_stat_label) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 698
Forcer le type de variable (type, value) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 700
Afficher des statistiques sur plusieurs lignes (continuous2) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 705
Mise en forme des statistiques (digits) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 706
Données manquantes (missing, missing_text) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 710
Étiquettes des variables (label) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 712
Afficher les effectifs (add_n) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 713
Mise en forme du tableau (bold_labels, italicize_levels) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 715
Modifer en-têtes et notes (modify_header, modify_spanning_header, modify_footnote) . . . . . . . . . . . . . . . . 716
Tests de comparaisons (add_p, separate_p_footnotes) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 718
Intervalles de confiance (add_ci) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 722
Différences entre groupes (add_difference) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 723
Tableau croisé avec tbl_cross() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 724
Données pondérées et tbl_svysummary() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 725
Statistiques personnalisées avec tbl_continous() et tbl_custom_summary() . . . . . . . . . . . . . . . . . . 728
tbl_continuous() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 728
tbl_custom_summary() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 729
add_stat() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 737
Résultats d’un modèle avec tbl_regression() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 737
Afficher seulement certains coefficients (include) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 738
Étiquettes des variables (label) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 739
Exponentiation des coefficients (exponentiate) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 740
Changer l’intitulé des colonnes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 741
Afficher des étoiles de signification (add_significance_stars) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 742
– 685 –
Variables dichotomiques sur une ligne (show_single_row) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 743

Afficher l’intercept (intercept) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 744
Mise en forme des coefficients (estimate_fun, pvalue_fun) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 745
Afficher les coefficients pour les références (add_estimate_to_reference_rows) . . . . . . . . . . . . . . . . . . . . . 746
P-valeurs globales (add_global_p) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 747
Ajouter les VIF (add_vif) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 748
Représenter graphiquement le modèle (plot) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 749
Afficher des statistiques globales du modèle (add_glance_table, add_glance_source_note) . . . . . . . . . . . . . . 751
Combiner des tableaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 753
tbl_stack() & tbl_merge() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 753
tbl_strata() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 756
tbl_split() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 760
Régressions univariées multiples avec tbl_uvregression() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 760
Tables de survie avec tbl_survfit() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 763
Exporter un tableau . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 767
Plus d’options avec bstfun . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 771
tbl_likert() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 772
Ajouter un graphique de tendances (add_sparkline) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 776
Représentation graphique des coefficients dans le tableau (add_inline_forest_plot) . . . . . . . . . . . . . . . . . . . 777
Forest plot (as_forest_plot) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 778
WEBIN-R
Ce chapitre est évoqué dans le webin-R #22 (tableaux statistiques avec gtsummary) sur YouTube.
Ce chapitre est évoqué dans le webin-R #23 (tableaux statistiques avec gtsummary : suite) sur
YouTube.
L’extension gtsummary a déjà été abordée dans d’autres chapitres, notamment via les fonctions
tbl_summary et tbl_svysummary dans le chapitre sur la statistique bivariée, page 365 ou la fonction
tbl_regression dans le chapitre sur la régression logistique, page 519.
Dans ce chapitre, nous allons explorer plus en profondeur les différentes options offertes gtsummary
pour la réalisation de tableaux statistiques prêts à être publiés.
Les personnes anglophones pourront également se référer à l’excellent site de documentation du

package : https://www.danieldsjoberg.com/gtsummary/
– 686 –
Tableaux statistiques avancés avec gtsummary
Remarques sur les types de variables et les

sélecteurs associés
gtsummary permets de réaliser des tableaux statistiques combinant plusieurs variables, l’affichage des
résultats pouvant dépendre du type de variables.
Par défaut, gtsummary considère qu’une variable est catégorielle s’il s’agit d’un facteur, d’une variable
textuelle ou d’une variable numérique ayant moins de 10 valeurs différentes.
Une variable sera considérée comme dichotomique (variable catégorielle à seulement deux modalités)
s’il s’agit d’un vecteur logique ( TRUE / FALSE ), d’une variable textuelle codée yes / no ou d’une variable
numérique codée 0 / 1 .
Dans les autres cas, une variable numérique sera considérée comme continue.
NOTE
Si vous utilisez des vecteurs labellisés (voir le chapitre dédié, page 121), vous devez les convertir, en
amont, en facteur ou en variables numériques. Voir l’extension labelled et les fonctions to_factor ,
unlabelled et unclass .
Nous verrons plus loin qu’il est possible de forcer le type d’une variable et l’existence d’autres types de
variables.
gtsummary fournit des sélecteurs qui pourront être utilisés dans les options des différentes fonctions,
en particulier all_continuous pour les variables continues, all_dichotolous pour les variables
dichotomiques et all_categorical pour les variables catégorielles (incluant les variables
dichotomiques, utiliser all_categorical(dichotomous = FALSE) pour sélectionner les variables
catégorielles en excluant les variables dichotomiques).
Dans le cadre des tableaux présentant les résultats d’un modèle statistique, il existe en plus d’autres
sélecteurs pour sélectionner certains termes spécifiques : all_intercepts (pour sélectionner
seulement le ou les intercepts du modèle), all_interaction pour les termes d’interactions entre
plusieurs variables, all_contrasts pour sélectionner les variables catégorielles codées avec un
contraste particulier.
– 687 –
Remarques sur la syntaxe des options

De nombreuses options des fonctions de gtsummary peuvent s’appliquer seulement à une ou certaines
variables. Pour ces options-là, gtsummary attends une formule de la forme
variables concernées ~ valeur de l'option ou bien une liste de formules ayant cette forme.
Par exemple, pour modifier l’étiquette associée à une certaine variable, on peut utiliser l’option label de
tbl_summary .
R> tbl_summary(trial, label = age ~ "Âge")

tbl_summary(trial, label = list(age ~ "Âge", trt ~ "Traitement"))
gtsummary est très flexible sur la manière d’indiquer la ou les variables concernées. Il peut s’agir du nom
de la variable, d’une chaîne de caractères contenant le nom de la variable, ou d’un vecteur contenant le
nom de la variable. Les syntaxes ci-dessous sont ainsi équivalentes.
R> tbl_summary(trial, label = age ~ "Âge")

tbl_summary(trial, label = "age" ~ "Âge")
v <- "age"
tbl_summary(trial, label = v ~ "Âge")
tbl_summary(trial, label = vars(age) ~ "Âge")
Pour appliquer le même changement à plusieurs variables, plusieurs syntaxes sont acceptées pour lister
plusieurs variables.
R> tbl_summary(trial, label = c("age", "trt") ~ "Une même étiquette")

tbl_summary(trial, label = c(age, trt) ~ "Une même étiquette")
tbl_summary(trial, label = vars(age, trt) ~ "Une même étiquette")
Il est également possible d’utiliser la syntaxe tidyselect et les sélecteurs de tidyselect comme
everything , starts_with , contains ou all_of . Ces différents sélecteurs peuvent être combinés
au sein d’un c() ou de vars() .
R> tbl_summary(trial, label = everything() ~ "Une même étiquette")

tbl_summary(trial, label = starts_with("a") ~ "Une même étiquette")
tbl_summary(trial, label = c(everything(), -age, -trt) ~ "Une même étiquette")
tbl_summary(trial, label = age:trt ~ "Une même étiquette")
Bien sûr, il est possible d’utiliser les sélecteurs propres à gtsummary.
– 688 –
R> tbl_summary(trial, label = all_continuous() ~ "Une même étiquette")

tbl_summary(trial, label = list(
all_continuous() ~ "Variable continue",
all_dichotomous() ~ "Variable dichotomique",
all_categorical(dichotomous = FALSE) ~ "Variable catégorielle"
))
Enfin, si l’on ne précise rien à gauche du ~ , ce sera considéré comme équivalent à everything() . Les
deux syntaxes ci-dessous sont donc équivalentes.
R> tbl_summary(trial, label = ~"Une même étiquette")

tbl_summary(trial, label = everything() ~ "Une même étiquette")
Thèmes
gtsummary fournit plusieurs fonctions préfixées theme_gtsummary_*() permettant de modifier
l’affichage par défaut des tableaux.
La fonction theme_gtsummary_journal permets d’adopter les standards de certaines grandes revues

scientifiques telles que JAMA (Journal of the American Medical Association), The Lancet ou encore le NEJM
(New England Journal of Medicine).
Par défaut, tbl_summary utilise la médiane et l’intervalle interquartile pour les variables continues. Si on
applique theme_gtsummary_mean_sd , la moyenne et l’écart-type seront utilisés par défaut.
La fonction theme_gtsummary_language permet de modifier la langue utilisée par défaut dans les
tableaux. Les options decimal.mark et big.mark permettent de définir respectivement le séparateur
de décimales et le séparateur des milliers. Ainsi, pour présenter un tableau en français, on appliquera en
début de script :
R> theme_gtsummary_language(language = "fr", decimal.mark = ",", big.mark = " ")
Statistiques descriptives avec tbl_summary()

La fonction tbl_summary permets de réaliser des tris à plats de plusieurs variables, éventuellement
croisés selon une variable catégorielle.
On lui passe en entrée un tableaux de données (data.frame) et par défaut toutes les variables sont
– 689 –
résumées.
R> trial %>%

tbl_summary()
Caractéristique N = 2001
Chemotherapy Treatment
Drug A 98 (49%)
Drug B 102 (51%)
Age 47 (38 – 57)
Manquant 11
Marker Level (ng/mL) 0,64 (0,22 – 1,39)
Manquant 10
T Stage
T1 53 (26%)
T2 54 (27%)
T3 43 (22%)
T4 50 (25%)
Grade
I 68 (34%)
II 68 (34%)
III 64 (32%)
Tumor Response 61 (32%)
Manquant 7
Patient Died 112 (56%)
Months to Death/Censor 22,4 (16,0 – 24,0)
– 690 –
Sélection des variables (include)

La paramètre include permets de spécifier les variables à inclure dans le tableau (et leur ordre). On
peut lui passer un vecteur de noms de variables, ou bien utiliser des sélecteurs tidyselect (utiliser c() si
plusieurs sélecteurs).
R> trial %>%

tbl_summary(include = c("age", "marker", "response"))
Age 47 (38 – 57)
Manquant 11
Manquant 10
Manquant 7
– 691 –
R> trial %>%

tbl_summary(include = c(age:stage, starts_with("t")))
Age 47 (38 – 57)
Manquant 11
Manquant 10
T Stage
T1 53 (26%)
T2 54 (27%)
T3 43 (22%)
T4 50 (25%)
Drug A 98 (49%)
Drug B 102 (51%)
Months to Death/Censor 22,4 (16,0 – 24,0)
En fonction d’une seconde variable (by, add_overall)

Le paramètre by permets de résumer chacune des variables inclues en fonction d’une variable
catégorielle.
– 692 –
R> trial %>%

tbl_summary(
include = c(age, stage, response),
by = trt
)
Caractéristique Drug A, N = 981 Drug B, N = 1021
Age 46 (37 – 59) 48 (39 – 56)
Manquant 7 4
T Stage
T1 28 (29%) 25 (25%)
T2 25 (26%) 29 (28%)
T3 22 (22%) 21 (21%)
T4 23 (23%) 27 (26%)
Tumor Response 28 (29%) 33 (34%)
Manquant 3 4
La fonction add_overall , appliquée après tbl_summary , permets, lorsqu’une variable by a été

définie, de rajouter une colonne avec l’ensemble du fichier. L’option last permets de spécifier si l’on veut
ajouter cette colonne à la droite du tableau et col_label permet de personnaliser le titre de la colonne
(noter le recours aux ** pour indiquer ce qui doit être affiché en gras et {N} qui sera remplacé par le
nombre d’observations).
– 693 –
R> trial %>%

tbl_summary(
include = c(age, stage, response),
by = trt
) %>%
add_overall(last = TRUE, col_label = "**Ensemble** (effectif total: {N})")
Caractéristique Drug A, N = 981 Drug B, N = 1021 Ensemble (effectif total: 200)1
Age 46 (37 – 59) 48 (39 – 56) 47 (38 – 57)
Manquant 7 4 11
T Stage
T1 28 (29%) 25 (25%) 53 (26%)
T2 25 (26%) 29 (28%) 54 (27%)
T3 22 (22%) 21 (21%) 43 (22%)
T4 23 (23%) 27 (26%) 50 (25%)
Tumor Response 28 (29%) 33 (34%) 61 (32%)
Manquant 3 4 7
Statistiques affichées (statistic, percent, sort)

Le paramètre statistic permets de sélectionner les statistiques à afficher pour chaque variable. On
indiquera une chaîne de caractères dont les différentes statistiques seront indiquées entre accolades
( {} ).
Pour une variable continue, on pourra utiliser {median} pour la médiane, {mean} pour la moyenne,
{sd} pour l’écart type, {var} pour la variance, {min} pour le minimum, {max} pour le maximum,
ou encore {p##} (en remplacant ## par un nombre entier entre 00 et 100) pour le percentile
correspondant (par exemple p25 et p75 pour le premier et le troisième quartile). Utilisez
all_continous pour sélectionner toutes les variables continues.
– 694 –
R> trial %>%

tbl_summary(
include = c(age, marker),
statistic = all_continuous() ~ "Moy. : {mean} [min-max : {min} - {max}]"
)
Age Moy. : 47 [min-max : 6 - 83]
Manquant 11
Marker Level (ng/mL) Moy. : 0,92 [min-max : 0,00 - 3,87]
Manquant 10
1
Moy. : Moyenne [min-max : Étendue]
Il est possible d’afficher des statistiques différentes pour chaque variable.
R> trial %>%

tbl_summary(
statistic = list(
age ~ "Méd. : {median} [{p25} - {p75}]",
marker ~ "Moy. : {mean} ({sd})"
)
)
Age Méd. : 47 [38 - 57]
Manquant 11
Marker Level (ng/mL) Moy. : 0,92 (0,86)
Manquant 10
1 Méd. : Médiane [EI]; Moy. : Moyenne (ET)
Pour les variables continues, il est également possible d’indiquer le nom d’une fonction personnalisée qui
prends un vecteur et renvoie une valeur résumé. Par exemple, pour afficher la moyenne des carrés :
– 695 –
R> moy_carres <- function(x) {

mean(x^2, na.rm = TRUE)
}
trial %>%
tbl_summary(
include = marker,
statistic = ~"MC : {moy_carres}"
)
Characteristic N = 2001
Marker Level (ng/mL) MC : 1.57
Unknown 10
1
MC : moy_carres
Pour une variable catégorielle, les statistiques possibles sont {n} le nombre d’observations, {N} le
nombre total d’observations, et {p} le pourcentage correspondant. Utilisez all_categorical pour
sélectionner toutes les variables catégorielles.
R> trial %>%

tbl_summary(
include = c(stage, response),
statistic = all_categorical() ~ "{p} % ({n}/{N})"
)
T Stage
T1 26 % (53/200)
T2 27 % (54/200)
T3 22 % (43/200)
T4 25 % (50/200)
Tumor Response 32 % (61/193)
Unknown 7
1
% % (n/N)
Il est possible, pour une variable catégorielle, de trier les modalités de la plus fréquente à la moins
– 696 –
fréquente avec le paramètre sort .
R> trial %>%

tbl_summary(
sort = all_categorical() ~ "frequency"
)
T Stage
T2 54 (27%)
T1 53 (26%)
T4 50 (25%)
T3 43 (22%)
Unknown 7
1 n (%)
Lorsqu’une variable by est définie, on peut utiliser percent pour indiquer le type de pourcentages : en
ligne avec "row" , en colonne avec "column" et "cell" pour les pourcentages totaux.
– 697 –
R> trial %>%

tbl_summary(
by = grade,
statistic = all_categorical() ~ "{p} % ({n}/{N})",
percent = "row"
) %>%
Characteristic I, N = 681 II, N = 681 III, N = 641 Overall, N = 2001
T Stage
T1 32 % (17/53) 43 % (23/53) 25 % (13/53) 100 % (53/53)
T2 33 % (18/54) 31 % (17/54) 35 % (19/54) 100 % (54/54)
T3 42 % (18/43) 26 % (11/43) 33 % (14/43) 100 % (43/43)
T4 30 % (15/50) 34 % (17/50) 36 % (18/50) 100 % (50/50)
Tumor Response 34 % (21/61) 31 % (19/61) 34 % (21/61) 100 % (61/61)
Unknown 1 5 1 7
1 % % (n/N)
Pour toutes les variables (catégorielles et continues), les statistiques suivantes sont également
disponibles : {N_obs} le nombre total d’observations, {N_miss} le nombre d’observations manquantes
( NA ), {N_nonmiss} le nombre d’observations non manquantes, {p_miss} le pourcentage
d’observations manquantes (i.e. N_miss / N_obs ) et {p_nonmiss} le pourcentage d’observations non
manquantes (i.e. N_nonmiss / N_obs ).
Affichage du nom des statistiques (add_stat_label)

Lorsque l’on affiche de multiples statistiques, la liste des statistiques est regroupée dans une note de
tableau qui peut vite devenir un peu confuse.
– 698 –
R> tbl <- trial %>%

tbl_summary(
include = c(age, marker, grade),
by = trt,
statistic = list(
age ~ "{median} [{p25} - {p75}]",
marker ~ "{mean} ({sd})"
)
)
tbl
Characteristic Drug A, N = 981 Drug B, N = 1021
Age 46 [37 - 59] 48 [39 - 56]
Unknown 7 4
Marker Level (ng/mL) 1.02 (0.89) 0.82 (0.83)
Unknown 6 4
Grade
I 35 (36%) 33 (32%)
II 32 (33%) 36 (35%)
III 31 (32%) 33 (32%)
1
Median [IQR]; Mean (SD); n (%)
La fonction add_stat_label permets d’indiquer le type de statistique à côté du nom des variables ou
bien dans une colonne dédiée, plutôt qu’en note de tableau.
– 699 –
R> tbl %>% add_stat_label()
Age, Median [IQR] 46 [37 - 59] 48 [39 - 56]
Unknown 7 4
Marker Level (ng/mL), Mean (SD) 1.02 (0.89) 0.82 (0.83)
Unknown 6 4
Grade, n (%)
I 35 (36%) 33 (32%)
II 32 (33%) 36 (35%)
III 31 (32%) 33 (32%)
R> tbl %>% add_stat_label(location = "column")
Characteristic Statistic Drug A, N = 98 Drug B, N = 102
Age Median [IQR] 46 [37 - 59] 48 [39 - 56]
Unknown n 7 4
Marker Level (ng/mL) Mean (SD) 1.02 (0.89) 0.82 (0.83)
Unknown n 6 4
Grade
I n (%) 35 (36%) 33 (32%)
II n (%) 32 (33%) 36 (35%)
III n (%) 31 (32%) 33 (32%)
Forcer le type de variable (type, value)

Comme abordé plus haut, page 687, gtsummary détermine automatiquement le type de chaque variable.
– 700 –
Par défaut, la variabe age est traitée comme variable continue, death comme dichotomique (seule la
valeur 1 est affichée) et grade comme variable catégorielle.
R> trial %>%

tbl_summary(
include = c(grade, age, death)
)
Grade
I 68 (34%)
II 68 (34%)
III 64 (32%)
Age 47 (38, 57)
Unknown 11
Patient Died 112 (56%)
1 n (%); Median (IQR)
Il est cependant possible de forcer un certain type avec l’argument type . Précision, lorsque l’on force une
variable en dichotomique, il faut indiquer avec value la valeur à afficher (les autres sont alors masquées).
– 701 –
R> trial %>%

tbl_summary(
include = c(grade, age, death),
type = list(
grade ~ "dichotomous",
age ~ "categorical",
death ~ "categorical"
),
value = grade ~ "III",
label = grade ~ "Grade III"
)
– 702 –
Grade III 64 (32%)
Age
6 1 (0.5%)
9 1 (0.5%)
10 1 (0.5%)
17 1 (0.5%)
19 2 (1.1%)
20 1 (0.5%)
21 2 (1.1%)
23 1 (0.5%)
25 2 (1.1%)
26 2 (1.1%)
27 1 (0.5%)
28 2 (1.1%)
30 1 (0.5%)
31 7 (3.7%)
32 2 (1.1%)
33 2 (1.1%)
34 6 (3.2%)
35 2 (1.1%)
36 5 (2.6%)
37 4 (2.1%)
38 7 (3.7%)
1 n (%)
– 703 –
39 5 (2.6%)
40 2 (1.1%)
41 3 (1.6%)
42 4 (2.1%)
43 7 (3.7%)
44 6 (3.2%)
45 6 (3.2%)
46 3 (1.6%)
47 7 (3.7%)
48 7 (3.7%)
49 6 (3.2%)
50 4 (2.1%)
51 6 (3.2%)
52 4 (2.1%)
53 6 (3.2%)
54 5 (2.6%)
55 2 (1.1%)
56 3 (1.6%)
57 5 (2.6%)
58 3 (1.6%)
59 1 (0.5%)
60 4 (2.1%)
61 5 (2.6%)
1 n (%)
– 704 –
62 1 (0.5%)
63 4 (2.1%)
64 1 (0.5%)
65 3 (1.6%)
66 4 (2.1%)
67 4 (2.1%)
68 3 (1.6%)
69 2 (1.1%)
70 1 (0.5%)
71 3 (1.6%)
74 1 (0.5%)
75 1 (0.5%)
76 2 (1.1%)
78 1 (0.5%)
83 1 (0.5%)
Unknown 11
Patient Died
0 88 (44%)
1 112 (56%)
1 n (%)
Afficher des statistiques sur plusieurs lignes (continuous2)

Pour les variables continues, gtsummary a introduit un type de variable "continuous2" , qui doit être
attribué manuellement via type , et qui permets d’afficher plusieurs lignes de statistiques (en indiquant
plusieurs chaînes de caractères dans statistic ). À noter le sélecteur dédié all_continuous2 .
– 705 –
R> trial %>%

tbl_summary(
include = c(age, marker, ttdeath),
type = c(age, marker) ~ "continuous2",
statistic = all_continuous2() ~ c("{median} ({p25} - {p75}", "{mean} ({s
d})", "{min} - {max}")
)
Age
Median (IQR 47 (38 - 57
Mean (SD) 47 (14)
Range 6 - 83
Unknown 11
Marker Level (ng/mL)
Median (IQR 0.64 (0.22 - 1.39
Mean (SD) 0.92 (0.86)
Range 0.00 - 3.87
Unknown 10
Months to Death/Censor 22.4 (16.0, 24.0)
1 Median (IQR)
Mise en forme des statistiques (digits)

L’argument digits permet de spécifier comment mettre en forme les différentes statistiques. Le plus
simple est d’indiquer le nombre de décimales à afficher. Il est important de tenir compte que plusieurs
statistiques peuvent être affichées pour une même variable. On peut alors indiquer une valeur différente
pour chaque statistique.
– 706 –
R> trial %>%

tbl_summary(
include = c(age, stage),
by = trt,
digits = list(
all_continuous() ~ 1,
all_categorical() ~ c(0, 1)
)
)
Age 46.0 (37.0, 59.0) 48.0 (39.0, 56.0)
Unknown 7 4
T Stage
T1 28 (28.6%) 25 (24.5%)
T2 25 (25.5%) 29 (28.4%)
T3 22 (22.4%) 21 (20.6%)
T4 23 (23.5%) 27 (26.5%)
Au lieu d’un nombre de décimales, on peut indiquer plutôt une fonction à appliquer pour mettre en forme
le résultat. Par exemple, gtsummary fournit les fonctions suivantes : style_number pour les nombres de
manière générale, style_percent pour les pourcentages (les valeurs sont multipliées par 100, mais le
symbole % n’est pas ajouté), style_pvalue pour les p-valeurs, style_sigfig qui n’affiche (par défaut)
que deux chiffres significatifs, ou encore style_ratio qui est une variante de style_sigfig pour les
ratios (comme les odds ratios) que l’on compare à 1.
Il faiut bien noter que ce qui est attendu par digits , c’est une fonction et non le résultat d’une fonction.
On indiquera donc le nom de la fonction sans parenthèse.
– 707 –
R> trial %>%

tbl_summary(include = marker)
Marker Level (ng/mL) 0.64 (0.22, 1.39)
Unknown 10
1 Median (IQR)
R> trial %>%

tbl_summary(
include = marker,
digits = all_continuous() ~ c(style_percent, style_pvalue, style_ratio)
)
Marker Level (ng/mL) 64 (0.2, 1.39)
Unknown 10
1 Median (IQR)
Comme digits attends à recevoir une fonction (et non le résultat) d’une fonction, on ne peut pas passer
directement des arguments aux fonctions style_*() de gtsummary. Pour cela il faut créer une fonction
à la levée :
– 708 –
R> trial %>%

tbl_summary(
include = marker,
statistic = ~"{mean} pour 100",
digits = ~ function(x) {
style_percent(x, digits = 1)
}
)
Marker Level (ng/mL) 91.6 pour 100
Unknown 10
1
Mean pour 100
Une syntaxe alternative consiste à avoir recours à la fonction partial de purrr qui permet d’appeler
«partiellement» une fonction et de renvoyer une nouvelle fonction.
R> trial %>%

tbl_summary(
include = marker,
statistic = ~"{mean} pour 100",
digits = ~ purrr::partial(style_percent, digits = 1)
)
Marker Level (ng/mL) 91.6 pour 100
Unknown 10
1 Mean pour 100
À noter dans l’exemple précédent que les fonctions style_*() de gtsummary tiennent compte du
thème défini (ici la virgule comme séparateur de décimale).
Pour une mise en forme plus avancée des nombres, il faut se tourner vers l’extension scales (choir le
chapitre dédié, page 1231). ATTENTION : les fonctions de scales n’héritent pas des paramètres du thème
gtsummary actif. Il faut donc personnaliser le séparateur de décimal dans l’appel à la fonction.
– 709 –
R> trial %>%

tbl_summary(
include = marker,
statistic = ~"{mean}",
digits = ~ scales::label_number(accuracy = .01, suffix = " ng/mL", decima
l.mark = ",")
)
Marker Level (ng/mL) 0,92 ng/mL
Unknown 10
1 Mean
Données manquantes (missing, missing_text)

Le paramètre missing permets d’indiquer s’il faut afficher le nombre d’observations manquantes (c’est-
à-dire égales à NA ) : "ifany" (valeur par défaut) affiche ce nombre seulement s’il y en a, "no" masque
ce nombre et "always" force l’affichage de ce nombre même s’il n’y pas de valeur manquante. Le
paramètre missing_text permets de personnaliser le texte affiché.
R> trial %>%

tbl_summary(include = c(trt, age))
Drug A 98 (49%)
Drug B 102 (51%)
Age 47 (38, 57)
Unknown 11
– 710 –
R> trial %>%

tbl_summary(
include = c(trt, age),
missing = "always",
missing_text = "Nbre observations manquantes"
)
Drug A 98 (49%)
Drug B 102 (51%)
Nbre observations manquantes 0
Age 47 (38, 57)
Nbre observations manquantes 11
1
n (%); Median (IQR)
Il est à noter, pour les variables catégorielles, que les valeurs manquantes ne sont jamais pris en compte
pour le calcul des pourcentages. Pour les inclure dans le calcul, il faut les transformer en valeurs explicites,
par exemple avec fct_explicit_na de forcats.
R> trial %>%

tbl_summary(include = response, type = response ~ "categorical")
Tumor Response
0 132 (68%)
1 61 (32%)
Unknown 7
1 n (%)
– 711 –
R> trial %>%

mutate(response = response %>% as.factor() %>% forcats::fct_explicit_na(na_l
evel = "non observé")) %>%
tbl_summary(include = response)
Warning: There was 1 warning in `mutate()`.

ℹ In argument: `response = response %>% as.factor() %>%
...`.
Caused by warning:
! `fct_explicit_na()` was deprecated in forcats 1.0.0.
ℹ Please use `fct_na_value_to_level()` instead.
response
0 132 (66%)
1 61 (30%)
non observé 7 (3.5%)
1 n (%)
Étiquettes des variables (label)

gtsummary , par défaut, prends en compte les étiquettes de variables, si elles existent, et sinon utilisera le
nom de chaque variable dans le tableau. Pour rappel, les étiquettes de variables peuvent être manipulées
avec l’extension labelled et les fonctions var_label et set_variable_labels .
Il est aussi possible d’utiliser l’option label de tbl_summary pour indiquer des étiquettes
personnalisées.
– 712 –
R> iris %>%

labelled::set_variable_labels(
Petal.Length = "Longueur du pétale",
Petal.Width = "Largeur du pétale"
) %>%
tbl_summary(label = Species ~ "Espèce")
Sepal.Length 5.80 (5.10, 6.40)
Sepal.Width 3.00 (2.80, 3.30)
Longueur du pétale 4.35 (1.60, 5.10)
Largeur du pétale 1.30 (0.30, 1.80)
Espèce
setosa 50 (33%)
versicolor 50 (33%)
virginica 50 (33%)
1
Median (IQR); n (%)
Pour modifier les modalités d’une variable catégorielle, il faut modifier en amont les niveaux du facteur
correspondant.
Afficher les effectifs (add_n)

La fonction add_n permets d’ajouter une colonne avec le nombre d’observations (non manquantes par
défaut). Plusieurs options permettent de personnaliser le résultat : col_label pour modifier l’intitulé
de la colonne; statistic pour personnaliser la ou les statistiques affichées (la liste des statistiques
disponibles est disponible dans le fichier d’aide add_n.tbl_summary ); last pour la positition de la
colonne; footnote pour l’ajout d’une note de tableau.
– 713 –
R> trial %>%

tbl_summary(include = c(age, marker)) %>%
add_n()
Characteristic N N = 2001
Age 189 47 (38, 57)
Unknown 11
Marker Level (ng/mL) 190 0.64 (0.22, 1.39)
Unknown 10
1 Median (IQR)
R> trial %>%

tbl_summary(
by = trt,
missing = "no"
) %>%
add_n(
statistic = "{n}/{N}",
col_label = "**Effectifs** (observés / total)",
last = TRUE,
footnote = TRUE
) %>%
Drug A, N = Drug B, N = Effectifs (observés / Overall, N =

Characteristic
981 1021 total)2 2001
Age 46 (37, 59) 48 (39, 56) 189/200 47 (38, 57)
Marker Level (ng/ 0.84 (0.24, 0.52 (0.19, 0.64 (0.22,

190/200
mL) 1.57) 1.20) 1.39)
1 Median (IQR)
2 N not Missing/Total N
– 714 –
Mise en forme du tableau (bold_labels, italicize_levels)

Les fonctions bold_labels , bold_levels , italicize_labels et italicize_levels permettent
d’afficher les étiquettes de variables et les modalités des variables catégorielles en gras ou en italique.
R> trial %>%

tbl_summary(
include = c(marker, grade, stage),
by = trt
) %>%
bold_labels() %>%
italicize_levels()
Marker Level (ng/mL) 0.84 (0.24, 1.57) 0.52 (0.19, 1.20)
Unknown 6 4
Grade
I 35 (36%) 33 (32%)
II 32 (33%) 36 (35%)
III 31 (32%) 33 (32%)
T Stage
T1 28 (29%) 25 (25%)
T2 25 (26%) 29 (28%)
T3 22 (22%) 21 (21%)
T4 23 (23%) 27 (26%)
– 715 –
Modifer en-têtes et notes (modify_header,

modify_spanning_header, modify_footnote)
La fonction modify_header permet de modifier les en-têtes des colonnes, modify_spanning_header
d’ajouter un chapeau regroupant plusieurs colonnes et modify_footnote . On doit indiquer une formule
ou une liste de formules indiquant les colonnes concernées et la modification souhaitée.
Il faut néanmoins connaître le nom interne des différentes colonnes. Ceux-ci peuvent âtre affichés avec la
fonction show_header_names :
R> tbl <- trial %>%

tbl_summary(
include = c(age, grade),
by = trt
) %>%
add_overall() %>%
add_p()
tbl
Characteristic Overall, N = 2001 Drug A, N = 981 Drug B, N = 1021 p-value2
Age 47 (38, 57) 46 (37, 59) 48 (39, 56) 0.7
Unknown 11 7 4
Grade 0.9
I 68 (34%) 35 (36%) 33 (32%)
II 68 (34%) 32 (33%) 36 (35%)
III 64 (32%) 31 (32%) 33 (32%)
2 Wilcoxon rank sum test; Pearson's Chi-squared test
R> show_header_names(tbl)
ℹ As a usage guide, the code below re-creates the current column headers.
]8;;ide:help:gtsummary::modify_headermodify_header]8;;(
label = "**Characteristic**",
– 716 –
stat_0 = "**Overall**, N = 200",

stat_1 = "**Drug A**, N = 98",
stat_2 = "**Drug B**, N = 102",
p.value = "**p-value**"
)
Column Name Column Header

------------ ---------------------
label **Characteristic**
stat_0 **Overall**, N = 200
stat_1 **Drug A**, N = 98
stat_2 **Drug B**, N = 102
p.value **p-value**
label est la colonne affichant le nom des variables, stat_0 la colonne totale crée par add_overall (ou
la colonne unique de statistiques en l’absence de paramètre by ) et p.value la colonne crée par add_p .
Lorsqu’il y a un paramètre by , des colonnes nommées stat_1, stat_2, etc. sont crées pour chaque valeur
de by . La fonction all_stat_cols permets de sélectionner toutes les colonnes dont le nom commence
par stat_. On peut également utiliser all_stat_cols(stat_0 = FALSE) sélectionner toutes les
colonnes associées à by mais pas celle crée par add_overall .
Dans les étiquettes, on peut utiliser des doubles étoiles ( ** ) pour indiquer du gras et des tirets simples
( _ ) pour de l’italique (il s’agit de codes markdown). On peut utliser {N} pour afficher le nombre total
d’observations. Pour les colonnes associées à by , {level} , {n} et {p} correspondent
respectivement au niveau du facteur, au nombre d’observations et à la proportion de ce facteur dans
l’échantillon total. La valeur NA peut être utilisée pour supprimer les notes associées aux colonnes
concernées.
– 717 –
R> tbl %>%

modify_header(
list(
label ~ "**Variable**",
all_stat_cols(stat_0 = FALSE) ~ "_{level}_ (n={n}, {style_percen
t(p)}%)",
stat_0 ~ "**TOTAL** (n={N})",
p.value ~ "**Test de comparaison** (p-valeur)"
)
) %>%
modify_footnote(everything() ~ NA) %>%
modify_spanning_header(all_stat_cols() ~ "**Traitement**")
Traitement
Test de comparaison (p-
Variable TOTAL Drug A (n=98, Drug B (n=102, valeur)
(n=200) 49%) 51%)
Age 47 (38, 57) 46 (37, 59) 48 (39, 56) 0.7
Unknown 11 7 4
Grade 0.9
I 68 (34%) 35 (36%) 33 (32%)
II 68 (34%) 32 (33%) 36 (35%)
III 64 (32%) 31 (32%) 33 (32%)
Tests de comparaisons (add_p, separate_p_footnotes)

Lorsqu’une variable by est définie, la fonction add_p permets d’ajouter des tests de comparaisons entre
les groupes et d’afficher les p-valeurs.
– 718 –
R> trial %>%

tbl_summary(
include = c(trt, marker, age, response, stage),
by = trt
) %>%
add_p()
Characteristic Drug A, N = 981 Drug B, N = 1021 p-value2
Marker Level (ng/mL) 0.84 (0.24, 1.57) 0.52 (0.19, 1.20) 0.085
Unknown 6 4
Age 46 (37, 59) 48 (39, 56) 0.7
Unknown 7 4
Tumor Response 28 (29%) 33 (34%) 0.5
Unknown 3 4
T Stage 0.9
T1 28 (29%) 25 (25%)
T2 25 (26%) 29 (28%)
T3 22 (22%) 21 (21%)
T4 23 (23%) 27 (26%)
Par défaut, pour les variables continues, un test de Kruskal-Wallis calculé avec la fonction
kruskal.test est utilisé lorsqu’il y a trois groupes ou plus, et un test de Wilcoxon-Mann-Whitney
calculé avec wilcox.test (test de comparaison des rangs) lorsqu’il n’y a que deux groupes.
Si l’on affiche des moyennes, il serait plus juste d’utiliser un test t de Student (test de compairaison des
moyennes) calculé avec t.test .
Pour les variables catégorielles, un test du Chi² calculé avec chisq.test est utilisé par défaut lorsque
les effectifs théoriques sont supérieurs à 5, sinon un test de Fosher calculé avec fisher.test est utilisé.
D’autres tests sont disponibles et sont détaillés dans le fichier d’aide add_p.tbl_summary .
Le paramètre test permets de spécifier pour chaque variable le type de tests à utiliser. La fonction
– 719 –
separate_p_footnotes peut être utilisée pour créer une note de tableau différente pour chaque test.
Le paramètre pvalue_fun permet d’indiquer une fonction personnalisée pour la mise en forme des p-
valeurs.
– 720 –
R> trial %>%

tbl_summary(
include = c(trt, marker, age, response, stage),
statistic = age ~ "{mean} ({sd})",
by = trt
) %>%
add_stat_label() %>%
add_p(
test = list(
response ~ "fisher.test",
age ~ "t.test"
),
pvalue_fun = scales::label_pvalue(accuracy = .0001)
) %>%
separate_p_footnotes()
Characteristic Drug A, N = 98 Drug B, N = 102 p-value
Marker Level (ng/mL), Median (IQR) 0.84 (0.24, 1.57) 0.52 (0.19, 1.20) 0.08471
Unknown 6 4
Age, Mean (SD) 47 (15) 47 (14) 0.83442
Unknown 7 4
Tumor Response, n (%) 28 (29%) 33 (34%) 0.54033
Unknown 3 4
T Stage, n (%) 0.86624
T1 28 (29%) 25 (25%)
T2 25 (26%) 29 (28%)
T3 22 (22%) 21 (21%)
T4 23 (23%) 27 (26%)
1 Wilcoxon rank sum test
2 Welch Two Sample t-test
3 Fisher's exact test
4 Pearson's Chi-squared test
– 721 –
Intervalles de confiance (add_ci)

La fonction add_ci permets d’ajouter des intervalles de confiance dans des colonnes additionnelles.
ATTENTION : par défaut, pour les variables continues, cela calcule les intervalles de confiance d’une
moyenne et non d’une médiane. Le type d’intervalle peut être modifié avec method (par exemple
"wilcox.test" pour l’intervalle de confiance d’une médiane). statistic permet de personnaliser
la présentation de l’intervalle. conf.level permets de changer le niveau de confiance. style_fun
permets de modifier la fonction de formatage des
R> trial %>%

tbl_summary(
include = c(age, stage),
by = trt,
statistic = all_continuous() ~ "{mean}"
) %>%
add_overall() %>%
add_ci()
Overall, N = 95% Drug A, N 95% Drug B, N = 95%

Characteristic
2001 CI2 = 981 CI2 1021 CI2
Age 47 47 44, 50 47 45, 50
Unknown 11 7 4
T Stage
21%, 20%, 17%,

T1 53 (26%) 28 (29%) 25 (25%)
33% 39% 34%
21%, 17%, 20%,

T2 54 (27%) 25 (26%) 29 (28%)
34% 35% 38%
16%, 15%, 13%,

T3 43 (22%) 22 (22%) 21 (21%)
28% 32% 30%
19%, 16%, 18%,

T4 50 (25%) 23 (23%) 27 (26%)
32% 33% 36%
1 Mean; n (%)
2 CI = Confidence Interval
– 722 –
R> trial %>%

tbl_summary(
statistic = ~"{median}"
) %>%
add_ci(
method = ~"wilcox.test",
statistic = ~"entre {conf.low} et {conf.high}",
conf.level = .9,
style_fun = ~ scales::label_number(accuracy = .01, decimal.mark = ",")
)
Characteristic N = 2001 90% CI2
Age 47 entre 45,50 et 49,00
Unknown 11
Marker Level (ng/mL) 0.64 entre 0,71 et 0,94
Unknown 10
1 Median
2 CI = Confidence Interval
Différences entre groupes (add_difference)

Si la variable spécfiée dans by a exactement 2 niveaux, il est possible de calculer la différence entre deux
moyennes (variable continue) ou entre deux proportions (variables dichotomiques uniquement, pas les
variables catégorielles), d’afficher l’intervalle de confiance de cette différence et la p-valeur associée (la
différence est-elle significativement différente de 0) avec add_difference .
– 723 –
R> trial %>%

tbl_summary(
include = c(age, marker, response),
by = trt,
statistic = list(
all_continuous() ~ "{mean}",
all_categorical() ~ "{p}%"
),
digits = list(
all_continuous() ~ 2,
all_categorical() ~ 1
)
) %>%
add_difference()
Drug A, N = Drug B, N = p-
Characteristic Difference2 95% CI2,3
981 1021 value2
Age 47.01 47.45 -0.44 -4.6, 3.7 0.8
Unknown 7 4
Marker Level (ng/ -0.05,

1.02 0.82 0.20 0.12
mL) 0.44
Unknown 6 4
-18%,
Tumor Response 29.5% 33.7% -4.2% 0.6
9.9%
Unknown 3 4
1 Mean; %
2 Welch Two Sample t-test; Two sample test for equality of proportions
3
CI = Confidence Interval
D’autres options sont disponibles (comme la possibilité de calculer des différences ajustées sur d’autres
variables) et sont explicitées dans le fichier d’aide de add_difference .
Tableau croisé avec tbl_cross()

La fonction tbl_cross est une variation de tbl_summary permettant de croiser deux variables
spécfiées avec les arguments row et col . Le type de pourcentage peut-être précisé avec l’arguement
– 724 –
percent . Il est possible d’ajouter le résultat d’un test du Chi² avec add_p.tbl_cross .
R> trial %>%

tbl_cross(
row = grade,
col = trt,
percent = "row"
) %>%
add_p(source_note = TRUE)
Total
Drug A Drug B
Grade
I 35 (51%) 33 (49%) 68 (100%)
II 32 (47%) 36 (53%) 68 (100%)
III 31 (48%) 33 (52%) 64 (100%)
Total 98 (49%) 102 (51%) 200 (100%)
Pearson's Chi-squared test, p=0.9
Données pondérées et tbl_svysummary()

La fonction tbl_svysummary est similaire à tbl_summary à l’exception qu’elle prend en entrée un
objet de type survey défini avec l’extension homonyme. Cela permet de définir une pondération des
observations et un plan d’échantillonnage complexe. Les options de tbl_svysummary sont similaires et
il est possible d’utiliser les autres fonctions de gtsummary telles que add_overall , add_p , add_n ,
add_stat_label , etc.
Il faut noter que les tests statistiques disponibles ne sont pas les mêmes et sont détaillés dans le fichier
d’aide de add_p.tbl_svysummary .
– 725 –
R> Titanic %>%

as.data.frame() %>%
survey::svydesign(~1, data = ., weights = ~Freq) %>%
tbl_svysummary(
by = Survived,
percent = "row"
) %>%
add_stat_label(location = "column") %>%
add_n() %>%
add_p() %>%
separate_p_footnotes()
– 726 –
No, N = Yes, N = Overall, N = p-

Characteristic N Statistic
1,490 711 2,2011 value
Class 2,201 0.72
203
1st n (%) 122 (38%) 325 (100%)
(62%)
118
2nd n (%) 167 (59%) 285 (100%)
(41%)
178
3rd n (%) 528 (75%) 706 (100%)
(25%)
212
Crew n (%) 673 (76%) 885 (100%)
(24%)
Sex 2,201 0.0482
1,364 367
Male n (%) 1,731 (100%)
(79%) (21%)
344
Female n (%) 126 (27%) 470 (100%)
(73%)
Age 2,201 0.42
Child n (%) 52 (48%) 57 (52%) 109 (100%)
1,438 654
Adult n (%) 2,092 (100%)
(69%) (31%)
Median 342 (140, 79 (64,

Freq 2,201 183 (92, 438) 0.0133
(IQR) 513) 144)
2 chi-squared test with Rao & Scott's second-order correction
3 Wilcoxon rank-sum test for complex survey samples
– 727 –
Statistiques personnalisées avec tbl_continous() et

tbl_custom_summary()
tbl_continuous()
La fonction tbl_continuous permets de résumer une variable continue en fonction de deux ou
plusieurs variables catégorielles.
Par exemple, pour afficher l’âge moyen de plusieurs sous-groupes :
R> trial %>%

tbl_continuous(
variable = age,
statistic = ~"{mean}",
include = c(stage, grade),
by = trt,
digits = ~1
)
T Stage
T1 44.1 49.5
T2 50.2 46.4
T3 48.8 50.0
T4 45.3 44.3
Grade
I 45.9 46.4
II 44.6 50.3
III 51.0 45.7
1 Age: Mean
– 728 –
tbl_custom_summary()
La fonction tbl_custom_summary permets encore plus de personnalisation que tbl_continuous .
Comme précédemment, un tableau va être créé avec les paramètres include et by . On doit également
fournir via stat_fns une fonction personnalisée qui va recevoir un sous tableau de données (obtenu
en croisant include et by ), contenant toutes les variables du fichier, et qui renverra des statistiques
personnalisées que l’on affichera avec statistic . La fonction peut-être différente pour chaque variable.
Il est également possible d’utiliser quelques fonctions dédiées fournies directement par gtsummary.
À noter que l’option overall_raw permets d’afficher une ligne total, overall_raw_label de
personnaliser l’étiquette de cette ligne et overall_raw_last de choisir si on souhaite l’afficher en début
ou en fin de tableau.
tbl_custom_summary() & continuous_summary()
La fonction continuous_summary permet de reproduire avec tbl_custom_summary le

fonctionnement de tbl_continuous . continuous_summary prend un seul argument (le nom d’une
variable du fichier). Les statistiques à afficher sont directement précisées avec statistic .
Ainsi, pour afficher l’âge moyen (avec l’écart-type) en fonction des variables trt, grade et stage :
– 729 –
R> trial %>%

tbl_custom_summary(
include = c("grade", "stage"),
by = "trt",
stat_fns = ~ continuous_summary("age"),
statistic = ~"{mean} ({sd})",
overall_row = TRUE,
digits = ~1
) %>%
add_overall() %>%
modify_footnote(
update = all_stat_cols() ~ "Âge moyen (ET)"
)
Characteristic Overall, N = 2001 Drug A, N = 981 Drug B, N = 1021
Overall 47.2 (14.3) 47.0 (14.7) 47.4 (14.0)
Grade
I 46.2 (15.2) 45.9 (16.0) 46.4 (14.6)
II 47.5 (13.7) 44.6 (14.8) 50.3 (12.1)
III 48.1 (14.1) 51.0 (12.6) 45.7 (15.0)
T Stage
T1 46.8 (14.7) 44.1 (14.7) 49.5 (14.5)
T2 48.1 (12.6) 50.2 (12.8) 46.4 (12.4)
T3 49.4 (14.1) 48.8 (14.0) 50.0 (14.5)
T4 44.8 (16.0) 45.3 (17.3) 44.3 (15.0)
1 Âge moyen (ET)
Astuce : la fonction modify_footnote peut être utilisée pour mettre à jour la note de tableau.
tbl_custom_summary() & proportion_summary()
La fonction proportion_summary permets de calculer une proportion (et son intervalle de confiance).
Elle prends en entrée la variable à partir de laquelle calculer la proportion et le ou les valeurs à inclure
dans cette proportion. Il faut préciser l’affichage souhaité avec statistic et la mise enforme avec
digits .
– 730 –
Par exemple, pour afficher la proportion de personnes étant à l’étape “T3” ou “T4” (variable stage) :
R> trial %>%

tbl_custom_summary(
include = c("grade", "trt"),
stat_fns = ~ proportion_summary(variable = "stage", value = c("T3", "T
4")),
statistic = ~"{prop}% [{conf.low}-{conf.high}]",
digits = ~ scales::label_percent(accuracy = .1, decimal.mark = ",", suffix
= "")
)
Grade
I 48,5% [36,4-60,9]
II 41,2% [29,6-53,8]
III 50,0% [38,1-61,9]
Drug A 45,9% [35,9-56,3]
Drug B 47,1% [37,2-57,2]
1 prop% [conf.low-conf.high]
tbl_custom_summary() & ratio_summary()
La fonction ratio_summary calcule le ratio entre deux variables. Elle peut ainsi être utilisée pour
produire un tableau d’incidence (nombre de cas / exposition exprimée en personnes-années). On lui
indique le nom de la variable à prendre en compte pour le numérateur et celui de la variable pour le
dénominateur. Pour chaque sous-groupe, la fonction renvoie {num} (somme de la variable définie pour
le numérateur), {denom} (somme de la variable définie pour le dénominateur) et {ratio}
(i.e. {num} / {denom} ). Si {num} est un nombre entier, l’intervalle de confiance de {ratio} est calculé
à l’aide de la fonction poisson.test et accessible via {conf.high} et {conf.high} .
– 731 –
R> trial %>%

tbl_custom_summary(
include = c("stage", "grade"),
by = "trt",
stat_fns = ~ ratio_summary("response", "ttdeath"),
statistic = ~"{ratio} [{conf.low}; {conf.high}] ({num}/{denom})",
digits = ~ c(3, 2, 2, 0, 0),
overall_row = TRUE,
overall_row_label = "Total"
) %>%
bold_labels() %>%
modify_footnote(
update = all_stat_cols() ~ "Ratio [95% CI] (n/N)"
)
Total 0.014 [0.01; 0.02] (28/1,983) 0.017 [0.01; 0.02] (33/1,942)
T Stage
T1 0.012 [0.00; 0.02] (7/583) 0.021 [0.01; 0.04] (11/522)
T2 0.011 [0.00; 0.02] (6/528) 0.012 [0.01; 0.03] (7/560)
T3 0.019 [0.01; 0.04] (8/426) 0.016 [0.01; 0.03] (7/425)
T4 0.016 [0.01; 0.03] (7/445) 0.018 [0.01; 0.04] (8/434)
Grade
I 0.011 [0.00; 0.02] (8/734) 0.019 [0.01; 0.03] (13/690)
II 0.011 [0.00; 0.02] (7/651) 0.019 [0.01; 0.03] (12/645)
III 0.022 [0.01; 0.04] (13/598) 0.013 [0.01; 0.03] (8/607)
1 Ratio [95% CI] (n/N)
tbl_custom_summary() & écriture d’une fonction personnalisée
Il est également possible, et c’est là toute la puissance de tbl_custom_summary , de définir une fonction
personnelle et de la passer via stat_fns .
Cette fonction sera appellée pour chaque cellule du tableau, chaque cellule étant calculée
– 732 –
indépendamment.
Une telle fonction recevra les arguments suivants :
• data est un tableau de données contenant un sous-ensemble des données transmises à

tbl_custom_summary , plus précisément le sous-ensemble défini par la valeur courante de
variable et de by . Il faut noter que les valeurs manquantes ( NA ) de variable sont
également exclues de data .
• full_data est le tableau de données complet transmis à tbl_custom_summary .
• variable est une valeur textuelle contenant le nom de la variable sur laquelle porte le calcul
en cours.
• by est une valeur textuelle contenant le nom de la variable by s’il y en a une, NULL sinon.
• type est une valeur textuelle indiquant le type de variable (continuous, categorical, …).
• stat_display est une valeur textuelle indiquant les statistiques qui seront affichées (i.e. la
valeur indiquée dans l’argument statistic de tbl_custom_summary ).
La plupart du temps, une fonction personnalisée n’aura pas besoin de tous ces éléments. C’est pourquoi
il est recommandé d’inclure ... dans la définition de la fonction, par exemple
ma_fonction <- function(data, ...){} .
La fonction devra impérativement renvoyé un tibble composé d’une seule ligne et avec une colonne par
statistique calculée, le nom de la colonne correspondant avec la statistique demandée dans statistic .
Voyons un premier exemple, avec une fonction calculant la somme de marker et l’âge moyen.
R> ma_fonction <- function(data, ...) {

marker_sum <- sum(data$marker, na.rm = TRUE)
mean_age <- mean(data$age, na.rm = TRUE)
dplyr::tibble(
marker_sum = marker_sum,
mean_age = mean_age
)
}
ma_fonction(trial)
Construisons un tableau à partir de cette dernière.
– 733 –
R> trial %>%

tbl_custom_summary(
include = c(stage, grade),
by = trt,
stat_fns = ~ma_fonction,
statistic = ~"A: {mean_age} - M: {marker_sum}",
digits = everything() ~ c(1, 0),
overall_row = TRUE
) %>%
modify_footnote(
update = all_stat_cols() ~ "A: âge moyen - M: somme de marker"
) %>%
bold_labels()
Characteristic Drug A, N = 981 Drug B, N = 1021 Overall, N = 2001
Overall A: 47.0 - M: 94 A: 47.4 - M: 80 A: 47.2 - M: 174
T Stage
T1 A: 44.1 - M: 19 A: 49.5 - M: 15 A: 46.8 - M: 35
T2 A: 50.2 - M: 29 A: 46.4 - M: 29 A: 48.1 - M: 59
T3 A: 48.8 - M: 21 A: 50.0 - M: 18 A: 49.4 - M: 39
T4 A: 45.3 - M: 24 A: 44.3 - M: 18 A: 44.8 - M: 42
Grade
I A: 45.9 - M: 39 A: 46.4 - M: 31 A: 46.2 - M: 70
II A: 44.6 - M: 24 A: 50.3 - M: 19 A: 47.5 - M: 43
III A: 51.0 - M: 30 A: 45.7 - M: 30 A: 48.1 - M: 61
1 A: âge moyen - M: somme de marker
Dans notre second exemple, nous souhaitons calculer la moyenne et l’intervalle de confiance de la variable
affichée en ligne. Cette fois-ci, la variable en cours n’est pas connue à l’avance mais son nom est accessible
via l’argument variable . On peut donc y accéder avec la syntaxe data[[variable]] .
– 734 –
R> mean_ci <- function(data, variable, ...) {

test <- t.test(data[[variable]])
dplyr::tibble(
mean = test$estimate,
conf.low = test$conf.int[1],
conf.high = test$conf.int[2]
)
}
trial %>%
tbl_custom_summary(
include = c("marker", "ttdeath"),
by = "trt",
stat_fns = ~mean_ci,
statistic = ~"{mean} [{conf.low}; {conf.high}]"
) %>%
modify_footnote(
update = all_stat_cols() ~ "moyenne [IC 95%"
)
Characteristic Drug A, N = 981 Drug B, N = 1021 Overall, N = 2001
Marker Level (ng/mL) 1.02 [0.83; 1.20] 0.82 [0.65; 0.99] 0.92 [0.79; 1.04]
Unknown 6 4 10
Months to Death/Censor 20.2 [19.2; 21.2] 19.0 [18.0; 20.1] 19.6 [18.9; 20.4]
1 moyenne [IC 95%
Allons un peu plus loin avec notre troisième exemple. Nous nous intéressons non seulement à la moyenne
de la variable marker pour une sous-catégorie donnée, mais également si cette moyenne est supérieure ou
inférieuree à la grande moyenne (toutes catégories confondues). Nous aurons donc besoin de l’ensemble
du jeu de données avec full_data . Cet exemple nous permets également de voir qu’il est possible de
renvoyer une statistique textuelle.
– 735 –
R> diff_to_great_mean <- function(data, full_data, ...) {

mean <- mean(data$marker, na.rm = TRUE)
great_mean <- mean(full_data$marker, na.rm = TRUE)
diff <- mean - great_mean
dplyr::tibble(
mean = mean,
great_mean = great_mean,
diff = diff,
level = ifelse(diff > 0, "haut", "bas")
)
}
trial %>%
tbl_custom_summary(
include = c("grade", "stage"),
by = "trt",
stat_fns = ~diff_to_great_mean,
statistic = ~"{mean} ({level}, diff: {diff})",
digits = ~ list(1, as.character, 1),
overall_row = TRUE
) %>%
bold_labels()
Overall 1.0 (haut, diff: 0.1) 0.8 (bas, diff: -0.1)
Grade
I 1.2 (haut, diff: 0.2) 1.0 (haut, diff: 0.1)
II 0.9 (bas, diff: -0.1) 0.5 (bas, diff: -0.4)
III 1.0 (haut, diff: 0.1) 1.0 (haut, diff: 0.1)
T Stage
T1 0.7 (bas, diff: -0.2) 0.7 (bas, diff: -0.3)
T2 1.2 (haut, diff: 0.3) 1.0 (haut, diff: 0.1)
T3 1.1 (haut, diff: 0.1) 0.9 (haut, diff: 0.0)
T4 1.1 (haut, diff: 0.2) 0.7 (bas, diff: -0.2)
1 Mean (level, diff: diff)
– 736 –
NOTE
Il n’existe pas encore de fonction tbl_custom_svysummary acceptant un objet survey en entrée,

mais une telle fonction devrait être disponible dans une future version de gtsummary.
add_stat()
D’un usage plus avancé, add_stat permets de rajouter une colonne de statistiques personnalisées à un
objet gtsummary existant. Le calcul ne se fait pas ici cellule par cellule mais variable par variable.
On pourra se référer à l’aide la fonction pour des exemples d’utilisation.
Résultats d’un modèle avec tbl_regression()

Déjà abordé dans le chapitre sur la régression logistique, page 519, tbl_regression permets d’afficher
les coefficients d’un modèle statistique, avec les intervalles de confiance et les p-valeurs.
tbl_regression utilise de manière sous-jacente l’extension broom.helpers et est donc compatible avec
tous les types de modèles compatibles.
– 737 –
R> mod <- glm(

response ~ grade * age + trt,
data = trial,
family = binomial
)
mod %>% tbl_regression()
Characteristic log(OR)1 95% CI1 p-value
Grade
I — —
II 0.45 -2.4, 3.3 0.8
III 0.32 -2.4, 3.1 0.8
Age 0.02 -0.01, 0.06 0.2
Drug A — —
Drug B 0.13 -0.50, 0.77 0.7
Grade * Age
II * Age -0.01 -0.07, 0.04 0.7
III * Age -0.01 -0.06, 0.05 0.8
Afficher seulement certains coefficients (include)

Le paramètre include permets de choisir les variables / termes à afficher.
– 738 –
R> mod %>%

tbl_regression(include = c(trt, all_interaction()))
Drug A — —
Drug B 0.13 -0.50, 0.77 0.7
Grade * Age
II * Age -0.01 -0.07, 0.04 0.7
III * Age -0.01 -0.06, 0.05 0.8
1
Étiquettes des variables (label)

On peut personnaliser les étiquettes des variables avec label .
– 739 –
R> mod %>%

tbl_regression(label = list(
trt ~ "Traitement",
"grade:age" ~ "Interaction entre grade et âge"
))
Grade
I — —
II 0.45 -2.4, 3.3 0.8
III 0.32 -2.4, 3.1 0.8
Age 0.02 -0.01, 0.06 0.2
Traitement
Drug A — —
Drug B 0.13 -0.50, 0.77 0.7
Interaction entre grade et âge
II * Age -0.01 -0.07, 0.04 0.7
III * Age -0.01 -0.06, 0.05 0.8
Exponentiation des coefficients (exponentiate)

Pour une régression logistique, il est d’usage d’afficher l’exponentiel des coefficients, ce que l’on peut faire
en indiquant exponentiate = TRUE .
– 740 –
R> mod %>%

tbl_regression(exponentiate = TRUE)
Grade
I — —
II 1.57 0.09, 26.3 0.8
III 1.38 0.09, 21.5 0.8
Age 1.03 0.99, 1.07 0.2
Drug A — —
Drug B 1.14 0.60, 2.16 0.7
Grade * Age
II * Age 0.99 0.93, 1.04 0.7
III * Age 0.99 0.94, 1.05 0.8
Changer l’intitulé des colonnes

Comme pour tout tableau gtsummary, l’intitulé des colonnes peut être modifié avec modify_header . On
pourra avoir recours à show_header_names pour connaître le nom de chaque colonne.
R> tbl <- mod %>% tbl_regression(exponentiate = TRUE)

show_header_names(tbl)
ℹ As a usage guide, the code below re-creates the current column headers.
]8;;ide:help:gtsummary::modify_headermodify_header]8;;(
label = "**Characteristic**",
estimate = "**OR**",
ci = "**95% CI**",
– 741 –
p.value = "**p-value**"
)
Column Name Column Header

------------ -------------------
label **Characteristic**
estimate **OR**
ci **95% CI**
p.value **p-value**
R> tbl %>%

modify_header(estimate ~ "**Odds Ratio**")
Characteristic Odds Ratio1 95% CI1 p-value
Grade
I — —
II 1.57 0.09, 26.3 0.8
III 1.38 0.09, 21.5 0.8
Age 1.03 0.99, 1.07 0.2
Drug A — —
Drug B 1.14 0.60, 2.16 0.7
Grade * Age
II * Age 0.99 0.93, 1.04 0.7
III * Age 0.99 0.94, 1.05 0.8
Afficher des étoiles de signification (add_significance_stars)

La fonction add_significance_stars ajoute des étoiles de significativité à côté des coefficients. Les
– 742 –
options hide_ci , hide_p et hide_se permettent de masquer/afficher les intervalles de confiance, les
p-valeurs et les écarts-types.
R> lm(time ~ ph.ecog + sex, survival::lung) %>%

tbl_regression() %>%
add_significance_stars(
hide_ci = FALSE,
hide_p = FALSE,
hide_se = TRUE
)
Characteristic Beta1 95% CI2 p-value
ph.ecog -58** -96, -21 0.003
sex 52 -2.5, 107 0.061
1 *p<0.05; **p<0.01; ***p<0.001
2
CI = Confidence Interval
Variables dichotomiques sur une ligne (show_single_row)

L’argument show_single_row permet d’indiquer une liste de variables dichotomiques que l’on souhaite
afficher sur une seule ligne (la modalité de référence étant alors masquée). Il est possible d’indiquer
all_dichotomous () pour appliquer cette option à toutes les variables dichotomiques.
– 743 –
R> mod %>%

tbl_regression(show_single_row = trt)
Grade
I — —
II 0.45 -2.4, 3.3 0.8
III 0.32 -2.4, 3.1 0.8
Age 0.02 -0.01, 0.06 0.2
Chemotherapy Treatment 0.13 -0.50, 0.77 0.7
Grade * Age
II * Age -0.01 -0.07, 0.04 0.7
III * Age -0.01 -0.06, 0.05 0.8
Afficher l’intercept (intercept)

Par défaut, l’intercept n’est pas affiché. Mais on peut forcer son affichage avec intercept = TRUE .
– 744 –
R> mod %>%

tbl_regression(intercept = TRUE)
(Intercept) -2.0 -4.0, -0.22 0.038
Grade
I — —
II 0.45 -2.4, 3.3 0.8
III 0.32 -2.4, 3.1 0.8
Age 0.02 -0.01, 0.06 0.2
Drug A — —
Drug B 0.13 -0.50, 0.77 0.7
Grade * Age
II * Age -0.01 -0.07, 0.04 0.7
III * Age -0.01 -0.06, 0.05 0.8
Mise en forme des coefficients (estimate_fun, pvalue_fun)

L’argument estimate_fun permet de fournir une fonction qui sera utilisée pour mettre en forme les
coefficients (et les intervalles de confiance) et pvalue_fun pour une fonction utilisée pour les p-valeurs.
Voir le chapitre dédié à la mise en forme des nombres, page 1231.
– 745 –
R> mod %>%

tbl_regression(
estimate_fun = scales::label_number(accuracy = .001, decimal.mark = ","),
pvalue_fun = scales::label_pvalue(accuracy = .001, decimal.mark = ",", ad
d_p = TRUE)
)
Grade
I — —
II 0,453 -2,359, 3,271 p=0,750
III 0,318 -2,417, 3,066 p=0,818
Age 0,025 -0,010, 0,063 p=0,183
Drug A — —
Drug B 0,131 -0,505, 0,771 p=0,687
Grade * Age
II * Age -0,013 -0,069, 0,043 p=0,654
III * Age -0,006 -0,061, 0,047 p=0,813
Afficher les coefficients pour les références

(add_estimate_to_reference_rows)
L’option add_estimate_to_reference_rows = TRUE ajoute la valeur du coefficient pour les modalités
de références.
– 746 –
R> mod %>%

tbl_regression(add_estimate_to_reference_rows = TRUE, exponentiate = TRUE)
Grade
I 1.00 —
II 1.57 0.09, 26.3 0.8
III 1.38 0.09, 21.5 0.8
Age 1.03 0.99, 1.07 0.2
Drug A 1.00 —
Drug B 1.14 0.60, 2.16 0.7
Grade * Age
II * Age 0.99 0.93, 1.04 0.7
III * Age 0.99 0.94, 1.05 0.8
P-valeurs globales (add_global_p)

La fonction add_global_p calcule une p-valeur globale pour chaque variable. On ajoutera
keep = TRUE pour conserver les p-valeurs individuelles de chaque coefficient.
Note : par défaut, les p-valeurs globales calculées sont du type III. Voir la note dédiée aux p-valeurs
globales, page 0 dans le chapitre sur la régression logistique.
– 747 –
R> mod %>%

add_global_p(keep = TRUE)
Grade >0.9
I — —
II 0.45 -2.4, 3.3 0.8
III 0.32 -2.4, 3.1 0.8
Age 0.02 -0.01, 0.06 0.2
Chemotherapy Treatment 0.7
Drug A — —
Drug B 0.13 -0.50, 0.77 0.7
Grade * Age >0.9
II * Age -0.01 -0.07, 0.04 0.7
III * Age -0.01 -0.06, 0.05 0.8
Ajouter les VIF (add_vif)

Dans le chapitre sur la multicolinéarité, page 809, nous avons abordé les facteurs d’inflation de la variance
(FIV) ou variance inflation factor (VIF) en anglais. Ils peuvent être facilement calculés avec add_vif .
R> mod %>%

add_vif()
there are higher-order terms (interactions) in this model

consider setting type = 'predictor'; see ?vif
– 748 –
Characteristic log(OR)1 95% CI1 p-value GVIF1 Adjusted GVIF2,1
Grade 174 3.6
I — —
II 0.45 -2.4, 3.3 0.8
III 0.32 -2.4, 3.1 0.8
Age 0.02 -0.01, 0.06 0.2 2.6 1.6
Chemotherapy Treatment 1.0 1.0
Drug A — —
Drug B 0.13 -0.50, 0.77 0.7
Grade * Age 199 3.8
II * Age -0.01 -0.07, 0.04 0.7
III * Age -0.01 -0.06, 0.05 0.8
1 OR = Odds Ratio, CI = Confidence Interval, GVIF = Generalized Variance Inflation Factor
2
GVIF^[1/(2*df)]
Représenter graphiquement le modèle (plot)

Nous avons déjà abordé dans d’autres chapitres la fonction ggcoef_model de GGally pour la
représentation graphiques des coefficients. Pour un graphique rapide, on peut appliquer plot() à un
tableau généré avec tbl_regression pour produire rapidement un graphique des coefficients.
– 749 –
R> mod %>%

plot()
Cependant, si l’on souhaite plus d’options de personnalisation, on utilisera directement ggcoef_model

de GGally.
– 750 –
R> mod %>%

GGally::ggcoef_model(exponentiate = TRUE)
Afficher des statistiques globales du modèle (add_glance_table,

add_glance_source_note)
La méthode glance de broom permets de calculer des statistiques globales sur un modèle (comme le R²
ou l’AIC, les statistiques calculées dépendant de chaque modèle).
R> mod %>% broom::glance()
Ces statistiques globales peuvent être ajoutées au tableau avec add_glance_table ou en notes avec
add_glance_source_note . Le paramètre include permets de choisir les éléments à afficher parmi les
colonnes du tableau générés par glance .
– 751 –
R> mod %>%

add_glance_table()
Grade
I — —
II 0.45 -2.4, 3.3 0.8
III 0.32 -2.4, 3.1 0.8
Age 0.02 -0.01, 0.06 0.2
Drug A — —
Drug B 0.13 -0.50, 0.77 0.7
Grade * Age
II * Age -0.01 -0.07, 0.04 0.7
III * Age -0.01 -0.06, 0.05 0.8
Null deviance 229
Null df 182
Log-likelihood -113
AIC 239
BIC 262
Deviance 225
Residual df 176
No. Obs. 183
– 752 –
R> mod %>%

add_glance_source_note(include = c("nobs", "AIC"))
Grade
I — —
II 0.45 -2.4, 3.3 0.8
III 0.32 -2.4, 3.1 0.8
Age 0.02 -0.01, 0.06 0.2
Drug A — —
Drug B 0.13 -0.50, 0.77 0.7
Grade * Age
II * Age -0.01 -0.07, 0.04 0.7
III * Age -0.01 -0.06, 0.05 0.8
No. Obs. = 183; AIC = 239
Combiner des tableaux
tbl_stack() & tbl_merge()

La fonction tbl_stack permets de «coller» deux (ou plus) tableaux l’un au-dessus de l’autre tandis que
tbl_merge les placera côte-à-côte, en s’assurant qu’une même variable sera bien affichée sur la même
ligne.
– 753 –
R> t1 <-
glm(response ~ trt, trial, family = binomial) %>%
t2 <-
glm(response ~ grade + trt + stage + marker, trial, family = binomial) %>%
tbl_stack(
list(t1, t2),
group_header = c("Modèle bivarié", "Modèle multivarié")
)
– 754 –
Modèle bivarié
Drug A — —
Drug B 1.21 0.66, 2.24 0.5
Modèle multivarié
Grade
I — —
II 1.18 0.52, 2.66 0.7
III 1.14 0.52, 2.50 0.7
Drug A — —
Drug B 1.48 0.78, 2.86 0.2
T Stage
T1 — —
T2 0.46 0.18, 1.14 0.10
T3 1.04 0.41, 2.61 >0.9
T4 0.69 0.28, 1.64 0.4
Marker Level (ng/mL) 1.47 1.00, 2.15 0.048
– 755 –
R> tbl_merge(
list(t1, t2),
tab_spanner = c("Modèle bivarié", "Modèle multivarié")
)
Modèle bivarié Modèle multivarié

Characteristic
OR1 95% CI1 p-value OR1 95% CI1 p-value
Drug A — — — —
Drug B 1.21 0.66, 2.24 0.5 1.48 0.78, 2.86 0.2
Grade
I — —
II 1.18 0.52, 2.66 0.7
III 1.14 0.52, 2.50 0.7
T Stage
T1 — —
T2 0.46 0.18, 1.14 0.10
T3 1.04 0.41, 2.61 >0.9
T4 0.69 0.28, 1.64 0.4
Marker Level (ng/mL) 1.47 1.00, 2.15 0.048
1
tbl_strata()
La fonction tbl_strata permet de calculer un tableau gtsummary pour chaque modalité d’une variable
catégorielle définie via strata , puis de combiner les tableaux entre eux. Le paramètre .tbl_fun
indique la fonction à utiliser pour le calcul du tableau. On peut utiliser la syntaxe rapide d’écritude de
fonction propre au tidyverse en indiquant une formule (qui commence par ~ ) et en utilisant .x pour
indiquer où passer le sous-ensemble de données.
– 756 –
Par défaut les sous-tableaux produits sont combinés avec tbl_merge .
R> trial %>%

select(age, grade, stage, trt) %>%
mutate(grade = paste("Grade", grade)) %>%
tbl_strata(
strata = grade,
.tbl_fun =
~ .x %>%
tbl_summary(by = trt, missing = "no") %>%
add_n()
)
Grade I Grade II Grade III
Characteristic Drug Drug Drug Drug Drug Drug

N A, N = B, N = N A, N = B, N = N A, N = B, N =
351 331 321 361 311 331
46 48 44 50 52 45
Age 66 (36, (42, 62 (31, (43, 61 (42, (36,
60) 55) 54) 57) 60) 52)
T Stage 68 68 64
8 9 14 9 6 7
T1
(23%) (27%) (44%) (25%) (19%) (21%)
8 10 8 9 9 10
T2
(23%) (30%) (25%) (25%) (29%) (30%)
11 7 5 6 6 8
T3
(31%) (21%) (16%) (17%) (19%) (24%)
8 7 5 12 10 8
T4
(23%) (21%) (16%) (33%) (32%) (24%)
Pour les combiner avec tbl_stack , on indiquera .combine_with = "tbl_stack" .
– 757 –
R> trial %>%

select(age, grade, stage, trt) %>%
mutate(grade = paste("Grade", grade)) %>%
tbl_strata(
strata = grade,
.tbl_fun =
~ .x %>%
tbl_summary(by = trt, missing = "no") %>%
add_n(),
.combine_with = "tbl_stack"
)
ℹ Column headers among stacked tables differ. Headers from the first table are
used. Use `quiet = TRUE` to supress this message.
– 758 –
Characteristic N Drug A, N = 351 Drug B, N = 331
Grade I
Age 66 46 (36, 60) 48 (42, 55)
T Stage 68
T1 8 (23%) 9 (27%)
T2 8 (23%) 10 (30%)
T3 11 (31%) 7 (21%)
T4 8 (23%) 7 (21%)
Grade II
Age 62 44 (31, 54) 50 (43, 57)
T Stage 68
T1 14 (44%) 9 (25%)
T2 8 (25%) 9 (25%)
T3 5 (16%) 6 (17%)
T4 5 (16%) 12 (33%)
Grade III
Age 61 52 (42, 60) 45 (36, 52)
T Stage 64
T1 6 (19%) 7 (21%)
T2 9 (29%) 10 (30%)
T3 6 (19%) 8 (24%)
T4 10 (32%) 8 (24%)
– 759 –
tbl_split()
Lorsqu’un tableau est trop long et qu’on souhaite le couper en plusieurs tableaux, on pourra utiliser
tbl_spit en indiquant le nom des variables après lesquelles le tableau doit être coupé.
R> trial %>%

tbl_summary() %>%
tbl_split(variables = c(marker, grade))
Régressions univariées multiples avec

tbl_uvregression()
La fonction tbl_uvregression est utile pour réaliser plusieurs régressions univariées. Il faut lui passer
un tableau ne contenant que la variable à expliquer et les variables explicatives. La variable à expliquer
sera indiquée avec y . L’argument method indique la fonction à utiliser pour le calcul des modèles
univariés, par exemple glm pour une régression logistique ordinale. On pourra indiquer des paramètres
à transmettre à cette fonction avec method.args , par exemple list(family = binomial) dans le
cadre d’une régreession logistique binaire.
– 760 –
R> tbl_uni <- tbl_uvregression(

trial %>% select(response, age, grade, stage),
method = glm,
y = response,
method.args = list(family = binomial),
hide_n = TRUE
)
tbl_uni
Age 1.02 1.00, 1.04 0.10
Grade
I — —
II 0.95 0.45, 2.00 0.9
III 1.10 0.52, 2.29 0.8
T Stage
T1 — —
T2 0.63 0.27, 1.46 0.3
T3 1.13 0.48, 2.68 0.8
T4 0.83 0.36, 1.92 0.7
On peut facilement présenter côte-à-côte l’analyse descriptive, l’analyse bivariée et l’analyse multivariée
avec tbl_merge .
R> tbl_desc <- trial %>%

tbl_summary(
by = response,
include = c(age, grade, stage)
)
7 observations missing `response` have been removed. To include these observatio

ns, use `forcats::fct_explicit_na()` on `response` column before passing to `tb
l_summary()`.
– 761 –
R> tbl_multi <- trial %>%

glm(
response ~ age + grade + stage,
data = .,
family = binomial
) %>%
tbl_merge(
list(tbl_desc, tbl_uni, tbl_multi),
tab_spanner = c("**Analyse descriptive**", "**Modèles bivariés**", "**Modèle
multivarié**")
)
– 762 –
Analyse
Modèles bivariés Modèle multivarié
descriptive
Characteristic
0, N = 1, N = 95% p- 95% p-
OR2 OR2
1321 611 CI2 value CI2 value
46 (36, 49 (43, 1.00, 1.00,

Age 1.02 0.10 1.02 0.092
55) 59) 1.04 1.04
Unknown 7 3
Grade
46 21
I — — — —
(35%) (34%)
44 19 0.45, 0.38,
II 0.95 0.9 0.84 0.7
(33%) (31%) 2.00 1.85
42 21 0.52, 0.49,
III 1.10 0.8 1.05 >0.9
(32%) (34%) 2.29 2.25
T Stage
34 18
T1 — — — —
(26%) (30%)
39 13 0.27, 0.23,
T2 0.63 0.3 0.57 0.2
(30%) (21%) 1.46 1.34
25 15 0.48, 0.37,
T3 1.13 0.8 0.91 0.8
(19%) (25%) 2.68 2.22
34 15 0.36, 0.31,
T4 0.83 0.7 0.76 0.6
(26%) (25%) 1.92 1.85
Tables de survie avec tbl_survfit()

L’analyse de survie et les courbes de Kaplan-Meier sont abordées dans un chapitre dédié, page 819. La
fonction tbl_survfit permets de représenter la probabilité encore en vie à différents points de temps
– 763 –
définis avec times .
R> library(survival)
km <- survfit(Surv(ttdeath, death) ~ trt, trial)
survminer::ggsurvplot(km)
– 764 –
R> km %>%
tbl_survfit(
times = c(0, 6, 12, 18, 24),
label_header = "**Mois {time}**"
)
Characteristic Mois 0 Mois 6 Mois 12 Mois 18 Mois 24
Chemotherapy
Treatment
100% (100%, 99% (97%, 91% (85%, 70% (62%, 47% (38%,
Drug A
100%) 100%) 97%) 80%) 58%)
100% (100%, 99% (97%, 86% (80%, 60% (51%, 41% (33%,
Drug B
100%) 100%) 93%) 70%) 52%)
On peut alternativement représenter la proportion ayant vécu l’évènement avec reverse = TRUE .
R> km %>%
tbl_survfit(
times = c(6, 12),
reverse = TRUE
)
Characteristic Time 6 Time 12
Drug A 1.0% (0%, 3.0%) 9.2% (3.3%, 15%)
Drug B 1.0% (0%, 2.9%) 14% (6.8%, 20%)
Au lieu d’indiquer des points de temps, on peut indiquer des quantiles avec probs et représenter le
temps requis pour atteindre ces quantiles.
– 765 –
R> km %>%
tbl_survfit(probs = c(.25, .5, .75))
Characteristic 25% Percentile 50% Percentile 75% Percentile
Drug A 17 (16, 20) 24 (21, —) — (—, —)
Drug B 15 (13, 17) 21 (18, —) — (—, —)
Il est également possible de passer une liste d’objets survfit .
R> list(
survfit(Surv(ttdeath, death) ~ 1, trial),
survfit(Surv(ttdeath, death) ~ trt, trial),
survfit(Surv(ttdeath, death) ~ grade, trial)
) %>%
tbl_survfit(
times = c(6, 12, 18),
label_header = "**Mois {time}**"
)
Characteristic Mois 6 Mois 12 Mois 18
Overall 99% (98%, 100%) 88% (84%, 93%) 65% (59%, 72%)
Drug A 99% (97%, 100%) 91% (85%, 97%) 70% (62%, 80%)
Drug B 99% (97%, 100%) 86% (80%, 93%) 60% (51%, 70%)
Grade
I 100% (100%, 100%) 97% (93%, 100%) 75% (65%, 86%)
II 100% (100%, 100%) 82% (74%, 92%) 60% (50%, 73%)
III 97% (93%, 100%) 86% (78%, 95%) 59% (48%, 73%)
Dernière possibilité, il est possible de passer un tableau de données et d’indiquer les variables à analyser.
Les tables de survie seront alors calculées à la volée.
– 766 –
R> trial %>%

tbl_survfit(
y = Surv(ttdeath, death),
include = c(trt, grade, stage),
probs = 0.5,
label_header = "**Survie médiane en mois** (IC 95%)",
estimate_fun = scales::label_number(accuracy = .1)
)
Characteristic Survie médiane en mois (IC 95%)
Drug A 23.5 (21.2, —)
Drug B 21.2 (18.2, —)
Grade
I — (22.1, —)
II 22.2 (18.0, —)
III 19.7 (17.6, 23.2)
T Stage
T1 — (22.7, —)
T2 — (20.1, —)
T3 22.9 (18.3, —)
T4 17.2 (15.6, 22.4)
Exporter un tableau
Les tableaux produits par gtsummary peuvent être rendus avec plusieurs moteurs de tableaux, grace aux
fonctions as_flex_table , as_hux_table , as_kable_extra , et as_kable . Ils peuvent même être
convertis en tableaux de données avec , as_tibble .
Dans un document R Markdown, page 1189, gtsummary utilisera le moteur de tableaux le plus adapté
selon la sortie (HTML, PDF ou Word).
– 767 –
Formats d’export d’un tableau gtsummary
– 768 –
R> tbl <- trial %>%

tbl_summary(
include = c(age, grade),
by = trt
) %>%
add_p()
tbl %>% as_gt()
Characteristic Drug A, N = 981 Drug B, N = 1021 p-value2
Age 46 (37, 59) 48 (39, 56) 0.7
Unknown 7 4
Grade 0.9
I 35 (36%) 33 (32%)
II 32 (33%) 36 (35%)
III 31 (32%) 33 (32%)
R> tbl %>% as_flex_table()
– 769 –
R> tbl %>% as_hux_table()
Characteristic Drug A, N = 98 Drug B, N = 102 p-value
Age 46 (37, 59) 48 (39, 56) 0.7
Unknown 7 4
Grade 0.9
I 35 (36%) 33 (32%)
II 32 (33%) 36 (35%)
III 31 (32%) 33 (32%)
Median (IQR); n (%)
Wilcoxon rank sum test; Pearson's Chi-squared test
R> tbl %>% as_kable_extra()
Drug A, N = Drug B, N = p-
Characteristic
98 102 value
Age 46 (37, 59) 48 (39, 56) 0.7
Unknown 7 4
Grade 0.9
I 35 (36%) 33 (32%)
II 32 (33%) 36 (35%)
III 31 (32%) 33 (32%)
2 Wilcoxon rank sum test; Pearson’s Chi-squared
test
– 770 –
R> tbl %>% as_tibble()
# A tibble: 6 × 4
`**Characteristic**` `**Drug A**, N = 98` **Drug…¹ **p-v…²
<chr> <chr> <chr> <chr>
1 Age 46 (37, 59) 48 (39,… 0.7
2 Unknown 7 4 <NA>
3 Grade <NA> <NA> 0.9
4 I 35 (36%) 33 (32%) <NA>
5 II 32 (33%) 36 (35%) <NA>
6 III 31 (32%) 33 (32%) <NA>
# … with abbreviated variable names ¹`**Drug B**, N = 102`,
# ²`**p-value**`
En dehors d’un fichier R markdown, pour exporter un tableau dans un fichier HTML, TeX ou RTF, on pourra
utiliser gtsave de gt.
R> tbl %>%

as_gt() %>%
gt::gtsave(filename = ".") # use extensions .html .tex .ltx .rtf
Pour exporter un tableau dans un fichier Word, on pourra avoir recours à save_as_docx de flextable.
R> tbl %>%

as_flex_table() %>%
flextable::save_as_docx()
Plus d’options avec bstfun

L’extension bstfun est une petite sœur de gtsummary, développée par la même équipe. Cette extension
n’est pas disponible sur CRAN mais seulement sur GitHub et elle permet, entre autres, de tester certaines
fonctionnalités avant leur éventuelle intégration dans gtsummary.
Cette extension n’étant disponible que sur GitHub, elle s’installe avec la commande ci-après. ATTENTION
: sous Windows, vous aurez besoin d’avoir installer en amont l’outil R Tools disponible sur https://cran.r-
project.org/bin/windows/Rtools/.
– 771 –
R> devtools::install_github("ddsjoberg/bstfun")
tbl_likert()
En sciences sociales, il est fréquent de mesurer des connaissances ou des opinions selon une échelle
de Likert. Dans cette situation, nous avons alors plusieurs variables catégorielles partageant les mêmes
modalités.
Prenons les données utilisées dans le chapitre Exemples de graphiques avancés, page 1023.
R> load(url("https://larmarange.github.io/analyse-R/data/connaissances.RData"))
quest %>% lookfor("conn")
pos variable label col_type missing values

2 conn_a — fct 21 oui
non
NSP
3 conn_b — fct 0 oui
non
NSP
4 conn_c — fct 0 oui
non
NSP
5 conn_d — fct 104 oui
non
NSP
6 conn_e — fct 17 oui
non
NSP
7 conn_f — fct 10 oui
non
NSP
8 conn_g — fct 12 oui
non
NSP
Nous avons une série de 8 variables avec les mêmes modalités (Oui, Non et NSP). Un tri à plat peut-être
un peu fastidieux à lire.
– 772 –
R> quest %>%

tbl_summary(include = starts_with("conn_"))
– 773 –
conn_a
oui 36 (7.5%)
non 442 (92%)
NSP 1 (0.2%)
Unknown 21
conn_b
oui 500 (100%)
non 0 (0%)
NSP 0 (0%)
conn_c
oui 495 (99%)
non 2 (0.4%)
NSP 3 (0.6%)
conn_d
oui 138 (35%)
non 244 (62%)
NSP 14 (3.5%)
Unknown 104
conn_e
oui 458 (95%)
non 19 (3.9%)
NSP 6 (1.2%)
Unknown 17
1 n (%)
– 774 –
conn_f
oui 452 (92%)
non 31 (6.3%)
NSP 7 (1.4%)
Unknown 10
conn_g
oui 469 (96%)
non 15 (3.1%)
NSP 4 (0.8%)
Unknown 12
1 n (%)
La fonction tbl_likert de bstfun est plus adaptée pour présenter ce type de données.
R> library(bstfun)
Attachement du package : 'bstfun'
L'objet suivant est masqué depuis 'package:gtsummary':
trial
as_ggplot
– 775 –
R> quest %>%

tbl_likert(
include = starts_with("conn_"),
statistic = ~"{p}%"
) %>%
add_n()
Characteristic N oui1 non1 NSP1
conn_a 479 7.5% 92% 0.2%
conn_b 500 100% 0% 0%
conn_c 500 99% 0.4% 0.6%
conn_d 396 35% 62% 3.5%
conn_e 483 95% 3.9% 1.2%
conn_f 490 92% 6.3% 1.4%
conn_g 488 96% 3.1% 0.8%
1%
Ajouter un graphique de tendances (add_sparkline)

La fonction add_sparkline ajoute une représentation graphique de la distribution d’une variable
continue.
– 776 –
R> trial %>%

tbl_summary(include = c(age, marker)) %>%
add_sparkline(column_header = "**Distribution**")
Characteristic N = 2001 Distribution
Age, yrs 47 (38, 57)
Unknown 11
Marker Level, ng/mL 0.64 (0.22, 1.39)
Unknown 10
1
Median (IQR)
Représentation graphique des coefficients dans le tableau

(add_inline_forest_plot)
La fonction add_inline_forest_plot ajoute aux tableaux représentant les coefficients d’un modèle
une représentation graphique de ces coefficients et de leur intervalle de confiance.
– 777 –
R> mod %>%

add_inline_forest_plot()
Characteristic Forest Plot OR1 95% CI1 p-value
Grade
I — —
II 1.57 0.09, 26.3 0.8
III 1.38 0.09, 21.5 0.8
Age 1.03 0.99, 1.07 0.2
Drug A — —
Drug B 1.14 0.60, 2.16 0.7
Grade * Age
II * Age 0.99 0.93, 1.04 0.7
III * Age 0.99 0.94, 1.05 0.8
Forest plot (as_forest_plot)

La fonction as_forest_plot permets d’afficher un graphique des coefficients utilisant la fonction
forestplot de l’extension homonyme forestplot à partir d’un tableau construit avec
tbl_regression .
– 778 –
R> mod %>%

as_forest_plot()
– 779 –
Effets d’interaction dans un
modèle
Exemple d’interaction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 781
Un second exemple d’interaction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 798
Explorer les différentes interactions possibles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 804
GUIDE-R
Une version actualisée de ce chapitre est disponible sur guide-R : Interactions
WEBIN-R
Dans un modèle statistique classique, on fait l’hypothèse implicite que chaque variable explicative est
indépendante des autres. Cependant, cela ne se vérifie pas toujours. Par exemple, l’effet de l’âge peut
varier en fonction du sexe. Il est dès lors nécessaire de prendre en compte dans son modèle les effets
d’interaction1.
Exemple d’interaction
Reprenons le modèle que nous avons utilisé dans le chapitre sur la régression logistique, page 519.
1. Pour une présentation plus statistique et mathématique des effets d’interaction, on pourra se référer au cours de
Jean-François Bickel disponible en ligne.
– 781 –
data(hdv2003)
d <- hdv2003
d$sexe <- relevel(d$sexe, "Femme")
TRUE)
d$etud <- d$nivetud
"Primaire", "Primaire", "Primaire",
"Secondaire", "Secondaire", "Technique/Professionnel",
"Technique/Professionnel", "Supérieur"
)
d$etud <- addNAstr(d$etud, "Manquant")
library(labelled)
var_label(d$sport) <- "Pratique du sport ?"
var_label(d$sexe) <- "Sexe"
var_label(d$grpage) <- "Groupe d'âges"
var_label(d$etud) <- "Niveau d'étude"
var_label(d$relig) <- "Pratique religieuse"
var_label(d$heures.tv) <- "Nombre d'heures passées devant la télévision par jo
ur"
Nous avions alors exploré les facteurs associés au fait de pratiquer du sport.
– 782 –
Effets d’interaction dans un modèle
R> mod <- glm(sport ~ sexe + grpage + etud + heures.tv + relig, data = d, family
= binomial())
library(gtsummary)
tbl_regression(mod, exponentiate = TRUE)
– 783 –
Sexe
Femme — —
Homme 1,55 1,26 – 1,91 <0,001
Groupe d'âges
[16,25) — —
[25,45) 0,66 0,42 – 1,03 0,065
[45,65) 0,34 0,21 – 0,54 <0,001
[65,99] 0,25 0,15 – 0,43 <0,001
Niveau d'étude
Primaire — —
Secondaire 2,59 1,77 – 3,83 <0,001
Supérieur 6,63 4,55 – 9,80 <0,001
Manquant 8,59 4,53 – 16,6 <0,001
Nombre d'heures passées devant la télévision par jour 0,89 0,83 – 0,95 <0,001
Pratique religieuse
Rejet 0,68 0,39 – 1,19 0,2
NSP ou NVPR 0,92 0,40 – 2,02 0,8
Selon les résultats de notre modèle, les hommes pratiquent plus un sport que les femmes et la pratique
du sport diminue avec l’âge. Pour représenter les effets différentes variables, on peut avoir recours à la
– 784 –
fonction allEffects de l’extension effects.
R> library(effects)
Le chargement a nécessité le package : carData
lattice theme set by effectsTheme()

See ?effectsTheme for details.
R> plot(allEffects(mod))
Figure 1. Représentation graphique des effets du modèle
Cependant, l’effet de l’âge est-il le même selon le sexe ? Nous allons donc introduire une interaction entre
l’âge et le sexe dans notre modèle, ce qui sera représenté par sexe * grpage dans l’équation du modèle.
– 785 –
R> mod2 <- glm(sport ~ sexe * grpage + etud + heures.tv + relig, data = d, family
= binomial())
tbl_regression(mod2, exponentiate = TRUE)
– 786 –
Sexe
Femme — —
Homme 5,20 2,46 – 11,7 <0,001
Groupe d'âges
[16,25) — —
[25,45) 1,02 0,59 – 1,80 >0,9
[45,65) 0,61 0,34 – 1,10 0,10
[65,99] 0,46 0,23 – 0,92 0,027
Niveau d'étude
Primaire — —
Secondaire 2,60 1,77 – 3,85 <0,001
Supérieur 6,77 4,64 – 10,0 <0,001
Manquant 9,02 4,68 – 17,8 <0,001
Pratique religieuse
Rejet 0,68 0,38 – 1,19 0,2
NSP ou NVPR 0,93 0,40 – 2,04 0,9
Sexe * Groupe d'âges
– 787 –
Homme * [25,45) 0,31 0,13 – 0,70 0,006
Homme * [45,65) 0,24 0,10 – 0,54 <0,001
Homme * [65,99] 0,23 0,09 – 0,59 0,003
Commençons par regarder les effets du modèle.
R> plot(allEffects(mod2))
Figure 2. Représentation graphique des effets du modèle avec interaction entre le sexe et le groupe d’âge
Sur ce graphique, on voit que l’effet de l’âge sur la pratique d’un sport est surtout marqué chez les hommes.
Chez les femmes, le même effet est observé, mais dans une moindre mesure et seulement à partir de 45
ans.
On peut tester si l’ajout de l’interaction améliore significativement le modèle avec anova .
– 788 –
R> anova(mod2, test = "Chisq")
Jetons maintenant un oeil aux coefficients du modèle. Pour rendre les choses plus visuelles, nous aurons
recours à ggcoef_model de l’extension GGally.
R> library(GGally)
ggcoef_model(mod2, exponentiate = TRUE)
Figure 3. Représentation graphique des coefficients du modèle avec interaction entre le sexe et le groupe
d’âge
Concernant l’âge et le sexe, nous avons trois séries de coefficients : trois coefficients (grpage[25,45),
grpage[45,65) et grpage[65,99]) qui correspondent à l’effet global de la variable âge, un coefficient
(sexeHomme)pour l’effet global du sexe et trois coefficients qui sont des moficateurs de l’effet d’âge pour
les hommes (grpage[25,45), grpage[45,65) et grpage[65,99]).
Pour bien interpréter ces coefficients, il faut toujours avoir en tête les modalités choisies comme
référence pour chaque variable. Supposons une femme de 60 ans, dont toutes lautres variables
correspondent aux modalités de référence (c’est donc une pratiquante régulière, de niveau primaire, qui
ne regarde pas la télévision). Regardons ce que prédit le modèle quant à sa probabilité de faire du sport au
travers d’une représentation graphique
– 789 –
R> library(breakDown)
library(ggplot2)
logit <- function(x) exp(x) / (1 + exp(x))
nouvelle_observation <- d[1, ]
nouvelle_observation$sexe[1] <- "Femme"
nouvelle_observation$grpage[1] <- "[45,65)"
nouvelle_observation$etud[1] <- "Primaire"
nouvelle_observation$relig[1] <- "Pratiquant regulier"
nouvelle_observation$heures.tv[1] <- 0
plot(
broken(mod2, nouvelle_observation, predict.function = betas),
trans = logit
) + ylim(0, 1) + ylab("Probabilité de faire du sport")
Scale for y is already present.

Adding another scale for y, which will replace the existing
scale.
Figure 4. Représentation graphique de l’estimation de la probabilité de faire du sport pour une femme de
60 ans
– 790 –
En premier lieu, l’intercept s’applique et permet de déterminer la probabilité de base de faire du sport
(si toutes les variables sont à leur valeur de référence). «Femme» étant la modalité de référence pour
la variable sexe, cela ne modifie pas le calcul de la probabilité de faire du sport. Par contre, il y a une
modification induite par la modalité «45-65» de la variable grpage.
Regardons maintenant la situation d’un homme de 20 ans.
R> nouvelle_observation$sexe[1] <- "Homme"

nouvelle_observation$grpage[1] <- "[16,25)"
plot(
trans = logit

scale.
Figure 5. Représentation graphique de l’estimation de la probabilité de faire du sport pour un homme de

20 ans
– 791 –
Nous sommes à la modalité de référence pour l’âge par contre il y a un effet important du sexe. Le
coefficient associé globalement à la variable sexe correspond donc à l’effet du sexe à la modalité de
référence du groupe d’âges.
La situation est différente pour un homme de 60 ans.
R> nouvelle_observation$grpage[1] <- "[45,65)"

plot(
trans = logit

scale.

60 ans
Cette fois-ci, il y a plusieurs modifications d’effet. On applique en effet à la fois le coefficient «sexe =
Homme» (effet du sexe pour les 15-24 ans), le coefficient «grpage = [45-65)» qui est l’effet de l’âge pour les
– 792 –
femmes de 45-64 ans et le coefficient «sexe:grpage = Homme:[45-65)» qui indique l’effet spécifique qui
s’applique aux hommes de 45-64, d’une part par rapport aux femmes du même et d’autre part par rapport
aux hommes de 16-24 ans. L’effet des coefficients d’interaction doivent donc être interprétés par rapport
aux autres coefficients du modèle qui s’appliquent, en tenant compte des modalités de référence.
Il est cependant possible d’écrire le même modèle différemment. En effet, sexe * grpage dans la
formule du modèle est équivalent à l’écriture sexe + grpage + sexe:grpage , c’est-à-dire à modéliser
un coefficient global pour chaque variable plus un des coefficients d’interaction. On aurait pu demander
juste des coefficients d’interaction, en ne mettant que sexe:grpage .
– 793 –
R> mod3 <- glm(sport ~ sexe:grpage + etud + heures.tv + relig, data = d, family
= binomial())
tbl_regression(mod3, exponentiate = TRUE)
– 794 –
Niveau d'étude
Primaire — —
Secondaire 2,60 1,77 – 3,85 <0,001
Supérieur 6,77 4,64 – 10,0 <0,001
Manquant 9,02 4,68 – 17,8 <0,001
Pratique religieuse
Rejet 0,68 0,38 – 1,19 0,2
NSP ou NVPR 0,93 0,40 – 2,04 0,9
Sexe * Groupe d'âges
Femme * [16,25) 1,82 0,92 – 3,58 0,083
Homme * [16,25) 9,46 4,34 – 21,8 <0,001
Femme * [25,45) 1,86 1,17 – 3,00 0,009
Homme * [25,45) 3,02 1,87 – 4,96 <0,001
Femme * [45,65) 1,11 0,69 – 1,80 0,7
Homme * [45,65) 1,35 0,84 – 2,21 0,2
Femme * [65,99] 0,84 0,47 – 1,50 0,6
Homme * [65,99]
– 795 –
Au sens strict, ce modèle explique tout autant le phénomène étudié que le modèle précédent. On peut le
vérifier facilement avec anova .
R> anova(mod2, mod3, test = "Chisq")
De même, les effets modélisés sont les mêmes.
Figure 7. Représentation graphique des effets du modèle avec interaction simple entre le sexe et le groupe
d’âge
Par contre, regardons d’un peu plus près les coefficients de ce nouveau modèle. Nous allons voir que leur
interprétation est légèrement différente.
– 796 –
R> ggcoef_model(mod3, exponentiate = TRUE)
Figure 8. Représentation graphique des coefficients du modèle avec interaction simple entre le sexe et le
groupe d’âge
Cette fois-ci, il n’y a plus de coefficients globaux pour la variable sexe ni pour grpage mais des
coefficients pour chaque combinaison de ces deux variables.
– 797 –
R> plot(
trans = logit

scale.

40 ans
Cette fois-ci, le coefficient d’interaction fourrnit l’effet global du sexe et de l’âge, et non plus la
modification de cette combinaison par rapport aux coefficients globaux. Leur sens est donc différent et il
faudra les interpréter en conséquence.
Un second exemple d’interaction

Intéressons-nous maintenant à l’interaction entre le sexe et le niveau d’étude. L’effet du niveau d’étude
– 798 –
diffère-t-il selon le sexe ?
R> mod4 <- glm(sport ~ sexe * etud + grpage + heures.tv + relig, data = d, family
= binomial())
Regardons d’abord les effets.
Figure 10. Représentation graphique des effets du modèle avec interaction entre le sexe et le niveau
d’étude
À première vue, l’effet du niveau d’étude semble être le même chez les hommes et chez les femmes. Ceci
dit, cela serait peut être plus lisible si l’on superposait les deux sexe sur un même graphique. Nous allons
utiliser la fonction ggeffect de l’extension ggeffects qui permets de récupérer les effets calculés avec
effect dans un format utilisable avec ggplot2.
– 799 –
plot(ggeffect(mod4, c("etud", "sexe")))
Figure 11. Effets du niveau d’étude selon le sexe
Cela confirme ce que l’on suppose. Regardons les coefficients du modèle.
– 800 –
Figure 12. Représentation graphique des coefficients du modèle avec interaction simple entre le sexe et le
niveau d’étude
– 801 –
R> tbl_regression(mod4, exponentiate = TRUE)
– 802 –
Sexe
Femme — —
Homme 1,42 0,77 – 2,58 0,3
Niveau d'étude
Primaire — —
Secondaire 2,25 1,35 – 3,82 0,002
Supérieur 6,59 4,02 – 11,1 <0,001
Manquant 5,21 2,42 – 11,4 <0,001
Groupe d'âges
[16,25) — —
[25,45) 0,66 0,42 – 1,04 0,071
[45,65) 0,34 0,21 – 0,55 <0,001
[65,99] 0,25 0,15 – 0,43 <0,001
Pratique religieuse
Pratiquant occasionnel 0,98 0,67 – 1,42 0,9
Rejet 0,70 0,40 – 1,23 0,2
NSP ou NVPR 0,90 0,39 – 1,98 0,8
Sexe * Niveau d'étude
– 803 –
Homme * Secondaire 1,38 0,65 – 2,93 0,4
Homme * Technique/Professionnel 0,87 0,44 – 1,75 0,7
Homme * Supérieur 1,01 0,49 – 2,07 >0,9
Homme * Manquant 4,28 1,32 – 15,8 0,020
Si les coefficients associés au niveau d’étude sont significatifs, ceux de l’interaction ne le sont pas (sauf
«sexeHomme:etudManquant») et celui associé au sexe, précédemment significatif ne l’est plus. Testons
avec anova si l’interaction est belle et bien significative.
R> anova(mod4, test = "Chisq")
L’interaction est bien significative mais faiblement. Vu que l’effet du niveau d’étude reste nénamoins très
similaire selon le sexe, on peut se demander s’il est pertinent de la conserver.
Explorer les différentes interactions possibles

Il peut y avoir de multiples interactions dans un modèle, d’ordre 2 (entre deux variables) ou plus (entre
trois variables ou plus). Il est dès lors tentant de tester les multiples interactions possibles de manière
itératives afin d’identifier celles à retenir. C’est justement le but de la fonction glmulti de l’extension du
même nom. glmulti permets de tester toutes les combinaisons d’interactions d’ordre 2 dans un modèle,
en retenant le meilleur modèle à partir d’un critère spécifié (par défaut l’AIC). ATTENTION : le temps de
calcul de glmulti peut-être long.
R> library(glmulti)
glmulti(sport ~ sexe + grpage + etud + heures.tv + relig, data = d, family = b
inomial())
Initialization...
TASK: Exhaustive screening of candidate set.
Fitting...
After 50 models:
Best model: sport~1+grpage+heures.tv+sexe:heures.tv+grpage:heures.tv+etud:heure
s.tv
Crit= 2284.87861987263
– 804 –
Mean crit= 2406.80086471225
After 100 models:

Best model: sport~1+etud+heures.tv+grpage:heures.tv
Crit= 2267.79462883348
Mean crit= 2360.46497457747
After 150 models:

Best model: sport~1+grpage+etud+heures.tv+sexe:heures.tv
Crit= 2228.88574082404
Mean crit= 2286.60589884071
After 200 models:

Best model: sport~1+grpage+etud+heures.tv+sexe:heures.tv
Crit= 2228.88574082404
Mean crit= 2254.99359340075
After 250 models:

Best model: sport~1+sexe+grpage+etud+heures.tv+etud:sexe+sexe:heures.tv
Crit= 2226.00088609349
Mean crit= 2241.76611580481
After 300 models:

Best model: sport~1+sexe+grpage+etud+heures.tv+grpage:sexe+sexe:heures.tv
Crit= 2222.67161519005
Mean crit= 2234.95020358944
On voit qu’au bout d’un moment, l’algorithme se statibilise autour d’un modèle comportant une
interaction entre le sexe et l’âge d’une part et entre le sexe et le nombre d’heures passées
quotidiennement devant la télé. On voit également que la variable religion a été retirée du modèle final.
R> best <- glm(sport ~ 1 + sexe + grpage + etud + heures.tv + grpage:sexe + sex
e:heures.tv, data = d, family = binomial())
odds.ratio(best)
– 805 –
R> ggcoef_model(best, exponentiate = TRUE)
Figure 13. Représentation graphique des coefficients du modèle avec interaction entre le sexe, le niveau
d’étude et le nombre d’heures passées devant la télévision
– 806 –
R> plot(allEffects(best))
Figure 14. Représentation graphique des effets du modèle avec interaction entre le sexe, le niveau
d’étude et le nombre d’heures passées devant la télévision

Il y a d’autres extensions dédiées à l’analyse des interactions d’un modèle, de même que de nombreux
supports de cours en ligne dédiés à cette question.
On pourra en particulier se référer à la vignette inclue avec l’extension phia : https://cran.r-project.org/

web/packages/phia/vignettes/phia.pdf.
– 807 –
Multicolinéarité dans la
régression
Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 810
Mesure de la colinéarité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 810
La multicolinéarité est-elle toujours un problème ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 812
GUIDE-R
Une version actualisée de ce chapitre est disponible sur guide-R : Multicolinéarité
WEBIN-R
Dans une régression, la multicolinéarité est un problème qui survient lorsque certaines variables de
prévision du modèle mesurent le même phénomène. Une multicolinéarité prononcée s’avère
problématique, car elle peut augmenter la variance des coefficients de régression et les rendre instables
et difficiles à interpréter. Les conséquences de coefficients instables peuvent être les suivantes :
• les coefficients peuvent sembler non significatifs, même lorsqu’une relation significative existe
entre le prédicteur et la réponse ;
• les coefficients de prédicteurs fortement corrélés varieront considérablement d’un échantillon
à un autre ;
• lorsque des termes d’un modèle sont fortement corrélés, la suppression de l’un de ces termes
aura une incidence considérable sur les coefficients estimés des autres. Les coefficients des
termes fortement corrélés peuvent même présenter le mauvais signe.
La multicolinéarité n’a aucune incidence sur l’adéquation de l’ajustement, ni sur la qualité de la prévision.
Cependant, les coefficients individuels associés à chaque variable explicative ne peuvent pas être
– 809 –
interprétés de façon fiable.
Définition
Au sens strict, on parle de multicolinéarité parfaite lorsqu’une des variables explicatives d’un modèle
est une combinaison linéraire d’une ou plusieurs autres variables explicatives introduites dans le même
modèle. L’absence de multicolinéarité parfaite est une des conditions requises pour pouvoir estimer un
modèle linéaire et, par extension, un modèle linéaire généralisé (dont les modèles de régression
logistique).
Dans les faits, une multicolinéarité parfaite n’est quasiment jamais observée. Mais une forte
multicolinéarité entre plusieurs variables peut poser problème dans l’estimation et l’interprétation d’un
modèle.
Une erreur fréquente est de confondre multicolinéarité et corrélation. Si des variables colinéaires sont
de facto fortement corrélées entre elles, deux variables corrélées ne sont pas forcément colinéaires. En
termes non statistiques, il y a colinéarité lorsque deux ou plusieurs variables mesurent la «même chose».
Prenons un exemple. Nous étudions les complications après l’accouchement dans différentes maternités
d’un pays en développement. On souhaite mettre dans le modèle, à la fois le milieu de résidence (urbain
ou rural) et le fait qu’il y ait ou non un médecin dans la clinique. Or, dans la zone d’enquête, les maternités
rurales sont dirigées seulement par des sage-femmes tandis que l’on trouve un médecin dans toutes les
maternités urbaines sauf une. Dès lors, dans ce contexte précis, le milieu de résidence prédit presque
totalement la présence d’un médecin et on se retrouve face à une multicolinéarité (qui serait même
parfaite s’il n’y avait pas une clinique urbaine sans médecin). On ne peut donc distinguer l’effet de la
présence d’un médecin de celui du milieu de résidence et il ne faut mettre qu’une seule de ces deux
variables dans le modèle, sachant que du point de vue de l’interprétation elle capturera à la fois l’effet de
la présence d’un médecin et celui du milieu de résidence.
Par contre, si dans notre région d’étude, seule la moitié des maternités urbaines disposait d’un médecin,
alors le milieu de résidence n’aurait pas été suffisant pour prédire la présence d’un médecin. Certes, les
deux variables seraient corrélées mais pas colinéaires. Un autre exemple de corrélation sans colinéarité,
c’est la relation entre milieu de résidence et niveau d’instruction. Il y a une corrélation entre ces deux
variables, les personnes résidant en ville étant généralement plus instruites. Cependant, il existe
également des personnes non instruites en ville et des personnes instruites en milieu rural. Le milieu de
résidence n’est donc pas suffisant pour prédire le niveau d’instruction.
Mesure de la colinéarité
Il existe différentes mesures de la multicolinéarité. L’extension mctest en fournie plusieurs, mais elle n’est
utilisable que si l’ensemble des variables explicatives sont de type numérique.
– 810 –
Multicolinéarité dans la régression
L’approche la plus classique consiste à examiner les facteurs d’inflation de la variance (FIV) ou variance
inflation factor (VIF) en anglais. Les FIV estimenent de combien la variance d’un coefficient est
«augmentée» en raison d’une relation linéaire avec d’autres prédicteurs. Ainsi, un FIV de 1,8 nous dit que
la variance de ce coefficient particulier est supérieure de 80 % à la variance que l’on aurait dû observer si
ce facteur n’est absolument pas corrélé aux autres prédicteurs.
Si tous les FIV sont égaux à 1, il n’existe pas de multicolinéarité, mais si certains FIV sont supérieurs à 1, les
prédicteurs sont corrélés. Il n’y a pas de consensus sur la valeur au-delà de laquelle on doit considérer qu’il
y a multicolinéarité. Certains auteurs, comme Paul Allison1, disent regarder plus en détail les variables
avec un FIV supérieur à 2,5. D’autres ne s’inquiètent qu’à partir de 5. Il n’existe pas de test statistique qui
permettrait de dire s’il y a colinéarité ou non2.
L’extension car fournit une fonction vif permettant de calculer les FIV à partir d’un modèle. Elle
implémente même une version «généralisée» permettant de considérer des facteurs catégoriels et des
modèles linéaires généralisés comme la régression logistique.
Reprenons, pour exemple, un modèle logistique que nous avons déjà abordé dans d’autres chapitres.
data(hdv2003)
d <- hdv2003
d$sexe <- relevel(d$sexe, "Femme")
TRUE)
d$etud <- d$nivetud
)
d$etud <- addNAstr(d$etud, "Manquant")
mod <- glm(sport ~ sexe + grpage + etud + heures.tv + relig, data = d, family
= binomial())
Le calcul des FIV se fait simplement en passant le modèle à la fonction vif .
R> library(car)
Attachement du package : 'car'
L'objet suivant est masqué depuis 'package:purrr':
1. https://statisticalhorizons.com/multicollinearity
2. Pour plus de détails, voir ce post de Davig Giles qui explique pourquoi ce n’est pas possible.
– 811 –
some
recode
R> vif(mod)
GVIF Df GVIF^(1/(2*Df))
sexe 1.048 1 1.024
grpage 1.842 3 1.107
etud 1.848 4 1.080
heures.tv 1.062 1 1.031
relig 1.121 5 1.011
Dans notre exemple, tous les FIV sont proches de 1. Il n’y a donc pas de problème potentiel de colinéarité
à explorer.
La multicolinéarité est-elle toujours un problème ?

Là encore, il n’y a pas de consensus sur cette question. Certains analystes considèrent que tout modèle où
certains prédicteurs seraient colinéaires n’est pas valable. Dans un billet sur internet, Paul Allison évoque
quant à lui des situations où la multicolinéarité peut être ignorée en toute sécurité. Le texte ci-dessous est
une traduction du billet de Paul Allison.
1. Les variables avec des FIV élevés sont des variables de contrôle, et les variables d’intérêt n’ont pas de
FIV élevés.
Voici le problème de la multicollinéarité : ce n’est un problème que pour les variables qui sont colinéaires.
Il augmente les erreurs-types de leurs coefficients et peut rendre ces coefficients instables de plusieurs
façons. Mais tant que les variables colinéaires ne sont utilisées que comme variables de contrôle, et
qu’elles ne sont pas colinéaires avec vos variables d’intérêt, il n’y a pas de problème. Les coefficients des
variables d’intérêt ne sont pas affectés et la performance des variables de contrôle n’est pas altérée.
Voici un exemple tiré de ces propres travaux : l’échantillon est constitué de collèges américains, la variable
dépendante est le taux d’obtention de diplôme et la variable d’intérêt est un indicateur (factice) pour les
secteurs public et privé. Deux variables de contrôle sont les scores moyens au SAT et les scores moyens
à l’ACT pour l’entrée en première année. Ces deux variables ont une corrélation supérieure à ,9, ce qui
correspond à des FIV d’au moins 5,26 pour chacune d’entre elles. Mais le FIV pour l’indicateur public/privé
n’est que de 1,04. Il n’y a donc pas de problème à se préoccuper et il n’est pas nécessaire de supprimer
l’un ou l’autre des deux contrôles, à condition que l’on ne cherche pas à interpréter ou comparer l’un par
rapport à l’autre les coefficients de ces deux variables de contrôle.
– 812 –
Multicolinéarité dans la régression
2. Les FIV élevés sont causés par l’inclusion de puissances ou de produits d’autres variables.
Si vous spécifiez un modèle de régression avec x et x2, il y a de bonnes chances que ces deux variables
soient fortement corrélées. De même, si votre modèle a x, z et xz, x et z sont susceptibles d’être fortement
corrélés avec leur produit. Il n’y a pas de quoi s’inquiéter, car la valeur p de xz n’est pas affectée par la
multicollinéarité. Ceci est facile à démontrer : vous pouvez réduire considérablement les corrélations en
«centrant» les variables (c’est-à-dire en soustrayant leurs moyennes) avant de créer les puissances ou les
produits. Mais la valeur p pour x2 ou pour xz sera exactement la même, que l’on centre ou non. Et tous
les résultats pour les autres variables (y compris le R2 mais sans les termes d’ordre inférieur) seront les
mêmes dans les deux cas. La multicollinéarité n’a donc pas de conséquences négatives.
3. Les variables avec des FIV élevés sont des variables indicatrices (factices) qui représentent une
variable catégorielle avec trois catégories ou plus.
Si la proportion de cas dans la catégorie de référence est faible, les variables indicatrices auront
nécessairement des FIV élevés, même si la variable catégorielle n’est pas associée à d’autres variables
dans le modèle de régression.
Supposons, par exemple, qu’une variable de l’état matrimonial comporte trois catégories : actuellement
marié, jamais marié et anciennement marié. Vous choisissez «anciennement marié» comme catégorie de
référence, avec des variables d’indicateur pour les deux autres. Ce qui se passe, c’est que la corrélation
entre ces deux indicateurs devient plus négative à mesure que la fraction de personnes dans la catégorie
de référence diminue. Par exemple, si 45 % des personnes ne sont jamais mariées, 45 % sont mariées et
10 % sont anciennement mariées, les valeurs du FIV pour les personnes mariées et les personnes jamais
mariées seront d’au moins 3,0.
Est-ce un problème ? Eh bien, cela signifie que les valeurs p des variables indicatrices peuvent être élevées.
Mais le test global selon lequel tous les indicateurs ont des coefficients de zéro n’est pas affecté par
des FIV élevés. Et rien d’autre dans la régression n’est affecté. Si vous voulez vraiment éviter des FIV
élevés, il suffit de choisir une catégorie de référence avec une plus grande fraction des cas. Cela peut
être souhaitable pour éviter les situations où aucun des indicateurs individuels n’est statistiquement
significatif, même si l’ensemble des indicateurs est significatif.
– 813 –
Quel type de modèles
choisir ?
Tableau synthétique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 816
WEBIN-R
– 815 –
Tableau synthétique
– 816 –
Quel type de modèles choisir ?
Interprétation
Variable à Type de des
expliquer modèle coefficients Modèle de base Écha
Continue Linéaire directe stats::lm()
Gaussien directe stats::glm (family = gaussian) sur

(fa
Comptage Poisson RR stats::glm (family = poisson) sur

(nombre (risques (fa
d’occurences) relatifs)
Binomial RR MASS::glm.nb() sjs

négatif (risques
relatifs) svr
Ratio / Incidence Poisson avec IRR stats::glm (family = poisson) sur

offset (incidence rate (fa
ratio)
Binomial IRR MASS::glm.nb() sjs

négatif avec (incidence rate
offset ratio) svr
Binaire Logistique OR stats::glm (family = binomial("logit")) sur

(oui / non) (logit) (odds ratio) (fa
Probit pas stats::glm (family = binomial("probit")) sur

interprétable (fa
directement
Log binomial RR stats::glm (family = binomial("log")) sur

(risques (fa
relatifs)
PR
(prevalence
ratio)
Catégorielle Régression OR ordinal::clm() svr

ordinale logistique (odds ratio)
(3 modalités ou ordinale VGAM::vglm (family = cumulative(parallel = TRUE)) svy
plus)
MASS::polr() sur
Catégorielle Régression OR nnet::multinom() svr

nominale logistique (odds ratio)
(3 modalités ou multinomiale VGAM::vglm (family = multinomial) svy
plus)
Survie Cox HR survival::coxph() sur

(time to event) (hazard ratio)
Modèle à HR stats::glm (family = binomial("cloglog")) sur

temps (hazard ratio) (fa
discret
binomial
cloglog
– 817 –
Interprétation
Variable à Type de des
expliquer modèle coefficients Modèle de base Écha
Accelerated HR survival::survreg() sur

failure time (hazard ratio)
(AFT)
Comptage avec Zero- OR & RR pscl::zeroinfl() sjs

surreprésentation inflated
de zéros Poisson
Zero- OR & RR pscl::zeroinfl (dist = "negbin") sjs

inflated
negtaive
binomial
* Voir aussi gee::gee comme alternative à geepack::geeglm
– 818 –
Analyse de survie
Ressources en ligne . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 819
Un exemple concret : mortalité infanto-juvénile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 820
Préparation des données avec data.table . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 821
Préparation des données avec dplyr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 826
Kaplan-Meier . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 832
Modèle de Cox . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 836
Vérification de la validité du modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 841
Données pondérées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 843
WEBIN-R
Ce chapitre est évoqué dans le webin-R #15 (analyse de survie) sur YouTube.
longitudinales 2 : analyse de survie) sur YouTube.
Ressources en ligne
L’extension centrale pour l’analyse de survie est survival.
Un très bon tutoriel (en anglais et en 3 étapes), introduisant les concepts de l’analyse de survie, des
courbes de Kaplan-Meier et des modèles de Cox et leur mise en oeuvre pratique sous R est disponible en
ligne :
• http://www.sthda.com/english/wiki/survival-analysis-basics
• http://www.sthda.com/english/wiki/cox-proportional-hazards-model
– 819 –
• http://www.sthda.com/english/wiki/cox-model-assumptions
Pour un autre exemple (toujours en anglais) d’analyse de survie avec survival, on pourra se référer à
https://rpubs.com/vinubalan/hrsurvival.
Pour représenter vos résultats avec ggplot2, on pourra avoir recours à l’extension survminer présentée
en détails sur son site officiel (en anglais) : http://www.sthda.com/english/rpkgs/survminer/. On pourra
également avoir recours à la fonction ggsurv de l’extension GGally présentée à l’adresse
http://ggobi.github.io/ggally/#ggallyggsurv.
A noter, il est possible d’utiliser la fonction step sur un modèle de Cox, pour une sélection pas à pas d’un
meilleur modèle basé sur une minimisation de l’AIC (voir le chapitre sur la régression logistique, page 519).
L’excellente extension broom peut également être utilisée sur des modèles de survie (Kaplan-Meier ou
Cox) pour en convertir les résultats sous la forme d’un tableau de données.
Pour approfondir les possibilités offertes par l’extension survival, on pourra également consulter les
différentes vignettes fournies avec l’extension (voir https://cran.r-project.org/package=survival).
Un exemple concret : mortalité infanto-juvénile

Dans cet exemple, nous allons utiliser le jeu de données fecondite fourni par l’extension questionr. Ce
jeu de données comporte trois tableaux de données : menages , femmes et enfants .
Nous souhaitons étudier ici la survie des enfants entre la naissance et l’âge de 5 ans. Dans un premier
temps, nous comparerons la survie des jeunes filles et des jeunes garçons. Dans un second temps, nous
procéderons à une analyse multivariée en prenant en compte les variables suivantes :
• sexe de l’enfant
• milieu de résidence
• niveau de vie du ménage
• structure du ménage
• niveau d’éducation de la mère
• âge de la mère à la naissance de l’enfant
• enfin, une variable un peu plus compliquée, à savoir si le rang de naissance de l’enfant (second,
troisième, quatrième, etc.) est supérieur au nombre idéal d’enfants selon la mère.
Nous allons préparer les données selon deux approches : soit en utilisant l’extension data.table (voir
le chapitre dédié à data.table, page 259), soit en utilisant l’extension dplyr (voir le chapitre sur dplyr,
page 241).
Chargeons les données en mémoire et listons les variables disponibles.
– 820 –
Analyse de survie
R> library(questionr, quietly = TRUE)

data(fecondite)
lookfor(menages)
R> lookfor(femmes)
R> lookfor(enfants)
Préparation des données avec data.table

Tout d’abord, regardons sous quel format elles sont stockées.
R> class(menages)
[1] "tbl_df" "tbl" "data.frame"
R> describe(menages)

numeric: 1 2 3 4 5 6 7 8 9 10 ...

numeric: 7 3 6 5 7 6 15 6 5 19 ...

labelled double: 2 1 1 1 1 2 2 2 1 1 ...

labelled double: 4 2 5 4 4 4 5 2 5 5 ...
– 821 –

labelled double: 1 2 2 1 1 3 2 5 4 3 ...
Les tableaux de données sont au format tibble (c’est-à-dire sont de la classe tbl_df ) et les variables
catégorielles sont du type haven_labelled (voir le chapitre sur les vecteurs labellisés, page 127). Ce
format correspond au format de données si on les avait importées depuis SPSS avec l’extension haven
(voir le chapitre sur l’import de données, page 154).
En premier lieu, il nous faut convertir les tableaux de données au format data.table , ce qui peut se faire
avec la fonction setDT . Par ailleurs, nous allons également charger en mémoire l’extension labelled pour
la gestion des vecteurs labellisés.
library(data.table)
setDT(menages)
setDT(femmes)
setDT(enfants)
En premier lieu, il nous faut calculer la durée d’observation des enfants, à savoir le temps passé entre
la date de naissance (variable du fichier enfants ) et la date de passation de l’entretien (fournie par le
tableau de données femmes ). Pour récupérer des variables du fichier femmes dans le fichier enfants ,
nous allons procéder à une fusion de table (voir le chapitre dédié, page 277). Pour le calcul de la durée
d’observation, nous allons utiliser le package lubridate (voir le chapitre calculer un âge, page 1327 et celui
sur la gestion des dates, page 293). Nous effectuerons l’analyse en mois (puisque l’âge au décès est connu
en mois). Dès lors, la durée d’observation sera calculée en mois.
R> enfants <- merge(

enfants,
femmes[, .(id_femme, date_entretien)],
by = "id_femme",
all.x = TRUE
)
# duree observation en mois

library(lubridate, quietly = TRUE)
enfants[, duree_observation := time_length(interval(date_naissance, date_entre
tien), unit = "months")]
ATTENTION : il y 11 enfants soi-disant nés après la date d’enquête ! Quelle que soit l’enquête, il est rare
de ne pas observer d’incohérences. Dans le cas présent, il est fort possible que la date d’entretien puisse
parfois être erronnée (par exemple si l’enquêteur a inscrit une date sur le questionnaire papier le jour du
recensement du ménage mais n’ai pu effectué le questionnaire individuel que plus tard). Nous décidons
– 822 –
Analyse de survie
ici de procéder à une correction en ajoutant un mois aux dates d’entretien problématiques. D’autres
approches auraient pu être envisagées, comme par exemple exclure ces observations problématiques.
Cependant, cela aurait impacté le calcul du range de naissance pour les autres enfants issus de la même
mère. Quoiqu’il en soit, il n’y a pas de réponse unique. À vous de vous adapter au contexte particulier de
votre analyse.
R> enfants[duree_observation < 0, date_entretien := date_entretien %m+% month

s(1)]
enfants[, duree_observation := time_length(interval(date_naissance, date_entre
tien), unit = "months")]
Regardons maintenant comment les âges au décès ont été collectés.
R> freq(enfants$age_deces)
Les âges au décès sont ici exprimés en mois révolus. Les décès à un mois révolu correspondent à des
décès entre 1 et 2 mois exacts. Par ailleurs, les durées d’observation que nous avons calculées avec
time_length sont des durées exactes, c’est-à-dire avec la partie décimale. Pour une analyse de survie,
on ne peut mélanger des durées exactes et des durées révolues. Trois approches peuvent être envisagées :
1. faire l’analyse en mois révolus, auquel cas on ne gardera que la partie entière des durées
d’observations avec la fonction trunc ;
2. considérer qu’un âge au décès de 3 mois révolus correspond en moyenne à 3,5 mois exacts et
donc ajouter 0,5 à tous les âges révolus ;
3. imputer un âge au décès exact en distribuant aléatoirement les décès à 3 mois révolus entre 3 et
4 mois exacts, autrement dit en ajoutant aléatoirement une partie décimale aux âges révolus.
Nous allons ici adopter la troisième approche en considérant que les décès se répartissent de manière
uniforme au sein d’un même mois. Nous aurons donc recours à la fonction runif qui permets de générer
des valeurs aléatoires entre 0 et 1 selon une distribustion uniforme.
R> enfants[, age_deces_impute := age_deces + runif(.N)]
Pour définir notre objet de survie, il nous faudra deux variables. Une première, temporelle, indiquant
la durée à laquelle survient l’évènement étudié (ici le décès) pour ceux ayant vécu l’évènement et la
durée d’observation pour ceux n’ayant pas vécu l’évènement (censure à droite). Par ailleurs, une seconde
variable indiquant si les individus ont vécu l’évènement (0 pour non, 1 pour oui). Or, ici, la variable survie
est codée 0 pour les décès et 1 pour ceux ayant survécu. Pour plus de détails, voir l’aide de la fonction
Surv .
– 823 –
R> enfants[, deces := 0]

enfants[survie == 0, deces := 1]
var_label(enfants$deces) <- "Est décédé ?"
val_labels(enfants$deces) <- c(non = 0, oui = 1)
enfants[, time := duree_observation]

enfants[deces == 1, time := age_deces_impute]
Occupons-nous maintenant des variables explicatives que nous allons inclure dans l’analyse. Tout d’abord,
ajoutons à la table enfants les variables nécessaires des tables femmes et menages . Notons qu’il
nous faudra importer id_menage de la table femmes pour pouvoir fusionner ensuite la table enfants
avec la table menages . Par ailleurs, pour éviter une confusion sur la variable date_naissance, nous
renommons à la volée cette variable de la table femmes en date_naissance_mere.
R> enfants <- merge(

enfants,
femmes[, .(
id_femme, id_menage, milieu, educ,
date_naissance_mere = date_naissance, nb_enf_ideal
)],
by = "id_femme",
all.x = TRUE
)
enfants <- merge(
enfants,
menages[, .(id_menage, structure, richesse)],
by = "id_menage",
all.x = TRUE
)
Les variables catégorielles sont pour l’heure sous formes de vecteurs labellisés. Or, dans un modèle, il est
impératif de les convertir en facteurs pour qu’elles soient bien traitées comme des variables catégorielles
(autrement elles seraient traitées comme des variables continues). On aura donc recours à la fonction
to_factor de l’extension labelled.
R> enfants[, sexe := to_factor(sexe)]

enfants[, richesse := to_factor(richesse)]
Regardons plus attentivement, la variable structure.
R> freq(enfants$structure)
Tout d’abord, la modalité «pas d’adulte» n’est pas représentée dans l’échantillon. On aura donc recours à
l’argument drop_unused_labels pour ne pas conserver cette modalité. Par ailleurs, nous considérons
– 824 –
Analyse de survie
que la situation familiale à partir de laquelle nous voudrons comparer les autres dans notre modèle,
donc celle qui doit être considérée comme la modalité de référence, est celle du ménage nucléaire. Cette
modalité («deux adultes de sexe opposé») n’étant pas la première, nous aurons recours à la fonction
relevel .
R> enfants[, structure := to_factor(structure, drop_unused_labels = TRUE)]

enfants[, structure := relevel(structure, "deux adultes de sexe opposé")]
Regardons la variable educ.
R> freq(enfants$educ)
La modalité «supérieur» est peu représentée dans notre échantillon. Nous allons la fusionner avec la
modalité «secondaire» (voir la section Regrouper les modalités d’une variable, page 223 du chapitre
Recodage, page 201).
R> enfants[, educ2 := educ]

enfants[educ == 3, educ2 := 2]
val_label(enfants$educ2, 2) <- "secondaire ou plus"
val_label(enfants$educ2, 3) <- NULL
enfants[, educ2 := to_factor(educ2)]
freq(enfants$educ2)
Calculons maintenant l’âge de la mère à la naissance de l’enfant (voir le chapitre Calculer un âge,
page 1327) et découpons le en groupes d’âges (voir la section Découper une variable numérique en
classes, page 219 du chapitre Recodage, page 201).
R> enfants[, age_mere_naissance := time_length(

interval(date_naissance_mere, date_naissance),
unit = "years"
)]
enfants$gpage_mere_naissance <- cut(

enfants$age_mere_naissance,
include.lowest = TRUE, right = FALSE,
breaks=c(13, 20, 30, 50)
)
levels(enfants$gpage_mere_naissance) <- c(
"19 ou moins", "20-29", "30 et plus"
)
enfants$gpage_mere_naissance <- relevel(enfants$gpage_mere_naissance, "20-29")
freq(enfants$gpage_mere_naissance)
Reste à calculer si le rang de naissance de l’enfant est supérieur au nombre idéal d’enfants tel que défini
par la mère. On aura recours à la fonction rank appliquée par groupe (ici calculé séparément pour
– 825 –
chaque mère). L’argument ties.method permet d’indiquer comment gérer les égalités (ici les naissances
multiples, e.g. les jumeaux). Comme nous voulons comparer le rang de l’enfant au nombre idéal d’enfants,
nous allons retenir la méthode "max" pour obtenir, dans le cas présent, le nombre total d’enfants déjà
nés1. Avant de calculer un rang, il est impératif de trier préalablement le tableau (voir le chapitre Tris,
page 265).
R> setorder(enfants, id_femme, date_naissance)

enfants[, rang := rank(date_naissance, ties.method = "max"), by = id_femme]
enfants[, rang_apres_ideal := "non"]
# note: unclass() requis en raison d'un bug non corrigé dans haven empéchant d
e comparer haven_labelled_spss et integer
enfants[rang > unclass(nb_enf_ideal), rang_apres_ideal := "oui"]
enfants[, rang_apres_ideal := factor(rang_apres_ideal)]
enfants[, rang_apres_ideal := relevel(rang_apres_ideal, "non")]
Préparation des données avec dplyr

Tout d’abord, regardons sous quel format elles sont stockées.
R> data(fecondite)
class(menages)
[1] "tbl_df" "tbl" "data.frame"
R> describe(menages)

numeric: 1 2 3 4 5 6 7 8 9 10 ...

numeric: 7 3 6 5 7 6 15 6 5 19 ...

labelled double: 2 1 1 1 1 2 2 2 1 1 ...
1. Ici, pour plus de simplicité, nous n’avons pas pris en compte les décès éventuels des enfants de rang inférieur avant la
naissance considérée.
– 826 –
Analyse de survie


labelled double: 4 2 5 4 4 4 5 2 5 5 ...

labelled double: 1 2 2 1 1 3 2 5 4 3 ...
Les tableaux de données sont déjà au format tibble (c’est-à-dire sont de la classe tbl_df )2 et les variables
catégorielles sont du type labelled (voir le chapitre sur les vecteurs labellisés, page 127). Ce format
correspond au format de données si on les avait importées depuis SPSS avec l’extension haven (voir le
chapitre sur l’import de données, page 154).
Nous allons charger en mémoire l’extension labelled pour la gestion des vecteurs labellisés en plus de
dplyr.
R> library(dplyr)
library(labelled)
En premier lieu, il nous faut calculer la durée d’observation des enfants, à savoir le temps passé entre
la date de naissance (variable du fichier enfants ) et la date de passation de l’entretien (fournie par le
tableau de données femmes ). Pour récupérer des variables du fichier femmes dans le fichier enfants ,
nous allons procéder à une fusion de table (voir le chapitre dédié, page 277). Pour le calcul de la durée
d’observation, nous allons utiliser le package lubridate (voir le chapitre calculer un âge, page 1327 et celui
sur la gestion des dates, page 293). Nous effectuerons l’analyse en mois (puisque l’âge au décès est connu
en mois). Dès lors, la durée d’observation sera calculée en mois.
ATTENTION : les étiquettes de valeurs sont le plus souvent perdus lors des fusions de tables avec dplyr.
Pour les récupérer après fusion, nous allons conserver une version originale du tableau de données
enfants et utiliser la fonction copy_labels_from de l’extension labelled .
2. Si cela n’avait pas été le cas, nous aurions eu recours à la fonction tbl_df .
– 827 –
R> enfants_original <- enfants
library(lubridate)
enfants <- enfants %>%
left_join(
femmes %>% dplyr::select(id_femme, date_entretien),
by = "id_femme"
) %>%
copy_labels_from(enfants_original) %>%
mutate(duree_observation = time_length(
interval(date_naissance, date_entretien),
unit = "months"
))
ATTENTION : il y 11 enfants soi-disant nés après la date d’enquête ! Quelle que soit l’enquête, il est rare
de ne pas observer d’incohérences. Dans le cas présent, il est fort possible que la date d’entretien puisse
parfois être erronnée (par exemple si l’enquêteur a inscrit une date sur le questionnaire papier le jour du
recensement du ménage mais n’ai pu effectué le questionnaire individuel que plus tard). Nous décidons
ici de procéder à une correction en ajoutant un mois aux dates d’entretien problématiques. D’autres
approches auraient pu être envisagées, comme par exemple exclure ces observations problématiques.
Cependant, cela aurait impacté le calcul du range de naissance pour les autres enfants issus de la même
mère. Quoiqu’il en soit, il n’y a pas de réponse unique. À vous de vous adapter au contexte particulier de
votre analyse.
R> enfants$date_entretien[enfants$duree_observation < 0] <-

enfants$date_entretien[enfants$duree_observation < 0] %m+% months(1)
enfants <- enfants %>%
mutate(duree_observation = time_length(
interval(date_naissance, date_entretien),
unit = "months"
))
Regardons maintenant comment les âges au décès ont été collectés.
R> freq(enfants$age_deces)
Les âges au décès sont ici exprimés en mois révolus. Les décès à un mois révolu correspondent à des
décès entre 1 et 2 mois exacts. Par ailleurs, les durées d’observation que nous avons calculées avec
time_length sont des durées exactes, c’est-à-dire avec la partie décimale. Pour une analyse de survie,
on ne peut mélanger des durées exactes et des durées révolues. Trois approches peuvent être envisagées :
1. faire l’analyse en mois révolus, auquel cas on ne gardera que la partie entière des durées
d’observations avec la fonction trunc ;
2. considérer qu’un âge au décès de 3 mois révolus correspond en moyenne à 3,5 mois exacts et
donc ajouter 0,5 à tous les âges révolus ;
– 828 –
Analyse de survie
3. imputer un âge au décès exact en distribuant aléatoirement les décès à 3 mois révolus entre 3 et
4 mois exacts, autrement dit en ajoutant aléatoirement une partie décimale aux âges révolus.
Nous allons ici adopter la troisième approche en considérant que les décès se répartissent de manière
uniforme au sein d’un même mois. Nous aurons donc recours à la fonction runif qui permets de générer
des valeurs aléatoires entre 0 et 1 selon une distribustion uniforme.
R> enfants <- enfants %>%

dplyr::mutate(age_deces_impute = age_deces + runif(n()))
Pour définir notre objet de survie, il nous faudra deux variables. Une première, temporelle, indiquant
la durée à laquelle survient l’évènement étudié (ici le décès) pour ceux ayant vécu l’évènement et la
durée d’observation pour ceux n’ayant pas vécu l’évènement (censure à droite). Par ailleurs, une seconde
variable indiquant si les individus ont vécu l’évènement (0 pour non, 1 pour oui). Or, ici, la variable survie
est codée 0 pour les décès et 1 pour ceux ayant survécu. Pour plus de détails, voir l’aide de la fonction
Surv .

mutate(deces = if_else(survie == 0, 1, 0)) %>%
set_variable_labels(deces = "Est décédé ?") %>%
set_value_labels(deces = c(non = 0, oui = 1)) %>%
mutate(time = if_else(deces == 1, age_deces_impute, duree_observation))
Occupons-nous maintenant des variables explicatives que nous allons inclure dans l’analyse. Tout d’abord,
ajoutons à la table enfants les variables nécessaires des tables femmes et menages . Notons qu’il
nous faudra importer id_menage de la table femmes pour pouvoir fusionner ensuite la table enfants
avec la table menages . Par ailleurs, pour éviter une confusion sur la variable date_naissance, nous
renommons à la volée cette variable de la table femmes en date_naissance_mere.
– 829 –

left_join(
dplyr::select(femmes,
id_femme, id_menage, milieu, educ,
date_naissance_mere = date_naissance, nb_enf_ideal
),
by = "id_femme"
) %>%
left_join(
dplyr::select(menages, id_menage, structure, richesse),
by = "id_menage"
) %>%
copy_labels_from(enfants_original) %>%
copy_labels_from(femmes) %>%
copy_labels_from(menages)
Les variables catégorielles sont pour l’heure sous formes de vecteurs labellisés. Or, dans un modèle, il est
impératif de les convertir en facteurs pour qu’elles soient bien traitées comme des variables catégorielles
(autrement elles seraient traitées comme des variables continues). On aura donc recours à la fonction
to_factor de l’extension labelled.

mutate(sexe = to_factor(sexe), richesse = to_factor(richesse))
Regardons plus attentivement, la variable structure.
R> freq(enfants$structure)
Tout d’abord, la modalité «pas d’adulte» n’est pas représentée dans l’échantillon. On aura donc recours à
l’argument drop_unused_labels pour ne pas conserver cette modalité. Par ailleurs, nous considérons
que la situation familiale à partir de laquelle nous voudrons comparer les autres dans notre modèle,
donc celle qui doit être considérée comme la modalité de référence, est celle du ménage nucléaire. Cette
modalité («deux adultes de sexe opposé») n’étant pas la première, nous aurons recours à la fonction
relevel {data-pkg = “stats”}.

mutate(structure = relevel(
to_factor(structure, drop_unused_labels = TRUE),
"deux adultes de sexe opposé"
))
Regardons la variable educ.
– 830 –
Analyse de survie
R> freq(enfants$educ)
La modalité «supérieur» est peu représentée dans notre échantillon. Nous allons la fusionner avec la
modalité «secondaire» (voir la section Regrouper les modalités d’une variable, page 223 du chapitre
Recodage, page 201).

mutate(educ2 = ifelse(educ == 3, 2, educ)) %>%
set_value_labels(educ2 = c(
aucun = 0,
primaire = 1,
"secondaire ou plus" = 2
)) %>%
mutate(educ2 = to_factor(educ2))
freq(enfants$educ2)
Calculons maintenant l’âge de la mère à la naissance de l’enfant (voir le chapitre Caluler un âge,
page 1327) et découpons le en groupes d’âges (voir la section Découper une variable numérique en
classes, page 219 du chapitre Recodage, page 201).

mutate(
age_mere_naissance = time_length(
interval(date_naissance_mere, date_naissance),
unit = "years"
),
gpage_mere_naissance = cut(
age_mere_naissance,
include.lowest = TRUE, right = FALSE,
breaks=c(13, 20, 30, 50)
)
)
levels(enfants$gpage_mere_naissance) <- c(
"19 ou moins", "20-29", "30 et plus"
)
enfants$gpage_mere_naissance <- relevel(enfants$gpage_mere_naissance, "20-29")
freq(enfants$gpage_mere_naissance)
Reste à calculer si le rang de naissance de l’enfant est supérieur au nombre idéal d’enfants tel que défini
par la mère. On aura recours à la fonction rank appliquée par groupe (ici calculé séparément pour
chaque mère). L’argument ties.method permet d’indiquer comment gérer les égalités (ici les naissances
multiples, e.g. les jumeaux). Comme nous voulons comparer le rang de l’enfant au nombre idéal d’enfants,
nous allons retenir la méthode "max" pour obtenir, dans le cas présent, le nombre total d’enfants déjà
nés3. Avant de calculer un rang, il est impératif de trier préalablement le tableau (voir le chapitre Tris,
– 831 –
page 265).

arrange(id_femme, date_naissance) %>%
group_by(id_femme) %>%
mutate(
rang = rank(date_naissance, ties.method = "max"),
rang_apres_ideal = ifelse(rang > as.integer(nb_enf_ideal), "oui", "non"),
rang_apres_ideal = factor(rang_apres_ideal, levels = c("non", "oui"))
)
Kaplan-Meier
La courbe de survie de Kaplan-Meier s’obtient avec la fonction survfit de l’extension survival.
R> library(survival)
km_global <- survfit(Surv(time, deces) ~ 1, data = enfants)
km_global
Call: survfit(formula = Surv(time, deces) ~ 1, data = enfants)
n events median 0.95LCL 0.95UCL

[1,] 1584 142 NA NA NA
Pour la représenter, on pourra avoir recours à la fonction ggsurvplot de l’extension survminer .
3. Ici, pour plus de simplicité, nous n’avons pas pris en compte les décès éventuels des enfants de rang inférieur avant la
naissance considérée.
– 832 –
Analyse de survie
R> library(survminer, quietly = TRUE)
Attachement du package : 'survminer'
L'objet suivant est masqué depuis 'package:survival':
myeloma
R> ggsurvplot(km_global)
Figure 1. Courbe de survie de Kaplan-Meier
On peut facilement représenter à la place la courbe cumulée des évènements (l’inverse de la courbe de
survie) et la table des effectifs en fonction du temps.
– 833 –
R> ggsurvplot(km_global, fun = "event", risk.table = TRUE, surv.scale = "per

cent")
Figure 2. Courbe cumulée des évènements et table des effectifs
Pour comparer deux groupes (ici les filles et les garçons), il suffit d’indiquer la variable de comparaison à
survfit .
R> km_sexe <- survfit(Surv(time, deces) ~ sexe, data = enfants)

km_sexe
Call: survfit(formula = Surv(time, deces) ~ sexe, data = enfants)
n events median 0.95LCL 0.95UCL

sexe=masculin 762 94 NA NA NA
sexe=féminin 822 48 NA NA NA
La fonction survdiff permets de calculer le test du logrank afin de comparer des courbes de survie. La
mortalité infanto-juvénile diffère-t-elle significativement selon le sexe de l’enfant ?
– 834 –
Analyse de survie
R> survdiff(Surv(time, deces) ~ sexe, data = enfants)
Call:
survdiff(formula = Surv(time, deces) ~ sexe, data = enfants)
N Observed Expected (O-E)^2/E (O-E)^2/V

sexe=masculin 762 94 66.3 11.6 21.7
sexe=féminin 822 48 75.7 10.1 21.7
Chisq= 21.7 on 1 degrees of freedom, p= 3e-06
Une fois encore, on aura recours à ggsurvplot pour représenter les courbes de survie.
R> ggsurvplot(km_sexe, conf.int = TRUE, risk.table = TRUE, pval = TRUE, data

= enfants)
Figure 3. Courbes de Kaplan-Meier selon le sexe
– 835 –
Modèle de Cox
Un modèle de Cox se calcule aisément avec coxph {survival}.
R> mod1 <- coxph(

Surv(time, deces) ~ sexe + milieu + richesse +
structure + educ2 + gpage_mere_naissance + rang_apres_ideal,
data = enfants
)
mod1
Call:
coxph(formula = Surv(time, deces) ~ sexe + milieu + richesse +
structure + educ2 + gpage_mere_naissance + rang_apres_ideal,
data = enfants)
coef
sexeféminin -0.80830
milieu 0.65316
richessepauvre -0.07164
richessemoyen 0.32802
richesseriche 0.35545
richessetrès riche 0.47071
structureun adulte -0.14250
structuredeux adultes de même sexe 0.59983
structuretrois adultes ou plus avec lien de parenté 0.05301
structureadultes sans lien de parenté -0.12612
educ2primaire -0.03617
educ2secondaire ou plus -0.20917
gpage_mere_naissance19 ou moins -0.31209
gpage_mere_naissance30 et plus -0.00619
rang_apres_idealoui 1.42499
exp(coef)
sexeféminin 0.44561
milieu 1.92159
richessepauvre 0.93087
structureun adulte 0.86718
structureadultes sans lien de parenté 0.88151
– 836 –
Analyse de survie
educ2primaire 0.96448
educ2secondaire ou plus 0.81125
gpage_mere_naissance19 ou moins 0.73191
gpage_mere_naissance30 et plus 0.99383
se(coef)
sexeféminin 0.17783
milieu 0.26969
z
sexeféminin -4.545
milieu 2.422
richessepauvre -0.286
richessemoyen 1.322
richesseriche 1.191
structureun adulte -0.237
structureadultes sans lien de parenté -0.413
educ2primaire -0.176
educ2secondaire ou plus -0.569
gpage_mere_naissance19 ou moins -1.164
gpage_mere_naissance30 et plus -0.032
p
sexeféminin 5.48e-06
milieu 0.0154
– 837 –

Likelihood ratio test=38.22 on 15 df, p=0.000836

n= 1584, number of events= 142
De nombreuses variables ne sont pas significatives. Voyons si nous pouvons, avec la fonction step ,
améliorer notre modèle par minimisation de l’AIC ou Akaike Information Criterion (voir la section Sélection
de modèles, page 0 du chapitre sur la Régression logistique, page 519).
R> mod2 <- step(mod1)
Start: AIC=2027
Surv(time, deces) ~ sexe + milieu + richesse + structure + educ2 +
gpage_mere_naissance + rang_apres_ideal
Df AIC
- structure 4 2021.9
- richesse 4 2022.6
- educ2 2 2023.3
- gpage_mere_naissance 2 2024.5
<none> 2027.0
- rang_apres_ideal 1 2028.8
- milieu 1 2031.2
- sexe 1 2047.0
Step: AIC=2021.88
Surv(time, deces) ~ sexe + milieu + richesse + educ2 + gpage_mere_naissance +
rang_apres_ideal
Df AIC
- richesse 4 2016.9
- educ2 2 2018.1
<none> 2021.9
- milieu 1 2025.4
- sexe 1 2042.0
Step: AIC=2016.89
Surv(time, deces) ~ sexe + milieu + educ2 + gpage_mere_naissance +
– 838 –
Analyse de survie
rang_apres_ideal
Df AIC
- educ2 2 2013.2
<none> 2016.9
- milieu 1 2018.6
- sexe 1 2037.4
Step: AIC=2013.2
Surv(time, deces) ~ sexe + milieu + gpage_mere_naissance + rang_apres_ideal
Df AIC
<none> 2013.2
- milieu 1 2015.6
- sexe 1 2033.6
Step: AIC=2011.1
Surv(time, deces) ~ sexe + milieu + rang_apres_ideal
Df AIC
<none> 2011.1
- milieu 1 2013.8
- sexe 1 2031.4
On peut obtenir facilement les coefficients du modèle avec l’excellente fonction tidy de l’extension
broom. Ne pas oublier de préciser exponentiate = TRUE . En effet, dans le cas d’un modèle de Cox,
l’exponentiel des coefficients corresponds au ratio des risques instantannés ou hazard ratio (HR) en anglais.
R> library(broom, quietly = TRUE)

tidy(mod2, exponentiate = TRUE)
Pour représenter ces rapports de risque, on peut ici encore avoir recours à la fonction ggcoef_model de
l’extension GGally.
– 839 –
R> library(GGally, quietly = TRUE)
Registered S3 method overwritten by 'GGally':

method from
+.gg ggplot2
Figure 4. Coefficients du modèle avec ggcoef_model
L’extension survminer fournit également une fonction ggforest qui permet de représenter de manière
plus esthétique et complète les coefficients d’un modèle de Cox.
– 840 –
Analyse de survie
R> ggforest(mod2)
Vérification de la validité du modèle

Un modèle de Cox n’est valable que sous l’hypothèse de la proportionnalité des risques relatifs. Selon
cette hypothèse les résidus de Schoenfeld ne dépendent pas du temps. Cette hypothèse peut être testée
avec la fonction cox.zph .
R> test <- cox.zph(mod2)

test
chisq df p
sexe 0.1136 1 0.74
milieu 0.0119 1 0.91
rang_apres_ideal 2.0512 1 0.15
GLOBAL 2.1997 3 0.53
Une valeur de p inférieure à 5 % indique que l’hypothèse n’est pas vérifiée. Il apparaît que p est supérieur
à 5 % globalement et pour chaque variable prise individuellement. Notre modèle est donc valide.
Il est possible de représenter la distribution des résidus de Schoenfeld à l’aide de ggcoxzph de

l’extension survminer, afin de voir si leur répartition change au cours du temps.
– 841 –
R> ggcoxzph(test)
Figure 5. Résidus de Schoenfeld
– 842 –
Analyse de survie
Si vous utilisez des données pondérées avec un plan d’échantillonnage complexe (voir le chapitre dédié,
page 509), vous pouvez utilisez les fonctions suivantes de l’extension survey :
• svykm pour estimer une courbe de survie de Kaplan-Meier ;

• svycoxph pour un modèle de Cox.
Dans les deux cas, pensez à ajouter l’option se = TRUE pour que les erreurs standards soient calculées
(et que les intervalles de confiance puissent être générés).
– 843 –
Analyse de séquences
L’analyse de séquences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 846
Charger TraMineR et récupérer les données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 847
Appariement optimal et classification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 851
Représentations graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 856
Distribution de la typologie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 870
Bibliographie . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 871
WEBIN-R
Ce chapitre est évoqué dans le webin-R #16 (analyse de séquences) sur YouTube.
longitudinales 3 : analyse de séquences) sur YouTube.
NOTE
La version originale de ce chapitre est une reprise, avec l’aimable autorisation de son auteur, d’un
article de Nicolas Robette intitulé L’analyse de séquences : une introduction avec le logiciel R et le package
TraMineR et publié sur le blog Quanti (http://quanti.hypotheses.org/686/).
Depuis les années 1980, l’étude quantitative des trajectoires biographiques (life course analysis) a pris une
ampleur considérable dans le champ des sciences sociales. Les collectes de données micro-individuelles
longitudinales se sont développées, principalement sous la forme de panels ou d’enquêtes rétrospectives.
Parallèlement à cette multiplication des données disponibles, la méthodologie statistique a connu de
profondes évolutions. L’analyse des biographies (event history analysis) — qui ajoute une dimension
diachronique aux modèles économétriques mainstream — s’est rapidement imposée comme l’approche
dominante : il s’agit de modéliser la durée des situations ou le risque d’occurrence des événements.
– 845 –
L’analyse de séquences
Cependant, ces dernières années ont vu la diffusion d’un large corpus de méthodes descriptives d’analyse
de séquences, au sein desquelles l’appariement optimal (optimal matching) occupe une place centrale1.
L’objectif principal de ces méthodes est d’identifier — dans la diversité d’un corpus de séquences
constituées de séries d’états successifs — les régularités, les ressemblances, puis le plus souvent de
construire des typologies de « séquences-types ». L’analyse de séquences constitue donc un moyen de
décrire mais aussi de mieux comprendre le déroulement de divers processus.
La majeure partie des applications de l’analyse de séquences traite de trajectoires biographiques ou

de carrières professionnelles. Dans ces cas, chaque trajectoire ou chaque carrière est décrite par une
séquence, autrement dit par une suite chronologiquement ordonnée de « moments » élémentaires,
chaque moment correspondant à un « état » déterminé de la trajectoire (par exemple, pour les carrières
professionnelles : être en emploi, au chômage ou en inactivité). Mais on peut bien sûr imaginer des types
de séquences plus originaux : Andrew Abbott2, le sociologue américain qui a introduit l’optimal matching
dans les sciences scientifiques ou des séquences de pas de danses traditionnelles.
En France, les premiers travaux utilisant l’appariement optimal sont ceux de Claire Lemercier3 sur les
carrières des membres des institutions consulaires parisiennes au xixe siècle (Lemercier, 2005), et de
Laurent Lesnard4 sur les emplois du temps (Lesnard, 2008). Mais dès les années 1980, les chercheurs
du Céreq construisaient des typologies de trajectoires d’insertion à l’aide des méthodes d’analyse des
données « à la française » (analyse des correspondances, etc.)5. Au final, on dénombre maintenant plus
d’une centaine d’articles de sciences sociales contenant ou discutant des techniques empruntées à
l’analyse de séquences.
Pour une présentation des différentes méthodes d’analyse de séquences disponibles et de leur mise en
oeuvre pratique, il existe un petit manuel en français, publié en 2011 dernière aux éditions du Ceped
(collection « Les clefs pour »6) et disponible en pdf7 (Robette, 2011). De plus, un article récemment publié
dans le Bulletin de Méthodologie Sociologique compare de manière systématique les résultats obtenus par
les principales méthodes d’analyse de séquences (Robette & Bry, 2012). La conclusion en est qu’avec
1. Pour une analyse des conditions sociales de la diffusion de l’analyse de séquences dans le champ des sciences sociales,
voir Robette, 2012.
2. http://home.uchicago.edu/~aabbott/
3. http://lemercier.ouvaton.org/document.php?id=62
4. http://laurent.lesnard.free.fr/article.php3?id_article=22
5. Voir par exemple l’article d’Yvette Grelet (2002).
6. http://www.ceped.org/?rubrique57
7. http://nicolas.robette.free.fr/Docs/Robette2011_Manuel_TypoTraj.pdf
– 846 –
des données empiriques aussi structurées que celles que l’on utilise en sciences sociales, l’approche est
robuste, c’est-à-dire qu’un changement de méthode aura peu d’influence sur les principaux résultats.
Cependant, l’article tente aussi de décrire les spécificités de chaque méthode et les différences marginales
qu’elles font apparaître, afin de permettre aux chercheurs de mieux adapter leurs choix méthodologiques
à leur question de recherche.
Afin d’illustrer la démarche de l’analyse de séquences, nous allons procéder ici à la description « pas à
pas » d’un corpus de carrières professionnelles, issues de l’enquête Biographies et entourage (Ined, 2000)8.
Et pour ce faire, on va utiliser le logiciel R, qui propose la solution actuellement la plus complète et la
plus puissante en matière d’analyse de séquences. Les méthodes d’analyse de séquences par analyses
factorielles ou de correspondances ne nécessitent pas de logiciel spécifique : tous les logiciels de
statistiques généralistes peuvent être utilisés (SAS, SPSS, Stata, R, etc.). En revanche, il n’existe pas de
fonctions pour l’appariement optimal dans SAS ou SPSS. Certains logiciels gratuits implémentent
l’appariement optimal (comme Chesa9 ou TDA10) mais il faut alors recourir à d’autres programmes pour
dérouler l’ensemble de l’analyse (classification, représentation graphique). Stata propose le module sq11,
qui dispose d’un éventail de fonctions intéressantes. Mais c’est R et le package TraMineR12, développé par
des collègues de l’Université de Genève (Gabadinho et al, 2011), qui fournit la solution la plus complète et
la plus puissante à ce jour : on y trouve l’appariement optimal mais aussi d’autres algorithmes alternatifs,
ainsi que de nombreuses fonctions de description des séquences et de représentation graphique.
Charger TraMineR et récupérer les données

Tout d’abord, à quoi ressemblent nos données ? On a reconstruit à partir de l’enquête les carrières de 1000
hommes. Pour chacune, on connaît la position professionnelle chaque année, de l’âge de 14 ans jusqu’à
50 ans. Cette position est codée de la manière suivante : les codes 1 à 6 correspondent aux groupes
socioprofessionnels de la nomenclature des PCS de l’INSEE 13 (agriculteurs exploitants ; artisans,
commerçants et chefs d’entreprise ; cadres et professions intellectuelles supérieures ; professions
intermédiaires ; employés ; ouvriers) ; on y a ajouté « études » (code 7), « inactivité » (code 8) et « service
militaire » (code 9). Le fichier de données comporte une ligne par individu et une colonne par année : la
variable csp1 correspond à la position à 14 ans, la variable csp2 à la position à 15 ans, etc. Par ailleurs, les
enquêtés étant tous nés entre 1930 et 1950, on ajoute à notre base une variable « génération » à trois
modalités, prenant les valeurs suivantes : 1=“1930-1938” ; 2=“1939-1945” ; 3=“1946-1950”. Au final, la
base est constituée de 500 lignes et de 37 + 1 = 38 colonnes et se présente sous la forme d’un fichier texte
8. Pour une analyse plus poussée de ces données, avec deux méthodes différentes, voir Robette & Thibault, 2008. Pour
une présentation de l’enquête, voir Lelièvre & Vivier, 2001.
9. http://home.fsw.vu.nl/ch.elzinga/
10. http://steinhaus.stat.ruhr-uni-bochum.de/tda.html
11. http://www.stata-journal.com/article.html?article=st0111
12. http://mephisto.unige.ch/traminer/
– 847 –
au format csv (téléchargeable à http://larmarange.github.io/analyse-R/data/trajpro.csv).
Une fois R ouvert, on commence par installer les extensions nécessaires à ce programme (opération à
ne réaliser que lors de leur première utilisation) et par les charger en mémoire. L’extension TraMineR
propose de nombreuses fonctions pour l’analyse de séquences. L’extension cluster comprend un certain
nombre de méthodes de classification automatique13.
R> library(TraMineR)
TraMineR stable version 2.2-6 (Built: 2023-01-10)
Website: http://traminer.unige.ch
Please type 'citation("TraMineR")' for citation information.
R> library(cluster)
On importe ensuite les données, on recode la variable « génération » pour lui donner des étiquettes plus
explicites. On jette également un coup d’oeil à la structure du tableau de données :

── Column specification ────────────────────────────────────
Delimiter: ","
dbl (38): csp1, csp2, csp3, csp4, csp5, csp6, csp7, csp8...
ℹ Use `spec()` to retrieve the full column specification for this data.
ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.
R> donnees <- read.csv("http://larmarange.github.io/analyse-R/data/trajpro.csv",

header = T)
R> donnees$generation <- factor(donnees$generation, labels = c("1930-38", "1939-4

5", "1946-50"))
str(donnees)
spc_tbl_ [1,000 × 38] (S3: spec_tbl_df/tbl_df/tbl/data.frame)

$ csp1 : num [1:1000] 1 7 6 7 7 6 7 7 7 6 ...
$ csp2 : num [1:1000] 1 7 6 7 7 6 7 7 6 6 ...
13. Pour une présentation plus détaillée, voir le chapitre sur la classification ascendante hiérarchique (CAH), page 651.
– 848 –
$ csp3 : num [1:1000] 1 7 6 6 7 6 7 7 6 6 ...

$ csp4 : num [1:1000] 1 7 6 6 7 6 7 7 6 6 ...
$ csp5 : num [1:1000] 1 7 6 6 7 6 7 7 6 6 ...
$ csp6 : num [1:1000] 1 7 6 6 7 6 9 7 6 6 ...
$ csp7 : num [1:1000] 6 9 6 6 7 6 9 7 9 6 ...
$ csp8 : num [1:1000] 6 9 9 6 7 6 9 7 4 6 ...
$ csp9 : num [1:1000] 6 6 9 6 7 6 9 3 4 9 ...
$ csp10 : num [1:1000] 6 6 9 6 7 6 4 3 4 9 ...
$ csp11 : num [1:1000] 6 6 6 6 3 6 4 3 4 6 ...
$ csp12 : num [1:1000] 6 6 6 6 3 6 4 3 4 6 ...
$ csp13 : num [1:1000] 6 6 6 6 3 6 4 3 4 6 ...
$ csp14 : num [1:1000] 6 4 6 6 3 6 4 3 4 6 ...
$ csp15 : num [1:1000] 6 4 6 6 3 6 4 3 4 6 ...
$ csp16 : num [1:1000] 6 4 6 6 3 6 6 3 4 6 ...
$ csp17 : num [1:1000] 6 4 6 6 3 6 6 3 4 6 ...
$ csp18 : num [1:1000] 6 4 6 6 3 6 6 3 4 6 ...
$ csp19 : num [1:1000] 6 4 6 6 3 6 6 3 4 6 ...
$ csp20 : num [1:1000] 6 4 6 6 3 6 6 3 4 6 ...
$ csp21 : num [1:1000] 6 4 6 6 6 6 6 3 4 6 ...
$ csp22 : num [1:1000] 6 4 6 6 6 6 6 3 4 4 ...
$ csp23 : num [1:1000] 6 4 6 6 6 6 6 3 4 4 ...
$ csp24 : num [1:1000] 6 6 6 6 5 6 6 3 4 4 ...
$ csp25 : num [1:1000] 6 6 6 6 5 6 6 3 4 4 ...
$ csp26 : num [1:1000] 6 6 6 6 5 6 6 3 4 4 ...
$ csp27 : num [1:1000] 6 6 6 6 5 6 6 3 4 4 ...
$ csp28 : num [1:1000] 6 6 6 6 5 6 6 3 4 4 ...
$ csp29 : num [1:1000] 6 6 6 6 5 6 6 3 4 4 ...
$ csp30 : num [1:1000] 4 6 6 6 5 6 6 3 4 4 ...
$ csp31 : num [1:1000] 4 6 6 6 5 6 6 3 4 4 ...
$ csp32 : num [1:1000] 4 6 6 6 5 6 6 3 4 4 ...
$ csp33 : num [1:1000] 4 6 6 6 5 6 6 3 4 4 ...
$ csp34 : num [1:1000] 4 6 6 6 5 6 6 3 4 4 ...
$ csp35 : num [1:1000] 4 6 6 6 5 6 6 3 4 4 ...
$ csp36 : num [1:1000] 4 6 6 6 5 6 6 3 4 4 ...
$ csp37 : num [1:1000] 4 6 6 6 5 6 6 3 4 4 ...
$ generation: Factor w/ 3 levels "1930-38","1939-45",..: 2 1 1 3 2 3 1 1 2 1
...
- attr(*, "spec")=
.. cols(
.. csp1 = col_double(),
– 849 –
.. generation = col_double()
.. )
- attr(*, "problems")=<externalptr>
On a bien 1000 observations et 38 variables. On définit maintenant des labels pour les différents états qui
composent les séquences et on crée un objet « séquence » avec seqdef :
R> labels <- c("agric", "acce", "cadr", "pint", "empl", "ouvr", "etud", "inact",
"smil")
seq <- seqdef(donnees[, 1:37], states = labels)
[>] state coding:
[alphabet] [label] [long label]
1 1 agric agric
– 850 –
2 2 acce acce
3 3 cadr cadr
4 4 pint pint
5 5 empl empl
6 6 ouvr ouvr
7 7 etud etud
8 8 inact inact
9 9 smil smil
[>] 1000 sequences in the data set
[>] min/max sequence length: 37/37
Appariement optimal et classification

Ces étapes préalables achevées, on peut comparer les séquences en calculant les dissimilarités entre
paires de séquences. On va ici utiliser la méthode la plus répandue, l’appariement optimal (optimal
matching). Cette méthode consiste, pour chaque paire de séquences, à compter le nombre minimal de
modifications (substitutions, suppressions, insertions) qu’il faut faire subir à l’une des séquences pour
obtenir l’autre. On peut considérer que chaque modification est équivalente, mais il est aussi possible de
prendre en compte le fait que les « distances » entre les différents états n’ont pas toutes la même « valeur »
(par exemple, la distance sociale entre emploi à temps plein et chômage est plus grande qu’entre emploi à
temps plein et emploi à temps partiel), en assignant aux différentes modifications des « coûts » distincts.
Dans notre exemple, on va créer avec seqsubm une « matrice des coûts de substitution » dans laquelle
tous les coûts sont constants et égaux à 214 :
R> couts <- seqsubm(seq, method = "CONSTANT", cval = 2)
[>] creating 9x9 substitution-cost matrix using 2 as constant value
14. Le fonctionnement de l’algorithme d’appariement optimal — et notamment le choix des coûts — est décrit dans le
chapitre 9 du manuel de TraMineR (http://mephisto.unige.ch/pub/TraMineR/doc/TraMineR-Users-Guide.pdf).
– 851 –
Ensuite, on calcule la matrice de distances entre les séquences (i.e contenant les « dissimilarités » entre les
séquences) avec seqdist , avec un coût d’insertion/suppression (indel) que l’on fixe ici à 1 :
R> seq.om <- seqdist(seq, method = "OM", indel = 1, sm = couts)
[>] 1000 sequences with 9 distinct states
[>] checking 'sm' (size and triangle inequality)
[>] 818 distinct sequences
[>] min/max sequence lengths: 37/37
[>] computing distances using the OM metric
[>] elapsed time: 0.89 secs
– 852 –
I M P O R TA N T
Ce cas de figure où tous les coûts de substitution sont égaux à 2 et le coût indel égal à 1 correspond
à un cas particulier d’optimal matching que l’on appelle la Longuest Common Subsequence ou LCS. Elle
peut se calculer directement avec seqdist de la manière suivante :
R> seq.om <- seqdist(seq, method = "LCS")
[>] creating a 'sm' with a substitution cost of 2
[>] computing distances using the LCS metric
En l’absence d’hypothèses fortes sur les différents statuts auxquels correspond notre alphabet
(données hiérarchisées, croisement de différentes dimensions…), nous vous recommandons d’utiliser
prioritairement la métrique LCS pour calculer la distance entre les séquences.
On pourra trouver un exemple de matrice de coûts hiérarchisée dans le chapitre sur les trajectoires de
soins, page 873.
Cette matrice des distances ou des dissimilarités entre séquences peut ensuite être utilisée pour une
classification ascendante hiérarchique (CAH), qui permet de regrouper les séquences en un certain
nombre de « classes » en fonction de leur proximité :
R> seq.dist <- hclust(as.dist(seq.om), method = "ward.D2")
Avec la fonction plot , il est possible de tracer l’arbre de la classification (dendrogramme).
– 853 –
R> plot(as.dendrogram(seq.dist), leaflab = "none")
Figure 1. Dendrogramme de la classification des séquences
De même, on peut représenter les sauts d’inertie.
– 854 –
R> plot(sort(seq.dist$height, decreasing = TRUE)[1:20], type = "s", xlab =

"nb de classes", ylab = "inertie")
Figure 2. Sauts d’inertie de la classification des séquences
L’observation, sur ce dendogramme ou sur la courbe des sauts d’inertie, des sauts d’inertie des dernières
étapes de la classification peut servir de guide pour déterminer le nombre de classes que l’on va retenir
pour la suite des analyses. Une première inflexion dans la courbe des sauts d’inertie apparaît au niveau
d’une partition en 5 classes. On voit aussi une seconde inflexion assez nette à 7 classes. Mais il faut garder
en tête le fait que ces outils ne sont que des guides, le choix devant avant tout se faire après différents
essais, en fonction de l’intérêt des résultats par rapport à la question de recherche et en arbitrant entre
exhaustivité et parcimonie.
On fait ici le choix d’une partition en 5 classes :
– 855 –
R> nbcl <- 5

seq.part <- cutree(seq.dist, nbcl)
seq.part <- factor(seq.part, labels = paste("classe", 1:nbcl, sep = "."))
Représentations graphiques
Pour se faire une première idée de la nature des classes de la typologie, il existe un certain nombre de
représentations graphiques. Les chronogrammes (state distribution plots) présentent une série de coupes
transversales : pour chaque âge, on a les proportions d’individus de la classe dans les différentes situations
(agriculteur, étudiant, etc.). Ce graphique s’obtient avec seqdplot :
– 856 –
R> seqdplot(seq, group = seq.part, xtlab = 14:50, border = NA)
Figure 3. Chronogrammes
Chacune des classes semble caractérisée par un groupe professionnel principal : profession intermédiaire
pour la classe 1, ouvrier pour la 2, employé pour la 3, cadre pour la 4 et indépendant pour la 5. Cependant,
on aperçoit aussi des « couches » d’autres couleurs, indiquant que l’ensemble des carrières ne sont
probablement pas stables.
Les « tapis » (index plots), obtenus avec seqIplot , permettent de mieux visualiser la dimension
individuelle des séquences. Chaque segment horizontal représente une séquence, découpée en sous-
segments correspondant aux aux différents états successifs qui composent la séquence.
– 857 –
R> seqIplot(seq, group = seq.part, xtlab = 14:50, space = 0, border = NA, ya

xis = FALSE)
Figure 4. Tapis des séquences triés
Il est possible de trier les séquences pour rendre les tapis plus lisibles (on trie ici par multidimensional
scaling à l’aide de la fonction cmdscale ).
– 858 –
R> ordre <- cmdscale(as.dist(seq.om), k = 1)

seqIplot(seq, group = seq.part, sortv = ordre, xtlab = 14:50, space = 0,
border = NA, yaxis = FALSE)
Figure 5. Tapis des séquences triés par multidimensional scaling
On voit mieux apparaître ainsi l’hétérogénéité de certaines classes. Les classes 1, 3 et 4, par exemple,
semblent regrouper des carrières relativement stables (respectivement de professions intermédiaires,
d’employés et de cadres) et des carrières plus « mobiles » commencées comme ouvrier (classes 1 et 3, en
orange) ou comme profession intermédiaire (classe 4, en rouge). De même, la majorité des membres de la
dernière classe commencent leur carrière dans un groupe professionnel distinct de celui qu’ils occuperont
par la suite (indépendants). Ces distinctions apparaissent d’ailleurs si on relance le programme avec un
– 859 –
nombre plus élevé de classes (en remplaçant le 5 de la ligne nbcl <- 5 par 7, seconde inflexion de la
courbe des sauts d’inertie, et en exécutant de nouveau le programme à partir de cette ligne) : les stables et
les mobiles se trouvent alors dans des classes distinctes.
Le package seqhandbook propose une fonction seq_heatmap permettant de représenter le tapis de

l’ensemble des séquences selon l’ordre du dendrogramme.
R> library(seqhandbook)
Attachement du package : 'seqhandbook'
L'objet suivant est masqué depuis 'package:JLutils':
seq_heatmap
R> seq_heatmap(seq, seq.dist, labCol = 14:50)
Figure 6. Tapis des séquences trié selon le dendrogramme
– 860 –
NOTE
Il est possible de reproduire un tapis de séquence avec ggplot2. Outre le fait que cela fournit plus
d’options de personnalisation du graphique, cela permets également à ce que la hauteur de chaque
classe sur le graphique soit proportionnelle aux nombre d’invidus.
En premier lieu, on a va ajouter à notre fichier de données des identifiants individuels, la typologie crée
et l’ordre obtenu par multidimensional scaling.
R> donnees$id <- row.names(donnees)

donnees$classe <- seq.part
donnees$ordre <- rank(ordre, ties.method = "random")
Ensuite, il est impératif que nos données soient dans un format long et tidy, c’est-à-dire avec une ligne
par individu et par pas de temps. Pour cela on aura recours à la fonction gather (voir le chapitre
dédié, page 309).
R> library(tidyr)
long <- donnees %>% gather(csp1:csp37, key = annee, value = csp)
On va mettre en forme la variable csp sous forme de facteur, récupérer l’année grace à la fonction
str_sub de l’extension stringr (voir le chapitre sur la manipulation de texte, page 0) et recalculer
l’âge.
R> long$csp <- factor(long$csp, labels = c("agriculteur", "art./com./chefs",

"cadres", "prof. int.", "employés", "ouvriers", "étudiants", "inactifs", "s
erv. militaire"))
library(stringr)
long$annee <- as.integer(str_sub(long$annee, 4))
long$age <- long$annee + 13
Il n’y a plus qu’à faire notre graphique grace à geom_raster qui permet de colorier chaque pixel.
Techniquement, pour un tapis de séquence, il s’agit de représenter le temps sur l’axe horizontal et les
individus sur l’axe vertical. Petite astuce : plutôt que d’utiliser id pour l’axe vertical, nous utilisons
ordre afin de trier les observations. Par ailleurs, il est impératif de transformer au passage ordre en
facteur afin que ggplot2 puisse recalculer proprement et séparément les axes pour chaque facette15,
à condition de ne pas oublier l’option scales = "free_y" dans l’appel à facet_grid . Les autres
commandes ont surtout pour vocation d’améliorer le rendu du graphique (voir le chapitre dédié à
ggplot2, page 955).
15. Essayez le même code mais avec y = ordre au lieu de y = factor(ordre) et vous comprendrez tout l’intérêt de
– 861 –
cette astuce.
– 862 –
R> library(ggplot2)
ggplot(long) +
aes(x = age, y = factor(ordre), fill = csp) +
geom_raster() +
ylab("") +
scale_y_discrete(label = NULL) +
theme_bw() +
theme(legend.position = "bottom") +
scale_fill_brewer(palette = "Set3") +
facet_grid(classe ~ ., scales = "free_y", space = "free_y") +
scale_x_continuous(limits = c(14, 50), breaks = c(14, 20, 25, 30, 35, 40,
45, 50), expand = c(0, 0))

(`geom_raster()`).
– 863 –
La distance des séquences d’une classe au centre de cette classe, obtenue avec disscenter , permet
de mesurer plus précisément l’homogénéité des classes. Nous utilisons ici aggregate pour calculer la
moyenne par classe :
R> aggregate(disscenter(as.dist(seq.om), group = seq.part), list(seq.part), mean)
Cela nous confirme que les classes 1, 3 et 5 sont nettement plus hétérogènes que les autres, alors que la
classe 2 est la plus homogène.
D’autres représentations graphiques existent pour poursuivre l’examen de la typologie. On peut visualiser
les 10 séquences les plus fréquentes de chaque classe avec seqfplot .
– 864 –
R> seqfplot(seq, group = seq.part)
Figure 7. Séquences les plus fréquentes de chaque classe
On peut aussi visualiser avec seqmsplot l’état modal (celui qui correspond au plus grand nombre de
séquences de la classe) à chaque âge.
– 865 –
R> seqmsplot(seq, group = seq.part, xtlab = 14:50, main = "classe")
Figure 8. Statut modal à chaque âge
On peut également représenter avec seqmtplot les durées moyennes passées dans les différents états.
– 866 –
R> seqmtplot(seq, group = seq.part)
Figure 9. Durée moyenne dans chaque statut
La fonction seqrplot cherche à identifier des séquences «représentatives» de chaque classe. Plusieurs
méthodes sont proposées (voir seqrep ). La méthode dist cherche à identifier des séquences centrales
à chaque classe, c’est-à-dire situées à proximité du centre de la classe. Selon l’hétérogénéité de la classe,
plusieurs séquences «représentatives» peuvent être renvoyées. ATTENTION : il faut être prudent dans
l’interprétation de ces séquences centrales de la classe dans la mesure où elles ne rendent pas toujours
compte de ce qui se passe dans la classe et où elles peuvent induire en erreur quand la classe est assez
hétérogène. Il faut donc les considérer tout en ayant en tête l’ensemble du tapis de séquence pour voir si
elles sont effectivement de bonnes candidates.
– 867 –
R> seqrplot(seq, group = seq.part, dist.matrix = seq.om, criterion = "dist")
Figure 10. Séquences «représentatives» de chaque classe
– 868 –
Enfin, l’entropie transversale décrit l’évolution de l’homogénéité de la classe. Pour un âge donné, une
entropie proche de 0 signifie que tous les individus de la classe (ou presque) sont dans la même situation. À
l’inverse, l’entropie est de 1 si les individus sont dispersés dans toutes les situations. Ce type de graphique
produit par seqHtplot peut être pratique pour localiser les moments de transition, l’insertion
professionnelle ou une mobilité sociale ascendante.
R> seqHtplot(seq, group = seq.part, xtlab = 14:50)
Figure 11. Entropie transversale
– 869 –
Distribution de la typologie
On souhaite maintenant connaître la distribution de la typologie (en effectifs et en pourcentages) :
freq(seq.part)
On poursuit ensuite la description des classes en croisant la typologie avec la variable generation :
R> cprop(table(seq.part, donnees$generation))
seq.part 1930-38 1939-45 1946-50 Ensemble

classe.1 35.6 32.5 40.8 36.6
classe.2 19.7 18.3 17.0 18.3
classe.3 6.5 13.9 11.2 10.4
classe.4 31.8 29.2 27.9 29.6
classe.5 6.5 6.1 3.0 5.1
Total 100.0 100.0 100.0 100.0
R> chisq.test(table(seq.part, donnees$generation))
Pearson's Chi-squared test
data: table(seq.part, donnees$generation)

X-squared = 18.518, df = 8, p-value = 0.01766
Le lien entre le fait d’avoir un certain type de carrières et la cohorte de naissance est significatif à un
seuil de 15 %. On constate par exemple l’augmentation continue de la proportion de carrières de type
« professions intermédiaires » (classe 1) et, entre les deux cohortes les plus anciennes, l’augmentation de
la part des carrières de type « employés » (classe 3) et la baisse de la part des carrières de type « cadres »
(classe 4).
Bien d’autres analyses sont envisageables : croiser la typologie avec d’autres variables (origine sociale,
etc.), construire l’espace des carrières possibles, étudier les interactions entre trajectoires familiales et
professionnelles, analyser la variance des dissimilarités entre séquences en fonction de plusieurs
variables « explicatives16 »…
16. L’articulation entre méthodes « descriptives » et méthodes « explicatives » est un prolongement possible de l’analyse
– 870 –
Mais l’exemple proposé est sans doute bien suffisant pour une première introduction !

En premier lieu, la lecture du manuel d’utilisation de TraMineR, intitulé Mining sequence data in R with
the TraMineR package: A user’s guide et écrit par Alexis Gabadinho, Gilbert Ritschard, Matthias Studer et
Nicolas S. Muller, est fortement conseillée. Ce manuel ne se contente pas de présenter l’extension, mais
aborde également la théorie sous-jacente de l’analyse de séquences, les différents formats de données,
les différences approches (séquences de statut ou séquences de transitions par exemple), etc.
Pour une initiation en français, on pourra se référer à l’ouvrage de Nicolas Robette Explorer et décrire les
parcours de vie : les typologies de trajectoires sorti en 2011 aux éditions du Ceped.
L’extension WeightedCluster de Matthias Studer est un excellent complément à TraMineR. Il a également

écrit un manuel de la librairie WeightedCluster : un guide pratique pour la création de typologies de trajectoires
en sciences sociales avec R.
Enfin, l’extension TraMineRextras (https://cran.r-project.org/package=TraMineRextras) contient des

fonctions complémentaires à TraMineR, plus ou moins en phase de test.
Bibliographie
• Abbott A., 2001, Time matters. On theory and method, The University of Chicago Press.
• Abbott A., Hrycak A., 1990, « Measuring ressemblance in sequence data: an optimal matching
analysis of musicians’ careers», American journal of sociology, (96), p.144-185.
http://www.jstor.org/stable/10.2307/2780695
• Abbott A., Tsay A., 2000, « Sequence analysis and optimal matching methods in sociology:
Review and prospect », Sociological methods & research, 29(1), p.3-33. http://smr.sagepub.com/
content/29/1/3.short
• Gabadinho, A., Ritschard, G., Müller, N.S. & Studer, M., 2011, « Analyzing and visualizing state
sequences in R with TraMineR », Journal of Statistical Software, 40(4), p.1-37. http://archive-
ouverte.unige.ch/downloader/vital/pdf/tmp/4hff8pe6uhukqiavvgaluqmjq2/out.pdf
• Grelet Y., 2002, « Des typologies de parcours. Méthodes et usages », Document Génération 92,
(20), 47 p. http://www.cmh.greco.ens.fr/programs/Grelet_typolparc.pdf
• Lelièvre É., Vivier G., 2001, « Évaluation d’une collecte à la croisée du quantitatif et du qualitatif :
l’enquête Biographies et entourage », Population, (6), p.1043-1073. http://www.persee.fr/web/
revues/home/prescript/article/pop_0032-4663_2001_num_56_6_7217
de séquences. Cependant, l’analyse de séquences était envisagée par Abbott comme une alternative à la sociologie
quantitative mainstream, i.e le « paradigme des variables » et ses hypothèses implicites souvent difficilement tenables
(Abbott, 2001). Une bonne description solidement fondée théoriquement vaut bien des « modèles explicatifs »
(Savage, 2009).
– 871 –
• Lemercier C., 2005, « Les carrières des membres des institutions consulaires parisiennes au XIXe
siècle », Histoire et mesure, XX (1-2), p.59-95. http://histoiremesure.revues.org/786
• Lesnard L., 2008, « Off-Scheduling within Dual-Earner Couples: An Unequal and Negative
Externality for Family Time », American Journal of Sociology, 114(2), p.447-490.
http://laurent.lesnard.free.fr/IMG/pdf/lesnard_2008_off-scheduling_within_dual-
earner_couples-2.pdf
• Lesnard L., Saint Pol T. (de), 2006, « Introduction aux Méthodes d’Appariement Optimal (Optimal
Matching Analysis) », Bulletin de Méthodologie Sociologique, 90, p.5-25. http://bms.revues.org/
index638.html
• Robette N., 2011, Explorer et décrire les parcours de vie : les typologies de trajectoires, Ceped (Les
Clefs pour), 86 p. http://nicolas.robette.free.fr/Docs/Robette2011_Manuel_TypoTraj.pdf
• Robette N., 2012, « Du prosélytisme à la sécularisation. Le processus de diffusion de l’Optimal
Matching Analysis », document de travail. http://nicolas.robette.free.fr/Docs/
Proselytisme_secularisation_NRobette.pdf
• Robette N., Bry X., 2012, « Harpoon or bait? A comparison of various metrics to fish for life
course patterns », Bulletin de Méthodologie Sociologique, 116, p.5-24.
http://nicolas.robette.free.fr/Docs/Harpoon_maggot_RobetteBry.pdf
• Robette N., Thibault N., 2008, « L’analyse exploratoire de trajectoires professionnelles : analyse
harmonique qualitative ou appariement optimal ? », Population, 64(3), p.621-646.
http://www.cairn.info/revue-population-2008-4-p-621.htm
• Savage M., 2009, « Contemporary Sociology and the Challenge of Descriptive Assemblage »,
European Journal of Social Theory, 12(1), p.155-174. http://est.sagepub.com/content/12/1/
155.short
– 872 –
Trajectoires de soins : un
exemple de données
longitudinales
Première description des données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 874
Évolution de la cascade de soins au cours du temps . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 879
Analyse de survie classique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 881
Une première analyse de séquences sur l’ensemble du fichier . . . . . . . . . . . . . . . . . . . . . . . . . . . . 888
Une seconde analyse de séquences limitées aux 18 premiers mois . . . . . . . . . . . . . . . . . . . . . . . . 894
Facteurs associés à l’appartenance à chaque groupe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 909
Modèle mixte à classes latentes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 919
Modèle à observations répétées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 929
Modèle de survie multi-états . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 935
WEBIN-R
longitudinales 1 : description des données) sur YouTube.
longitudinales 2 : analyse de survie) sur YouTube.
longitudinales 3 : analyse de séquences) sur YouTube.
longitudinales 4 : régression logistique multinomiale & modèles mixtes à classe latente) sur YouTube.
– 873 –
NOTE
Une version de ce chapitre ustilisant l’extension data.table plutôt que dplyr est également disponible.
Dans ce chapitre, nous allons aborder plusieurs méthodes d’analyse à partir d’un jeu de données
longitudinales. Tout d’abord, importons les données dans R avec la commande suivante :
R> load(url("http://larmarange.github.io/analyse-R/data/care_trajectories.RDat
a"))
R> class(care_trajectories)
Nous obtenons un objet appelé care_trajectories . La fonction class nous montre qu’il s’agit d’un
tableau de données au format data.table (voir le chapitre dédié, page 259). Chargeons le tidyverse et
utilisons as_tibble pour convertir le tableau de données.
R> library(tidyverse, quietly = TRUE)

care_trajectories <- as_tibble(care_trajectories)
Première description des données

Jetons un premier regard aux données.
R> head(care_trajectories)
Il apparaît que les données sont dans un format «long» et tidy (voir le chapitre sur tidyr, page 310 pour
une présentation du concept de tidy data), avec une ligne par individu et par pas de temps. Il apparait
également que les données sont stockées sous formes de vecteurs labellisés (voir le chapitre dédié aux
vecteurs labellisés, page 127). Nous aurons donc besoin de l’extension labelled.
– 874 –
Trajectoires de soins : un exemple de données longitudinales
Pour une description des variables, on pourra avoir recours à look_for de labelled .
look_for(care_trajectories)
Nous pouvons également utiliser look_for de labelled.
R> care_trajectories %>% look_for()
Dans cette étude, on a suivi des patients à partir du moment où ils ont été diagnostiqués pour une
pathologie grave et chronique et on a suivi leurs parcours de soins chaque mois à partir du diagnostic. La
variable status contient le statut dans les soins de chaque individu pour chaque mois de suivi :
• D : s’il n’est pas actuellement suivi dans une clinique, soit que la personne n’est pas encore entrée
en clinique après le diagnostic, soit qu’elle a quitté la clinique et qu’elle est donc sortie des soins ;
• C : indique que le patient est entré en soins (il est suivi dans une clinique) mais il n’a pas encore
commencé le traitement, ou bien il a arrêté le traitement mais est toujours suivi en clinique ;
• T : la personne est sous traitement mais l’infections n’est pas «supprimée» ou «contrôlée», soit
que le traitement n’a pas encore eu le temps de faire effet, soit qu’il n’est plus efficace ;
• S : la personne est suivie en clinique, sous traitement et son infection est «supprimée» /
«contrôlée», indiquant que le traitement est efficace et produit son effet. Cette étape ultime du
parcours de soins est celle dans laquelle on souhaite maintenir les individus le plus longtemps
possible.
Il est important de noter que nous avons ici des statuts hiérarchiquement ordonnés (D < C < T < S), ce qui
aura son importance pour les choix méthodologiques que nous aurons à faire.
Nous disposons également d’autres variables (âge, sexe, niveau d’éducation…) qui sont ici dépendantes
du temps, c’est-à-dire que le cas échéant, elles peuvent varier d’un mois à l’autre en cas de changement.
Avant de démarrer les analyses, françisons certaines de ces variables.
R> var_label(care_trajectories$sex) <- "Sexe"

val_labels(care_trajectories$sex) <- c(homme = 0, femme = 1)
var_label(care_trajectories$age) <- "Âge"
var_label(care_trajectories$education) <- "Education"
val_labels(care_trajectories$education) <- c(
primaire = 1,
secondaire = 2,
supérieur = 3
)
Le fichier contient 49365 lignes, ce qui ne veut pas dire qu’il y a ce nombre d’invidus suivis au cours du
– 875 –
temps, puisque plusieurs lignes correspondent à un même individu. On peut obtenir le nombre d’individus
différents assez facilement avec la commande :
R> length(unique(care_trajectories$id))
[1] 2929
Précision : dans ce fichier, tous les individus ne sont pas suivis pendant la même durée, car ils n’ont pas
tous été diagnostiqués au même moment. Cependant, il n’y a pas de «trous» dans le suivi (ce qui serait
le cas si certains individus sortaient de l’observation pendant quelques mois puis re-rentraient dans la
cohorte de suivi).
Avant d’aller plus avant, il nous faut avoir une idée du nombre d’individus observé au cours du temps, ce
que l’on peut obtenir avec :
R> ggplot(care_trajectories) +
aes(x = month) +
geom_bar()
Améliorons ce graphique en y ajoutant la distribution selon le statut dans les soins chaque mois, en
– 876 –
améliorant l’axe du temps (tous les 6 mois est plus facile à lire) et en y ajoutant un titre et des étiquettes
appropriées. Afin de disposer d’une palette de couleurs à fort contraste, nous allons utiliser l’extension
viridis. Enfin, nous allons utiliser une petite astuce pour indiquer les effectifs sur l’axe horizontal. Au
passage, nous allons également franciser les étiquettes de la variable care_status avec val_labels
(notez aussi le recours à to_factor dans aes qui nous permet de transformer à la volée la variable en
facteur, format attendu par ggplot2 pour les variables catégorielles). On se référera au chapitre dédié à
ggplot2, page 955 pour plus de détails sur les différentes fonctions de cette extension graphique.
– 877 –
R> library(viridis)
n <- care_trajectories %>%
filter(month %in% (0:8*6)) %>%
group_by(month) %>%
count() %>%
pluck("n")
etiquettes <- paste0("M", 0:8*6, "\n(n=", n, ")")
val_labels(care_trajectories$care_status) <- c(
"diagnostiqué, mais pas suivi" = "D",
"suivi, mais pas sous traitement" = "C",
"sous traitement, mais infection non contrôlée" = "T",
"sous traitement et infection contrôlée" = "S"
)
ggplot(care_trajectories) +
aes(x = month, fill = to_factor(care_status)) +
geom_bar(color = "gray50", width = 1) +
scale_x_continuous(breaks = 0:8*6, labels = etiquettes) +
ggtitle("Distribution du statut dans les soins chaque mois") +
xlab("") + ylab("") +
theme_light() +
labs(fill = "Statut dans les soins") +
scale_fill_viridis(discrete = TRUE, direction = -1) +
guides(fill = guide_legend(nrow = 2))
– 878 –
On s’aperçoit qu’une majorité des personnes suivies ne l’ont été que peu de temps, avec une décroissance
rapide des effectifs.
Évolution de la cascade de soins au cours du temps

On nomme communément «cascade de soins» la proportion d’individus dans chaque statut à un moment
du temps donné. On peut facilement obtenir celle-ci à partir du code du graphique précédent en ajoutant
l’option position = fill à geom_bar .
– 879 –
R> ggplot(care_trajectories) +
geom_bar(color = "gray50", width = 1, position = "fill") +
scale_y_continuous(labels = scales::percent) +
ggtitle("Cascade des soins observée, selon le temps depuis le diagnostic") +
xlab("") + ylab("") +
theme_light() +
Les effectifs sont très faibles au-delà de 36 mois et il serait préférable de couper la cascade au-delà de
M36, ce que l’on peut faire aisément ne gardant que les lignes correspondantes de care_trajectories .
– 880 –
R> casc_obs <- ggplot(care_trajectories %>% filter(month <= 36)) +

ggtitle("Cascade des soins observée, selon le temps depuis le diagnostic") +
xlab("") + ylab("") +
theme_light() +
casc_obs
Analyse de survie classique

L’analyse de survie constitue l’approche statistique la plus fréquente pour appréhender des données
biographiques. Dans sa version classique, l’analyse de survie modélise le temps mis pour vivre un
événement particulier à partir d’un événement origine.
– 881 –
Dans notre exemple, l’événement d’origine commun à tous les individus est le diagnostic VIH. Les
personnes suivies peuvent vivre trois événements principaux :
• entrée en soins (passage de D à C) ;

• initiation du traitement (passage de C à T) ;
• contrôle de l’infection (passage de T à S).
En toute rigueur, il faudrait également considérer les transitions inverses (sortie de soins, arrêt du
traitement, échec virologique). De même, il est possible que certains aient vécus plusieurs transitions
successives (entrée en soin, initiation du traitement, sortie de soins et arrêt du traitement, nouvelle entrée
en soins…).
Pour le moment, contentons-nous de regarder la première entrée en soins, la première initiation du

traitement et la première atteinte du contrôle de l’infection et de calculer la date de ces trois événements,
dans un fichier ind contenant une ligne par individu.
R> ind <- care_trajectories %>% filter(month == 0)

ind$diagnostic <- 0
ind <- ind %>%
left_join(
care_trajectories %>%
filter(care_status %in% c("C", "T", "S")) %>%
group_by(id) %>%
dplyr::summarise(entree_soins = min(month)),
by = "id"
) %>%
left_join(
filter(care_status %in% c("T", "S")) %>%
group_by(id) %>%
dplyr::summarise(initiation_tt = min(month)),
by = "id"
) %>%
left_join(
filter(care_status == "S") %>%
group_by(id) %>%
dplyr::summarise(controle = min(month)),
by = "id"
)
Il nous faut également la durée de suivi par individu.
– 882 –
R> ind <- ind %>%

left_join(
group_by(id) %>%
dplyr::summarise(suivi = max(month)),
by = "id"
)
Pour faciliter la suite des analyses, nous allons nous créer une petite fonction qui, en fonction de la date
d’origine et la date d’événement retenues, calculera la courbe de Kaplan-Meier correspondante (voir le
chapitre sur l’analyse de suivie, page 819 pour le calcul de la courbe de survie et celui dédié à l’écriture de
fonctions).
R> km <- function(date_origine, date_evenement, nom) {

library(survival)
# ne garder que les observations avec date d'origine

tmp <- ind[!is.na(ind[[date_origine]]), ]
# pre-remplir la variable time avec duree de suivi

# depuis date d'origine
tmp$time <- tmp$suivi - tmp[[date_origine]]
# et considérer que l'événement n'a pas été vécu
tmp$event <- FALSE
# si date_evement documentée, événement vécu

tmp[!is.na(tmp[[date_evenement]]), ]$event <- TRUE
tmp[tmp$event == TRUE, ]$time <-
tmp[tmp$event == TRUE, ][[date_evenement]] -
tmp[tmp$event == TRUE, ][[date_origine]]
kaplan <- survfit(Surv(time, event) ~ 1, data = tmp)

res <- broom::tidy(kaplan, conf.int = TRUE)
res$nom <- nom
res
}
Une première approche consiste à regarder la survenue de chacun des trois événements mentions plus
haut en fonction du temps depuis le diagnostic.
– 883 –
R> depuis_diag <- dplyr::bind_rows(

km("diagnostic", "entree_soins", "entrée en soins"),
km("diagnostic", "initiation_tt", "initiation du traitement"),
km("diagnostic", "controle", "contrôle de l'infection")
)
g_diag <- ggplot(data = depuis_diag) +

aes(x = time, y = 1 - estimate,
color = as_factor(nom), fill = as_factor(nom),
ymin = 1 - conf.high, ymax = 1 - conf.low) +
geom_ribbon(alpha = .25, mapping = aes(color = NULL)) +
geom_line(size = 1) +
theme_classic() +
theme(
panel.grid.major.y = element_line(colour = "grey")
) +
scale_x_continuous(breaks = 0:6*6, limits = c(0, 36)) +
scale_y_continuous(labels = scales::percent, limits = c(0, 1)) +
xlab("mois depuis le diagnostic") +
ylab("") + labs(color = "", fill = "")
g_diag
– 884 –
Ce graphique ressemble à la cascade des soins observée que nous avions calculée plus haut, à quelques
différences près :
• avec la méthode de Kaplan-Meier, la censure à droite, i.e. le fait que tous les individus n’ont
pas la même durée de suivi, est correctement prise en compte et la courbe est corrigée en
conséquence ;
• par contre, les transitions inverses ne sont pas considérées : lorsqu’un individu a atteint une
étape, on ne regarde pas s’il en ressort.
Une autre manière d’appréhender nos trajectoires est de considérer le temps requis pour atteindre une
étape une fois la précédente étape atteinte. Ce qu’on obtient facilement en adaptant légèrement notre
code précédent.
– 885 –
R> depuis_prec <- dplyr::bind_rows(

km("diagnostic", "entree_soins", "entrée en soins"),
km("entree_soins", "initiation_tt", "initiation du traitement"),
km("initiation_tt", "controle", "contrôle de l'infection")
)
g_prec <- ggplot(data = depuis_prec) +

aes(x = time, y = 1 - estimate,
color = as_factor(nom), fill = as_factor(nom),
ymin = 1 - conf.high, ymax = 1 - conf.low) +
geom_ribbon(alpha = .25, mapping = aes(color = NULL)) +
geom_line(size = 1) +
theme_classic() +
theme(
panel.grid.major.y = element_line(colour = "grey")
) +
scale_x_continuous(breaks = 0:6*6, limits = c(0, 36)) +
scale_y_continuous(labels = scales::percent, limits = c(0, 1)) +
xlab("mois depuis l'étape précédente") +
ylab("") + labs(color = "", fill = "")
g_prec
– 886 –
Attention : cette représentation graphique peut éventuellement prêter à confusion dans sa lecture car
l’échelle de temps n’est pas tout à fait la même pour chaque courbe, dans la mesure où la date d’origine
diffère pour chacune. Dès lors, il peut être plus pertinent de présenter chaque courbe l’une à côté de
l’autre.
– 887 –
R> g_prec + facet_grid(~ as_factor(nom))
Ici, on voit plus clairement que l’étape où il y a le plus de «perdition» est celle de l’entrée en soins, moins
des trois quarts des personnes diagnostiquées étant venu en clinique au mois une fois dans les trois ans
suivant le diagnostic. Par contre, l’initiation du traitement une fois entré en clinique et le contrôle de
l’infection une fois le traitement initié sont beaucoup plus rapide.
Pour aller plus loin avec les outils de l’analyse de survie classique, il serait possible de faire des analyses
bivariées (Kaplan-Meier) ou multivariées (Cox) pour chacune de ces étapes. Cependant, il serait plus
intéressant de trouver une approache statistique permettant de considérer dans un même modèle
l’ensemble des transitions possibles.
Une première analyse de séquences sur l’ensemble

du fichier
L’analyse de séquences permet d’appréhender l’ensemble de la trajectoire de soins à travers la succession
des états dans lesquels se trouvent les patients observés.
– 888 –
Nous allons donc réaliser une analyse de séquences (voir le chapitre dédié, page 845) sur l’ensemble de
notre fichier. Pour cela, il va falloir préalable que nous transformions nos donnée actuellement dans un
format «long» en un tableau «large», c’est-à-dire avec une ligne par individu et une variable différentes par
pas de temps. On peut réaliser cela facilement avec pivot_wider de tidyr (voir le chapitre dédié à tidyr,
page 0).
R> library(tidyr)
large <- care_trajectories %>%
dplyr::select(id, m = month, care_status) %>%
pivot_wider(names_from = m, values_from = care_status, names_prefix = "m")
head(large)
On utilise seqdef de TraMineR pour créer nos séquences, avec les arguments alphabet pour forcer
l’ordre de l’alphabet, states pour spécifier des étiquettes courtes à chaque état et cpal pour indiquer
le code couleur de chaque état (et être raccord avec nos graphiques précédents).
R> library(TraMineR, quietly = TRUE)

seq_all <- seqdef(
large %>% dplyr::select(m0:m50),
id = large$id,
alphabet = c("D", "C", "T", "S"),
states = c("diagnostiqué", "en soins", "sous traitement", "inf. contrôlée"),
cpal = viridis(4, direction = -1)
)
[>] found missing values ('NA') in sequence data
[>] preparing 2929 sequences
[>] coding void elements with '%' and missing values with '*'
[>] state coding:
1 D diagnostiqué diagnostiqué
2 C en soins en soins
3 T sous traitement sous traitement
4 S inf. contrôlée inf. contrôlée
– 889 –
On peut retrouver la cascade de soins avec seqdplot .
R> seqdplot(seq_all, legend.prop = .25)
Nous allons maintenant calculer une matrice des distances entre individus par optimal matching. Dans le
cas présent, nos différents status sont hiérarchiquement ordonnés. Il n’est donc pas raisonnable de penser
que les coûts sont constants entre les différents statuts, puisqu’en un sens, passer directement de D à T
peut être considéré comme être passé d’abord de D à C puis de C à D. Nous allons donc faire une matrice
de coûts hiérarchisée. seqcost nous permets de produire une matrice de coûts constants, que nous
allons ensuite modifier manuellement. Pour le coût indel, le plus simple est de considérer la moitié du coût
de substitution maximum.
– 890 –
R> couts <- seqcost(seq_all, method = "CONSTANT")
R> couts
$indel
[1] 1
$sm
diagnostiqué en soins sous traitement
diagnostiqué 0 2 2
en soins 2 0 2
sous traitement 2 2 0
inf. contrôlée 2 2 2
inf. contrôlée
diagnostiqué 2
en soins 2
sous traitement 2
inf. contrôlée 0
R> couts$sm[1, ] <- c(0, 1, 2, 3)

couts$sm[2, ] <- c(1, 0, 1, 2)
couts$sm[3, ] <- c(2, 1, 0, 1)
couts$sm[4, ] <- c(3, 2, 1, 0)
couts$indel <- max(couts$sm) / 2
couts
$indel
[1] 1.5
$sm
diagnostiqué en soins sous traitement
diagnostiqué 0 1 2
en soins 1 0 1
sous traitement 2 1 0
inf. contrôlée 3 2 1
inf. contrôlée
diagnostiqué 3
en soins 2
sous traitement 1
inf. contrôlée 0
– 891 –
R> dist_all <- seqdist(seq_all, method = "OM", sm = couts$sm, indel = couts$inde

l)
Calculons le dendrogramme et représentons le avec le tapis de séquence grace à seq_heatmap de

l’extension seqhandbook.
– 892 –
R> arbre_all <- hclust(as.dist(dist_all), method = "ward.D2")

library(seqhandbook, quietly = TRUE)
seq_heatmap(seq_all, arbre_all)
Il apparaît que les différentes séquences sont principalement regroupées en fonction de leur longueur.
En effet, pour passer d’une séquence courte à une séquence longue il faut «ajouter» des statuts pour
compléter la séquence ce qui induit de facto une distance élevée (en raison du coût indel). Dès lors, lorsque
l’on travaille avec des séquences aux longueurs très disparates, une classification ascendante hiérarchique
va produire une typologie de séquences courtes et de séquences longues, ce qui n’est pas forcément ce
que l’on recherche.
– 893 –
Dans notre exemple, nous pouvons considérer que les séquences courtes ne sont pas pertinentes à retenir
dans l’analyse car l’observation n’est pas assez longue pour voir le parcours de soins des patients. Une
solution consiste à ne retenir que les individus observées au moins n mois et analyser leur trajectoire sur
seulement n mois, ce qui permet de n’avoir que des séquences de même longueur. Dès lors, la distance
entre deux séquences ne dépendra plus que des différences de parcours. On serait tenté de prendre un n
élévé pour avoir ainsi des parcours de soins longs. Mais dans ce cas là, l’analyse ne se fera que sur un tout
petit nombre d’individus et on manquera de puissance. Si, à l’inverse, on prends un n petit, nous aurons
des effectifs élevés mais les séquences seront peut-être trop courtes pour mettre en évidence la variété
des trajectoires. Il faut dès lors trouver un compromis entre ces deux contraintes.
Si l’on regarde notre premier graphique montrant le nombre d’observations au cours du temps, il apparaît
une sorte de point d’inflexion au niveau de M18 avec un brusque décrochage. D’un autre côté, 18 mois
offre un minimum de durée d’observations pour espérer voir émerger des trajectoires plus complexes.
Une seconde analyse de séquences limitées aux 18

premiers mois
Reprenons notre analyse en se limitant aux individus observés au moins 18 mois (soit 19 status entre M0
et M18) et en se limitant aux 18 premiers mois pour modéliser les séquences. La fonction seqlength
permets de récupérer la longueur de chaque séquence.
R> large$seq_length <- seqlength(seq_all)

large_m18 <- large %>%
dplyr::filter(seq_length >= 19) %>%
dplyr::select(id:m18)
seq_m18 <- seqdef(

large_m18 %>% dplyr::select(m0:m18),
id = large_m18$id,
alphabet = c("D", "C", "T", "S"),
states = c("diagnostiqué", "en soins", "sous traitement", "inf. contrôlée"),
cpal = viridis(4, direction = -1)
)
[>] state coding:
1 D diagnostiqué diagnostiqué
2 C en soins en soins
– 894 –
3 T sous traitement sous traitement
4 S inf. contrôlée inf. contrôlée
R> dist_m18 <- seqdist(seq_m18, method = "OM", sm = couts$sm, indel = couts$inde

l)
– 895 –
R> arbre_m18 <- hclust(as.dist(dist_m18), method = "ward.D2")

seq_heatmap(seq_m18, arbre_m18)
Reste maintenant à décider du nombre de classes à retenir. Encore une fois, c’est un équilibre à trouver
entre le niveau de détails voulus et le niveau de simplification requis pour permettre l’analyse.
Pour faciliter ce choix, on peut avoir recours à la fonction as.seqtree de l’extension WeightedCluster,
couplée à la fonction seqtreedisplay . ATTENTION : pour que le graphique puisse être produit, il faut
que le logiciel libre GraphViz (https://graphviz.gitlab.io/) soit installé sur votre PC. On peut également
installer GraphViz avec le code ci-dessous :
– 896 –
R> if (!requireNamespace("BiocManager", quietly = TRUE))

install.packages("BiocManager")
BiocManager::install("Rgraphviz")
La combinaison des deux fonctions va permettre de représenter l’évolution des catégories au fur-et-
à-mesure que l’on coupe le dendrogramme plus bas. On peut choisir le type de graphique utilisé avec
l’argument type (voir l’aide de seqplot ) et le nombre maximum de clusters avec nclust .
– 897 –
R> library(WeightedCluster, quietly = TRUE)

seqtree_m18 <- as.seqtree(arbre_m18, seqdata = seq_m18, diss = dist_m18, nclus
ter = 7)
seqtreedisplay(seqtree_m18, type="I", border=NA, show.depth=TRUE)
– 898 –
Représentation graphique produite par seqtreedisplay
Afin d’éviter de multiplier les sous-groupes, nous n’allons conserver que 4 catégories.
– 899 –
R> large_m18$typo_cah <- cutree(arbre_m18, 4)
NOTE
Il est aussi possible de se baser sur divers indicateurs statistiques sur la «qualité» de chaque partition.
Pour cela, on pourra par exemple avoir recours à la fonction as.clustrange de l’extension
WeightedCluster. Essayez par exemple les commandes ci-après :
R> nc <- as.clustrange(arbre_m18, dist_m18)

summary(nc, max.rank = 3)
plot(nc, norm = "zscore")
Pour plus d’informations, voir le manuel de la librairie WeightedCluster, chapitre 7.
On peut représenter le découpage du dendrogramme avec fviz_dend fournie par factoextra
– 900 –
fviz_dend(arbre_m18, k = 4, show_labels = FALSE, rect = TRUE)
Comme expliqué par Matthias Studer dans le manuel de la librairie WeightedCluster, plusieurs critiques
peuvent être adressées aux procédures hiérarchiques, en particulier le fait que la fusion de deux groupes
se fait en maximisant un critère local.
L’algorithme PAM pour Partitioning Around Medoids suit une autre logique que les algorithmes
hiérarchiques et vise à obtenir la meilleure partition d’un ensemble de données en un nombre prédéfini de
groupes. Il a l’avantage de maximiser un critère global et non uniquement un critère local. Par contre, le
nombre de classes doit être fixé à l’avance.
Ayant décidé de retenir 4 classes au regard de notre classification ascendante hiérarchique, nous pouvons
voir si l’algorithme PAM permets d’améliorer nos 4 classes. Nous allons utiliser la fonction wcKMedoids
de l’extension WeightedCluster en lui indiquant comme partition initiale celle obtenue avec la
classigication hiérarchique.
– 901 –
R> pam_m18 <- wcKMedoids(dist_m18, k = 4, initialclust = arbre_m18)

large_m18$typo_pam <- pam_m18$clustering
Un tableau croisé nous permets de voir que les deux typologies restent proches.
large_m18 %>%
tbl_cross(row = typo_cah, col = typo_pam)
typo_pam
Total
6 23 85 410
typo_cah
1 522 4 0 39 565
2 0 3 330 3 336
3 1 203 59 13 276
4 23 0 5 112 140
Total 546 210 394 167 1 317
Regardons les tapis de séquence des deux typologies.
– 902 –
R> large_m18$ordre_cmd <- cmdscale(as.dist(dist_m18), k = 1)

seqIplot(seq_m18, group = large_m18$typo_cah, sortv = large_m18$ordre_cmd)
– 903 –
R> seqIplot(seq_m18, group = large_m18$typo_pam, sortv = large_m18$ordre_cmd)
Comme on le voit les deux typologies obtenues sont très proches. Suivant le cas, à vous de choisir celle qui
semble la plus pertinente d’un point de vue sociologique. Il existe également divers indicateurs statisques
pour mesurer la qualité d’une partition (voir le manuel de la librairie WeightedCluster de Matthias Studer).
Ils peuvent être calculés avec la fonction wcClusterQuality . Comparons les deux typologies obtenues.
– 904 –
R> tab <- tibble(

stat = names(wcClusterQuality(dist_m18, large_m18$typo_cah)$stats),
cah = wcClusterQuality(dist_m18, large_m18$typo_cah)$stats,
pam = wcClusterQuality(dist_m18, large_m18$typo_pam)$stats
)
gt::gt(tab) %>% gt::fmt_number(2:3, decimals = 2, sep_mark = " ")
stat cah pam
PBC 0.70 0.71
HG 0.93 0.95
HGSD 0.93 0.95
ASW 0.53 0.57
ASWw 0.53 0.57
CH 938.97 1 023.12
R2 0.68 0.70
CHsq 3 351.21 3 980.60
R2sq 0.88 0.90
HC 0.03 0.02
Selon ces indicateurs calculés, l’approche PAM obtiendrait une partition légèrement de meilleure qualité
que celle obtenuepar CAH.
L’extension WeightedCluster fournie aussi une fonction wcSilhouetteObs permettant de mesurer la

«silhouette» de chaque séquence. Plus cette métrique est élevée et proche de 1, plus la séquence est
proche du centre de classe et «caractéristique» de la classe. On peut utiliser cette métrique pour classer
les séquences sur le tapis de séquences.
– 905 –
R> large_m18$sil <- wcSilhouetteObs(dist_m18, large_m18$typo_pam)

seqIplot(seq_m18, group = large_m18$typo_pam, sortv = large_m18$sil)
Nous voyons émerger quatre groupes distincts :
• les rapides, qui entrent en soins et initient le traitement dès les premiers mois suivant le
diagnostic ;
• les lents, qui entrent en soins et initient le traitement plus tardivement, après M6 ;
• les inaboutis, qui entrent en soins mais n’initient pas le traitement ;
• les hors soins, qui ne sont pas entrés en soins où n’y sont pas restés.
Le graphique obtenu avec seqIplot affiche visuellement chaque groupe avec la même hauteur, pouvant
laisser accroire que chaque groupe a le même poids dans l’échantillon. Pour produire une représentation
graphique des tapis de séquences plus «correcte», où chaque la hauteur de chaque groupe correspondrait
à son poids dans l’échantillon, nous allons passer par ggplot2. Un tapis de séquences peut-être vu comme
un «raster» et dès lors représenté avec geom_raster . Pour travailler avec ggplot2, nos données doivent
être au format tidy, c’est-à-dire avec une ligne par point d’observation, soit une ligne par personne et
par jour. Nous allons donc repartir du fichier care_trajectories . Le mois d’observation indiquera la
position en abscisse. Quant à la position en ordonnée, il faudra que nous la calculions, séparément pour
chaque groupe, afin d’éviter des «lignes vides» dans le graphique.
– 906 –
R> # nommer les groupes

large_m18$groupe <- factor(
large_m18$typo_pam,
c(85, 23, 410, 6),
c("Rapides", "Lents", "Inaboutis", "Hors soins")
)
# calculer le rang des individus dans chaque groupe

large_m18 <- large_m18 %>%
group_by(groupe) %>%
arrange(ordre_cmd) %>%
mutate(rang_cmd = rank(ordre_cmd, ties.method = "first"))
# créer un fichier long

long_m18 <- care_trajectories %>%
filter(id %in% large_m18$id & month <= 18) %>%
left_join(
large_m18 %>% dplyr::select(id, groupe, rang_cmd),
by = "id"
)
long_m18$care_statusF <- to_factor(long_m18$care_status)
# calculer les effectifs par groupe

tmp <- large_m18 %>%
dplyr::count(groupe) %>%
mutate(groupe_n = paste0(groupe, "\n(n=", n, ")"))
long_m18 <- long_m18 %>%

left_join(
tmp %>% dplyr::select(groupe, groupe_n),
by = "groupe"
)
– 907 –
R> # graphique des tapis de séquences

ggplot(long_m18) +
aes(x = month, y = rang_cmd, fill = care_statusF) +
geom_raster() +
facet_grid(groupe_n ~ ., space = "free", scales = "free") +
scale_x_continuous(breaks = 0:6*3, labels = paste0("M", 0:6*3)) +
scale_y_continuous(breaks = 0:5*100, minor_breaks = NULL) +
xlab("") + ylab("") +
theme_light() +
– 908 –
Facteurs associés à l’appartenance à chaque

groupe
Une fois les différents groupes de trajectoires identifiés, il est courant de vouloir regarder si certains
– 909 –
facteurs influencent l’appartenance à un groupe plutôt qu’un autre. Dans nos données d’exemple, nous
nous intéresserons aux variables suivantes : sexe, groupe d’âges et niveau d’éducation.
Ces différentes variables sont renseignées pour chaque mois dans le tableau de données
care_trajectories , en tenant compte des éventuels changements au cours du temps. Ici, notre
analyse est menée au niveau individuel. Nous allons donc récupérer la valeur de ces différentes variables
au moment du diagnostic, à savoir à M0.
R> large_m18 <- large_m18 %>%

left_join(
dplyr::filter(month == 0) %>%
dplyr::select(id, sex, age, education),
by = "id"
)
La fonction tbl_summary de l’extension gtsummary permets de produire aisément une série de tableaux
croisés. À noter le recours à add_p() pour ajouter les p-valeurs au test du Chi².1 La fonction
add_overall permets d’ajouter une colonne avec l’ensemble de l’échantillon. Notez que nous avons
utiliser unlabelled de l’extension labelled pour convertir en amont les vecteurs labellisés en facteurs.
1. Pour plus de détails sur les tableaux croisés et le test du Chi², voir le chapitre sur la statisque bivariée, page 380 et le
chapitre sur les tests de comparaison, page 501.
– 910 –
large_m18 %>%
ungroup() %>%
unlabelled() %>%
tbl_summary(by = "groupe", include = c("groupe", "sex", "age", "education"))
%>%
add_p() %>%
Lents,
Rapides, Inaboutis, Hors soins, p- Total, N
Caractéristique N=
N = 3941 N = 1671 N = 5461 valeur2 = 1 3171
2101
Sexe <0,001
104 61 450
homme 42 (25%) 243 (45%)
(26%) (29%) (34%)
290 149 867

femme 125 (75%) 303 (55%)
(74%) (71%) (66%)
Âge <0,001
71 464
16-29 96 (24%) 62 (37%) 235 (43%)
(34%) (35%)
269 128 769

30-59 91 (54%) 281 (51%)
(68%) (61%) (58%)
11 84
60+ 29 (7,4%) 14 (8,4%) 30 (5,5%)
(5,2%) (6,4%)
Education 0,002
47 263
primaire 63 (16%) 30 (18%) 123 (23%)
(22%) (20%)
126 83 482
secondaire 61 (37%) 212 (39%)
(32%) (40%) (37%)
205 80 572
supérieur 76 (46%) 211 (39%)
(52%) (38%) (43%)
1
n (%)
2 test du khi-deux d'indépendance
– 911 –
Une manière de présenter ces mêmes données de manière plus visuelle consiste à réaliser un diagramme
en barres cumulées (voir le chapitre sur les graphiques bivariés, page 457). Ici, nous utilisons une boucle
for (voir le chapitre sur les structures conditionnelles, page 1157) pour calculer les différents tableaux
croisés et les fusionner avec bind_rows (voir la section concaténation de tables, page 0 du chapitre
dédié à dplyr). Nous en profitions également pour calculer le test du Chi² et l’afficher avec le nom de la
variable sur le graphique.
Note : pour afficher les proportions sur le graphique, aurons recours recours à la statistique stat_prop
de l’extension GGally.
– 912 –
R> res <- tibble()

explanatory <- c(
"sex" = "Sexe",
"age" = "Âge",
"education" = "Education"
)
for (v in names(explanatory)) {
tmp <- tibble::as_tibble(table(large_m18$groupe, to_factor(large_m18[[v]])),
.name_repair = "unique")
names(tmp) <- c("groupe", "level", "n")
test <- chisq.test(large_m18$groupe, to_factor(large_m18[[v]]))
tmp$var <- paste0(
explanatory[v],
"\n",
scales::pvalue(test$p.value, add_p = TRUE)
)
res <- bind_rows(res, tmp)
}
# stat_prop() a besoin d'un facteur

res$level <- factor(res$level)
library(GGally)
ggplot(res) +
aes(x = level, fill = groupe, weight = n) +
geom_text(
aes(by = level, label = scales::percent(..prop.., accuracy = 1)),
stat = "prop", position = position_fill(.5)
) +
facet_grid(var ~ ., scales = "free", space = "free") +
scale_y_continuous(labels = scales::percent, breaks = 0:5/5) +
coord_flip() +
xlab("") + ylab("") + labs(fill = "")
– 913 –
Un graphique similaire peut s’obtenir très facilement en ayant recours à la fonction ggbivariate de
l’extension GGally2.
2. À noter, ggbivariate accepte également des variables continues.
– 914 –
R> library(GGally)
ggbivariate(
large_m18 %>% ungroup() %>% unlabelled(),
outcome = "groupe",
explanatory = c("sex", "age", "education"),
columnLabelsY = c("Sex", "Âge", "Éducation")
) + labs(fill = "")
Pour mieux visualiser les relations entre les variables, on peut avoir recours à la fonction ggtable de
l’extension GGally qui permets de représenter les résidus du Chi².
– 915 –
R> library(GGally)
ggtable(
large_m18 %>% ungroup() %>% unlabelled(),
columnsX = "groupe",
columnsY = c("sex", "age", "education"),
cells = "col.prop",
fill = "std.resid",
columnLabelsX = "Type de trajectoire",
columnLabelsY = c("Sex", "Âge", "Éducation"),
legend = 1
) +
labs(fill = "Résidus standardizés du Chi²") +
– 916 –
On considère qu’une cellule est surreprésentée si son résidu standardisé du Chi² est supérieur à 2 ou 3, et
qu’elle est sous-représentée si le résidu est inférieur à -2 ou -3.
On peut ainsi noter que les hommes, les jeunes et ceux vivant à plus de 10 kilomètres d’une clinique sont
plus souvent dans le groupe «Hors soins». Inversement, les femmes et les plus éduqués sont plus souvent
dans le groupe des «Rapides». Résultat inattendu, les ménages les plus riches sont moins souvent dans
les groupes ayant initiés un traitement («Rapides» et «Lents»), ce résultat pouvant s’expliquer en partie
par le fait que les plus aisés peuvent plus facilement accéder à des soins dans le secteur privé, et donc
«faussement» apparaître «Hors soins«, car seuls les soins reçus dans le secteur public ont été mesurés
dans cette étude.»»
Pour affiner les résultats, on aura recours à un modèle multivarié en exécutant une régression logistique
– 917 –
multinomiale avec multinom de l’extension nnet (pour plus de détails, voir le chapitre dédié, page 0).
R> library(nnet)
large_m18 <- large_m18 %>% ungroup()
large_m18$groupe2 <- relevel(large_m18$groupe, "Hors soins")
regm <- multinom(
groupe2 ~ sex + age + education,
data = to_factor(large_m18)
)
R> library(GGally)
ggcoef_multinom(regm, exponentiate = TRUE)
Nous pouvons représenter les effets des variables du modèle avec la fonction ggeffect de ggeffects.
– 918 –
cowplot::plot_grid(plotlist = plot(ggeffect(regm)), ncol = 3)
Modèle mixte à classes latentes

Un autre type d’approche envisageable pour identifier des classes de trajectoires est celle des modèles
mixtes à classes latentes. Ce type de modèles peut prendre en compte une grande variété d’indicateurs,
continus, binaires ou ordinaux. On peut y intégrer des co-variables et il n’est pas nécessaire de disposer du
même nombre d’observations par individu.
Nous n’aborderons que brièvement ici ce type de modèles complexes. Sous R, ils peuvent être réalisés via
l’extension lcmm et sa fonction homonyme lcmm .
Commençons par préparer les données.
– 919 –
R> care_trajectories <- care_trajectories %>%

mutate(
num_status = as.integer(to_factor(care_status)),
sexF = to_factor(sex),
ageF = to_factor(age),
educationF = to_factor(education)
)
Ici, nous allons modéliser le statut dans les soins en fonction du temps. Il faut indiquer au modèle, via
le paramètre ng le nombre de groupes ou classes latentes souhaité. Ici, nous avons retenu 4 en lien
avec les résultats de notre analyse de séquences. L’argument link = "thresholds" permets d’indiquer
que notre variable d’intérêt est ordinale. Les modèles lcmm peuvent également prendre en compte des
variables continues.
R> library(lcmm)
mod4 <-lcmm(
num_status ~ month, random = ~ month, subject = 'id',
mixture = ~ month, ng = 4, idiag = TRUE, data = care_trajectories,
link = "thresholds"
)
NOTE
Attention : le temps de calcul de ce type de modèle peut être long (plusieurs heures dans notre
exemple), suivant le nombre de paramètres, le nombre d’observations et la puissance de votre
machine.
Si vous souhaitez récupérer directement les résultats du modèle, vous pouvez exécuter la commande
suivante :
R> library(lcmm)
load(url("https://github.com/larmarange/analyse-R/raw/gh-pages/data/traject
oires_mod4_lcmm.RData"))
Voyons comment se présentent les résultats.
R> summary(mod4)
General latent class mixed model

fitted by maximum likelihood method
– 920 –
lcmm(fixed = num_status ~ month, mixture = ~month, random = ~month,

subject = "id", ng = 4, idiag = TRUE, link = "thresholds",
data = care_trajectories)
Statistical Model:
Dataset: care_trajectories
Number of subjects: 2929
Number of observations: 49365
Number of latent classes: 4
Number of parameters: 15
Link function: thresholds
Iteration process:
Convergence criteria satisfied
Number of iterations: 52
Convergence criteria: parameters= 5.2e-10
: likelihood= 5.4e-07
: second derivatives= 3.5e-07
Goodness-of-fit statistics:
maximum log-likelihood: -26612.74
AIC: 53255.48
BIC: 53345.22
Discrete posterior log-likelihood: -26612.74

Discrete AIC: 53255.48
Mean discrete AIC per subject: 9.0911

Mean UACV per subject: 9.1045
Mean discrete LL per subject: -9.0859
Maximum Likelihood Estimates:
Fixed effects in the class-membership model:

(the class of reference is the last class)
coef Se Wald p-value

intercept class1 0.00832 0.04503 0.185 0.85334
intercept class2 -0.42002 0.12990 -3.233 0.00122
intercept class3 -0.02992 0.09675 -0.309 0.75712
Fixed effects in the longitudinal model:
coef Se Wald
intercept class1 (not estimated) 0
intercept class2 -1.49825 0.08163 -18.355
intercept class3 -0.41418 0.05228 -7.923
– 921 –
intercept class4 -2.50344 0.09211 -27.179

month class1 0.21757 0.00332 65.447
month class2 0.01032 0.00506 2.039
month class3 0.17720 0.00338 52.373
month class4 0.00449 0.00512 0.876
p-value
intercept class1 (not estimated)
intercept class2 0.00000
month class1 0.00000
Variance-covariance matrix of the random-effects:

intercept month
intercept 4.39542
month 0.00000 0.12653
Residual standard error (not estimated) = 1
Parameters of the link function:
coef Se Wald p-value

thresh. parm1 0.94803 0.04753 19.945 0.00000
thresh. parm2 1.10727 0.00652 169.922 0.00000
thresh. parm3 1.08980 0.00727 149.816 0.00000
On dispose d’un AIC et d’un BIC. Ainsi, une stratégie possible pour déterminer le nombre de classes
consiste à calculer un modèle différent pour chaque nombre de classes envisagé puis à retenir le modèle
ayant le plus faible AIC ou BIC.
Pour chaque observation, le modèle a calculé la probabilité qu’elle appartienne à chacune des 4 classes
identifiées. La fonction postprob fournit des statistiques sur cette classification.
R> postprob(mod4)
Posterior classification:
class1 class2 class3 class4
N 844.00 153.00 424.00 1508.00
% 28.82 5.22 14.48 51.49
– 922 –
Posterior classification table:

--> mean of posterior probabilities in each class
prob1 prob2 prob3 prob4
class1 0.5945 0.0735 0.2476 0.0844
class2 0.0924 0.7257 0.0881 0.0938
class3 0.1576 0.1103 0.6561 0.0760
class4 0.1522 0.2052 0.1865 0.4561
Posterior probabilities above a threshold (%):

class1 class2 class3 class4
prob>0.7 23.58 54.90 38.68 6.90
prob>0.8 15.88 48.37 30.19 4.97
prob>0.9 11.26 33.99 21.93 3.51
Les classes et les probabilités d’appartenance à chacune sont disponibles aisément.
R> head(mod4$pprob)
Récupérons la classe dans notre fichier de données.

left_join(
mod4$pprob %>% dplyr::select(id, mod4_class = class),
by = "id"
)
Améliorons les intitulés des classes et ajoutons le nombre d’individu par classes.
R> n_par_classe <- table(mod4$pprob$class)

n_par_classe
1 2 3 4
844 153 424 1508
– 923 –
R> care_trajectories$mod4_class2 <- factor(

care_trajectories$mod4_class,
levels = 1:4,
labels = paste0(
"Classe ",
1:4,
" (n=",
n_par_classe,
")"
)
)
Représentons la cascade observée dans chacune de ces classes.
– 924 –
R> care_trajectories$care_statusF <- to_factor(care_trajectories$care_status)

ggplot(care_trajectories %>% filter(month <= 36)) +
aes(x = month, fill = care_statusF) +
xlab("") + ylab("") +
theme_light() +
guides(fill = guide_legend(nrow = 2)) +
facet_grid(~ mod4_class2)
Une manière alternative de présenter les classes consiste à représenter chaque mois, non pas la
distribution dans chaque état, mais un «état moyen» en considérant que le statut dans les soins peut être
assimilé à un score allant de 1 à 4.
Les valeurs moyennes seront calculées à la volée grace à la statistique stat_weighted_mean de GGally.
– 925 –
R> library(GGally)
ggplot(care_trajectories %>% filter(month <= 36)) +
aes(x = month, y = num_status, color = mod4_class2) +
geom_line(stat = "weighted_mean", size = 1.5) +
scale_y_continuous(
breaks = 1:4, limits = c(1, 4),
labels = c("diagnostiqué", "suivi", "sous traitement", "contrôlé")
) +
xlab("") + ylab("Statut moyen") + labs(color = "") +
theme_classic() +
theme(
panel.grid.major = element_line(colour = "grey80")
)
Il faut cependant rester vigilant, dans la mesure où ce type de représentation synthétique peut masquer
la diversité des trajectoires sous-jacentes, notamment en termes de durée ou d’enchaînement des
événements. Même si cela est peut-être plus difficile à lire, il est toujours bon de regarder les tapis de
séquences.
– 926 –

group_by(mod4_class) %>%
mutate(tmp_rang = fct_infreq(factor(id))) %>%
ungroup()
R> ggplot(care_trajectories %>% filter(month <= 36)) +

aes(x = month, y = tmp_rang, fill = care_statusF) +
geom_raster() +
facet_grid(mod4_class2 ~ ., space = "free", scales = "free") +
scale_x_continuous(breaks = 0:6*6, labels = paste0("M", 0:6*6), expand =
c(0, 0)) +
scale_y_discrete(labels = NULL) +
xlab("") + ylab("") +
theme_minimal() +
– 927 –
– 928 –
Modèle à observations répétées

Pour prendre en considération l’ensemble des observations présentes (sans se limiter aux individus
observés au moins sur une certaine période), nous pouvons avoir recours à un modèle à observations
répétées.
Il s’agit de modèles classiques sauf qu’au lieu de considérer une ligne par individu, nous allons intégrer
dans le modèle une ligne par individu et par pas de temps. Dans la mesure où nous avons plusieurs
observations pour une même personne, cela doit être pris en compte par l’ajout d’un effet aléatoire dans
le cadre d’un modèle mixte ou en ayant recours à un (voir le chapitre sur les modèles à effets aléatoires).
Vue la nature de notre variable d’intérêt (plusieurs modalités ordonnées), nous aurons recours à une
régression logistique ordinale (voir le chapitre dédié, page 0). Pour un modèle mixte ordinal on peut
utiliser la fonction clmm de l’extension ordinal. Pour un modèle GEE ordinal, citons ordgee de
l’extension geepack ou encore ordLORgee de multgee. Il importe également que la dimension
temporelle soit inclue dans les variables du modèle.
Ici, nous allons utiliser ordgee . Il nous faut tout d’abord transformer notre variable d’intérêt en un
facteur ordonné.
R> care_trajectories$care_statusF <- care_trajectories$care_status %>%

to_factor(ordered = TRUE)
Nous allons transformer nos variables explicatives en facteurs. Pour le temps, dans la mesure où sont effet
n’est pas forcément linéaire, nous allons l’intégrer en tant que variable catégorielle. Par contre, comme
nous n’avons que très peu d’observations individuelles après 3 ans, nous ne prendrons en compte que les
observations des 36 premiers mois. Nous allons aussi retirer les observations à M0 puisqu’à ce moment
précis tous les individus sont dans la même situation (diagnostiqués mais pas en soins.)
R> ct36 <- care_trajectories %>%

filter(month > 0 & month <= 36) %>%
mutate(
sexF = to_factor(sex),
ageF = to_factor(age),
educationF = to_factor(education),
monthF = to_factor(month)
)
Calculons notre modèle.
– 929 –
R> library(geepack)
mod_td <- ordgee(
care_statusF ~ sexF + ageF + educationF + monthF,
data = ct36,
id = ct36$id
)
Les coefficients du modèle s’obtiennent avec summary . Malheureusement, il n’existe pas de tieder pour ce
type de modèle. Nous allons donc procéder manuellement.
R> res <- summary(mod_td)$mean

res$term <- rownames(res)
head(res)
Les intervalles de confiance à 95% ne sont pas déjà calculés. Faisons-le donc nous même.
R> mult <- stats::qnorm((1 + .95) / 2)

res$conf.low <- res$estimate - mult * res$san.se
res$conf.high <- res$estimate + mult * res$san.se
Enfin, nous souhaitons disposer des odds ratios et non des coefficients bruts. Il faut avoir recours à la
fonction exp (exponentielle).
R> res$estimate <- exp(res$estimate)

res$conf.low <- exp(res$conf.low)
res$conf.high <- exp(res$conf.high)
Préparons un tableau avec les résultats. Pour le rendre plus lisible, nous allons mettre en forme les odds
ratios avec une seule décimale. Améliorer le rendu des p-values et nous allons utiliser la virgule comme
séparateur de décimal, comme il se doit. Nous aurons recours aux fonctions number et pvalue de
l’extension scales (voir le chapitre sur la mise en forme des nombres, page 1231).
– 930 –
R> tab <- res %>%

mutate (
estimate = scales::number(estimate, accuracy = .01, decimal.mark = ","),
p = scales::pvalue(p, decimal.mark = ","),
conf.low = scales::number(conf.low, accuracy = .1, decimal.mark = ","),
conf.high = scales::number(conf.high, accuracy = .1, decimal.mark = ",")
) %>%
dplyr::select(
Facteur = term, OR = estimate, "p-value" = p,
"IC 95% bas" = conf.low, "IC 95% haut" = conf.high
)
R> knitr::kable(tab, row.names = FALSE, align = "lrrrr")
– 931 –
p- IC 95% IC 95%
Facteur OR value bas haut
Inter:diagnostiqué, mais pas suivi 0,06 <0,001 0,0 0,1
Inter:suivi, mais pas sous traitement 0,03 <0,001 0,0 0,0
Inter:sous traitement, mais infection non 0,02 <0,001 0,0 0,0

contrôlée
sexFfemme 2,10 <0,001 1,8 2,5
ageF30-59 1,75 <0,001 1,5 2,1
ageF60+ 2,04 <0,001 1,4 3,0
educationFsecondaire 1,17 0,109 1,0 1,4
educationFsupérieur 1,40 0,002 1,1 1,7
monthF2 1,06 0,147 1,0 1,1
monthF3 1,36 <0,001 1,2 1,5
monthF4 2,79 <0,001 2,5 3,1
monthF5 3,82 <0,001 3,4 4,3
monthF6 4,69 <0,001 4,1 5,4
monthF7 5,63 <0,001 4,9 6,4
monthF8 6,40 <0,001 5,6 7,3
monthF9 7,02 <0,001 6,1 8,1
monthF10 7,49 <0,001 6,5 8,6
monthF11 7,96 <0,001 6,9 9,2
monthF12 8,42 <0,001 7,3 9,8
monthF13 9,31 <0,001 8,0 10,8
monthF14 10,11 <0,001 8,6 11,8
monthF15 10,74 <0,001 9,2 12,6
monthF16 11,46 <0,001 9,8 13,4
– 932 –
p- IC 95% IC 95%
Facteur OR value bas haut
monthF17 11,43 <0,001 9,7 13,4
monthF18 11,53 <0,001 9,8 13,6
monthF19 11,50 <0,001 9,7 13,6
monthF20 11,70 <0,001 9,7 14,1
monthF21 11,67 <0,001 9,6 14,2
monthF22 12,60 <0,001 10,3 15,4
monthF23 12,78 <0,001 10,4 15,7
monthF24 12,76 <0,001 10,4 15,7
monthF25 13,11 <0,001 10,6 16,2
monthF26 13,60 <0,001 11,0 16,9
monthF27 14,40 <0,001 11,6 17,9
monthF28 15,65 <0,001 12,5 19,6
monthF29 14,89 <0,001 11,9 18,7
monthF30 14,98 <0,001 11,9 18,9
monthF31 14,02 <0,001 11,0 17,9
monthF32 14,27 <0,001 11,0 18,5
monthF33 14,41 <0,001 11,0 18,9
monthF34 14,73 <0,001 11,0 19,7
monthF35 16,17 <0,001 11,8 22,1
monthF36 16,07 <0,001 11,4 22,6
On peut facilement représenter tout cela graphiquement. On va supprimer les termes «seuils», grâce à
str_detect de stringr. On notera le recours à fct_inorder de forcats pour conserver l’ordre des
termes selon leur ordre d’apparition.
– 933 –
R> res <- res[!str_detect(res$term, "Inter"),]

res$term <- fct_inorder(res$term)
res$term <- fct_recode(res$term,
"femme vs. homme" = "sexFfemme",
"âge : 30-59 vs. 16-29" = "ageF30-59",
"âge : 60+ vs 16-29" = "ageF60+",
"éducation : secondaire vs. primaire" = "educationFsecondaire",
"éducation : supérieure vs. primaire" = "educationFsupérieur",
"M2" = "monthF2",
"M3" = "monthF3",
"M4" = "monthF4",
"M5" = "monthF5",
"M6" = "monthF6",
"M7" = "monthF7",
"M8" = "monthF8",
"M9" = "monthF9",
"M10" = "monthF10",
"M11" = "monthF11",
"M12" = "monthF12",
"M13" = "monthF13",
"M14" = "monthF14",
"M15" = "monthF15",
"M16" = "monthF16",
"M17" = "monthF17",
"M18" = "monthF18",
"M19" = "monthF19",
"M20" = "monthF20",
"M21" = "monthF21",
"M22" = "monthF22",
"M23" = "monthF23",
"M24" = "monthF24",
"M25" = "monthF25",
"M26" = "monthF26",
"M27" = "monthF27",
"M28" = "monthF28",
"M29" = "monthF29",
"M30" = "monthF30",
"M31" = "monthF31",
"M32" = "monthF32",
"M33" = "monthF33",
"M34" = "monthF34",
"M35" = "monthF35",
"M36" = "monthF36")
res$variable <- c("sexe", "âge", "âge", "éducation", "éducation", rep("mois",
35))
res %>% GGally::ggcoef_plot(y = "term", facet_row = "variable", colour = "vari
– 934 –
able")
Sur ce graphique, on visualise bien l’évolution temporelle traduite par les odds ratios associés à chaque
mois, ainsi que les effets globaux de nos covariables : les femmes ont une meilleure progression dans la
cascade de soins que les hommes, de même que les plus éduqués et les plus âgés.
Modèle de survie multi-états

Depuis la fin du XXe siècle, de nombreux développements ont réalisés pour étendre les modèles de survie
à des processus multi-états. Ces modèles permettent de considérer une grande variété de processus.
Plusieurs implémentations existent dans R3. Ici, nous allons utiliser l’extension msm qui repose sur des
3. Comme par exemple msSurv pour une estimation non-paramétrique.
– 935 –
modèles de Markov multi-états et peut prendre en compte des co-variables dans le modèle.
En premier lieu, pour cette extension, ils nous faut disposer des données sous une forme longue, c’est-
à-dire avec une ligne par individu et point d’observation dans le temps, ce qui est déjà le cas du fichier
care_trajectories . Les différents status possibles doivent également être codés sous la forme de
nombres entiers croissants (ici 1 correspondra à D, 2 à C, 3 à T et 4 à S).
R> library(msm)
care_trajectories$status <- as.integer(to_factor(care_trajectories$care_statu
s))
care_trajectories <- care_trajectories %>%
arrange(id, month)
Par ailleurs, nous n’allons conserver dans l’analyse que les individus avec au moins deux points
d’observation, ici ceux observés au moins jusqu’à un mois.
R> ct <- care_trajectories %>%

filter(id %in% (care_trajectories %>% filter(month == 1) %>% pluck("id")))
La fonction statetable.msm permet de calculer le nombre et le type de transitions observées dans les
données.
R> statetable.msm(status, id, data = ct)
to
from 1 2 3 4
1 21916 1168 467 247
2 501 4323 597 210
3 26 141 3489 770
4 33 230 43 12275
Il faut ensuite définir les transitions possibles dans le modèle en faisant une matrice carrée. On indiquera
0 si la transition n’est pas possible, une valeur positive sinon.
R> tr <- rbind(

c(0, 1, 0, 0), # de 1 : vers 2
c(1, 0, 1, 0), # de 2 : vers 1 ou vers 3
c(0, 1, 0, 1), # de 3 : vers 2 ou vers 4
c(0, 0, 1, 0) # de 4 : vers 3
)
Dans notre matrice de transitions, nous n’avons pas défini de transition directe entre le statut 1 et le
statut 3, alors que de telles transitions sont pourtant observées dans notre fichier. En fait, nous pouvons
considérer qu’une transition de 1 vers 3 correspond en fait à deux transitions successives, de 1 vers 2 puis
– 936 –
de 2 vers 3. La fonction msm s’aura identifier d’elle-mêmes ces doubles, voire triples, transitions.
On peut facilement représenter notre matrice de transition sous forme de schéma à l’aide de l’excellente
extension DiagrammeR.
R> library(DiagrammeR)
mermaid("
graph TD
1[diagnostiqué, mais pas suivi]
2[suivi, mais pas sous traitement]
3[sous traitement, mais infection non contrôlée]
4[sous traitement et infection contrôlée]
1--entrée en soins-->2

2--initiation traitement-->3
2--sortie de soins-->1
3--contrôle infection-->4
3--arrêt traitement-->2
4--échec virologique-->3
", height = 300)
Il ne nous reste plus qu’à spécifier notre modèle. L’option obstype = 1 indique à msm que nos données
correspondent à des snapshots à certains moments donnés (ici tous les mois) et donc que les transitions
d’un état à un autre ont eu lieu entre nos points d’observation. Les types 2 et 3 correspondent à des dates
de transition exactes (voir l’aide la fonction pour plus de détails).
– 937 –
R> ms_mod <- msm(

status ~ month, subject = id, data = ct, qmatrix = tr, obstype = 1
)
En exécutant cette commande, vous risquez d’obtenir le message d’erreur suivant :
Error in Ccall.msm(params, do.what = "lik", ...) : numerical overflow in calcula

ting likelihood
Cela est dû à un problème d’échelle dans l’optimisation du modèle qui génère des nombres plus grands
que ce que peux gérer l’ordinateur. Il peut être résolu de la manière suivante. Tout d’abord, on reexécute
le modèle avec l’option control = list(trace = TRUE) .
R> ms_mod <- msm(

status ~ month, subject = id, data = ct, qmatrix = tr, obstype = 1,
control = list(trace = TRUE)
)
On obtient le message suivant :

Error in Ccall.msm(params, do.what = "lik", ...) : numerical overflow in calcula
ting likelihood
Ce qui importe de retenir, c’est la valeur initiale du paramètre d’optimisation avant que l’erreur ne se
produise. On va l’utiliser (ou une valeur proche) comme paramètre d’échelle pour l’optimation avec
l’option fnscale :
R> ms_mod <- msm(

control = list(fnscale = 75000, trace = TRUE)
)

iter 10 value 0.520302
converged
Used 39 function and 37 gradient evaluations
On peut comparer la prévalence dans chaque état au cours du temps telle que modélisée par le modèle
avec les valeurs observées avec la fonction plot.prevalence.msm .
– 938 –
R> plot.prevalence.msm(ms_mod)
Par défaut, msm considère que les intensités de transition d’un état à un autre sont constantes au cours
du temps. Or, dans notre example, il apparait que les prévalences observées varient différemment
pendant les premiers mois après le diagnostic. Nous allons donc recalculer le modèle en spécifiant avec
le paramètre pci que nous souhaitons considérer des intensités de transition différentes pour les trois
premiers mois, la première année, la seconde année et après la seconde année. Comme il faudra plus
d’itérations pour faire converger notre modèle, nous avons également augmenter la valeur du paramètre
maxit (100 par défaut).
– 939 –
R> ms_mod <- msm(

pci = c(3, 12, 24),
control = list(fnscale = 75000, trace = TRUE, maxit = 500)
)
NOTE
Là encore le temps de calcul peut être assez long. Vous pouvez récupérer les résultats du modèle avec
la commande :
R> load(url("https://github.com/larmarange/analyse-R/blob/gh-pages/data/trajec
toires_ms_mod.RData"))
Comparons à nouveau les prévalences estimées avec les prévalences observées.
R> plot.prevalence.msm(ms_mod)
– 940 –
Comme on peut le voir, l’ajustement entre les deux a été amélioré. Les prévalences elles-mêmes peuvent
s’obtenir avec prevalence.msm .
R> prevalence.msm(ms_mod)
$Observed
State 1 State 2 State 3 State 4 Total
0 2799 24 0 7 2830
5 1551 292 297 460 2600
10 958 257 210 623 2048
15 578 168 104 603 1453
20 283 87 65 327 762
25 192 63 39 267 561
30 147 41 23 245 456
35 69 17 12 136 234
40 14 2 2 27 45
45 7 0 0 12 19
50 0 0 0 1 1
$Expected
State 1 State 2 State 3 State 4 Total
0 2799.0000000 24.00000000 0.00000000 7.0000000 2830
5 1436.9517812 424.94481382 358.54921455 379.5541904 2600
10 1017.4844830 258.18412962 191.08425368 581.2471337 2048
15 667.5131754 168.10101158 98.36234055 519.0234724 1453
20 331.9787922 81.73411456 46.82691929 301.4601739 762
25 233.1379082 55.54030396 32.92027747 239.4015104 561
30 184.4057933 40.32826279 24.41822743 206.8477165 456
35 91.3576268 19.57230370 12.12106094 110.9490085 234
40 16.9423183 3.63904521 2.30424907 22.1143875 45
45 6.9062654 1.49869230 0.96896925 9.6260731 19
50 0.3515898 0.07725341 0.05092087 0.5202359 1
$Òbserved percentages`
State 1 State 2 State 3 State 4
0 98.90459 0.8480565 0.000000 0.2473498
5 59.65385 11.2307692 11.423077 17.6923077
10 46.77734 12.5488281 10.253906 30.4199219
15 39.77977 11.5622849 7.157605 41.5003441
20 37.13911 11.4173228 8.530184 42.9133858
25 34.22460 11.2299465 6.951872 47.5935829
30 32.23684 8.9912281 5.043860 53.7280702
35 29.48718 7.2649573 5.128205 58.1196581
40 31.11111 4.4444444 4.444444 60.0000000
45 36.84211 0.0000000 0.000000 63.1578947
50 0.00000 0.0000000 0.000000 100.0000000
– 941 –
$Èxpected percentages`
State 1 State 2 State 3 State 4
0 98.90459 0.8480565 0.000000 0.2473498
5 55.26738 16.3440313 13.790354 14.5982381
10 49.68186 12.6066470 9.330286 28.3812077
15 45.94034 11.5692369 6.769604 35.7208171
20 43.56677 10.7262618 6.145265 39.5617026
25 41.55756 9.9002324 5.868142 42.6740660
30 40.43987 8.8439173 5.354874 45.3613413
35 39.04172 8.3642323 5.179941 47.4141062
40 37.64960 8.0867671 5.120553 49.1430833
45 36.34877 7.8878542 5.099838 50.6635426
50 35.15898 7.7253409 5.092087 52.0235901
Ceci dit, le format dans lequel sont renvoyées les prévalences n’est que peu pratique pour les exploiter
ensuite, par exemple avec ggplot2. L’extension JLutils fournit une fonction expérimentale
4
tidy.prevalence.msm permettant de transformer ce résultat dans un format tidy. JLutils est
seulement disponible sur GitHub. On l’installera donc (ou on la mettra à jour) avec la commande
devtools::install_github("larmarange/JLutils") .
R> library(JLutils)
prev <- tidy.prevalence.msm(prevalence.msm(ms_mod, times = 0:36))
head(prev)
R> prev$status <- to_factor(prev$status)

casc_status <- c(
"diagnostiqué, mais pas suivi",
"suivi, mais pas sous traitement",
"sous traitement, mais infection non contrôlée",
"sous traitement et infection contrôlée"
)
levels(prev$status) <- casc_status
Il est alors ensuite facile de produire le graphique de la cascade de soins, estimée par le modèle, que l’on
pourra mettre en comparaison de la cascade observée que nous avions calculé tout à l’heure.
4. avant l’éventuelle intégration diretement dans msm d’un tidier officiel.
– 942 –
R> casc_est <- ggplot(prev) +

aes(x = time, fill = status, weight = expected) +
ggtitle("Cascade des soins estimée, selon le temps depuis le diagnostic") +
xlab("") + ylab("") +
theme_light() +
cowplot::plot_grid(casc_obs, casc_est, ncol = 1)
– 943 –
Comme on peut le voir, dans le modèle, l’évolution est plus «lissée» comparativement aux données brutes
observées.
Un des intérêts de msm est la possibilité d’y intégrer des covariables, permettant ainsi de calculer un
modèle multivarié. Les variables peuvent être dépendantes du temps, puisqu’il suffit de renseigner leur
valeur à chaque point d’observation.
– 944 –
R> ct$sex <- to_factor(ct$sex)

ct$age <- to_factor(ct$age)
ct$education <- to_factor(ct$education)
R> ms_mod_mult <- msm(

pci = c(3, 12, 24),
control = list(fnscale = 75000, trace = TRUE, maxit = 500),
covariates = ~ sex + age + education
)
NOTE
Là encore le temps de calcul peut être assez long. Vous pouvez récupérer les résultats du modèle avec
la commande :
R> load(url("https://github.com/larmarange/analyse-R/raw/gh-pages/data/traject
oires_ms_mod_mult.RData"))
Les risques relatifs, ou hazard ratios en anglais, associés à chaque covariable et à chaque transition
s’obtiennent avec hazard.msm . Une fois encore, le format de sortie n’est pas le plus adapté pour un
traitement graphique, mais on pourra avoir recours à tidy.hazard.msm de JLutils.
R> hr <- tidy.hazard.msm(hazard.msm(ms_mod_mult))

head(hr)
On va recoder certaines étiquettes en vue de faire un graphique des résultats.
– 945 –
R> hr$type <- case_when(

hr$transition == c("State 2 - State 1") ~ "Transition descendante",
TRUE ~"Transition ascendante"
)
hr$term <- hr$term %>%

fct_inorder() %>%
fct_recode(
"femme vs. homme" = "sexfemme",
"30-59 vs. 16-29" = "age30-59",
"60+ vs. 16-29" = "age60+",
"éduc. secondaire vs. primaire" = "educationsecondaire",
"éduc. supérieure vs. primaire" = "educationsupérieur"
)
hr$transition <- hr$transition %>%

fct_inorder() %>%
fct_recode(
"entrée en soins" = "State 1 - State 2",
"sortie de soins" = "State 2 - State 1",
"initiation traitement" = "State 2 - State 3",
"arrêt traitement" = "State 3 - State 2",
"contrôle infection" = "State 3 - State 4",
"échec virologique" = "State 4 - State 3"
)
head(hr)
Vu le nombre de coefficients (un risque relatif par covariable et par transition), on va organiser le
graphique en distinguant les transitions acsendantes et les transitions descendantes, d’une part, et en
regroupant les risques relatifs d’une même covariable, d’autre part. Pour alléger le graphique, nous allons
également retirer la covariable timeperiod créé par l’argument pci , en ayant recours à str_detect
de l’extension stringr pour repérer les lignes en questions (voir le chapitre sur la manipulation de texte,
page 302).
– 946 –
R> ggplot(data = hr %>% filter(!str_detect(term, "time"))) +

aes(
x = fct_rev(term), y = estimate, color = fct_rev(transition),
ymin = conf.low, ymax = conf.high
) +
geom_hline(yintercept = 1, color = "gray25", linetype = "dotted") +
geom_errorbar(position = position_dodge(0.5), width = 0) +
geom_point(position = position_dodge(0.5)) +
scale_y_log10() +
facet_grid(~ type) +
coord_flip() +
theme_classic() +
ylab("risque relatif") + xlab("") +
labs(color = "Transition") +
scale_color_brewer(palette = "Paired") +
guides(color = guide_legend(reverse = TRUE))
Ce modèle de survie multi-états permet de mettre en évidence des effets différenciés selon la transition
considérée. Par exemple, les femmes sont plus rapides en matière d’entrée en soins et de contrôle de
l’infection (une fois le traitement initié) mais plus lentes à démarrer le traitement (une fois entrées en
soins). Par contre, le sexe ne semble pas jouer sur les transitions descendantes (échec virologique, arrête
du traitement ou sortie de soins).
– 947 –
Analyse de réseaux
Un bon tutoriel pour s’initier à la visualisation des réseaux avec R, Network visualization with R de
Katherine Ognyanova, est disponible en ligne : http://kateto.net/network-visualization.
On pourra poursuivre avec différents billets de blog publiés par François Briatte sur
https://politbistro.hypotheses.org/. Enfin, François Briatte a également recensé de nombreuses
ressources en ligne sur l’analyse de réseau dans son An awesome list of network analysis resources
(http://f.briatte.org/r/awesome-network-analysis-list).
– 949 –
Analyse spatiale
Il est tout à fait possible de réaliser des analyses spatiales sous R. Historiquement, l’extension principale
pour la gestion des objets spatiaux sous R est l’extension sp. Depuis quelques années, une nouvelle
extension sf s’est développée. Alors, faut-il plutôt apprendre sp ou sf ? Chris Brown tente de répondre à
cette question dans son billet Should I learn sf or sp for spatial R programming?. Ces deux extensions ont
leurs avantages et inconvénients. Du fait que sp est plus ancienne, elle est compatible avec plus d’autres
extensions. De l’autre côté, sf peut s’avérer plus simple pour le néophyte. Dans tous les cas, l’extension
raster sera un bon complément pour gérer les données de type raster.
Pour une présentation détaillée (en anglais) de l’analyse spatiale sous R, on pourra se référer à l’ouvrage
Geocomputation with R de Robin Lovelace, Jakub Nowosad et Jannes Muenchow, consultable en ligne
(https://geocompr.robinlovelace.net/). Cette ouvrage privilégie plutôt l’extension sf.
On pourra également se référer aux différentes vignettes inclues par leurs extensions et consultables en
ligne sur :
• https://cran.r-project.org/package=sp pour sp
• https://cran.r-project.org/package=sf pour sf
• https://cran.r-project.org/package=raster pour raster
Pour la réalisation de cartes avec R, on pourra se référer au chapitre dédié, page 1107.
Enfin, le site Awesome R fournit une sélection d’extensions dédiées à l’analyse spatiale.
– 951 –
Analyse textuelle
Voir Le Descriptoire: Recueil et analyse de texte avec R :
http://perso.ens-lyon.fr/lise.vaudor/Descriptoire/_book/
– 953 –
ggplot2 et la grammaire des
graphiques
Ouvrages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 956
Assistants pour ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 956
I M P O R TA N T
On pourra se référer au chapitre «5 Graphiques» du support de cours d’Ewen Gallic intitulé Logiciel R
et programmation (http://egallic.fr/Enseignement/R/m1_stat_eco_logiciel_R.pdf), en complément des deux
chapitres introductifs d’analyse-R : introduction à ggplot2, page 401 et graphiques bivariés avec ggplot2,
page 423.
– 955 –
Grammaire des graphiques de ggplot2
Ouvrages
• ggplot2: Elegant Graphics for Data Analysis (Use R!) d’Hadley Wickham 1
• R Graphics Cookbook de Winston Chang
Assistants pour ggplot2

Plusieurs extensions propose une assistance visuelle pour l’utilisation de ggplot2 via des add-ins dans
RStudio :
• esquisse pour explorer visuellement des données et produire des graphiques de base avec
ggplot2 (plus d’informations sur https://github.com/dreamRs/esquisse) ;
• ggplotAssist pour générer des graphiques ggplot2 étape par étape (plus d’informations sur
1. Une version PDF est disponible sur http://moderngraphics11.pbworks.com/f/ggplot2-Book09hWickham.pdf.
– 956 –
ggplot2 et la grammaire des graphiques
https://github.com/cardiomoon/ggplotAssist/) ;
• ggThemeAssist pour éditer le thème d’un graphique déjà réalisé.
Le site gplot2tor propose trois outils en ligne :
• Aesthetics finder pour identifier les esthétiques de chaque géométrie ;

• A complete guide to scales pour identifier la bonne échelle et voir les options de chacune ;
• A complete guide on how to modify the ggplot2 theme listant les différents paramètres
modifiables via la fonction theme et permettant de visualiser l’effet de chacun d’eux.
– 957 –
Étendre ggplot2
Nouvelles géométries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 960
Étiquettes non superposées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 960
Graphiques en sucettes (lollipop) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 962
Graphique d’haltères (dumbbell) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 964
Points reliés (pointpath) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 966
Accolades de comparaison (bracket) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 966
Diagramme en crêtes (ridges) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 968
Graphique en gaufres (waffle) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 969
Graphique en mosaïque (mosaic plot) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 972
Représentations graphiques des distributions et de l’incertitude . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 973
Graphique de pirates : alternative aux boîtes à moustache (pirat plot) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 973
Nuages de pluie (raincloud plots) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 974
Demi-géométries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 975
Annotations avec des formes gémoétriques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 976
Axes, légende et facettes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 978
Texte mis en forme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 978
Axes «limités» . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 982
Répéter les étiquettes des axes sur des facettes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 984
Encoches mineures sur les axes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 986
Relations imbriquées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 988
Combinaison de variables sur l’axe des X . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 989
Des facettes paginées (diviser en plusieurs sous-graphiques) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 991
Cartes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 994
Graphiques complexes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 994
Graphiques divergents . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 994
Pyramides des âges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 996
Graphiques interactifs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 999
Graphiques animés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 999
Surligner certaines données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1002
Thèmes et couleurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1005
Palettes de couleurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1005
hrbrthemes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1005
ggthemes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1006
Combiner plusieurs graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1008
– 959 –
WEBIN-R
Ce chapitre est évoqué dans le webin-R #14 (exemples de graphiques avancés - 2) sur YouTube.
De nombreuses extensions permettent d’étendre les possibilités graphiques de ggplot2. Certaines ont
déjà été abordées dans les différents chapitres d’analyse-R. Le présent chapitre ne se veut pas exhaustif
et ne présente qu’une sélection choisie d’extensions.
Le site ggplot2 extensions (https://exts.ggplot2.tidyverse.org/gallery/) recense diverses extensions pour

ggplot2.
Pour une présentation des fonctions de base et des concepts de ggplot2, on pourra se référer au chapitre
dédié, page 955 ainsi qu’au deux chapitres introductifs : introduction à ggplot2, page 401 et graphiques
bivariés avec ggplot2, page 423.
Pour trouver l’inspiration et des exemples de code, rien ne vaut l’excellent site https://www.r-graph-
gallery.com/.
Nouvelles géométries
Étiquettes non superposées

Lorsque l’on affiche des étiquettes de texte, ces dernières peuvent se supperposer lorsqu’elles sont
proches. Les géométries geom_text_repel et geom_label_repel de l’extension ggrepel prennent en
compte la position des différentes étiquettes pour éviter qu’elles ne se chevauchent.
– 960 –
Étendre ggplot2
R> library(ggplot2)
library(ggrepel)
library(ggrepel)
dat <- subset(mtcars, wt > 2.75 & wt < 3.45)

dat$car <- rownames(dat)
p <- ggplot(dat) +
aes(wt, mpg, label = car) +
geom_point(color = "red")
p1 <- p + geom_text() +
labs(title = "geom_text()")
p2 <- p + geom_text_repel() +
labs(title = "geom_text_repel()")
cowplot::plot_grid(p1, p2, nrow = 1)
Pour plus d’informations : https://ggrepel.slowkow.com/
– 961 –
Graphiques en sucettes (lollipop

lollipop)
L’extension ggalt propose une géométrie geom_lollipop permettant de réaliser des graphiques dit en
«sucettes».
– 962 –
Étendre ggplot2
R> df <- read.csv(text = "category,pct

Other,0.09
South Asian/South Asian Americans,0.12
Interngenerational/Generational,0.21
S Asian/Asian Americans,0.25
Muslim Observance,0.29
Africa/Pan Africa/African Americans,0.34
Gender Equity,0.34
Disability Advocacy,0.49
European/European Americans,0.52
Veteran,0.54
Pacific Islander/Pacific Islander Americans,0.59
Non-Traditional Students,0.61
Religious Equity,0.64
Caribbean/Caribbean Americans,0.67
Latino/Latina,0.69
Middle Eastern Heritages and Traditions,0.73
Trans-racial Adoptee/Parent,0.76
LBGTQ/Ally,0.79
Mixed Race,0.80
Jewish Heritage/Observance,0.85
International Students,0.87", stringsAsFactors = FALSE, sep = ",", header = TR
UE)
library(ggplot2)
library(ggalt)
library(scales)
ggplot(df) +
aes(y = reorder(category, pct), x = pct) +
geom_lollipop(point.colour = "steelblue", point.size = 2, horizontal = TRUE)
+
scale_x_continuous(expand = c(0, 0), labels = percent, breaks = seq(0, 1, by
= 0.2), limits = c(0, 1)) +
labs(
x = NULL, y = NULL,
title = "SUNY Cortland Multicultural Alumni survey results",
subtitle = "Ranked by race, ethnicity, home land and orientation\namong th
e top areas of concern",
caption = "Data from http://stephanieevergreen.com/lollipop/"
) +
theme_minimal()
Warning: Using the `size` aesthetic with geom_segment was deprecated

in ggplot2 3.4.0.
ℹ Please use the `linewidth` aesthetic instead.
– 963 –
Graphique d’haltères (dumbbell

dumbbell)
L’extension ggalt propose une géométrie geom_dumbbell permettant de réaliser des graphiques dit en
«haltères».
– 964 –
Étendre ggplot2
R> library(ggalt)
df <- data.frame(
trt = LETTERS[1:5],
l = c(20, 40, 10, 30, 50),
r = c(70, 50, 30, 60, 80)
)
ggplot(df) +
aes(y = trt, x = l, xend = r) +
geom_dumbbell(
size = 3,
color = "#e3e2e1",
colour_x = "#5b8124",
colour_xend = "#bad744"
) +
labs(x = NULL, y = NULL) +
theme_minimal()
– 965 –
Points reliés (pointpath

pointpath)
L’extension ggh4x propose une géométrie geom_pointpath pour afficher des points reliés entre eux
par un tiret. La géométrie geom_pointpath est également proposée par l’extension lemon.
R> library(ggh4x)
ggplot(pressure) +
aes(x = temperature, y = pressure) +
geom_pointpath()
Accolades de comparaison (br

brack
acket
et)
La géométrie geom_braket de l’extension ggpubr permets d’ajouter sur un graphique des accolades de
comparaison entre groupes.
– 966 –
Étendre ggplot2
R> library(ggpubr)
df <- ToothGrowth
df$dose <- factor(df$dose)
ggplot(df) +
aes(x = dose, y = len) +
geom_boxplot() +
geom_bracket(
xmin = "0.5", xmax = "1", y.position = 30,
label = "t-test, p < 0.05"
)
– 967 –
R> ggplot(df) +
aes(x = dose, y = len) +
geom_boxplot() +
geom_bracket(
xmin = c("0.5", "1"),
xmax = c("1", "2"),
y.position = c(30, 35),
label = c("***", "**"),
tip.length = 0.01
)
Plus d’informations : https://rpkgs.datanovia.com/ggpubr/
Diagramme en crêtes (ridges

ridges)
L’extension ggridges fournit une géométrie geom_density_ridges_gradient pour la création de
diagramme en crêtes.
– 968 –
Étendre ggplot2
R> library(ggridges)
ggplot(lincoln_weather, aes(x = `Mean Temperature [F]`, y = Month, fill = sta
t(x))) +
geom_density_ridges_gradient(scale = 3, rel_min_height = 0.01) +
scale_fill_viridis_c(name = "Temp. [F]", option = "C") +
labs(title = "Temperatures in Lincoln NE in 2016") +
theme_ridges()
Warning: `stat(x)` was deprecated in ggplot2 3.4.0.

ℹ Please use àfter_stat(x)` instead.
Picking joint bandwidth of 3.37
Plus d’informations : https://wilkelab.org/ggridges/
Graphique en gaufres (waffle

waffle)
L’extension waffle propose geom_waffle pour des graphiques dits en «gaufres».
– 969 –
ATTENTION : elle s’installe avec la commande

install.packages("waffle", repos = "https://cinc.rud.is") .
– 970 –
Étendre ggplot2
R> library(waffle)
xdf <- data.frame(
parts = factor(rep(month.abb[1:3], 3), levels = month.abb[1:3]),
vals = c(10, 20, 30, 6, 14, 40, 30, 20, 10),
fct = c(rep("Thing 1", 3), rep("Thing 2", 3), rep("Thing 3", 3))
)
ggplot(xdf) +
aes(fill = parts, values = vals) +
geom_waffle() +
facet_wrap(~fct) +
scale_fill_manual(
name = NULL,
values = c("#a40000", "#c68958", "#ae6056"),
labels = c("Fruit", "Sammich", "Pizza")
) +
coord_equal() +
theme_minimal() +
theme_enhance_waffle()
Plus d’informations : https://github.com/hrbrmstr/waffle
– 971 –
Graphique en mosaïque (mosaic

mosaic plot
plot)
L’extension ggmosaic permets de réaliser des graphiques en mosaïque avec geom_mosaic .
R> library(ggmosaic)
data(titanic)
ggplot(data = titanic) +
geom_mosaic(aes(x = product(Class), fill = Survived))
Warning: ùnite_()` was deprecated in tidyr 1.2.0.

ℹ Please use ùnite()` instead.
ℹ The deprecated feature was likely used in the ggmosaic
package.
<]8;;https://github.com/haleyjeppson/ggmosaichttps://github.com/haleyjeppson/g
gmosaic]8;;>.
– 972 –
Étendre ggplot2
Plus d’informations : https://cran.r-project.org/web/packages/ggmosaic/vignettes/ggmosaic.html
Représentations graphiques des distributions et de l’incertitude

L’extension ggdist propose plusieurs géométries permettant de représenter l’incertitude autour de
certaines mesures.
Graphique de pirates : alternative aux boîtes à moustache (pir

pirat
at
plot
plot)
Cette représentation alternative aux boîtes à moustache s’obtient avec la géométrie geom_pirate de
l’extension ggpirate1.
1. Cette extension n’étant pas sur CRAN, on l’installera avec la commande

devtools::install_github("mikabr/ggpirate") .
– 973 –
R> library(ggplot2)
library(ggpirate)
ggplot(mpg, aes(x = class, y = cty)) +
geom_pirate(aes(colour = class, fill = class)) +
theme_bw()
Pour plus d’informations : https://github.com/mikabr/ggpirate
Nuages de pluie (rraincloud plots

plots)
Il existe encore d’autres approches graphiques pour mieux rendre compte visuellement différentes
distrubutions comme les raincloud plots. Pour en savoir plus, on pourra se référer à un billet de blog en
anglais de Cédric Scherer ou encore à l’extension raincloudplots.
– 974 –
Étendre ggplot2
Demi-géométries
L’extension gghalves propose des «demi-géométries» qui peuvent être combinées entre elles.
– 975 –
R> library(gghalves)
ggplot(iris, aes(x = Species, y = Sepal.Width)) +
geom_half_boxplot(fill = "lightblue") +
geom_half_violin(side = "r", fill = "navajowhite")
Annotations avec des formes gémoétriques

L’extension ggforce fournie plusieurs géométries permettant d’annoter les points d’un nuage :
geom_mark_circle , geom_mark_ellipse , geom_mark_rect et geom_mark_hull .
– 976 –
Étendre ggplot2
R> library(ggforce)
ggplot(iris, aes(Petal.Length, Petal.Width)) +
geom_mark_rect(aes(fill = Species, label = Species)) +
geom_point()
– 977 –
R> ggplot(iris, aes(Petal.Length, Petal.Width)) +

geom_mark_hull(aes(fill = Species, label = Species)) +
geom_point()
Axes, légende et facettes
Texte mis en forme

L’extension ggtext permet d’utiliser du markdown et du HTML pour une mise en forme avancée de texte
(axes, titres, légendes…).
– 978 –
Étendre ggplot2
R> library(ggtext)
library(tidyverse)
library(ggtext)
library(glue)
data <- tibble(

bactname = c("Staphylococcaceae", "Moraxella", "Streptococcus", "Acinetobact
er"),
OTUname = c("OTU 1", "OTU 2", "OTU 3", "OTU 4"),
value = c(-0.5, 0.5, 2, 3)
)
data %>%
mutate(
color = c("#009E73", "#D55E00", "#0072B2", "#000000"),
name = glue("{bactname} ({OTUname})"),
name = fct_reorder(name, value)
) %>%
ggplot(aes(value, name, fill = color)) +
geom_col(alpha = 0.5) +
scale_fill_identity() +
labs(caption = "Example posted on **stackoverflow.com** (using made-up da
ta)") +
theme(
axis.text.y = element_markdown(),
plot.caption = element_markdown(lineheight = 1.2)
)
– 979 –
– 980 –
Étendre ggplot2
R> ggplot(mtcars, aes(disp, mpg)) +

geom_point() +
labs(
title = "Fuel economy vs. engine displacement 
Lorem ipsum *dolor sit amet,*
consectetur adipiscing elit, **sed do eiusmod tempor incididunt** ut
labore et dolore magna aliqua. Ut enim
ad minim veniam, quis nostrud exercitation ullamco laboris nisi
ut aliquip ex ea commodo consequat.",
x = "displacement (in3)",
y = "Miles per gallon (mpg) A measure of
the car's fuel efficiency."
) +
theme(
plot.title.position = "plot",
plot.title = element_textbox_simple(
size = 13,
lineheight = 1,
padding = margin(5.5, 5.5, 5.5, 5.5),
margin = margin(0, 0, 5.5, 0),
fill = "cornsilk"
),
axis.title.x = element_textbox_simple(
width = NULL,
padding = margin(4, 4, 4, 4),
margin = margin(4, 0, 0, 0),
linetype = 1,
r = grid::unit(8, "pt"),
fill = "azure1"
),
axis.title.y = element_textbox_simple(
hjust = 0,
orientation = "left-rotated",
minwidth = unit(1, "in"),
maxwidth = unit(2, "in"),
padding = margin(4, 4, 2, 4),
margin = margin(0, 0, 2, 0),
fill = "lightsteelblue1"
)
)
– 981 –
Axes «limités»
coord_capped_cart et coord_capped_flip de l’extension lemon permet de limiter le dessin des axes
au minimum et au maximum. Voir l’exemple ci-dessous.
– 982 –
Étendre ggplot2
R> library(ggplot2)
library(lemon)
p <- ggplot(mtcars) +
aes(x = cyl, y = mpg) +
geom_point() +
theme_classic() +
ggtitle("Axes classiques")
pcapped <- p +
coord_capped_cart(bottom = "both", left = "both") +
ggtitle("Axes limités")
cowplot::plot_grid(p, pcapped, nrow = 1)
Une autre possibilité est d’avoir recours à la fonction guide_axis_truncated de l’extension ggh4x.
– 983 –
R> library(ggh4x)
ggplot(mtcars) +
geom_point() +
theme_classic() +
scale_y_continuous(breaks = c(15, 20, 25, 30)) +
guides(
x = guide_axis_truncated(trunc_lower = 5, trunc_upper = 7),
y = guide_axis_truncated()
)
Répéter les étiquettes des axes sur des facettes

Lorsque l’on réalise des facettes, les étiquettes des axes ne sont pas répétées.
– 984 –
Étendre ggplot2
R> library(ggplot2)
ggplot(mpg) +
aes(displ, cty) +
geom_point() +
facet_wrap(~cyl)
L’extension lemon propose facet_rep_grid et facet_rep_wrap qui répètent les axes sur chaque
facette.
– 985 –
R> library(lemon)
ggplot(mpg) +
aes(displ, cty) +
geom_point() +
facet_rep_wrap(~cyl, repeat.tick.labels = TRUE)
Encoches mineures sur les axes

Par défaut, des encoches (ticks) sont dessinées sur les axes uniquement pour la grille principale (major
breaks). La fonction guide_axis_minor de l’extension ggh4x permet de rajouter des encoches aux
points de la grille mineure (minor breaks).
– 986 –
Étendre ggplot2
R> p <- ggplot(mtcars) +

geom_point() +
theme_classic()
p
– 987 –
R> library(ggh4x)
p +
scale_x_continuous(
minor_breaks = 16:32 / 4,
guide = guide_axis_minor()
) +
# to control relative length of minor ticks
theme(ggh4x.axis.ticks.length.minor = rel(.8))
Relations imbriquées
La fonction guide_axis_nested de l’extension ggh4x permet d’afficher sur un axe des relations
imbriquées.
– 988 –
Étendre ggplot2
R> library(ggh4x)
df <- data.frame(
item = c("Coffee", "Tea", "Apple", "Pear", "Car"),
type = c("Drink", "Drink", "Fruit", "Fruit", ""),
amount = c(5, 1, 2, 3, 1),
)
ggplot(df) +
aes(x = interaction(item, type), y = amount) +
geom_col() +
guides(x = guide_axis_nested())
Combinaison de variables sur l’axe des X

L’extension ggupset fournie une fonction scale_x_upset permettant de représenter des
combinaisons de variables sur l’axe des x, combinaisons de variables stockées sous forme d’une colonne
de type liste. Pour plus d’informations, voir https://github.com/const-ae/ggupset.
– 989 –
R> library(ggupset)
library(tidyverse, quietly = TRUE)
tidy_movies %>%
distinct(title, year, length, .keep_all = TRUE) %>%
ggplot(aes(x = Genres)) +
geom_bar() +
scale_x_upset(n_intersections = 20)

(`stat_count()`).
### Zoom sur un axe
L’extension ggforce propose une fonction facet_zoom permettant de zoomer une partie d’un axe.
– 990 –
Étendre ggplot2
R> library(ggforce)
ggplot(iris, aes(Petal.Length, Petal.Width, colour = Species)) +
geom_point() +
facet_zoom(x = Species == "versicolor")
Des facettes paginées (diviser en plusieurs sous-graphiques)

Les fonctions facet_wrap_paginate et facet_grid_paginate de ggforce permet de découper
facilement un graphique en facettes en plusieurs pages.
– 991 –
R> ggplot(diamonds) +
geom_point(aes(carat, price), alpha = 0.1) +
facet_wrap_paginate(~ cut:clarity, ncol = 3, nrow = 3, page = 1)
– 992 –
Étendre ggplot2
– 993 –
Cartes
Graphiques complexes
Graphiques divergents
L’extension ggcharts fournit plusieurs fonctions de haut niveau pour faciliter la réalisation de
graphiques divergents en barres ( diverging_bar_chart ), en sucettes ( diverging_lollipop_chart )
voire même une pyramide des âges ( pyramid_chart ).
– 994 –
Étendre ggplot2
R> library(ggcharts)
data(mtcars)
mtcars_z <- dplyr::transmute(
.data = mtcars,
model = row.names(mtcars),
hpz = scale(hp)
)
diverging_bar_chart(data = mtcars_z, x = model, y = hpz)
Warning: Using one column matrices in `filter()` was deprecated in

dplyr 1.1.0.
ℹ Please use one dimensional logical vectors instead.
ℹ The deprecated feature was likely used in the dplyr
package.
<]8;;https://github.com/tidyverse/dplyr/issueshttps://github.com/tidyverse/dpl
yr/issues]8;;>.
– 995 –
R> diverging_lollipop_chart(
data = mtcars_z,
x = model,
y = hpz,
lollipop_colors = c("#006400", "#b32134"),
text_color = c("#006400", "#b32134")
)
Pyramides des âges

Plussieurs solutions sont disponible pour réaliser une pyramide des âges.
Tout d’abord, ggcharts propose une fonction pyramid_chart .
– 996 –
Étendre ggplot2
R> library(ggcharts)
data("popch")
pyramid_chart(data = popch, x = age, y = pop, group = sex)
Warning: èxpand_scale()` was deprecated in ggplot2 3.3.0.

ℹ Please use èxpansion()` instead.
ℹ The deprecated feature was likely used in the ggcharts
package.
<]8;;https://github.com/thomas-neitmann/ggcharts/issueshttps://github.com/thom
as-neitmann/ggcharts/issues]8;;>.
L’extension apyramid dédiée aux pyramides des âges fournit une fonction age_pyramid .
– 997 –
R> library(apyramid)
data(us_2018)
age_pyramid(us_2018, age_group = age, split_by = gender, count = count)
Pour aller plus loin, notamment avec ggplot2, on pourra se référer (en anglais), au chapitre dédié du
Epidemiologist R Handbook, par exemple pour savoir comme réaliser deux pyramides superposées :
– 998 –
Étendre ggplot2
Graphiques interactifs
Voir le chapitre dédie, page 1087.
Graphiques animés
L’extension gganimate permets de réaliser des graphiques animés.
Voici un exemple :
– 999 –
R> library(ggplot2)
library(gganimate)
library(gapminder)
ggplot(gapminder, aes(gdpPercap, lifeExp, size = pop, colour = country)) +

geom_point(alpha = 0.7, show.legend = FALSE) +
scale_colour_manual(values = country_colors) +
scale_size(range = c(2, 12)) +
scale_x_log10() +
facet_wrap(~continent) +
# Here comes the gganimate specific bits
labs(title = "Year: {frame_time}", x = "GDP per capita", y = "life expectanc
y") +
transition_time(year) +
ease_aes("linear")
Rendering [------------------------] at 1.7 fps ~ eta: 1m

Rendering [>-----------------------] at 1.6 fps ~ eta: 1m
Rendering [>-----------------------] at 1.5 fps ~ eta: 1m
Rendering [=>----------------------] at 1.5 fps ~ eta: 1m
Rendering [==>---------------------] at 1.5 fps ~ eta: 1m
Rendering [===>--------------------] at 1.4 fps ~ eta: 1m
Rendering [===>--------------------] at 1.5 fps ~ eta: 1m
Rendering [====>-------------------] at 1.5 fps ~ eta: 1m
Rendering [=====>------------------] at 1.5 fps ~ eta: 1m
Rendering [=====>------------------] at 1.4 fps ~ eta: 1m
Rendering [======>-----------------] at 1.4 fps ~ eta: 50s
Rendering [=======>----------------] at 1.4 fps ~ eta: 47s
Rendering [========>---------------] at 1.3 fps ~ eta: 1m
Rendering [========>---------------] at 1.3 fps ~ eta: 49s
Rendering [=========>--------------] at 1.3 fps ~ eta: 46s
Rendering [==========>-------------] at 1.3 fps ~ eta: 43s
Rendering [===========>------------] at 1.3 fps ~ eta: 39s
– 1000 –
Étendre ggplot2

Rendering [============>-----------] at 1.3 fps ~ eta: 35s
Rendering [=============>----------] at 1.4 fps ~ eta: 32s
Rendering [==============>---------] at 1.4 fps ~ eta: 29s
Rendering [===============>--------] at 1.4 fps ~ eta: 25s
Rendering [================>-------] at 1.4 fps ~ eta: 22s
Rendering [=================>------] at 1.4 fps ~ eta: 19s
Rendering [==================>-----] at 1.4 fps ~ eta: 16s
Rendering [===================>----] at 1.4 fps ~ eta: 13s
Rendering [====================>---] at 1.4 fps ~ eta: 10s
Rendering [=====================>--] at 1.4 fps ~ eta: 7s
Rendering [======================>-] at 1.4 fps ~ eta: 4s
Rendering [=======================>] at 1.4 fps ~ eta: 1s
Rendering [========================] at 1.4 fps ~ eta: 0s
– 1001 –
Voir le site de l’extension (https://gganimate.com/) pour la documentation et des tutoriels. Il est conseillé
d’installer également l’extension gifski avec gganimate.
Surligner certaines données

L’extension gghighlight fournit une fonction gghiglight qui permets de «surligner» les données qui
remplissent des conditions spécifiées.
– 1002 –
Étendre ggplot2
R> d <- purrr::map_dfr(

letters,
~ data.frame(
idx = 1:400,
value = cumsum(runif(400, -1, 1)),
type = .,
flag = sample(c(TRUE, FALSE), size = 400, replace = TRUE),
)
)
ggplot(d) +
aes(x = idx, y = value, colour = type) +
geom_line()
– 1003 –
R> library(gghighlight)
ggplot(d) +
aes(x = idx, y = value, colour = type) +
geom_line() +
gghighlight(max(value) > 20)
label_key: type
– 1004 –
Étendre ggplot2
R> ggplot(iris, aes(Sepal.Length, fill = Species)) +

geom_histogram() +
gghighlight() +
facet_wrap(~Species)
Thèmes et couleurs
Palettes de couleurs
Voir le chapitre Couleurs et palettes, page 1241 pour une sélection d’extensions proposant des palettes
de couleurs additionnelles.
hrbrthemes
L’extension hrbrthemes fournit plusieurs thèmes graphiques pour ggplot2. Un exemple ci-dessous. Pour
– 1005 –
plus d’informations, voir https://github.com/hrbrmstr/hrbrthemes.
R> library(ggplot2)
library(hrbrthemes)
ggplot(mtcars, aes(mpg, wt)) +
geom_point(aes(color = factor(carb))) +
labs(
x = "Fuel efficiency (mpg)", y = "Weight (tons)",
title = "Seminal ggplot2 scatterplot example",
subtitle = "A plot that is only useful for demonstration purposes",
caption = "Brought to you by the letter 'g'"
) +
scale_color_ipsum() +
theme_ipsum_rc()
ggthemes
ggthemes propose une vingtaine de thèmes différentes présentés sur le site de l’extension :
https://jrnold.github.io/ggthemes/.
– 1006 –
Étendre ggplot2
Voir ci-dessous un exemple du thème theme_tufte inspiré d’Edward Tufte.
R> library(ggplot2)
library(ggthemes)
p <- ggplot(mtcars, aes(x = wt, y = mpg)) +

geom_point() +
scale_x_continuous(breaks = extended_range_breaks()(mtcars$wt)) +
scale_y_continuous(breaks = extended_range_breaks()(mtcars$mpg)) +
ggtitle("Cars")
p + geom_rangeframe() +
theme_tufte()
– 1007 –
R> p + geom_rug() +
theme_tufte(ticks = FALSE)
Combiner plusieurs graphiques

– 1008 –
Combiner plusieurs
graphiques
plot_grid (cowplot) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1010
patchwork . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1014
multiplot (JLutils) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1015
Légende partagée entre plusieurs graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1020
GUIDE-R
Une version actualisée de ce chapitre est disponible sur guide-R : Graphiques avec ggplot2
WEBIN-R
Vous savez réaliser des graphiques avec ggplot2, page 401 ? Il est très facile de combiner plusieurs
graphiques en un seul.
Commençons par créer quelques graphiques avec ggplot2.
– 1009 –
R> library(ggplot2)
p1 <- ggplot(mtcars, aes(wt, mpg)) +
geom_point()
p2 <- ggplot(mtcars, aes(factor(cyl))) +
geom_bar()
p3 <- ggplot(mtcars, aes(factor(cyl), mpg)) +
geom_violin()
p4 <- ggplot(mtcars, aes(factor(cyl), mpg)) +
geom_boxplot()
plot_grid (cowplot)
L’extension cowplot propose une fonction plot_grid . Son usage est expliqué en détail dans les vignettes
dédiées inclues avec l’extension : https://wilkelab.org/cowplot/.
R> library(cowplot)
Attachement du package : 'cowplot'
get_legend
L'objet suivant est masqué depuis 'package:lubridate':
stamp
get_legend
– 1010 –
R> # simple grid

plot_grid(p1, p2, p3, p4)
– 1011 –
R> # simple grid with labels and aligned plots

plot_grid(p1, p2, p3, p4, labels = c("A", "B", "C", "D"), align = "hv")
– 1012 –
R> # manually setting the number of rows, auto-generate upper-case labels

plot_grid(p1, p2, p3, nrow = 3, labels = "AUTO", label_size = 12, align = "v")
– 1013 –
R> # making rows and columns of different widths/heights

plot_grid(p1, p2, p3, p4, align = "hv", rel_heights = c(2, 1), rel_widths =
c(1, 2))
On notera en passant que le chargement de cowplot modifie le style par défaut des graphiques ggplot2.
Voir https://cran.r-project.org/web/packages/cowplot/vignettes/introduction.html.
patchwork
Citons également l’extension patchwork, disponible sur GitHub (https://github.com/thomasp85/
patchwork) qui propose une syntaxe un petit peu différente, par «addition» de graphiques.
R> library(patchwork)
Attachement du package : 'patchwork'
– 1014 –
L'objet suivant est masqué depuis 'package:cowplot':
align_plots
R> p1 + (p2 + p3) + p4 + plot_layout(ncol = 1)
multiplot (JLutils)
Dans son ouvrage Cookbook for R, Winston Chang propose une fonction multiplot pour combiner
plusieurs graphiques1
L’extension JLutils disponible sur GitHub propose une version améliorée de cette fonction.
Pour installer JLutils si non disponible sur votre PC, copier/coller le code ci-dessous.
1. Voir http://www.cookbook-r.com/Graphs/Multiple_graphs_on_one_page_(ggplot2)/.
– 1015 –
R> if (!require(devtools)) {
install.packages("devtools")
library(devtools)
}
Parce que quelques exemples valent mieux qu’un long discours.
R> library(JLutils)
multiplot(p1, p2, p3, p4)
– 1016 –
R> multiplot(p1, p2, p3, p4, cols = 2)
– 1017 –
R> multiplot(p1, p2, p3, layout = matrix(c(1, 2, 3, 3), nrow = 2))
– 1018 –
R> multiplot(p1, p2, p3, layout = matrix(c(1, 2, 3, 3), nrow = 2, byrow = TRUE))
– 1019 –
R> multiplot(p1, p2, p3, layout = matrix(c(1, 2, 3, 3), nrow = 2, byrow = TRUE),
heights = c(3, 1))
Légende partagée entre plusieurs graphiques

JLutils et cowplot fournissent tous deux une fonction get_legend permettant d’extraire la légende d’un
graphique puis de l’utiliser avec multiplot ou plot_grid .
Créons quelques graphiques.
R> dsamp <- diamonds[sample(nrow(diamonds), 1000), ]

p1 <- qplot(carat, price, data = dsamp, colour = clarity) +
theme(plot.margin = unit(c(6, 0, 6, 0), "pt"))
Warning: `qplot()` was deprecated in ggplot2 3.4.0.
– 1020 –
R> p2 <- qplot(depth, price, data = dsamp, colour = clarity) +

theme(plot.margin = unit(c(6, 0, 6, 0), "pt")) + ylab("")
p3 <- qplot(color, price, data = dsamp, colour = clarity) +
theme(plot.margin = unit(c(6, 0, 6, 0), "pt")) + ylab("")
Récupérons la légende du premier graphique graphique puis supprimons là dans les trois graphiques.
R> leg <- get_legend(p1)

p1 <- p1 + theme(legend.position = "none")
Combinons le tout.
R> multiplot(p1, p2, p3, leg, cols = 2)
– 1021 –
R> plot_grid(p1, p2, p3, leg, ncol = 2)
Enfin, citons également la fonction grid_arrange_shared_legend de l’extension lemon2.
2. lemon fournit également diverses fonctions pour manipuler des graphiques ggplot2, comme par exemple la
possibilité de répéter les axes quand on utilise des facettes.
– 1022 –
Exemples de graphiques
avancés
Questions de connaissance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1023
Code final du graphique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1056
Évolutions temporelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1062
Bandes dessinées distribuées par mois . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1063
Évolution du nombre moyen de bandes dessinées remises par élève . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1073
Pour aller plus loin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1086
WEBIN-R
Dans ce chapitre, nous présentons plusieurs graphiques avec une mise en forme avancée et détaillons pas
à pas leur création.
Chargeons quelques extensions de base.
Questions de connaissance
Pour ce premier exemple, supposons que nous avons réalisé une petite enquête auprès de 500 étudiants
pour mesurer leur connaissance du logiciel R. Commençons par charger les données ici purement
fictionnelles).
– 1023 –
Nous avons maintenant un objet quest en mémoire. Regardons rapidement la forme des données.
R> glimpse(quest)
Rows: 500
Columns: 15
$ id <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13…
$ conn_a <fct> non, non, non, non, NA, non, non, non, no…
$ conn_b <fct> oui, oui, oui, oui, oui, oui, oui, oui, o…
$ conn_c <fct> oui, oui, oui, oui, oui, oui, oui, oui, o…
$ conn_d <fct> non, non, non, NA, NA, NA, NA, NA, non, o…
$ conn_e <fct> oui, oui, oui, oui, NA, oui, oui, oui, NA…
$ conn_f <fct> oui, non, oui, NA, NA, oui, oui, oui, oui…
$ conn_g <fct> non, oui, oui, oui, oui, oui, oui, oui, o…
$ source_a <fct> oui, oui, oui, oui, oui, oui, oui, oui, n…
$ source_b <fct> oui, non, non, non, non, oui, non, oui, n…
$ source_c <fct> oui, non, oui, oui, non, non, non, non, n…
$ source_d <fct> oui, non, non, oui, non, oui, oui, oui, o…
$ source_e <fct> oui, non, non, oui, oui, non, oui, non, o…
$ source_f <fct> non, non, non, non, non, non, non, non, n…
$ source_g <fct> non, non, non, non, non, non, non, non, n…
R> summary(quest$conn_a)
oui non NSP NA's

36 442 1 21
Sept affirmations ont été soumises aux étudiants (variables conn_a à conn_g) et il leur a été demandé, pour
chacune, s’il pensait qu’elle était juste. Les réponses possibles étaient “oui”, “non” et “NSP” (ne sait pas).
freq.na(quest)
missing %
conn_d 104 21
conn_a 21 4
conn_e 17 3
conn_g 12 2
conn_f 10 2
id 0 0
– 1024 –
Exemples de graphiques avancés
conn_b 0 0
conn_c 0 0
source_a 0 0
source_b 0 0
source_c 0 0
source_d 0 0
source_e 0 0
source_f 0 0
source_g 0 0
On peut également noter que pour certaines questions il y a plusieurs valeurs manquantes (jusqu’à 104).
Nous souhaiterions représenter les réponses sous la forme d’un graphique en barres cumulées.
Cependant, un tel graphique ne peut pour le moment être réalisé car les réponses sont stockées dans 7
variables différentes. Pour réaliser le graphique, il nous faut un tableau de données avec une colonne qui
contiendrait le nom de la question et une colonne avec les réponses. Cela peut se faire facilement avec la
fonction pivot_longer de l’extension tidyr (voir le chapitre dédié, page 309).
R> conn <- quest %>%

select(starts_with("conn_")) %>%
pivot_longer(
cols = starts_with("conn_"),
names_to = "question",
values_to = "reponse"
)
glimpse(conn)
Rows: 3,500
Columns: 2
$ question <chr> "conn_a", "conn_b", "conn_c", "conn_d", "…
$ reponse <fct> non, oui, oui, non, oui, oui, non, non, o…
Nous pouvons maintenant réaliser une première ébauche avec geom_bar et position = "fill" .
– 1025 –
R> ggplot(conn) +
aes(x = question, fill = reponse) +
Pour simplifier le graphique, nous allons regrouper les manquants avec les NSP avec fct_explicit_na ,
changer l’ordre des modalités en mettant les NSP entre les oui et les non avec fct_relevel et remplacer
“NSP” par sa version longue avec fct_recode . En effet, il est toujours préférable, pour la lisibilité du
graphique, d’éviter un acronyme lorsque ce n’est pas nécessaire.
Nous allons également en profiter pour déplacer la légende sous le graphique avec l’option
legend.position = "bottom" passée à theme .
R> conn$reponse <- conn$reponse %>%

fct_explicit_na("NSP") %>%
fct_relevel("non", "NSP", "oui") %>%
fct_recode("ne sait pas / manquant" = "NSP")
Warning: `fct_explicit_na()` was deprecated in forcats 1.0.0.

ℹ Please use `fct_na_value_to_level()` instead.
– 1026 –
R> ggplot(conn) +
aes(x = question, fill = reponse) +
Votre lectorat ne sait probablement pas à quoi correspond les variables conn_a à conn_g. Il est donc
préférable de les remplacer par des étiquettes plus explicites. Souvent, on a tendance à vouloir mettre
des étiquettes courtes, quitte à reformuler le questionnaire d’origine. Ceci dit, il est pourtant préférable
d’utiliser, quand cela est possible et pertinent, la formulation exacte du questionnaire. Ici nous allons créer
une nouvelle variable etiquette et nous allons mettre à jour la définition de l’axe des x dans aes .
– 1027 –
R> conn$etiquette <- conn$question %>%

fct_recode(
"R est disponible seulement pour Windows" = "conn_a",
"R possède un puissant moteur graphique" = "conn_b",
"Il est possible de réaliser des modèles mixtes avec R" = "conn_c",
"Le package 'foreign' est le seul permettant d'importer des fichiers de do
nnées SPSS" = "conn_d",
"Il n'est pas possible de produire un rapport PDF avec R" = "conn_e",
"R peut gérer des données d'enquêtes avec un plan d'échantillonnage comple
xe" = "conn_f",
"R est utilisée par des scientifiques de toutes disciplines, y compris des
sciences sociales" = "conn_g"
)
ggplot(conn) +
aes(x = etiquette, fill = reponse) +
Malheureusement, avec un graphique en barres verticales, les étiquettes de l’axe des X sont tout
– 1028 –
bonnement illisibles. Mais nous pouvons facilement transformer notre graphique en barres horizontales
avec coord_flip . Une autre solution consiste à appliquer une rotation de 90 degrés aux étiquettes de
l’axe des x, mais cette approche est moins lisible que le passage à des barres horizontales.
R> ggplot(conn) +
coord_flip() +
C’est déjà mieux. Cependant, comme certaines étiquettes sont très longues, l’espace restant pour le
graphique est réduit. Nous allons donc afficher ces étiquettes trop longues sur plusieurs lignes, grace à la
fonction label_wrap de l’extension scales que nous allons appeler à l’intérieur de scale_x_discrete .
Le nombre passé à label_wrap indique le nombre de caractères à afficher avant retour à la ligne.
Nous allons également faire deux petites améliorations à notre graphique : (i) nous allons réduire
l’épaisseur des barres en ajoutant width = .66 à geom_bar ; (ii) nous allons éviter que l’axe des y
(devenu l’axe horizontal) se soit étendu grâce à la commande
scale_y_continuous(expand = c(0, 0)) .
– 1029 –
R> ggplot(conn) +
geom_bar(position = "fill", width = .66) +
scale_x_discrete(labels = scales::label_wrap(50)) +
scale_y_continuous(expand = c(0, 0)) +
coord_flip() +
Pour améliorer la lisibilité du graphique, nous allons ajouter des étiquettes avec les pourcentages calculés
(voir le chapitre sur les graphiques bivariés, page 457). Pour cela, nous aurons besoin de l’extension
GGally qui fournie la statistique stat_prop .
Nous allons donc appeler geom_text avec cette statistique. Dans l’appel à aes , nous devons ajouter
by = etiquette pour indiquer que nous voulons que nos pourcentages soit calculés pour chaque
valeur de la variable etiquette. Dans l’appel à geom_text , nous allons préciser
position = position_fill(.5) pour que nos étiquettes soit positionnées au milieu des rectangles.
colour = "white" permet de préciser la couleur des étiquettes, fontface = "bold" pour les
afficher en gras et size = 3.5 pour contrôler leur taille.
– 1030 –
R> library(GGally)
ggplot(conn) +
aes(x = etiquette, fill = reponse, by = etiquette) +
geom_text(
stat = "prop", position = position_fill(.5),
colour = "white", fontface = "bold", size = 3.5
) +
coord_flip() +
Les résultat est encourageant mais certaines étiquettes sont pas ou peu lisibles. Tout d’abord, nous
n’allons pas afficher de décimale car c’est une précision inutile. Pour cela, nous allons utiliser la fonction
percent de scales qui permet de mettre en forme des pourcentages. Nous allons préciser
accuracy = 1 pour indiquer que nous souhaitons arrondir à l’unité (pour une précision de deux
décimales, nous aurions donc indiqué accuracy = .01 ).
De plus, pour les valeurs inférieures à 5% nous allons masquer le symbole % et pour les valeurs inférieures
à 1% nous n’allons rien afficher. L’astuce consiste à créer une petite fonction personnalisée, que nous
– 1031 –
allons appeler f et qui va s’occuper de la mise en forme. Puis, dans aes , l’esthétique label sera définie
comme égale à f(after_stat(prop)) (note : after_stat permet d’appeler la variable prop calculée
par stat_prop ).
– 1032 –
R> f <- function(x) {

res <- scales::percent(x, accuracy = 1)
res[x < .05] <- scales::percent(x[x < .05], accuracy = 1, suffix = "")
res[x < .01] <- ""
res
}
ggplot(conn) +
aes(
x = etiquette, fill = reponse,
by = etiquette, label = f(after_stat(prop))
) +
geom_text(
) +
coord_flip() +
– 1033 –
Nous commencons à avoir tous les éléments de notre graphique. Il est temps de faire un peu de nettoyage.
Appliquons déjà theme_minimal pour alléger le graphique et supprimer les titres des axes et de la
légende avec labs .
R> ggplot(conn) +
aes(
) +
geom_text(
) +
coord_flip() +
labs(x = "", y = "", fill = "") +
theme_minimal() +
– 1034 –
Comme les valeurs sont directement affichées sur le graphique, il est encore possible de l’alléger en
supprimant la grille (avec panel.grid = element_blank() ) et les étiquettes de l’axe horizontal (avec
axis.text.x = element_blank() ) via la fonction theme .
– 1035 –
R> ggplot(conn) +
aes(
) +
geom_text(
) +
coord_flip() +
labs(x = "", y = "", fill = "") +
theme_minimal() +
theme(
axis.text.x = element_blank()
)
– 1036 –
Nous allons également personnaliser la palette de couleur pour adopter une palette adaptée aux
personnes daltoniennes. Il en existe plusieurs, dont celles développées par Paul Tol et disponibles dans
l’extension khroma (voir aussi le chapitre sur les palettes de couleurs, page 1241). On peut appliquer cette
palette avec scale_fill_bright .
– 1037 –
R> library(khroma)
ggplot(conn) +
aes(
) +
geom_text(
) +
scale_fill_bright() +
coord_flip() +
labs(x = "", y = "", fill = "") +
theme_minimal() +
theme(
)
– 1038 –
Cependant, ce choix de couleur n’est peut-être pas optimal. Une couleur neutre (proche du gris) serait
peut être plus appropriée pour les “ne sait pas / manquant”. Regardons les codes couleurs de la palette
bright.
– 1039 –
R> plot_scheme(colour("bright")(7), colours = TRUE)
Nous allons donc choisir des couleurs plus pertinentes et les définir manuellement avec
scale_fill_manual .
– 1040 –
R> ggplot(conn) +
aes(
) +
geom_text(
) +
scale_fill_manual(values = c("#AA3377", "#BBBBBB", "#4477AA")) +
coord_flip() +
labs(x = "", y = "", fill = "") +
theme_minimal() +
theme(
)
– 1041 –
Pour faciliter la lecture, il serait pertinent que la légende soit dans le même ordre que le graphique
(i.e. “oui” à gauche et “non” à droite). Nous allons donc inverser l’ordre de la légence en passant
fill = guide_legend(reverse = TRUE) à guides .
– 1042 –
R> ggplot(conn) +
aes(
) +
geom_text(
) +
coord_flip() +
labs(x = "", y = "", fill = "") +
guides(fill = guide_legend(reverse = TRUE)) +
theme_minimal() +
theme(
)
– 1043 –
Il n’est pas évident de repérer ici au premier coup d’oeil quelle est la question qui a eu le plus de “oui”. Nous
allons donc ordonner les questions en fonction du pourcentage de “oui” grâce à la fonction fct_reorder .
– 1044 –
R> conn$etiquette <- conn$etiquette %>%

fct_reorder(conn$reponse == "oui", .fun = "sum")
ggplot(conn) +
aes(
) +
geom_text(
) +
coord_flip() +
labs(x = "", y = "", fill = "") +
theme_minimal() +
theme(
)
– 1045 –
Toutes ces affirmations ne sont pas justes. Il serait donc pertinent de distinguer les affirmations justes
(pour lesquelles la bonne réponse est “oui” des autres). Nous allons donc créer une nouvelle variable
pour séparer ensuite les réponses avec facet_grid (attention : il est important de préciser
scales = "free", space = "free" ).
– 1046 –
R> conn$correcte <- conn$question %>%

fct_recode(
"bonne réponse : non" = "conn_a",
"bonne réponse : oui" = "conn_b",
"bonne réponse : oui" = "conn_c",
"bonne réponse : non" = "conn_d",
"bonne réponse : non" = "conn_e",
"bonne réponse : oui" = "conn_f",
"bonne réponse : oui" = "conn_g"
) %>%
fct_relevel("bonne réponse : oui")
ggplot(conn) +
aes(
) +
geom_text(
) +
coord_flip() +
labs(x = "", y = "", fill = "") +
facet_grid(rows = vars(correcte), scales = "free", space = "free") +
theme_minimal() +
theme(
)
– 1047 –
Il est maintenant bien visible que les étudiants ont en général bien répondu aux affirmations, mais qu’ils
ont une connaissance erronnée concernant la possibilité de réaliser des rapports automatisés en PDF
avec R.
Ajoutons maintenant un titre et un sous-titre avec ggtitle et une note avec l’option caption de
labs .
– 1048 –
R> ggplot(conn) +
aes(
) +
geom_text(
) +
coord_flip() +
labs(
x = "", y = "", fill = "",
caption = "Enquête réalisée auprès de 500 étudiants"
) +
ggtitle(
"CONNAISSANCES SUR R",
subtitle = "Pour chacune de ces affirmations, diriez-vous qu'elle est corr
ecte ?"
) +
theme_minimal() +
theme(
)
– 1049 –
Nous pouvons procéder à quelques derniers ajustements (position du titre et de la note, note en italique,
marges du graphique) an ajoutant quelques arguments additionnels à theme .
– 1050 –
R> ggplot(conn) +
aes(
) +
geom_text(
) +
coord_flip() +
labs(
x = "", y = "", fill = "",
) +
ggtitle(
ecte ?"
) +
theme_minimal() +
theme(
axis.text.x = element_blank(),
plot.caption.position = "plot",
plot.caption = element_text(face = "italic", hjust = 0),
plot.margin = margin(10, 10, 10, 10)
)
– 1051 –
Enfin, pour un rendu un peu plus moderne, nous allons opter pour une autre police de caractères, ici “Arial
Narrow”. Afin de pouvoir utiliser des polices systèmes, nous aurons besoin de l’extension extrafont. La
police doit être précisée à la fois dans theme_minimal et dans geom_text .
– 1052 –
R> library(extrafont)
ggplot(conn) +
aes(
) +
geom_text(
colour = "white", fontface = "bold", size = 3.5,
family = "Arial Narrow"
) +
coord_flip() +
labs(
x = "", y = "", fill = "",
) +
ggtitle(
ecte ?"
) +
theme_minimal(base_family = "Arial Narrow") +
theme(
)
Warning in grid.Call(C_stringMetric,
as.graphicsAnnot(x$label)): famille de police introuvable
dans la base de données des polices Windows
– 1053 –
Warning in grid.Call(C_textBounds,
as.graphicsAnnot(x$label), x$x, x$y, : famille de police
introuvable dans la base de données des polices Windows
Warning in grid.Call.graphics(C_text,
– 1054 –
– 1055 –
Code final du graphique

Nous y voilà !
– 1056 –
– 1057 –
library(GGally)
library(extrafont)
conn <- quest %>%

select(starts_with("conn_")) %>%
pivot_longer(
cols = starts_with("conn_"),
names_to = "question",
values_to = "reponse"
)
conn$reponse <- conn$reponse %>%

fct_explicit_na("NSP") %>%
fct_relevel("non", "NSP", "oui") %>%
fct_recode("ne sait pas / manquant" = "NSP")
conn$etiquette <- conn$question %>%

fct_recode(
"R est disponible seulement pour Windows" = "conn_a",
"R possède un puissant moteur graphique" = "conn_b",
"Il est possible de réaliser des modèles mixtes avec R" = "conn_c",
"Le package 'foreign' est le seul permettant d'importer des fichiers de do
nnées SPSS" = "conn_d",
"Il n'est pas possible de produire un rapport PDF avec R" = "conn_e",
"R peut gérer des données d'enquêtes avec un plan d'échantillonnage comple
xe" = "conn_f",
"R est utilisée par des scientifiques de toutes disciplines, y compris des
sciences sociales" = "conn_g"
) %>%
fct_reorder(conn$reponse == "oui", .fun = "sum")
conn$correcte <- conn$question %>%

fct_recode(
"bonne réponse : non" = "conn_a",
"bonne réponse : oui" = "conn_b",
"bonne réponse : oui" = "conn_c",
"bonne réponse : non" = "conn_d",
"bonne réponse : non" = "conn_e",
"bonne réponse : oui" = "conn_f",
"bonne réponse : oui" = "conn_g"
) %>%
fct_relevel("bonne réponse : oui")
f <- function(x) {
res <- scales::percent(x, accuracy = 1)
res[x < .05] <- scales::percent(x[x < .05], accuracy = 1, suffix = "")
– 1058 –
res[x < .01] <- ""

res
}
ggplot(conn) +
aes(
) +
geom_text(
colour = "white", fontface = "bold", size = 3.5,
family = "Arial Narrow"
) +
coord_flip() +
labs(
x = "", y = "", fill = "",
) +
ggtitle(
ecte ?"
) +
theme_minimal(base_family = "Arial Narrow") +
theme(
)
– 1059 –
– 1060 –

– 1061 –
Évolutions temporelles
Pour cet exemple, nous allons utiliser des données fictives. Dans les années 1950, au sortir de la guerre,
la Syldavie et la Bordurie (deux pays fictifs inventés par Hergé) ont décidé de mettre un programme de
distribution de bandes dessinées de Tintin dans des écoles et des collèges afin de motiver les élèves à lire
plus. Nous disposons des rapports d’activités des différents agents du programme qui indident, par mois
et par type d’établissement, le nombre d’élèves rencontrés et le nombre de bandes dessinées distribués.
Commençons par importer les données, qui sont au format Excel. Nous utiliserons donc la fonction
read_excel de l’extension readxl. Profitons-en pour charger également en mémoire le tidyverse ainsi
que l’extension lubridate qui nous servira pour la gestion des dates.
– 1062 –
R> library(readxl)
library(tidyverse)
library(lubridate)
url <- "https://larmarange.github.io/analyse-R/data/bandes_dessinees_tintin.xl
sx"
destfile <- "bandes_dessinees_tintin.xlsx"
curl::curl_download(url, destfile)
bd <- read_excel(destfile)
R> glimpse(bd)
Rows: 4,331
Columns: 6
$ annee <dbl> 1950, 1950, 1951, 1951, 1951, 1…
$ mois <dbl> 9, 10, 4, 2, 4, 5, 5, 3, 2, 5, …
$ pays <chr> "Bordurie", "Bordurie", "Bordur…
$ type_etablissement <chr> "école primaire", "école primai…
$ eleves_rencontres <dbl> 2, 3, 6, 16, 1, 5, 6, 3, 5, 3, …
$ bd_distribuees <dbl> 3, 3, 6, 16, 1, 5, 12, 4, 6, 5,…
Bandes dessinées distribuées par mois

En premier lieu, nous souhaiterions représenter le nombre de bandes dessinées distribuées par mois.
Comme on peut le voir, nous n’avons pas directement une variable date, l’année et le mois étant indiqués
dans deux variables différentes. Nous allons donc commencer par créer une telle variable, qui
correspondra au premier jour du mois.
Nous allons utiliser la fonction paste0 qui permets de concaténer du texte pour créer des chaines
de texte au format ANNEE-MOIS-JOUR puis transformer cela en objet Date avec ymd de l’extension
lubridate.
R> bd$date <- paste0(bd$annee, "-", bd$mois, "-01") %>% ymd()

summary(bd$date)
Min. 1st Qu. Median Mean

"1949-12-01" "1950-07-01" "1950-12-01" "1950-11-13"
3rd Qu. Max.
"1951-04-01" "1951-07-01"
Nous pouvons maintenant commencer à réaliser notre graphique. Nous allons compter le nombre de
BD distribuées par mois et représenter cela sous forme d’un graphique en barres. geom_bar utilise
– 1063 –
la statistique stat_count pour compter le nombre d’observations. Cependant, le nombre de BD

distribuées varie d’une ligne du fichier à l’autre. Nous allons donc utiliser l’esthétique weight pour
pondérer le calcul et obtenir le total de bandes dessinées distribuées. Nous allons également utiliser
l’esthétique fill pour distinguer les écoles primaires et les collèges.
R> p <- ggplot(bd) +

aes(x = date, weight = bd_distribuees, fill = type_etablissement) +
geom_bar()
p
Avec facet_grid nous pouvons comparer la Syldavie et la Bordurie.
– 1064 –
R> p + facet_grid(cols = vars(pays))
Essayons de faire un peu mieux en répétant l’axe des y sur le graphique de droite, ce qui peut être fait avec
la fonction facet_rep_grid de l’extension lemon.
– 1065 –
R> library(lemon, quietly = TRUE)

p + facet_rep_grid(cols = vars(pays))
Cela a répété les encoches (ticks). Pour répéter également les étiquettes, il nous faut ajouter l’option
repeat.tick.labels = TRUE .
– 1066 –
R> p <- p + facet_rep_grid(cols = vars(pays), repeat.tick.labels = TRUE)

p
Allégeons un peu le graphique (voir exemple précédent). Pour cela, nous allons utiliser le thème
theme_clean fourni par ggthemes.
– 1067 –
R> library(ggthemes)
p <- p +
xlab("") + ylab("") + labs(fill = "") +
ggtitle("Bandes dessinées distribuées par mois") +
theme_clean() +
theme(
legend.position = "bottom"
)
p
De même, nous allons utiliser une palette de couleurs adaptées aux personnes daltoniennes, en
s’appuyant sur scale_fill_bright disponible avec khroma.
– 1068 –
R> library(khroma)
p <- p + scale_fill_bright()
p
Reste à améliorer la présentation de l’axe des x avec scale_x_date {data-pkg=“ggplot2}. L’option

date_labels permet de personnaliser l’affichage des dates via des raccourcis décrits dans l’aide de
la fonction strptime . Ainsi, %b correspond au mois écrit textuellement de manière abrégée et %Y à
l’année sur 4 chiffres. \n est utilisé pour indiquer un retour à la ligne. L’option date_breaks permet
d’indiquer de manière facilitée la durée attendue entre deux étiquettes, ici trois mois.
– 1069 –
R> p <- p + scale_x_date(

date_labels = "%b\n%Y",
date_breaks = "3 months"
)
p
Pour améliorer le graphique, nous aimerions rajouter une encoche sous chaque mois. Ceci est rendu
possible avec la fonction guide_axis_minor de ggh4x.
R> library(ggh4x)
p <- p + scale_x_date(
date_breaks = "3 months",
date_minor_breaks = "1 month",
)
Scale for x is already present.

Adding another scale for x, which will replace the existing
– 1070 –
scale.
R> p
Le code complet de ce graphique est donc :
– 1071 –
library(khroma)
library(ggh4x)
library(lemon)
ggplot(bd) +
aes(x = date, weight = bd_distribuees, fill = type_etablissement) +
geom_bar() +
facet_rep_grid(cols = vars(pays), repeat.tick.labels = TRUE) +
xlab("") +
ylab("") +
labs(fill = "") +
ggtitle("Bandes dessinées distribuées par mois") +
scale_x_date(
) +
theme_clean() +
theme(
)
– 1072 –
Évolution du nombre moyen de bandes dessinées remises par

élève
Nous disposons dans les rapports d’activités du nombre de bandes dessinées distribuées et du nombre
d’élèves rencontrés. Nous pouvons donc regarder comment à évaluer au cours du temps le nombre moyen
de bandes dessinées distribuées par élève, à savoir l’évolution du ratio bd_distribuees /
eleves_rencontres.
– 1073 –
R> ggplot(bd) +
aes(x = date, y = bd_distribuees / eleves_rencontres, colour = type_etabliss
ement) +
geom_point()
Comme on le voit sur la figure précédente, si l’on représente directement cet indicateur, nous obtenons
plusieurs points pour chaque date. En effet, nous avons plusieurs observations par date et nous obtenons
donc un point pour chacune de ces observations. Nous souhaiterions avoir la moyenne pour chaque date.
Cela est possible en ayant recours à stat_weighted_mean de l’extension GGally. Pour que le calcul soit
correct, il faut réaliser une moyenne pondérée par le dénominateur, à savoir ici le nombre d’élèves.
– 1074 –
R> library(GGally)
ggplot(bd) +
aes(
x = date, y = bd_distribuees / eleves_rencontres,
weight = eleves_rencontres, colour = type_etablissement
) +
geom_point(stat = "weighted_mean")
Le graphique sera plus lisible si nous représentons des lignes.
– 1075 –
R> library(GGally)
ggplot(bd) +
aes(
x = date, y = bd_distribuees / eleves_rencontres,
weight = eleves_rencontres, colour = type_etablissement
) +
geom_line(stat = "weighted_mean")
Pour améliorer la comparaison, il serait pertinent d’ajouter les intervalles de confiance sur le graphique.
Cela peut être réalisé par exemple avec des rubans de couleur. Mais pour cela, il va falloir avoir recours à
quelques astuces pour permettre le calcul de ces intervalles de confiance à la volée.
Tout d’abord, pour calculer l’intervalle de confiance d’un ratio de nombres entiers, nous pouvons utiliser
un test de Poisson avec poisson.test auquel nous devons transmettre le numérateur et le
dénominateur. Par exemple, pour 48 bandes dessinées distribuées à 27 élèves :
– 1076 –
R> test <- poisson.test(48, 27)

test
Exact Poisson test
data: 48 time base: 27

number of events = 48, time base = 27, p-value =
0.0002246
alternative hypothesis: true event rate is not equal to 1
1.310793 2.357075
sample estimates:
event rate
1.777778
R> str(test)
List of 9
$ statistic : Named num 48
..- attr(*, "names")= chr "number of events"
$ parameter : Named num 27
..- attr(*, "names")= chr "time base"
$ p.value : num 0.000225
$ conf.int : num [1:2] 1.31 2.36
..- attr(*, "conf.level")= num 0.95
$ estimate : Named num 1.78
..- attr(*, "names")= chr "event rate"
$ null.value : Named num 1
..- attr(*, "names")= chr "event rate"
$ alternative: chr "two.sided"
$ method : chr "Exact Poisson test"
$ data.name : chr "48 time base: 27"
- attr(*, "class")= chr "htest"
Comme nous le montre str , poisson.test renvoie une liste avec différents éléments et l’intervalle de
confiance est disponible dans le sous-objet "conf.int" . Il est possible d’y accéder avec l’opérateur $
ou bien avec la fonction pluck de l’extension purrr chargée par défaut avec le tidyverse.
R> test$conf.int
[1] 1.310793 2.357075
– 1077 –
attr(,"conf.level")
[1] 0.95
R> test %>% pluck("conf.int")
[1] 1.310793 2.357075

attr(,"conf.level")
[1] 0.95
Pour obtenir la borne inférieure de l’intervalle de confiance, il nous faut maintenant extraire le premier
élément.
R> test$conf.int[1]
[1] 1.310793
R> test %>% pluck("conf.int", 1)
[1] 1.310793
Nous avons trouvé la manière de calculer la borne inférieure de l’intervalle de confiance pour une ligne
d’observations. Mais comment procéder pour plusieurs observations. Supposons que nous ayons 4
observations :
R> num <- c(50, 25, 32, 48)

denom <- c(25, 17, 25, 31)
Si nous passons ces vecteurs de données à poisson.test , nous obtenons un message d’erreur car
poisson.test ne permets de calculer qu’un seul test à la fois.
R> poisson.test(num, denom)
Error in poisson.test(num, denom) : le cas k > 2 n'est pas implémenté
Dans notre cas, nous souhaitons exécuter poisson.test ligne à ligne. Cela peut être réalisée avec la
famille de fonctions map fournies par l’extension purrr. Plus précisément, dans notre situation, nous
allons avoir recours à map2 qui permet de fournir deux vecteurs en entrée et d’appliquer une fonction
ligne à ligne. On passera à map2 soit une fonction à utiliser telle quelle ou bien une formule décrivant
une fonction personnalisée à la levée, ce que nous allons faire. Dans cette formule décrivant le calcul
– 1078 –
à effectuer, on utilisera .x pour se référer à l’élément du premier vecteur et à .y pour se référer au

deuxième vecteur.
R> map2(num, denom, ~ poisson.test(.x, .y) %>% pluck("conf.int", 1))
[[1]]
[1] 1.484439
[[2]]
[1] 0.9516872
[[3]]
[1] 0.8755191
[[4]]
[1] 1.141658
Le résultat obtenu est une liste de 4 éléments, chaque élément contenu la borne inférieur des intervalles.
Nous préférerions que la fonction nous retourne un vecteur de valeurs numériques (double) plutôt qu’une
liste. Nous allons donc utiliser map2_dbl plutôt que map2 .
R> map2_dbl(num, denom, ~ poisson.test(.x, .y) %>% pluck("conf.int", 1))
[1] 1.4844385 0.9516872 0.8755191 1.1416584
Nous y sommes presque. Il nous reste plus qu’à avoir recours à after_stat pour avoir accès aux
numérateurs et dénominateurs calculés par stat_weighted_mean .
– 1079 –
R> ggplot(bd) +
aes(
x = date, y = bd_distribuees / eleves_rencontres, weight = eleves_rencontr
es,
ymin = map2_dbl(after_stat(numerator), after_stat(denominator), ~ poisso
n.test(.x, .y) %>% pluck("conf.int", 1)),
ymax = map2_dbl(after_stat(numerator), after_stat(denominator), ~ poisso
colour = type_etablissement, fill = type_etablissement
) +
geom_ribbon(stat = "weighted_mean", alpha = .5) +
geom_line(stat = "weighted_mean")
Faisons quelques ajustements pour une meilleur lisibilité : effaçons les limites supérieures et inférieures
des rubans avec color = "transparent" , augmentons la transparence des rubans avec alpha = .2
et épaississons les courbes principales avec size = 1 .
– 1080 –
R> p <- ggplot(bd) +

aes(
es,
) +
geom_ribbon(stat = "weighted_mean", alpha = .25, color = "transparent") +
geom_line(stat = "weighted_mean", size = 1)
p
Comme tous les calculs sont réalisés à la volée, il est possible de définir simplement et rapidement des
facettes pour séparer les résultats par pays.
– 1081 –
R> p <- p + facet_rep_grid(cols = vars(pays), repeat.tick.labels = TRUE)

p
Faisons un peu d’habillage :
– 1082 –
R> p <- p +
xlab("") + ylab("") + labs(fill = "", colour = "") +
ggtitle(
"Nombre moyen de bandes dessinées distribuées par élève",
subtitle = "par mois, type d'établissement et pays"
) +
scale_x_date(
) +
scale_colour_bright() +
theme_clean() +
theme(
)
p
Voilà !
– 1083 –
Le code final de notre graphique est donc :
– 1084 –
library(khroma)
library(ggh4x)
library(GGally)
library(lemon)
ggplot(bd) +
aes(
es,
) +
geom_ribbon(stat = "weighted_mean", alpha = .25, color = "transparent") +
geom_line(stat = "weighted_mean", size = 1) +
facet_rep_grid(cols = vars(pays), repeat.tick.labels = TRUE) +
xlab("") +
ylab("") +
labs(fill = "", colour = "") +
ggtitle(
"Nombre moyen de bandes dessinées distribuées par élève",
subtitle = "par mois, type d'établissement et pays"
) +
scale_x_date(
) +
scale_colour_bright() +
theme_clean() +
theme(
)
– 1085 –

On pourra jeter un œil au chapitre Étendre ggplot2, page 959.
– 1086 –
ggplotly (plotly) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1087
ggvis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1090
ggplotly (plotly)
Vous savez réaliser des graphiques avec ggplot2, page 401 ? Vous savez faire un graphique interactif. Rien
de plus facile avec la fonction ggplotly de l’extension plotly.
Créons un graphique.
R> library(ggplot2)
p <- ggplot(iris) +
aes(x = Petal.Width, y = Sepal.Length, color = Species) +
geom_point()
Voici son rendu classique avec ggplot2.
– 1087 –
R> p
Et si on passe notre graphique à ggplotly . (N’hésitez pas à faire passer le curseur de votre souris sur le
graphique.)
R> library(plotly)
Attachement du package : 'plotly'
L'objet suivant est masqué depuis 'package:MASS':
select
L'objet suivant est masqué depuis 'package:Hmisc':
subplot
L'objet suivant est masqué depuis 'package:ggplot2':
– 1088 –
last_plot
filter
L'objet suivant est masqué depuis 'package:graphics':
layout
R> ggplotly(p)
– 1089 –
Une documentation complète sur ggplotly est disponible sur https://plot.ly/ggplot2/.
ggvis
Il existe également une extension ggvis dédiée aux graphiques interactifs. Sa documentation complète est
disponible sur https://ggvis.rstudio.com/.
– 1090 –
lattice : graphiques et
formules
Les bases des graphiques lattice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 0 . 1091
De l’intérêt des formules R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1092
Les formules R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1095
Principaux types de graphiques avec lattice (et ggplot2 ) . . . . . . . . . . . . . . . . . . . . . . . . . . 1097
Histogramme . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1097
Courbe de densité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1099
Diagramme en barres . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1102
Diagramme de type boîtes à moustaches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1104
Diagramme en points . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1105
Diagramme de dispersion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1105
Bien que l’on ait fait le choix de présenter principalement l’extension ggplot2 plutôt que l’extension
lattice, celle-ci reste un excellent choix pour la visualisation, notamment, de panels et de séries
temporelles. On trouve de très beaux exemples d’utilisation de lattice en ligne, mais un peu moins de
documentation, et beaucoup moins d’extensions, que pour ggplot2.
On peut trouver en ligne un support de cours détaillé (en anglais) de Deepayan Sarkar
(https://www.isid.ac.in/~deepayan/R-tutorials/labs/04_lattice_lab.pdf), également l’auteur de l’ouvrage
Lattice: Multivariate Data Visualization with R (http://lmdvr.r-forge.r-project.org/).
Les bases des graphiques lattice

R dispose de deux principaux systèmes graphiques : un système de base contrôlé par le package graphics
et le système grid, sur lequel se basent à la fois les packages lattice et ggplot2. Ce système fournit
les mêmes fonctionnalités de base que graphics mais offre une gestion de l’arrangement des objets
graphiques plus développée, et surtout la possibilité d’utiliser ce que l’on appelle des graphiques en treillis.
De plus, les graphiques peuvent être mis à jour très simplement, disposent de thèmes de couleur pré-
définis, et offrent un certain degré d’interactivité, avec ou sans le package plotly. Enfin, la syntaxe est plus
homogène et grandement simplifié, grâce à l’usage de formules.
– 1091 –
De l’intérêt des formules R

Voici par exemple comment afficher la courbe de densité (i.e., la version continue et “lissée” d’un
histogramme) de deux séries d’observations définies par les niveaux du facteur supp dans le data frame
ToothGrowth , disponible dans les exemples de base de R. Notons que l’on souhaite également faire
apparaître les distributions univariées, un peu à l’image de ce que fournit rug . Or cette fonction ne
permet pas d’exploiter une variable de groupement, donc il sera nécessaire de gérer tout cela
manuellement. Voici les instructions permettant de générer le graphique désiré :
– 1092 –
lattice : graphiques et formules
R> plot(density(ToothGrowth$len[ToothGrowth$supp == "OJ"]), main = "", xlab

= "len", las = 1, lwd = 2, col = "coral")
lines(density(ToothGrowth$len[ToothGrowth$supp == "VC"]), lwd = 2, col =
"cornflowerblue")
points(
x = ToothGrowth$len[ToothGrowth$supp == "OJ"],
y = runif(length(ToothGrowth$len[ToothGrowth$supp == "OJ"]),
min = -0.001, max = 0.001
), col = "coral"
)
points(
x = ToothGrowth$len[ToothGrowth$supp == "VC"],
y = runif(length(ToothGrowth$len[ToothGrowth$supp == "VC"]),
min = -0.001, max = 0.001
), col = "cornflowerblue"
)
legend("top", levels(ToothGrowth$supp), col = c("coral", "cornflowerblu
e"), lty = 1, bty = "n")
Figure 1. Courbes de densité avec les graphiques de base
Il y a plusieurs points à retenir dans les instructions ci-dessus : (1) il est nécessaire de définir les deux
– 1093 –
courbes de densité et les deux distributions univariées, en prenant garde à bien indiquer comment
sélectionner les observations ( OJ ou VC ) en préfixant systématiquement le nom des variables par le
nom du data frame ; (2) la définition des couleurs se fait manuellement et si l’on souhaite changer de thème
de couleur, il faudra mettre à jour l’ensemble des instructions, en prenant garde à ce que la lgende reste
synchronisée avec les courbes de densité et les nuages de points ; et, bien entendu, (3) il est nécessaire
de gérer soi-même la légende, ce qui signifie se rappeler les couleurs et l’ordre des niveaux du facteur
considéré, ainsi que les axes graphiques dans le cas où l’on souhaite les maintenir coordonnés sur plusieurs
panneaux graphiques.
Voici le même graphique avec lattice :
R> library(lattice)
densityplot(~len, data = ToothGrowth, group = supp, auto.key = TRUE)
Figure 2. Courbes de densité avec le package lattice
Avec ggplot2, cela donnerait :
– 1094 –
R> library(ggplot2)
ggplot(data = ToothGrowth, aes(x = len, color = supp)) +
geom_line(stat = "density") +
geom_rug()
Figure 3. Courbes de densité avec le package ggplot2
Clairement, on gagne en nombre d’instructions à taper dans la console et en clarté d’expression

également, grâce notamment à l’usage de formules permettant de décrire la relation entre chacune des
variables utilisées pour construire la représentation graphique.
Les formules R
Les formules utilisées dans le système lattice sont presque identiques à celles retouvées dans les
modèles d’analyse de variance ( aov ) ou de régression ( lm ). En réalité, la notation par formule qu’utilise
R est celle proposée par Wilkinson et coll. dans les années 70 pour schématiser la relation entre plusieurs
variables dans un plan d’expérience. Plus spécifiquement, l’idée revient à exprimer une relation
«fonctionnelle», symbolisée par l’opérateur ~ , entre une variable réponse y et une ou plusieurs
variables explicatives. Disons, pour simplifier, que y est une variable numérique, de même que x , et que
– 1095 –
a et b sont des variables catégorielles (des facteurs dans le langage R). Voici les principales relations
auxquelles on peut s’intéresser dans un modèle statistique linéaire :
• y ~ x : régression linéaire simple,

• y ~ x + 0 : idem avec suppression du terme d’ordonnée à l’origine,
• y ~ a + b : ANOVA avec deux effets principaux,
• y ~ a * b : idem avec interaction (équivalent à 1 + a + b + a:b ),
• y ~ a / b : idem en considérant une relation d’emboîtement (équivalent à
1 + a + b + a %in% b ).
Un exemple typique d’utilisation pour un modèle d’ANOVA à trois facteurs est donné ci-dessous :
R> fm <- y ~ a * b * c # modèle de base (A, B, C, AB, AC, BC, ABC)

mod1 <- aov(fm, data = dfrm) # estimation des parame
̀tres du modèle
update(mod1, . ~ . - a:b:c) # suppression de l'interaction ABC
Quant on y réfléchit un peu, les relations ci-dessus peuvent très bien s’appliquer au cas de la composition
graphique : y ~ x signifie dans ce cas que l’on souhaite représenter l’évolution de y en fonction de
x . En d’autres termes, on s’intéresse à un nuage de dispersion. Le package lattice ajoute les notations
suivantes :
• ~ x : dans le cas où l’on ne décrit qu’une seule variable (i.e., sa distribution),

• a | b : dans le cas où l’on considère la variable a , conditionnellement à la variable b , c’est-
à-dire les niveaux de a pour chacun des niveaux de b (ce qui revient à l’interaction a:b citée
ci-dessus).
Cette dernière notation se révèlera être très utile dans le cas des représentations graphiques
conditionnelles, par exemple lorsque l’on souhaite afficher la distribution d’une variable numérique dans
différents groupes d’individus définis par les niveaux d’une variable catégorielle, ou lorsque l’on souhaite
surligner d’une couleur différentes les points d’un diagramme de dispersion selon la valeur prise par une
troisième variable.
Les formules R sont omniprésentes dans les modèles statistiques, dans les graphiques, mais également
dans certaines commandes d’agrégation. Au bout du compte, avec une même formule il est possible
de calculer des moyennes de groupes, réaliser une ANOVA et construire la représentation graphique
associée. En voici un exemple :
– 1096 –
R> fm <- len ~ supp

m <- aggregate(fm, data = ToothGrowth, mean)
summary(aov(fm, data = ToothGrowth))
bwplot(fm, data = ToothGrowth)
Principaux types de graphiques avec lattice (et

ggplot2 )
Même si le package lattice fournit moins de commandes que ggplot2, il n’en demeure pas moins qu’il est
tout aussi facile de réaliser des représentations graphiques simples en un tour de main. Voici quelques
exemples de représentations graphiques uni- et bivariées. Les données d’illustration sont les mêmes que
celles utilisées plus haut ( ToothGrowth ): il s’agit d’une expérience de biologie dans laquelle on s’intéresse
à la croissance des odontoblastes de cochons d’inde quantifiée par leur longueur (variable len ) lorsqu’on
administre à ces derniers de la vitamine C soit sous forme d’acide ascorbique soit sous forme de jus
d’orange ( supp , OJ = jus d’orange), à différentes doses ( dose , en mg).
Histogramme
Un histogramme d’effectifs se construit avec histogram . Puisqu’il s’agit de décrire une seule variable, ou
sa distribution plus précisément, la formule à employer ne contient pas de variable à gauche du symbole
~ et l’on se contente d’écrire la variable à résumer à droite dans la formule :
– 1097 –
R> histogram(~len, data = ToothGrowth, type = "count")
Figure 4. Histogramme d’effectifs
L’option type = "count" permet de forcer la représentation sous forme d’effectifs puisque, par défaut,
c’est la densité qui est représentée. La formulation équivalente sous ggplot2 serait :
R> ggplot(data = ToothGrowth, aes(x = len)) +

geom_histogram(binwidth = 5)
(Ou alors qplot(x = len, data = ToothGrowth, geom = "histogram", binwidth = 5) .)
En ajoutant une «facette» pour tenir compte de la variable supp , cela donne :
– 1098 –
R> histogram(~ len | supp, data = ToothGrowth, breaks = seq(0, 40, by = 5))
Figure 5. Histogramme d’effectifs conditionné sur une variable catégorielle
Avec ggplot2, les facettes sont gérées grâce aux commandes facet_grid et facet_wrap .
Courbe de densité
Une courbe de densité se construit à l’aide de densityplot et la syntaxe est strictement identique à
celle de histogram , à l’option type= près.
– 1099 –
R> densityplot(~len, data = ToothGrowth, plot.points = FALSE, from = 0, to

= 40)
Il est possible de régler le paramètre de lissage à l’aide de l’option bw= : des valeurs plus élevées résultent
en une courbe beaucoup plus lissée (essayez avec bw = 10 !) et donc beaucoup moins sensible aux
variations locales de la densité.
À ce stade, on peut en profiter pour discuter les options de conditionnement sur une variable catégorielle
et la manière de gérer la présentation graphique : dans le cas d’un histogramme, il est délicat de
superposer deux distributions ou plus sur le même graphique, même en ajoutant de la transparence, d’où
l’idée de représenter les distributions dans des panneaux graphiques séparés. C’est ce qu’on a réalisé en
indiquant que l’on souhaitait décrire la variable len conditionnellement aux valeurs prises par supp
( ~ len | supp ). Dans ce cas, l’opérateur | invoque une facette et un decoupage en autant de
panneaux graphiques qu’il y a de valeurs uniques dans la variable supp . Une autre approche consiste
à utiliser l’option groups= , et dans ce cas les différentes distributions seront affichées dans le même
panneau graphique. Dans le cas d’une courbe de densité, cela revient à les superposer sur la même fenêtre
graphique, avec un système de coordonnées unique. Les deux options de conditionnement peuvent être
combinées naturellement.
– 1100 –
Voici un exemple de graphique conditionnel un peu plus élaboré :
R> densityplot(~len,
data = ToothGrowth, groups = supp, auto.key = TRUE, xlab = "len",
par.settings = list(superpose.line = list(col = c("coral", "cornflowerb
lue")))
)
Figure 7. Courbe de densité conditionnelle
Au passage, on en a profité pour modifier le thème de couleur. Notez qu’en utilisant par.settings= ,
lattice se charge de coordonner les couleurs de la légende ( auto.key = TRUE ) avec celle des éléments
graphiques correspondants.
L’équivalent sous ggplot2 revient à peu près à l’instruction suivante :
– 1101 –
R> ggplot(data = ToothGrowth) +

aes(x = len, colour = supp) +
geom_line(stat = "density") +
expand_limits(x = c(0, 40)) +
scale_colour_manual("", values = c("coral", "cornflowerblue")) +
theme_bw()
Diagramme en barres
Les diagrammes en barres peuvent avantageusement être remplacés par des diagrammes en points, tels
que les diagrammes de Cleveland (cf. plus loin), mais en attendant voici comment en réaliser un à l’aide de
barchart à partir de données agrégées :
– 1102 –
R> library(latticeExtra, quietly = TRUE)
Attachement du package : 'latticeExtra'
L'objet suivant est masqué depuis 'package:ggplot2':
layer
R> m <- aggregate(len ~ supp + dose, data = ToothGrowth, mean)

barchart(len ~ dose, data = m, groups = supp, horizontal = FALSE, auto.ke
y = TRUE, par.settings = ggplot2like())
Figure 8. Diagramme en barres
Notons que par.settings= permet non seulement de fournir des options additionnelles pour contrôler
le rendu des éléments graphiques (couleur, type de ligne ou de symboles, etc.) mais également d’utiliser
des thèmes graphiques disponibles dans le package latticeExtra.
– 1103 –
Diagramme de type boîtes à moustaches

Les diagrammes en forme de boîtes à moustaches sont obtenus à l’aide de la commande bwplot . Voici un
exemple d’utilisation :
R> bwplot(len ~ supp, data = ToothGrowth, pch = "|")
Figure 9. Diagramme en forme de boîtes à moustaches
L’option pch= permet de contrôler la manière dont la médiane est figurée dans la boîte. Par défaut il
s’agit d’un simple point, mais si l’on souhaite utiliser les représentations plus classiques, telles que celles
trouvées dans boxplot ou geom_boxplot , il suffit de suivre l’exemple ci-dessus. Notons que dans le
cas de cette représentation graphique, le conditionnement sur la variable supp est d’emblée réalisé par
l’utilisation d’une formule invoquant la variable de conditionnement à droite de l’opérateur ~ .
– 1104 –
Diagramme en points
Le même type de représentation graphique peut être obtenu en utilisant directement les données
individuelles, et non leur résumé en cinq points (tel que fournit par summary et exploité par bwplot ).
Dans ce cas, il s’agit de la commande dotplot , qui permet de construire des diagrammes de Cleveland
(moyenne ou effectif total calculé pour une variable en fonction des niveaux d’une autre variable) ou, dans
le cas où la variable à résumer consiste en une série de mesures individuelles numériques, des diagrammes
de dispersion. Voici une illustration pour ce dernier cas de figure :
R> dotplot(len ~ supp, ToothGrowth, jitter.x = TRUE)
Figure 10. Diagramme en points
Diagramme de dispersion
Enfin, un diagramme de dispersion est construit à l’aide de la commande xyplot .
– 1105 –
R> xyplot(len ~ dose, ToothGrowth, type = c("p", "smooth"))
Figure 11. Diagramme de dispersion
Même si l’exemple ne s’y prête guère, on en a profité pour ajouter une courbe lowess de régression afin
d’indiquer la tendance de covariation entre les deux variables numériques. L’aide en ligne pour xyplot
n’est pas très utile dans ce cas, et il faut en fait aller regarder les options de personnalisation disponibles
dans la sous-fonction correspondante : panel.xyplot .
– 1106 –
Cartes
Pour une présentation de l’analyse spatiale sous R, se référer au chapitre dédié, page 951.
Il existe de multiple approches pour réaliser des cartes sous R, y compris avec ggplot2, mais également de
manière native avec les extensions sp et sf. Il existe également des extensions apportant des fonctionalités
additionnelles comme ggmap, mapview ou encore tmap.
Pour une introduction succincte en français, on pourra se référer à la section 5.4 du spport de cours
Logiciel R et programmation d’Ewan Gallic.
Timothée Giraud & Hugues Pecout propose un support d’apprentissage Cartographie avec R pour créer
des cartes thématiques conformes aux règles de la sémiologie graphique et de la cartographie avec R :
https://rcarto.github.io/cartographie_avec_r/.
Un deuxième manuel centré sur la cartographie est disponible : Géomatique avec R,

https://rcarto.github.io/geomatique_avec_r/.
Voir également l’excellente présentation Données géospatiales et cartographie avec R de Nicolas Roelandt :
https://roelandtn.frama.io/slides/2090628_meetup_Raddict_datageo.html.
En complément (en anglais), la vignette Plotting Simple Features de l’extension sf ou encore le chapitre
Making maps with R de l’ouvrage Geocomputation with R de Robin Lovelace, Jakub Nowosad et Jannes
Muenchow.
On pourra également se référer à l’excellent package mapsf et à son site dédié https://riatelab.github.io/
mapsf/. mapsf succède à cartography (https://github.com/riatelab/cartography/) dont une présentation
en vidéo et en français est disponible sur https://youtu.be/OI3_AOg6pfc.
Enfin, on peut mentionner également ggspatial (https://github.com/paleolimbot/ggspatial).
– 1107 –
Autres extensions
graphiques
GGally . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1109
ggpubr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1111
ggdendro . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1116
circlize . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1118
Diagrammes de Sankey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1122
DiagrammeR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1125
epicontacts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1131
highcharter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1132
Pour trouver l’inspiration et des exemples de code, rien ne vaut l’excellent site https://www.r-graph-
gallery.com/.
GGally
L’extension GGally, déjà abordée dans d’autres chapitres, fournit plusieurs fonctions graphiques
d’exploration des résultats d’un modèle ou des relations entre variables.
– 1109 –
R> reg <- lm(Sepal.Length ~ Sepal.Width + Petal.Length + Petal.Width, data = iri

s)
library(GGally)
ggcoef_model(reg)
– 1110 –
Autres extensions graphiques
R> data(tips, package = "reshape")

ggpairs(tips)
Plus d’information : https://ggobi.github.io/ggally/
ggpubr
L’extension ggpubr fournit plusieurs fonctions pour produire «clés en main» différents graphiques bivariés
avec une mise en forme allégée.
– 1111 –
R> library(ggpubr)
data("ToothGrowth")
df <- ToothGrowth
ggboxplot(df,
x = "dose", y = "len",
color = "dose", palette = c("#00AFBB", "#E7B800", "#FC4E07"),
add = "jitter", shape = "dose"
)
– 1112 –
R> data("mtcars")
dfm <- mtcars
# Convert the cyl variable to a factor
dfm$cyl <- as.factor(dfm$cyl)
# Add the name colums
dfm$name <- rownames(dfm)
# Calculate the z-score of the mpg data
dfm$mpg_z <- (dfm$mpg - mean(dfm$mpg)) / sd(dfm$mpg)
dfm$mpg_grp <- factor(ifelse(dfm$mpg_z < 0, "low", "high"),
levels = c("low", "high")
)
ggbarplot(dfm,
x = "name", y = "mpg_z",
fill = "mpg_grp", # change fill color by mpg_level
color = "white", # Set bar border colors to white
palette = "jco", # jco journal color palett. see ?ggpar
sort.val = "asc", # Sort the value in ascending order
sort.by.groups = FALSE, # Don't sort inside each group
x.text.angle = 90, # Rotate vertically x axis texts
ylab = "MPG z-score",
xlab = FALSE,
legend.title = "MPG Group"
)
– 1113 –
– 1114 –
R> ggdotchart(dfm,
x = "name", y = "mpg_z",
color = "cyl", # Color by groups
palette = c("#00AFBB", "#E7B800", "#FC4E07"), # Custom color palette
sorting = "descending", # Sort value in descending order
add = "segments", # Add segments from y = 0 to dots
add.params = list(color = "lightgray", size = 2), # Change segment color and
size
group = "cyl", # Order by groups
dot.size = 6, # Large dot size
label = round(dfm$mpg_z, 1), # Add mpg values as dot labels
font.label = list(
color = "white", size = 9,
vjust = 0.5
), # Adjust label parameters
ggtheme = theme_pubr() # ggplot2 theme
) +
geom_hline(yintercept = 0, linetype = 2, color = "lightgray")
Plus d’informations : https://rpkgs.datanovia.com/ggpubr/
– 1115 –
ggdendro
L’extension ggendro avec sa fonction ggdendrogram permet de représenter facilement des
dendrogrammes avec ggplot2.
R> library(ggplot2)
library(ggdendro)
hc <- hclust(dist(USArrests), "ave")
hcdata <- dendro_data(hc, type = "rectangle")
ggplot() +
geom_segment(data = segment(hcdata), aes(x = x, y = y, xend = xend, yend = y
end)) +
geom_text(data = label(hcdata), aes(x = x, y = y, label = label, hjust = 0),
size = 3) +
coord_flip() +
scale_y_reverse(expand = c(0.2, 0))
– 1116 –
R> ### demonstrate plotting directly from object class hclust

ggdendrogram(hc)
– 1117 –
R> ggdendrogram(hc, rotate = TRUE)
Plus d’informations : https://cran.r-project.org/web/packages/ggdendro/vignettes/ggdendro.html
circlize
L’extension circlize est l’extension de référence quand il s’agit de représentations circulaires. Un ouvrage
entier lui est dédié : https://jokergoo.github.io/circlize_book/book/.
Voici un exemple issu de https://www.data-to-viz.com/story/AdjacencyMatrix.html.
── Attaching packages ─────────────────── tidyverse 1.3.2 ──

✔ tibble 3.1.8 ✔ purrr 1.0.1
✔ readr 2.1.3 ✔ forcats 1.0.0
── Conflicts ────────────────────── tidyverse_conflicts() ──
✖ lubridate::as.difftime() masks base::as.difftime()
– 1118 –
✖ dplyr::between() masks data.table::between()

✖ lubridate::date() masks base::date()
✖ dplyr::filter() masks stats::filter()
✖ dplyr::first() masks data.table::first()
✖ lubridate::hour() masks data.table::hour()
✖ lubridate::intersect() masks base::intersect()
✖ lubridate::isoweek() masks data.table::isoweek()
✖ dplyr::lag() masks stats::lag()
✖ dplyr::last() masks data.table::last()
✖ lubridate::mday() masks data.table::mday()
✖ lubridate::minute() masks data.table::minute()
✖ lubridate::month() masks data.table::month()
✖ lubridate::quarter() masks data.table::quarter()
✖ lubridate::second() masks data.table::second()
✖ lubridate::setdiff() masks base::setdiff()
✖ purrr::transpose() masks data.table::transpose()
✖ lubridate::union() masks base::union()
✖ lubridate::wday() masks data.table::wday()
✖ lubridate::week() masks data.table::week()
✖ lubridate::yday() masks data.table::yday()
✖ lubridate::year() masks data.table::year()
R> # Load data

data <- read.table("https://raw.githubusercontent.com/holtzy/data_to_viz/maste
r/Example_dataset/13_AdjacencyDirectedWeighted.csv", header = TRUE)
# short names
colnames(data) <- c("Africa", "East Asia", "Europe", "Latin Ame.", "North Am
e.", "Oceania", "South Asia", "South East Asia", "Soviet Union", "West.Asia")
rownames(data) <- colnames(data)
# I need a long format

data_long <- data %>%
rownames_to_column() %>%
gather(key = "key", value = "value", -rowname)
library(circlize)
========================================
circlize version 0.4.15
CRAN page: https://cran.r-project.org/package=circlize
Github page: https://github.com/jokergoo/circlize
Documentation: https://jokergoo.github.io/circlize_book/book/
If you use it in published research, please cite:
– 1119 –
Gu, Z. circlize implements and enhances circular visualization

in R. Bioinformatics 2014.
This message can be suppressed by:

suppressPackageStartupMessages(library(circlize))
========================================
R> # parameters
circos.clear()
circos.par(start.degree = 90, gap.degree = 4, track.margin = c(-0.1, 0.1), poi
nts.overflow.warning = FALSE)
par(mar = rep(0, 4))
# color palette
library(viridis)
Le chargement a nécessité le package : viridisLite
– 1120 –
R> mycolor <- viridis(10, alpha = 1, begin = 0, end = 1, option = "D")

mycolor <- mycolor[sample(1:10)]
# Base plot
chordDiagram(
x = data_long,
grid.col = mycolor,
transparency = 0.25,
directional = 1,
direction.type = c("arrows", "diffHeight"),
diffHeight = -0.04,
annotationTrack = "grid",
annotationTrackHeight = c(0.05, 0.1),
link.arr.type = "big.arrow",
link.sort = TRUE,
link.largest.ontop = TRUE
)
# Add text and axis

circos.trackPlotRegion(
track.index = 1,
bg.border = NA,
panel.fun = function(x, y) {
xlim <- get.cell.meta.data("xlim")
sector.index <- get.cell.meta.data("sector.index")
# Add names to the sector.

circos.text(
x = mean(xlim),
y = 3.2,
labels = sector.index,
facing = "bending",
cex = 0.8
)
# Add graduation on axis

circos.axis(
h = "top",
major.at = seq(from = 0, to = xlim[2], by = ifelse(test = xlim[2] > 10,
yes = 2, no = 1)),
minor.ticks = 1,
major.tick.length = 0.5,
labels.niceFacing = FALSE
)
}
)
– 1121 –
Diagrammes de Sankey
Les diagrammes de Sankey sont un type alternatif de représentation de flux. Voici un premier exemple, qui
reprend les données utilisées pour le diagramme circulaire précédent, avec la fonction sankeyNetwork
de l’extension sankeyNetwork.
– 1122 –
R> # Package
library(networkD3)
# I need a long format

data_long <- data %>%
rownames_to_column() %>%
gather(key = "key", value = "value", -rowname) %>%
filter(value > 0)
colnames(data_long) <- c("source", "target", "value")
data_long$target <- paste(data_long$target, " ", sep = "")
# From these flows we need to create a node data frame: it lists every entitie
s involved in the flow
nodes <- data.frame(name = c(as.character(data_long$source), as.character(dat
a_long$target)) %>% unique())
# With networkD3, connection must be provided using id, not using real name li
ke in the links dataframe.. So we need to reformat it.
data_long$IDsource <- match(data_long$source, nodes$name) - 1
data_long$IDtarget <- match(data_long$target, nodes$name) - 1
# prepare colour scale

ColourScal <- 'd3.scaleOrdinal() .range(["#FDE725FF","#B4DE2CFF","#6DCD59F
F","#35B779FF","#1F9E89FF","#26828EFF","#31688EFF","#3E4A89FF","#482878FF","#4
40154FF"])'
# Make the Network

sankeyNetwork(
Links = data_long, Nodes = nodes,
Source = "IDsource", Target = "IDtarget",
Value = "value", NodeID = "name",
sinksRight = FALSE, colourScale = ColourScal, nodeWidth = 40, fontSize = 13,
nodePadding = 20
)
– 1123 –
Une alternative possible est fournie par l’extension ggalluvial et ses géométries geom_alluvium et
geom_stratum .
R> library(ggalluvial)
ggplot(data = as.data.frame(Titanic)) +
aes(axis1 = Class, axis2 = Sex, axis3 = Age, y = Freq) +
scale_x_discrete(limits = c("Class", "Sex", "Age"), expand = c(.1, .05)) +
xlab("Demographic") +
geom_alluvium(aes(fill = Survived)) +
geom_stratum() +
geom_text(stat = "stratum", infer.label = TRUE) +
theme_minimal()
Warning: The parameter ìnfer.label` is deprecated.

Use àes(label = after_stat(stratum))`.
– 1124 –
Mentionnons également l’extension riverplot pour la création de diagrammes de Sankey.
DiagrammeR
DiagrammeR est dédiée à la réalisation de diagrammes en ayant recours à la syntaxe Graphviz (via la
fonction grViz ) ou encore à la syntaxe Mermaid (via la fonction mermaid ).
– 1125 –
R> library(DiagrammeR)
grViz("
digraph boxes_and_circles {
# a 'graph' statement
graph [overlap = true, fontsize = 10]
# several 'node' statements

node [shape = box,
fontname = Helvetica]
A; B; C; D; E; F
node [shape = circle,

fixedsize = true,
width = 0.9] // sets as circles
1; 2; 3; 4; 5; 6; 7; 8
# several 'edge' statements

A->1 B->2 B->3 B->4 C->A
1->D E->A 2->4 1->5 1->F
E->6 4->6 5->7 6->7 3->8
}
")
– 1126 –
R> mermaid("
graph LR
A(Rounded)-->B[Rectangular]
B-->C{A Rhombus}
C-->D[Rectangle One]
C-->E[Rectangle Two]
")
– 1127 –
R> mermaid("
sequenceDiagram
customer->>ticket seller: ask ticket
ticket seller->>database: seats
alt tickets available
database->>ticket seller: ok
ticket seller->>customer: confirm
customer->>ticket seller: ok
ticket seller->>database: book a seat
ticket seller->>printer: print ticket
else sold out
database->>ticket seller: none left
ticket seller->>customer: sorry
end
")
– 1128 –
– 1129 –
R> mermaid("
gantt
dateFormat YYYY-MM-DD
title Adding GANTT diagram functionality to mermaid
section A section
Completed task :done, des1, 2014-01-06,2014-01-08
Active task :active, des2, 2014-01-09, 3d
Future task : des3, after des2, 5d
Future task2 : des4, after des3, 5d
section Critical tasks

Completed task in the critical line :crit, done, 2014-01-06,24h
Implement parser and jison :crit, done, after des1, 2d
Create tests for parser :crit, active, 3d
Future task in critical line :crit, 5d
Create tests for renderer :2d
Add to mermaid :1d
section Documentation
Describe gantt syntax :active, a1, after des1, 3d
Add gantt diagram to demo page :after a1 , 20h
Add another diagram to demo page :doc1, after a1 , 48h
section Last section

Describe gantt syntax :after doc1, 3d
Add gantt diagram to demo page :20h
Add another diagram to demo page :48h
")
– 1130 –
Plus d’informations : https://rich-iannone.github.io/DiagrammeR/
epicontacts
L’extension epicontacts permets de représenter des chaînes de transmission épidémiques.
– 1131 –
Pour aller plus loin, on pourra se référer (en anglais), au chapitre dédié du Epidemiologist R Handbook :
highcharter
L’extension highcharter permet de réaliser des graphiques HTML utilisant la librairie Javascript
Highcharts.js.
R> library("highcharter")
data(diamonds, mpg, package = "ggplot2")
hchart(mpg, "scatter", hcaes(x = displ, y = hwy, group = class))
– 1132 –
– 1133 –
library(highcharter)
mpgman3 <- mpg %>%
group_by(manufacturer) %>%
dplyr::summarise(n = n(), unique = length(unique(model))) %>%
arrange(-n, -unique)
hchart(mpgman3, "treemap", hcaes(x = manufacturer, value = n, color = unique))
– 1134 –
R> data(unemployment)
hcmap("countries/us/us-all-all",
data = unemployment,
name = "Unemployment", value = "value", joinBy = c("hc-key", "code"),
borderColor = "transparent"
) %>%
hc_colorAxis(dataClasses = color_classes(c(seq(0, 10, by = 2), 50))) %>%
hc_legend(
layout = "vertical", align = "right",
floating = TRUE, valueDecimals = 0, valueSuffix = "%"
)
– 1135 –
Plus d’informations : http://jkunst.com/highcharter/.
– 1136 –
Conditions et comparaisons
Une condition est une expression logique dont le résultat est soit TRUE (vrai) soit FALSE (faux).
Une condition comprend la plupart du temps un opérateur de comparaison. Les plus courants sont les
suivants :
Opérateur de comparaison Signification
== égal à
!= différent de
> strictement supérieur à
< strictement inférieur à
>= supérieur ou égal à
<= inférieur ou égal à
Voyons tout de suite un exemple :
data(hdv2003)
d <- hdv2003
str(d$sexe == "Homme")
logi [1:2000] FALSE FALSE TRUE TRUE FALSE FALSE ...
Que s’est-il passé ? Nous avons fourni à R une condition qui signifie « la valeur de la variable sexe vaut
“Homme” ». Et il nous a renvoyé un vecteur avec autant d’éléments qu’il y’a d’observations dans d , et dont
la valeur est TRUE si l’observation correspond à un homme et FALSE dans les autres cas.
Prenons un autre exemple. On n’affichera cette fois que les premiers éléments de notre variable d’intérêt
à l’aide de la fonction head :
– 1137 –
R> head(d$age)
[1] 28 23 59 34 71 35
R> head(d$age > 40)
[1] FALSE FALSE TRUE FALSE TRUE FALSE
On voit bien ici qu’à chaque élément du vecteur d$age dont la valeur est supérieure à 40 correspond un
élément TRUE dans le résultat de la condition.
On peut combiner ou modifier des conditions à l’aide des opérateurs logiques habituels :
Opérateur logique Signification
& et logique
| ou logique
! négation logique
Comment les utilise-t-on ? Voyons tout de suite des exemples. Supposons que je veuille déterminer quels
sont dans mon échantillon les hommes ouvriers spécialisés :
R> d$sexe == "Homme" & d$qualif == "Ouvrier specialise"
Si je souhaite identifier les personnes qui bricolent ou qui font la cuisine :
R> d$bricol == "Oui" | d$cuisine == "Oui"
Si je souhaite isoler les femmes qui ont entre 20 et 34 ans :
R> d$sexe == "Femme" & d$age >= 20 & d$age <= 34
Si je souhaite récupérer les enquêtés qui ne sont pas cadres, on peut utiliser l’une des deux formes
suivantes :
R> d$qualif != "Cadre"

!(d$qualif == "Cadre")
Lorsqu’on mélange « et » et « ou » il est nécessaire d’utiliser des parenthèses pour différencier les blocs. La
– 1138 –
Conditions et comparaisons
condition suivante identifie les femmes qui sont soit cadre, soit employée :
R> d$sexe == "Femme" & (d$qualif == "Employe" | d$qualif == "Cadre")
L’opérateur %in% peut être très utile : il teste si une valeur fait partie des éléments d’un vecteur. Ainsi on
pourrait remplacer la condition précédente par :
R> d$sexe == "Femme" & d$qualif %in% c("Employe", "Cadre")
Enfin, signalons qu’on peut utiliser les fonctions table ou summary pour avoir une idée du résultat de
notre condition :
R> table(d$sexe)
Homme Femme
899 1101
R> table(d$sexe == "Homme")
FALSE TRUE
1101 899
R> summary(d$sexe == "Homme")
Mode FALSE TRUE

logical 1101 899
– 1139 –
Formules
Statistiques descriptives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141
Tableaux croisés avec xtabs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1142
Statistiques bivariées avec aggregate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1146
Panels graphiques avec lattice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1151
Visualisation bivariée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1153
Visualisation par «petits multiples» . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1153
Spécifier des modèles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1155
Les formules R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1155
Pour aller plus loin . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1156
Ce chapitre vise à illustrer l’utilisation de la notation «formule» de R, qui désigne l’emploi de cette notation
par l’expression formula . Cette notation est utilisée par de très nombreuses fonctions de R : on en a
notamment vu plusieurs exemples dans le chapitre sur les graphiques bivariés, car l’extension ggplot2 se
sert de cette notation dans ses paramètres facet_wrap et facet_grid .
Dans ce chapitre, on verra comment se servir de la notation «formule» dans deux contextes différents.
D’une part, on verra que deux fonctions basiques de R se servent de cette notation pour produire des
tableaux croisés et des statistiques bivariées. D’autre part, on verra que l’extension lattice se sert de cette
notation pour créer des graphiques «panelisés», dits graphiques à «petits multiples».
Dans plusieurs autres chapitres, les opérations décrites ci-dessus sont effectuées avec les extensions
dplyr d’une part, et ggplot2 d’autre part. On se servira également de ces extensions dans ce chapitre, de
manière à mener une comparaison des différentes manières d’effectuer certaines opérations dans R, avec
ou sans la notation «formule» :
R> library(dplyr)
library(ggplot2)
Statistiques descriptives
Les premiers exemples de ce chapitre montrent l’utilisation de cette notation pour produire des tableaux
– 1141 –
croisés et des statistiques descriptives. Le jeu de données utilisé, hdv2003 , a déjà été utilisé dans
plusieurs chapitres, et font partie de l’extension questionr. Chargeons cette extension et le jeu de données
hdv2003 :
data(hdv2003)
Pour rappel, ce jeu de données contient des individus, leur âge, leur statut professionnel, et le nombre
d’heures quotidiennes passées à regarder la télévision.
R> glimpse(hdv2003, 75)
Rows: 2,000
Columns: 20
$ id <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, …
$ age <int> 28, 23, 59, 34, 71, 35, 60, 47, 20, 28, 65, 47, 63,…
$ sexe <fct> Femme, Femme, Homme, Homme, Femme, Femme, Femme, Ho…
$ nivetud <fct> "Enseignement superieur y compris technique superie…
$ poids <dbl> 2634.3982, 9738.3958, 3994.1025, 5731.6615, 4329.09…
$ occup <fct> "Exerce une profession", "Etudiant, eleve", "Exerce…
$ qualif <fct> Employe, NA, Technicien, Technicien, Employe, Emplo…
$ freres.soeurs <int> 8, 2, 2, 1, 0, 5, 1, 5, 4, 2, 3, 4, 1, 5, 2, 3, 4, …
$ clso <fct> Oui, Oui, Non, Non, Oui, Non, Oui, Non, Oui, Non, O…
$ relig <fct> Ni croyance ni appartenance, Ni croyance ni apparte…
$ trav.imp <fct> Peu important, NA, Aussi important que le reste, Mo…
$ trav.satisf <fct> Insatisfaction, NA, Equilibre, Satisfaction, NA, Eq…
$ hard.rock <fct> Non, Non, Non, Non, Non, Non, Non, Non, Non, Non, N…
$ lecture.bd <fct> Non, Non, Non, Non, Non, Non, Non, Non, Non, Non, N…
$ peche.chasse <fct> Non, Non, Non, Non, Non, Non, Oui, Oui, Non, Non, N…
$ cuisine <fct> Oui, Non, Non, Oui, Non, Non, Oui, Oui, Non, Non, O…
$ bricol <fct> Non, Non, Non, Oui, Non, Non, Non, Oui, Non, Non, O…
$ cinema <fct> Non, Oui, Non, Oui, Non, Oui, Non, Non, Oui, Oui, O…
$ sport <fct> Non, Oui, Oui, Oui, Non, Oui, Non, Non, Non, Oui, N…
$ heures.tv <dbl> 0.0, 1.0, 0.0, 2.0, 3.0, 2.0, 2.9, 1.0, 2.0, 2.0, 1…
Tableaux croisés avec xtabs

Utilisons, pour ce premier exemple, la variable occup du jeu de données hdv2003 , qui correspond au
statut professionnel des individus inclus dans l’échantillon. La fonction de base pour compter les individus
par statut est la fonction table :
– 1142 –
Formules
R> table(hdv2003$occup)
Exerce une profession Chomeur

1049 134
Etudiant, eleve Retraite
94 392
Retire des affaires Au foyer
77 171
Autre inactif
83
Avec la fonction xtabs , le même résultat est produit à partir de la notation suivante :
R> xtabs(~occup, data = hdv2003)
occup
Exerce une profession Chomeur
1049 134
Etudiant, eleve Retraite
94 392
Retire des affaires Au foyer
77 171
Autre inactif
83
Le premier argument est une formule, au sens où R entend cette expression. Le second argument, data ,
correspond au jeu de données auquel la formule doit être appliquée. On pourra se passer d’écrire
explicitement cet argument dans les exemples suivants.
L’avantage de la fonction xtabs n’est pas évident dans ce premier exemple. En réalité, cette fonction
devient utile lorsque l’on souhaite construire un ou plusieurs tableau(x) croisé(s). Par exemple, pour
croiser la variable occup avec la variable sexe, une solution constiste à écrire :
R> with(hdv2003, table(occup, sexe))
sexe
occup Homme Femme
Exerce une profession 520 529
Chomeur 54 80
Etudiant, eleve 48 46
Retraite 208 184
Retire des affaires 39 38
– 1143 –
Au foyer 0 171
Autre inactif 30 53
Ou alors, ce qui revient au même :
R> table(hdv2003$occup, hdv2003$sexe)
Avec xtabs , la même opération s’écrit de la manière suivante :
R> xtabs(~ occup + sexe, hdv2003)
sexe
occup Homme Femme
Chomeur 54 80
Etudiant, eleve 48 46
Retraite 208 184
Au foyer 0 171
Autre inactif 30 53
Cette écriture est plus courte que le code équivalent dans dplyr :
R> hdv2003 %>%

group_by(occup) %>%
summarise(
Homme = sum(sexe == "Homme"),
Femme = sum(sexe == "Femme")
)
Par contre, on pourra éventuellement utiliser count de dplyr. ATTENTION : le format du résultat ne sera
pas le même.
R> hdv2003 %>%

group_by(occup) %>%
dplyr::count(sexe)
Pour un tableau croisé joliment mis en forme, on pourra avoir recours à tbl_cross de gtsummary.
– 1144 –
Formules
hdv2003 %>%
tbl_cross(row = "occup", col = "sexe", percent = "row")
sexe
Total
Homme Femme
occup
Exerce une profession 520 (50%) 529 (50%) 1 049 (100%)
Chomeur 54 (40%) 80 (60%) 134 (100%)
Etudiant, eleve 48 (51%) 46 (49%) 94 (100%)
Retraite 208 (53%) 184 (47%) 392 (100%)
Retire des affaires 39 (51%) 38 (49%) 77 (100%)
Au foyer 0 (0%) 171 (100%) 171 (100%)
Autre inactif 30 (36%) 53 (64%) 83 (100%)
Total 899 (45%) 1 101 (55%) 2 000 (100%)
De plus, xtabs permet de créer plusieurs tableaux croisés en une seule formule :
R> xtabs(~ occup + sexe + trav.imp, hdv2003)
, , trav.imp = Le plus important
sexe
occup Homme Femme
Chomeur 0 0
Etudiant, eleve 0 0
Retraite 0 0
Au foyer 0 0
Autre inactif 0 0
, , trav.imp = Aussi important que le reste
sexe
occup Homme Femme
– 1145 –

Chomeur 0 0
Etudiant, eleve 0 0
Retraite 0 0
Au foyer 0 0
Autre inactif 0 0
, , trav.imp = Moins important que le reste
sexe
occup Homme Femme
Chomeur 0 0
Etudiant, eleve 0 0
Retraite 0 0
Au foyer 0 0
Autre inactif 0 0
, , trav.imp = Peu important
sexe
occup Homme Femme
Chomeur 0 0
Etudiant, eleve 0 0
Retraite 0 0
Au foyer 0 0
Autre inactif 0 0
Cet exemple permet simplement de réaliser que la variable trav.imp, qui contient les réponses à une
question portant sur l’importance du travail, n’a été mesurée (c’est-à-dire que la question n’a été posée)
qu’aux seuls individus actifs de l’échantillon.
Statistiques bivariées avec aggregate
R> aggregate(heures.tv ~ sexe, mean, data = hdv2003)
Ici, le premier argument est à nouveau une formule. Le second argument correspond à la statistique
descriptive que l’on souhaite obtenir, et le dernier argument indique le jeu de données auquel appliquer
les deux autres arguments. On peut d’ailleurs obtenir le même résultat en respectant de manière plus
stricte l’ordre des arguments dans la syntaxe de la fonction aggregate :
– 1146 –
Formules
R> aggregate(heures.tv ~ sexe, hdv2003, mean)
Cette écriture est, à nouveau, plus compacte que le code équivalent dans dplyr, qui demande de spécifier
le retrait des valeurs manquantes :
R> hdv2003 %>

group_by(sexe) %>%
summarise(heures.tv = mean(heures.tv, na.rm = TRUE))
À nouveau, on va pouvoir combiner plusieurs variables dans la formule que l’on passe à aggregate ,
ce qui va permettre d’obtenir la moyenne des heures de télévision quotidiennes par sexe et par statut
professionnel :
R> aggregate(heures.tv ~ sexe + occup, hdv2003, mean)
La même opération dplyr :
R> hdv2003 %>%

group_by(occup, sexe) %>%
summarise(heures.tv = mean(heures.tv, na.rm = TRUE))
La fonction aggregate permet bien sûr d’utiliser une autre fonction que la moyenne, comme dans cet
exemple, suivi de son équivalent avec dplyr :
R> # âge médian par sexe et statut professionnel

aggregate(age ~ sexe + occup, hdv2003, median)
R> # code équivalent avec l'extension 'dplyr'

hdv2003 %>%
summarise(age = median(age, na.rm = TRUE))
Si, comme dans le cas de summarise , on souhaite passer des arguments supplémentaires à la fonction
median , il suffit de les lister à la suite du nom de la fonction. Par exemple, on écrirait :
aggregate(age ~ sexe + occup, hdv2003, median, na.rm = TRUE) . Ceci étant, aggregate
utilise par défaut l’option na.action = na.omit , donc il est bon de se rappeler que l’on peut désactiver
cette option en utilisant l’option na.action = na.pass , ce qui permet éventuellement de conserver
des lignes vides dans le tableau de résultat.
La fonction aggregate permet, par ailleurs, d’obtenir des résultats à plusieurs colonnes. Dans l’exemple
ci-dessus, on illustre ce principe avec la fonction range , qui renvoie deux résultats (la valeur minimale et
la valeur maximale de la variable, qui est toujours la variable age), chacun présentés dans une colonne :
– 1147 –
R> aggregate(age ~ sexe + occup, hdv2003, range)
sexe occup age.1 age.2

1 Homme Exerce une profession 18 63
2 Femme Exerce une profession 18 67
3 Homme Chomeur 18 63
4 Femme Chomeur 18 63
5 Homme Etudiant, eleve 18 34
6 Femme Etudiant, eleve 18 35
7 Homme Retraite 48 92
8 Femme Retraite 41 96
9 Homme Retire des affaires 57 91
10 Femme Retire des affaires 57 93
11 Femme Au foyer 22 90
12 Homme Autre inactif 39 71
13 Femme Autre inactif 19 97
Cette fonction ne peut pas être facilement écrite dans dplyr sans réécrire chacune des colonnes, ce que le
bloc de code suivant illustre. On y gagne en lisibilité dans les intitulés de colonnes :
R> hdv2003 %>%

summarise(
min = min(age, na.rm = TRUE),
max = max(age, na.rm = TRUE)
)
Depuis la version 1.0.0 de dplyr, summarise accepte maintenant des fonctions pouvant renvoyer
plusieurs valeurs, créant ainsi autant de lignes (voir https://www.tidyverse.org/blog/2020/03/
dplyr-1-0-0-summarise/).
R> hdv2003 %>%

summarise(age = range(age, na.rm = TRUE), type = c("min", "max"))
Warning: Returning more (or less) than 1 row per `summarise()` group
was deprecated in dplyr 1.1.0.
ℹ Please use `reframe()` instead.
ℹ When switching from `summarise()` to `reframe()`,
remember that `reframe()` always returns an ungrouped
data frame and adjust accordingly.
`summarise()` has grouped output by 'occup', 'sexe'. You
– 1148 –
Formules
On pourrait de même définir sa propre fonction et la passer à aggregate :
R> f <- function(x) c(mean = mean(x, na.rm = TRUE), sd = sd(x, na.rm = TRUE))
aggregate(age ~ sexe + occup, hdv2003, f)
sexe occup age.mean age.sd

1 Homme Exerce une profession 41.461538 10.438113
2 Femme Exerce une profession 40.710775 10.203864
3 Homme Chomeur 38.925926 13.256329
4 Femme Chomeur 38.012500 11.648321
5 Homme Etudiant, eleve 20.895833 2.926326
6 Femme Etudiant, eleve 21.586957 3.249452
7 Homme Retraite 68.418269 8.018882
8 Femme Retraite 69.510870 8.228957
9 Homme Retire des affaires 71.179487 7.687556
10 Femme Retire des affaires 73.789474 7.651737
11 Femme Au foyer 50.730994 15.458412
12 Homme Autre inactif 54.166667 6.597196
13 Femme Autre inactif 59.962264 14.660206
Mais on réalisera vite une des limitations de aggregate dans ce cas-là : le tableau retourné ne contient
pas 4 colonnes, mais 3 uniquement, ce que l’on peut vérifier à l’aide de dim ou str .
R> str(aggregate(age ~ sexe + occup, hdv2003, f))

$ occup: Factor w/ 7 levels "Exerce une profession",..: 1 1 2 2 3 3 4 4 5 5 ...
$ age : num [1:13, 1:2] 41.5 40.7 38.9 38 20.9 ...
..- attr(*, "dimnames")=List of 2
.. ..$ : NULL
.. ..$ : chr [1:2] "mean" "sd"
Pour ce type d’opération, dans lequel on souhaite récupérer plusieurs variables calculées afin de travailler
sur ces données agrégées soit dans le cadre d’opérations numériques soit de constructions graphiques,
dplyr ou Hmisc s’avèrent plus commodes. Voici un exemple avec summarize de l’extension Hmisc :
R> library(Hmisc, quietly = TRUE)
Attachement du package : 'Hmisc'
– 1149 –
L'objet suivant est masqué depuis 'package:srvyr':
summarize
L'objet suivant est masqué depuis 'package:gt':
html
L'objet suivant est masqué depuis 'package:survey':
deff
L'objet suivant est masqué depuis 'package:ggdendro':
label
Les objets suivants sont masqués depuis 'package:dplyr':
src, summarize
Les objets suivants sont masqués depuis 'package:questionr':
describe, wtd.mean, wtd.table, wtd.var
Les objets suivants sont masqués depuis 'package:base':
format.pval, units
R> with(hdv2003, summarize(age, llist(sexe, occup), f))
Notons que Hmisc offre déjà une telle fonction ( smean.sd ), ce qui nous aurait épargné d’écrire notre
propre fonction, f , et il en existe bien d’autres. Voici un exemple avec des intervalles de confiance estimés
par bootstrap :
R> with(hdv2003, summarize(age, llist(sexe, occup), smean.cl.boot))
Et un exemple avec dplyr.
– 1150 –
Formules
R> hdv2003 %>%

group_by(sexe, occup) %>%
summarise(
tibble(
age_mean = mean(age, na.rm = TRUE),
age_sd = sd(age, na.rm = TRUE)
)
)
`summarise()` has grouped output by 'sexe'. You can

Enfin, il est également possible d’utiliser plusieurs variables numériques à gauche de l’opérateur ~ . En
voici une illustration :
R> aggregate(cbind(age, poids) ~ sexe + occup, hdv2003, mean)
Panels graphiques avec lattice

Les exemples suivants montreront ensuite comment la notation «formule» peut servir à produire des
graphiques par panel avec l’extension lattice.
R> library(lattice)
NOTE
L’extension lattice présente l’avantage d’être installée par défaut avec R. Il n’est donc pas nécessaire
de l’installer préalablement.
Chargeons les mêmes données que le chapitre sur les graphiques bivariés.
– 1151 –
R> # charger l'extension lisant le format CSV

library(readr)
# emplacement souhaité pour le jeu de données

file <- "data/debt.csv"
# télécharger le jeu de données s'il n'existe pas

if (!file.exists(file)) {
download.file("http://www.stat.cmu.edu/~cshalizi/uADA/13/hw/11/debt.csv",
file,
mode = "wb"
)
}
# charger les données dans l'objet 'debt'

debt <- read_csv(file)
New names:
── Column specification
──────────────────────────────────── Delimiter: "," chr
(1): Country dbl (4): ...1, Year, growth, ratio
ℹ Use `spec()` to retrieve the full column specification
for this data. ℹ Specify the column types or set
`show_col_types = FALSE` to quiet this message.
• `` -> `...1`
Rejetons rapidement un coup d’oeil à ces données, qui sont structurées par pays (variable Country) et
par année (variable Year). On y trouve deux variables, growth (le taux de croissance du produit intérieur
brut réel), et ratio (le ratio entre la dette publique et le produit intérieur brut), ainsi qu’une première
colonne vide, ne contenant que des numéros lignes, dont on va se débarrasser :
R> # inspection des données

glimpse(debt, 75)
Rows: 1,171
Columns: 5
$ ...1 <dbl> 147, 148, 149, 150, 151, 152, 153, 154, 155, 156, 157, 15…
$ Country <chr> "Australia", "Australia", "Australia", "Australia", "Aust…
$ Year <dbl> 1946, 1947, 1948, 1949, 1950, 1951, 1952, 1953, 1954, 195…
$ growth <dbl> -3.5579515, 2.4594746, 6.4375341, 6.6119938, 6.9202012, 4…
$ ratio <dbl> 190.41908, 177.32137, 148.92981, 125.82870, 109.80940, 87…
– 1152 –
Formules
R> # suppression de la première colonne

debt <- debt[, -1]
Visualisation bivariée
Le même graphique s’écrit de la manière suivante avec l’extension lattice :
R> xyplot(growth ~ Year, data = debt)
Visualisation par «petits multiples»

Appliquons désormais la même visualisation par «petits multiples» que vue dans le chapitre :
– 1153 –
R> xyplot(growth ~ Year | Country, data = debt)
Enfin, rajoutons quelques options au graphique, afin de montrer comment l’extension lattice fonctionne :
– 1154 –
Formules
R> xyplot(growth ~ Year | Country,

type = c("o", "l"),
main = "Données Reinhart et Rogoff corrigées, 1946-2009",
ylab = "Taux de croissance du PIB",
xlab = NULL,
data = debt
)
Spécifier des modèles
Les formules R
En réalité, la notation par formule qu’utilise R est celle proposée par Wilkinson et al. dans les années 70
pour schématiser la relation entre plusieurs variables dans un plan d’expérience. Plus spécifiquement,
l’idée revient à exprimer une relation «fonctionnelle», symbolisée par l’opérateur ~ , entre une variable
réponse y et une ou plusieurs variables explicatives. Disons, pour simplifier, que y est une variable
d’intérêt (numérique ou facteur selon le type de modèle), x une variable numérique et que a et b sont
– 1155 –
des variables catégorielles (des facteurs dans le langage R). Voici les principales relations auxquelles on
peut s’intéresser dans un modèle statistique :
• y ~ x : régression simple,
• y ~ x + 0 : idem avec suppression du terme d’ordonnée à l’origine,
• y ~ a + b : régresse avec deux effets principaux indépendants,
• y ~ a * b : idem avec interaction (équivalent à 1 + a + b + a:b ),
• y ~ a / b : idem en considérant une relation d’emboîtement (équivalent à
1 + a + b + a %in% b ).
L’opérateur | est quant à lui utilisé par l’extension lme4 dans le cadre de modèles mixtes avec effets
aléatoires.
Voir le chapitre dédié à la régression logistique, page 519 pour des exemples de modèles multivariés et le
chapitre dédié aux effets d’interaction, page 781 pour plus de détails sur cette notion.

Comme vient de le voir dans ce chapitre, la notation «formule» apparaît çà et là dans les différentes
fonctions de R est de ses extensions. Il est par conséquent utile d’en connaître les rudiments, et en
particulier les opérateurs ~ (tilde) et + , ne serait-ce que pour pouvoir se servir des différentes fonctions
présentées sur cette page. Le chapitre lattice et les formules, page 1091 fournit plus de détails sur ces
aspects.
La notation «formule» devient cruciale dès que l’on souhaite rédiger des modèles : la formule y ~ x , par
exemple, qui est équivalente à la formule y ~ 1 + x , correspond à l’équation mathématique Y = a + bX.
On trouvera de nombreux exemples d’usage de cette notation dans les chapitres consacrés, notamment,
à la régression linéaire ou à la régression logistique, page 519.
De la même manière, l’opérateur | (pipe) utilisé par l’extension lattice joue aussi un rôle très important
dans la rédaction de modèles multi-niveaux, où il sert à indiquer les variables à pentes ou à coefficients
aléatoires. Ces modèles sont présentés dans un chapitre dédié.
– 1156 –
Structures conditionnelles
Les boucles avec while . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1157
Les boucles avec for . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1158
Les conditions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1159
Les instructions if … else . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1159
La fonction switch . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1161
L’instruction repeat … break . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1162
L’instruction next . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1163
Barre de progression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1163
Pour approfondir . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1164
NOTE
La version originale de ce chapitre a été écrite par Ewen Gallic dans le cadre de son support de cours
d’Ewen Gallic intitulé Logiciel R et programmation, chapitre 4 «Boucles et calculs vectoriels».
Il existe deux sortes de boucles dans R. Celles pour lesquelles les itérations continuent tant qu’une
condition n’est pas invalidée ( while ), et celles pour lesquelles le nombre d’itérations est défini au
moment de lancer la boucle ( for ).
Avant de présenter chacune de ces fonctions, il est nécessaire de préciser que les boucles ne sont pas le
point fort de R. Dès que l’on souhaite appliquer une fonction à chaque élément d’un vecteur, et/ou que
le résultat de chaque itération ne dépend pas de l’itération précédente, il est préférable de vectoriser les
calculs (voir le chapitre sur la vectorisation, page 1165).
Les boucles avec while

Quand on souhaite répéter un calcul tant qu’une condition est satisfaite, on utilise la fonction while ,
avec la syntaxte suivante :
– 1157 –
R> while (condition) {

instruction
}
avec condition une valeur logique ( TRUE ou FALSE ), et instruction du code, qui peut être entouré
d’accolades si on souhaite évaluer plusieurs instructions.
Le code instruction sera répété tant que condition est vrai. Prenons l’exemple d’une plante qui
mesure 10 centimètres et qui va grandir de 10 % tous les ans jusqu’à atteindre 2 mètres.
R> taille <- 0.10

duree <- 0
while (taille < 2) {
taille <- taille * 1.1
duree <- duree + 1
}
message(glue::glue("La plante a atteint {round(taille, 1)} mètres en {duree} a
nnées."))
La plante a atteint 2.1 mètres en 32 années.
Les boucles avec for

Quand on connaît le nombre d’itérations à l’avance, on peut utiliser la boucle for . La syntaxe est la
suivante :
R> for (variable in vector) {

instruction
}
avec variable le nom d’une variable locale à la boucle for , vector un vecteur à n éléments
définissant les valeurs que prendra variable pour chacun des n tours, et instruction le code à
exécuter à chaque itération.
On peut utiliser for pour remplir les éléments d’une liste, ou d’un vecteur.
– 1158 –
R> # Mauvaise manière

resultat <- NULL
for (i in 1:3) {
resultat[i] <- i
}
resultat
[1] 1 2 3
À chaque itération, R doit trouver le vecteur de destination en mémoire, créer un nouveau vecteur qui
permettra de contenir plus de données, copier données depuis l’ancien vecteur pour les insérer dans le
nouveau, et enfin supprimer l’ancien vecteur (Ross, 2014). C’est une opération coûteuse en temps. Un
moyen de rendre cette allocation plus efficace est de créer a priori le vecteur ou la liste en le remplissant
avec des données manquantes. Ainsi, R n’aura pas besoin de ré-allouer la mémoire à chaque itération.
R> # Manière plus économique

resultat <- rep(NA, 3)
for (i in 1:3) {
resultat[i] <- i
}
resultat
[1] 1 2 3
Les conditions
On peut soumettre l’exécution de codes en R à conditions que certaines conditions soient honorées.
Les instructions if … else

Les instructions if et else fournissent un moyen d’exécuter du code si une condition est respectée ou
non. La syntaxe prend deux formes :
– 1159 –
R> # Première forme (pas de code si condition == FALSE)

if (condition) {instruction si vrai}
# Seconde forme
if (condition) {instruction si vrai} else {instruction si faux}
avec condition un logique, instruction si vrai le code à exécuter si la condition est vérifiée et
instruction si faux le code à exécuter si la condition n’est pas remplie. À nouveau, on peut avoir
recours aux accolades pour créer des regroupements.
R> # Simple condition

x <- 2
if (x == 2) print("Hello")
[1] "Hello"
R> x <- 3
if (x == 2) print("Hello")
# Avec des instructions dans le cas contraire

if (x == 2) print("Hello") else print("x est différent de 2")
[1] "x est différent de 2"
R> if (x == 2) {
print("Hello")
} else {
x <- x - 1
print(paste0("La nouvelle valeur de x : ", x))
}
[1] "La nouvelle valeur de x : 2"
I M P O R TA N T
Attention, lorsque l’on fait des regroupements et qu’on utilise la structure if et else , il est
nécessaire d’écrire le mot else sur la même ligne que la parenthèse fermante du groupe
d’instructions à réaliser dans le cas où la condition du if est vérifiée.
– 1160 –
La fonction switch
Avec la fonction switch , on peut indiquer à R d’exécuter un code en fonction du résultat obtenu lors d’un
test. La syntaxe est la suivante :
R> switch(valeur_test,
cas_1 = {
instruction_cas_1
},
cas_2 = {
instruction_cas_2
},
...
)
avec valeur_test un nombre ou une chaîne de caractères. Si valeur_test vaut cas_1 , alors
uniquement instruction_cas_1 sera évaluée, si valeur_test vaut cas_2 , alors ce sera
instruction_cas_2 qui le sera, et ainsi de suite. On peut rajouter une valeur par défaut en utilisant la
syntaxte suivante :
R> switch(valeur_test,
cas_1 = {
instruction_cas_1
},
cas_2 = {
instruction_cas_2
},
...,
{
instruction_defaut
}
)
Voici un exemple d’utilisation, issu de la page d’aide de la fonction.
– 1161 –
R> centre <- function(x, type) {

switch(type,
mean = mean(x),
median = median(x),
trimmed = mean(x, trim = .1)
)
}
x <- rcauchy(10)
centre(x, "mean")
[1] 1.79229
R> centre(x, "median")
[1] 0.3857596
R> centre(x, "trimmed")
[1] 0.6393129
L’instruction repeat … break

L’instruction repeat permet de répéter une expression. Il est nécessaire d’ajouter un test d’arrêt, à l’aide
de l’instruction break .
R> i <- 1
repeat {
i <- i + 1
if (i == 3) break
}
i
[1] 3
– 1162 –
L’instruction next
L’instruction next autorise de passer immédiatement à l’itération suivante d’une boucle for , while
ou repeat .
R> result <- rep(NA, 10)

for (i in 1:10) {
if (i == 5) next
result[i] <- i
}
# Le 5e élément de result n'a pas été traité
result
[1] 1 2 3 4 NA 6 7 8 9 10
Barre de progression
Lorsque l’exécution d’une boucle prend du temps, il peut être intéressant d’avoir une idée de l’état
d’avancement des itérations. Pour cela, il est bien sûr possible d’afficher une valeur dans la console à
chaque tour, chaque 10 tours, etc.
La fonction txtProgressBar de l’extension utils permet un affichage d’une barre de progression dans la
console. Il suffit de lui fournir une valeur minimale et maximale, et de la mettre à jour à chaque itération.
Le paramètre style autorise de surcroit à choisir un «style» pour la barre. Le style numéro 3 affiche un
pourcentage de progression, et est utile lorsque d’autres résultats sont affichés dans la console lors de
l’exécution de la boucle, dans la mesure où la barre est de nouveau affichée au complet dans la console si
nécessaire.
Dans l’exemple qui suit, à chacun des dix tours, une pause de 0.1 seconde est effectuée, puis la barre de
progression est mise à jour.
R> nb_tours <- 10

pb <- txtProgressBar(min = 1, max = nb_tours, style = 3)
for (i in 1:nb_tours) {
Sys.sleep(0.1)
setTxtProgressBar(pb, i)
}
– 1163 –
|
| | 0%
|
|====== | 11%
|
|=========== | 22%
|
|================= | 33%
|
|====================== | 44%
|
|============================ | 56%
|
|================================= | 67%
|
|======================================= | 78%
|
|============================================ | 89%
|
|==================================================| 100%
Pour plus d’options, on pourra se référer à la fonction progress_bar de l’extension progress, présentée
en détail sur https://r-pkg.org/pkg/progress.
Si l’exécution est vraiment longue, et qu’on est impatient de connaître les résultats, il existe de plus une
fonction amusante dans l’extension beepr, qui porte le nom de beep . Plusieurs sons peuvent être utilisés
(voir la page d’aide de la fonction).
R> library(beepr)
beep("mario")
Pour approfondir
On pourra également consulter le chapitre Boucles et exécution conditionnelle de l’excellente Introduction
à R et au tidyverse de Julien Barnier (https://juba.github.io/tidyverse).
– 1164 –
Vectorisation (dont purrr)
Les fonctions de l’extension purrr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1166
Les fonctions de l’extension plyr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1167
Array en input : a*ply . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1168
Data.frame en input : d*ply . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1171
List en input : l*ply . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1173
Calcul parallèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1174
Les fonctions de la famille apply du package base . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1175
La fonction lapply . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1175
La fonction sapply . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1178
La fonction vapply . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1180
La fonction apply . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1181
La fonction tapply . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1182
La fonction mapply . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1183
La fonction Vectorize . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1184
NOTE
La version originale de ce chapitre a été écrite par Ewen Gallic dans le cadre de son support de cours
d’Ewen Gallic intitulé Logiciel R et programmation, chapitre 4 «Boucles et calculs vectoriels».
Les boucles, page 1157 sont des opérations lentes en R. Il est cependant possible, dans de nombreux cas,
d’éviter de les employer, en ayant recours à la vectorisation : au lieu d’appliquer une fonction à un scalaire,
on l’applique à un vecteur. En fait, nous avons déjà eu recours à maintes reprises aux calculs vectoriels. En
effet, lorsque nous avons procédé à des additions, des multiplications, etc. sur des vecteurs, nous avons
effectué des calculs vectoriels.
Empruntons un exemple à Burns (2011) : dans des langages comme le C, pour effectuer la somme des
logarithmes naturels des n premiers entiers, voici une manière de faire :
– 1165 –
R> # Somme des logarithmes des 10 premiers entiers

somme_log <- 0
for (i in seq_len(10)) {
somme_log <- somme_log + log(i)
}
somme_log
[1] 15.10441
Il est possible d’obtenir le même résultat, à la fois d’une manière plus élégante, mais surtout plus efficace
en vectorisant le calcul :
R> sum(log(seq_len(10)))
[1] 15.10441
Derrière ce code, la fonction log applique la fonction logarithme sur toutes les valeurs du vecteur donné
en paramètre. La fonction sum , quant à elle, se charge d’additionner tous les éléments du vecteur qui
lui est donné en paramètre. Ces deux fonctions utilisent la vectorisation, mais d’une manière différente :
la fonction log applique une opération à chaque élément d’un vecteur, tandis que la fonction sum
produit un résultat basé sur l’ensemble du vecteur. L’avantage d’utiliser des fonctions vectorielles plutôt
que d’écrire une boucle pour effectuer le calcul, est que ces premières font appel à des fonctions rédigées
en C ou FORTRAN, qui utilisent aussi des boucles, mais comme ce sont des langages compilés et non pas
interprétés, les itérations sont réalisées dans un temps réduit.
Il existe des fonctions, rédigées en C qui effectuent des boucles for . On leur donne souvent le nom
de “fonctions de la famille apply”. Il ne s’agit pas de la vectorisation, mais ces fonctions sont souvent
mentionnées dès que l’on parle de ce sujet. Ce sont des fonctionnelles qui prennent une fonction en
input et retournent un vecteur en output (Wickham, 2014). Ces fonctions sont très utilisées, mais elles
souffrent d’un manque d’uniformité. En effet, elles ont été rédigées par des personnes différentes, ayant
chacune leur convention. L’extension plyr remédie à ce problème, et ajoute par la même occasion des
fonctions supplémentaires, pour couvrir plus de cas que les “fonctions de la famille apply”.
Nous allons donc présenter dans un premier temps les fonctions du package plyr. Les fonctions du même
type du package base seront tout de même présentées par la suite.
Les fonctions de l’extension purrr

L’extension purrr du tidyverse a beaucoup évolué ces dernières années et permet d’itérer facilement des
opérations sur une liste ou un tableau. Cette extension s’articule également avec les tableaux imbriqués
rendus possibles par tibble et tidyr (voir la fonction nest et sa vignette dédiée :
– 1166 –
https://tidyr.tidyverse.org/articles/nest.html).
Concernant purrr, on pourra consulter le chapitre Itérer avec purrr de l’excellente Introduction à R et au
tidyverse de Julien Barnier (https://juba.github.io/tidyverse).
Julien Barnier y aborde notamment la fonction map et ses variantes comme map_dbl , map_chr ,
map_int , map_dfr , map_dfc , modify , imap , walk …
Les fonctions de l’extension plyr

Les fonctions que nous allons aborder dans cette section possèdent des noms faciles à se remémorer : la
première lettre correspond au format d’entrée des données, la seconde au format de sortie souhaité, et
la fin du nom se termine par le suffixe ply . Ainsi, la fonction llpply prend en entrée une liste, effectue
une opération sur les éléments, et retourne une liste (Anderson, 2012).
Les différentes fonctions que nous allons passer en revue sont consignées dans le tableau ci-après, où les
lignes correspondent aux formats d’entrée, et les lignes aux formats de sortie. Pour y avoir accès, il faut
charger le package :
R> library(plyr)
----------------------------------------------------------
You have loaded plyr after dplyr - this is likely to cause problems.
If you need functions from both plyr and dplyr, please load plyr first, then dpl
yr:
library(plyr); library(dplyr)
----------------------------------------------------------
Attachement du package : 'plyr'
L'objet suivant est masqué depuis 'package:purrr':
compact
Les objets suivants sont masqués depuis 'package:dplyr':
arrange, count, desc, failwith, id, mutate,

rename, summarise, summarize
L'objet suivant est masqué depuis 'package:gtsummary':
– 1167 –
mutate
Attachement du package : 'kableExtra'
group_rows
Format de sortie
array data.frame list
Format d’entée array aaply adply alply
Format d’entée data.frame daply ddply dlply
Format d’entée list laply ldply llply
Il est possible d’avoir plusieurs paramètres en input au lieu d’un seul objet. Les fonctions mlply , mdply
et maply . Si à la place du m , la première lettre est un r , il s’agit alors de fonction de réplications. Enfin,
si la seconde lettre est un trait de soulignement ( _ ), alors le résultat retourné n’est pas affiché (le code
utilise la fonction invisible .
Tous les paramètres de ces fonctions commencent par un point ( . ), afin d’éviter des incompatibilités avec
la fonction à appliquer.
Array en input : a*ply

Les fonctions aaply , adply et alply appliquent une fonction à chaque portion d’un array et ensuitent
joignent le résultat sous forme d’un array, d’un data.frame ou d’une list respectivement.
NOTE
Un array peut être vu comme un vecteur à plusieurs dimensions. Comme pour un vecteur, toutes les
valeurs doivent être du même type. Un vecteur n’est finalement qu’un array à une seule dimension. De
même, un array à deux dimensions correspond à ce qu’on appelle usuelement une matrice.
Le paramètre .margins détermine la manière de découper le tableau. Il y en a quatre pour un tableau en

deux dimensions :
– 1168 –
1. .margins = 1 : par lignes ;

2. .margins = 2 : par colonnes ;
3. .margins = c(1,2) : par cellule ;
4. .margins = c() : ne pas faire de découpement.
Pour un tableau en trois dimensions, il y a trois découpages possibles en deux dimensions, trois en une
dimension et une en zéro dimension (voir (Wickham, 2011)) au besoin.
R> tableau <- array(

1:24,
dim = c(3, 4, 2),
dimnames = list(
ligne = letters[1:3],
colonne = LETTERS[1:4],
annee = 2001:2002
)
)
tableau
, , annee = 2001
colonne
ligne A B C D
a 1 4 7 10
b 2 5 8 11
c 3 6 9 12
, , annee = 2002
colonne
ligne A B C D
a 13 16 19 22
b 14 17 20 23
c 15 18 21 24
R> # La moyenne des valeurs pour chaque ligne

aaply(tableau, 1, mean) # résultat sous forme de tableau
a b c
11.5 12.5 13.5
R> adply(tableau, 1, mean) # résultat sous forme de data.frame
– 1169 –
R> alply(tableau, 1, mean) # résultat sous forme de liste
$`1`
[1] 11.5
$`2`
[1] 12.5
$`3`
[1] 13.5
attr(,"split_type")
[1] "array"
attr(,"split_labels")
ligne
1 a
2 b
3 c
R> # La moyenne des valeurs pour chaque colonne

# en ne simplifiant pas le résultat
aaply(tableau, 2, mean, .drop = FALSE)
colonne 1
A 8
B 11
C 14
D 17
R> # Par lignes et colonnes

aaply(tableau, c(1, 2), mean)
colonne
ligne A B C D
a 7 10 13 16
b 8 11 14 17
c 9 12 15 18
R> adply(tableau, c(1, 2), mean)
– 1170 –
R> # Avec une fonction définie par l'utilisateur

standardise <- function(x) (x - min(x)) / (max(x) - min(x))
# Standardiser les valeurs par colonne
aaply(tableau, 2, standardise)
, , annee = 2001
ligne
colonne a b c
A 0 0.07142857 0.1428571
B 0 0.07142857 0.1428571
C 0 0.07142857 0.1428571
D 0 0.07142857 0.1428571
, , annee = 2002
ligne
colonne a b c
A 0.8571429 0.9285714 1
B 0.8571429 0.9285714 1
C 0.8571429 0.9285714 1
D 0.8571429 0.9285714 1
Data.frame en input : d*ply

Dans le cas de l’analyse d’enquêtes, on utilise principalement des tableaux de données ou data.frame.
Aussi, la connaissance des fonction daply , ddply et dlply peut être utile. En effet, elles sont très
utiles pour appliquer des fonctions à des groupes basés sur des combinaisons de variables, même si dans
la majorité des cas il est maintenant plus facile de passer par les extensions dplyr ou data.table avec les
opérations groupées (voir la section sur groub_by de dplyr, page 0 ou encore celle sur le paramètre by de
data.table, page 0.
Avec les fonctions d*ply , il est nécessaire d’indiquer quelles variables, ou fonctions de variables on
souhaite utiliser, en l’indiquant au paramètre .variables . Elles peuvent être contenue dans le data
frame fourni au paramètre .data , ou bien provenir de l’environnement global. R cherchera dans un
premier temps si la variable est contenue dans le data.frame et, s’il ne trouve pas, ira chercher dans
l’environnement global.
Pour indiquer que l’on désire faire le regroupement selon une variable – mettons variable_1 – il faudra
fournir l’expression .(variable_1) au paramètre .variables . Si on souhaite effectuer les
regroupement selon les interactions de plusieurs variables – variable_1 , variable_2 et
variable_3 , il faut alors utiliser l’expression suivante : .(variable_1, variable_2, variable_3) .
– 1171 –
R> chomage <- data.frame(

region = rep(c(rep("Bretagne", 4), rep("Corse", 2)), 2),
departement = rep(c(
"Cotes-d'Armor", "Finistere",
"Ille-et-Vilaine", "Morbihan",
"Corse-du-Sud", "Haute-Corse"
), 2),
annee = rep(c(2011, 2010), each = 6),
ouvriers = c(
8738, 12701, 11390, 10228, 975, 1297,
8113, 12258, 10897, 9617, 936, 1220
),
ingenieurs = c(
1420, 2530, 3986, 2025, 259, 254,
1334, 2401, 3776, 1979, 253, 241
)
)
chomage
R> # Total chomeurs en Bretagne et en Corse pour les années 2010 et 2011
# sous forme de data.frame
ddply(chomage, .(annee), summarise, total_chomeurs = sum(ouvriers + ingenieur
s))
R> # sous forme de array

daply(chomage, .(annee), summarise, total_chomeurs = sum(ouvriers + ingenieur
s))
$`2010`
[1] 53025
$`2011`
[1] 55803
R> # sous forme de list

dlply(chomage, .(annee), summarise, total_chomeurs = sum(ouvriers + ingenieur
s))
$`2010`
total_chomeurs
1 53025
– 1172 –
$`2011`
total_chomeurs
1 55803
attr(,"split_type")
[1] "data.frame"
attr(,"split_labels")
annee
1 2010
2 2011
R> # Total chomeurs pour les années 2010 et 2011, par région du data frame
ddply(chomage, .(annee, region), summarise,
total_chomeurs = sum(ouvriers + ingenieurs)
)
R> # Nombre d'observations pour chaque groupe

ddply(chomage, .(annee, region), nrow)
R> # En utilisant une fonction définie par l'utilisateur

ddply(chomage, .(annee, region), function(x) {
moy_ouvriers <- mean(x$ouvriers)
moy_ingenieurs <- mean(x$ingenieurs)
data.frame(moy_ouvriers = moy_ouvriers, moy_ingenieurs = moy_ingenieurs)
})
List en input : l*ply

Les fonctions du type l*ply prennent une liste en entrée. Il n’y a donc pas de paramétrage à effectuer
pour choisir un découpage, il est déjà fait.
R> set.seed(1)
liste <- list(normale = rnorm(10), logiques = c(TRUE, TRUE, FALSE), x = c(0, N
A, 3))
# Obtenir la longueur de chaque élément de la liste
laply(liste, length)
[1] 10 3 3
R> ldply(liste, length)
– 1173 –
R> llply(liste, length)
$normale
[1] 10
$logiques
[1] 3
$x
[1] 3
R> # Calculer la moyenne pour chaque élément

unlist(llply(liste, mean, na.rm = TRUE))
normale logiques x
0.1322028 0.6666667 1.5000000
R> # Appliquer une fonction définie par l'utilisateur

llply(liste, function(x, y) x / mean(x, na.rm = TRUE) + y, y = 2)
$normale
[1] -2.7385827 3.3891033 -4.3208096 14.0669232 4.4924421
[6] -4.2061356 5.6869803 7.5847895 6.3552892 -0.3099997
$logiques
[1] 3.5 3.5 2.0
$x
[1] 2 NA 4
Calcul parallèle
En utilisant plusieurs processeurs, on peut effectuer des calculs parallèles, ce qui accélère les calculs dans
certains cas. En effet, quand il est possible de fractionner les opérations à effectuer en morceaux, on peut
en réaliser une partie sur un processeur, une autre sur un second processeur, et ainsi de suite. Les résultats
obtenus sont ensuite rassemblés avant d’être retournés. Le package doMC (ou doSMP sur Windows)
peut être chargé pour utiliser la fonction de calcul parallèle proposé par les fonctions **ply . Il suffit de
préciser le nombre de coeurs souhaité en faisant appel à la fonction registerDoMC , et de fixer la valeur
TRUE au paramètre .parallel de la fonction **ply .
– 1174 –
Les fonctions de la famille apply du package base

Le tableau ci-après recense les fonctions principales de la famille apply du package base .
Fonction Input Output
apply Matrice ou tableau Vecteur ou tableau ou liste
lapply Liste ou vecteur Liste
sapply Liste ou vecteur Vecteur ou matrice ou liste
vapply Liste ou vecteur Vecteur ou matrice ou liste
tapply Tableau et facteurs Tableau ou liste
mapply Listes et/ou vecteurs Vecteur ou matrice ou liste
La fonction lapply
La fonction lapply applique à chaque élément du premier paramètre qui lui est donné une fonction
indiquée en second paramètre et retourne le résultat sous forme de liste. La syntaxe est la suivante :
R> lapply(X, FUN, ...)
avec X la liste ou le vecteur donné en paramètre sur lequel on désire appliquer la fonction FUN . La
paramètre ... permet de fournir des paramètres à une fonction imbriquée, en l’occurance à celle que
l’on souhaite appliquer à tous les éléments de X .
R> liste <- list(normale = rnorm(10), logiques = c(TRUE, TRUE, FALSE), x = c(0, N
A, 3))
# Obtenir la liste des longueurs de chaque élément

lapply(liste, length)
$normale
[1] 10
$logiques
[1] 3
– 1175 –
$x
[1] 3
R> # Calculer la moyenne pour chaque élément

lapply(liste, mean, na.rm = TRUE)
$normale
[1] 0.248845
$logiques
[1] 0.6666667
$x
[1] 1.5
On peut créer une fonction à l’intérieur de l’appel à lapply . Le premier paramètre est nécessairement
un élément du vecteur auquel on souhaite appliquer la fonction.
R> lapply(liste, function(x) x / mean(x, na.rm = TRUE))
$normale
[1] 6.07519277 1.56661087 -2.49649643 -8.89991820
[5] 4.52060941 -0.18056868 -0.06506164 3.79286833
[9] 3.30013177 2.38663180
$logiques
[1] 1.5 1.5 0.0
$x
[1] 0 NA 2
R> # Si la fonction doit posséder plusieurs paramètres

lapply(liste, function(x, y) x / mean(x, na.rm = TRUE) + y, y = 2)
$normale
[1] 8.0751928 3.5666109 -0.4964964 -6.8999182 6.5206094
[6] 1.8194313 1.9349384 5.7928683 5.3001318 4.3866318
$logiques
[1] 3.5 3.5 2.0
$x
– 1176 –
[1] 2 NA 4
On peut appliquer la lapply sur des tableaux de données, dans la mesure où ces derniers sont des listes.
Cela s’avère pratique pour réaliser des opérations pour chaque colonne d’un tableau de données. Afin de
prendre moins de place dans l’affichage, l’exemple suivant utilise la fonction unlist pour «aplatir» la liste
obtenue.
R> data(cars)
# Afficher le type de chaque colonne de la data frame "cars"

unlist(lapply(cars, class))
speed dist
"numeric" "numeric"
R> # Calculer la moyenne pour chaque colonne

unlist(lapply(cars, mean))
speed dist
15.40 42.98
– 1177 –
NOTE
Attention, ce qui suit relève plus d’un tour de passe-passe que de la programmation élégante.
Si la fonction que l’on souhaite appliquer aux éléments de notre vecteur retourne un vecteur ligne de
même longueur pour chaque élément, la fonction do.call peut devenir un outil très pratique pour
créer une data frame. Voyons-le à travers un exemple.
R> l <- lapply(1:3, function(x) cbind(valeur = x, lettre = LETTERS[x]))

l
[[1]]
valeur lettre
[1,] "1" "A"
[[2]]
valeur lettre
[1,] "2" "B"
[[3]]
valeur lettre
[1,] "3" "C"
R> data.frame(do.call("rbind", l))
L’appel de do.call("rbind", x) revient à faire rbind(x[[1]], x[[2]], ..., x[[n]]) avec

x une liste de taille n .
La fonction sapply
La fonction sapply applique une fonction aux éléments d’un vecteur ou d’une liste et peut retourner un
vecteur, une liste ou une matrice. Elle possède la syntaxe suivante :
R> sapply(X, FUN, simplify, USE.NAMES)
où X est le vecteur ou la liste auquel on souhaite appliquer la fonction FUN . Lorsque simplify vaut
FALSE , le résultat est retourné sous forme de liste, exactement comme lapply (la fonction sapply
s’appuie sur la fonction lapply ). Lorsque simplify vaut TRUE (par défaut), le résultat est retourné
dans une forme simplifiée, si cela est possible. Si tous les éléments retournés par la fonction FUN sont des
scalaires, alors sapply retourne un vecteur ; sinon, si les éléments retournés ont la même taille, sapply
– 1178 –
retourne une matrice avec une colonne pour chaque élément de X auquel la fonction FUN est appliquée.
Le paramètre USE.NAMES , quand il vaut TRUE (par défaut), et si X est de type character, utilise X
comme nom pour le résultat, à moins que le résultat possède déjà des noms.
R> (x <- list(a = 1:10, beta = exp(-3:3), logic = c(TRUE, FALSE, FALSE, TRUE)))
$a
[1] 1 2 3 4 5 6 7 8 9 10
$beta
[1] 0.04978707 0.13533528 0.36787944 1.00000000
[5] 2.71828183 7.38905610 20.08553692
$logic
[1] TRUE FALSE FALSE TRUE
R> # Application de la fonction quantile() à chaque élément

# pour obtenir la médiane et les quartiles
# Avec lapply()
lapply(x, quantile)
$a
0% 25% 50% 75% 100%
1.00 3.25 5.50 7.75 10.00
$beta
0% 25% 50% 75% 100%
0.04978707 0.25160736 1.00000000 5.05366896 20.08553692
$logic
0% 25% 50% 75% 100%
0.0 0.0 0.5 1.0 1.0
R> # Avec sapply

sapply(x, quantile)
a beta logic
0% 1.00 0.04978707 0.0
25% 3.25 0.25160736 0.0
50% 5.50 1.00000000 0.5
75% 7.75 5.05366896 1.0
100% 10.00 20.08553692 1.0
– 1179 –
R> # Exemple avec USE.NAMES

sapply(LETTERS[1:3], nchar)
A B C
1 1 1
R> sapply(LETTERS[1:3], nchar, USE.NAMES = FALSE)
[1] 1 1 1
La fonction vapply
La fonction vapply est similaire à sapply , mais elle possède un type de valeurs spécifié, ce qui peut
rendre l’utilisation plus sûre (et parfois plus rapide). Lorsqu’on lui fournit un data.frame, vapply retourne
le même résultat que sapply . Cependant, quand on lui fournit une liste vide, vapply retourne un
vecteur logique de longueur nulle (ce qui est plus sensé que la liste vide que returne sapply ).
R> vapply(X, FUN, FUN.VALUE, ..., USE.NAMES)
avec X , FUN , ... et USE.NAMES les mêmes paramètres que pour sapply . Le paramètre FUN.VALUE
doit être un vecteur, un masque pour la valeur retournée par la fonction de FUN .
R> # Retourner le vecteur

sapply(cars, is.numeric)
speed dist
TRUE TRUE
R> vapply(cars, is.numeric, FUN.VALUE = logical(1))
speed dist
TRUE TRUE
– 1180 –
R> # Avec la liste vide

sapply(list(), is.numeric)
list()
R> vapply(list(), is.numeric, FUN.VALUE = logical(1))
logical(0)
La fonction apply
La fonction apply possède la syntaxe suivante :
R> apply(X, MARGIN, FUN, ...)
avec X une matrice ou un tableau, MARGIN indiquant si on souhaite appliquer la fonction FUN aux lignes
(MARGIN = 1) ou aux colonnes (MARGIN = 2) , et ... des paramètres supplémentaires éventuels à
passer à la fonction FUN .
R> (X <- matrix(1:9, ncol = 3))
[,1] [,2] [,3]

[1,] 1 4 7
[2,] 2 5 8
[3,] 3 6 9
R> # Somme par ligne

apply(X, MARGIN = 1, sum)
[1] 12 15 18
R> # Somme par colonne

apply(X, MARGIN = 2, sum)
[1] 6 15 24
– 1181 –
R> # Fonction définie par l'utilisateur

apply(X, MARGIN = 1, function(x) sum(x) / sum(X))
[1] 0.2666667 0.3333333 0.4000000
La fonction tapply
La fonction tapply s’applique à chaque cellule d’un tableau, sur des regroupements définis par les
variables catégorielles fournies. La syntaxe est la suivante :
R> tapply(X, INDEX, FUN, ..., simplify)
avec X le tableau de données, INDEX une liste d’un ou plusieurs facteurs, chacun de même taille que
X . Le paramètre FUN renseigne la fonction que l’on souhaite appliquer. Si simplify vaut FALSE , le
résultat est un tableau de mode list. Sinon (par défaut), le résultat est un tableau de scalaires.
R> data(iris)
head(iris)
R> # Moyenne de la longueur des sépales par espèce

tapply(iris$Sepal.Length, iris$Species, mean)
setosa versicolor virginica

5.006 5.936 6.588
R> # Pour retourner le résultat sous forme de liste

tapply(iris$Sepal.Length, iris$Species, mean, simplify = FALSE)
$setosa
[1] 5.006
$versicolor
[1] 5.936
$virginica
[1] 6.588
– 1182 –
La fonction mapply
La fonction mapply applique une fonction à plusieurs listes ou vecteurs. La syntaxe est la suivante :
R> mapply(FUN, ..., MoreArgs, SIMPLIFY, USE.NAMES)
avec FUN la fonction à appliquer aux vecteurs ou listes fournies (grâce à ... ), MoreArgs une liste
de paramètres supplémentaires à fournir à la fonction à appliquer. Les paramètres SIMPLIFY et
USE.NAMES ont le même usage que pour la fonction sapply .
R> (l1 <- list(a = c(1:5), b = c(6:10)))
$a
[1] 1 2 3 4 5
$b
[1] 6 7 8 9 10
R> (l2 <- list(c = c(11:15), d = c(16:20)))
$c
[1] 11 12 13 14 15
$d
[1] 16 17 18 19 20
R> # La somme des éléments correspondants de l1 et l2

mapply(sum, l1$a, l1$b, l2$c, l2$d)
[1] 34 38 42 46 50
R> # Attention au recyclage silencieux !

(l1 <- list(a = c(1:5), b = c(6:20)))
$a
[1] 1 2 3 4 5
– 1183 –
$b
[1] 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
R> mapply(sum, l1$a, l1$b, l2$c, l2$d)
[1] 34 38 42 46 50 39 43 47 51 55 44 48 52 56 60
La fonction Vectorize
La fonction Vectorize permet de convertir une fonction scalaire en une fonction vectorielle. Attention,
cela ne permet pas d’améliorer la rapidité d’exécution du code. Par contre, son utilisation assez intuitive
permet de gagner du temps. Il s’agit donc de faire l’arbitrage entre le temps passé à trouver un moyen
élégant et efficace pour effectuer une opération en passant par de réels calculs vectoriels et le gain
d’exécution que ce calcul vectoriel apporte vis-à-vis d’une boucle. La syntaxe de la Vectorize est la
suivante :
R> Vectorize(FUN, vectorize.args, SIMPLIFY, USE.NAMES)
avec FUN une fonction à appliquer, vectorize.args un vecteur de paramètres (de type caractère)
qui devraient être vectorisés (par défaut, tous les paramètre de FUN ). Les paramètres SIMPLIFY et
USE.NAMES on le même emploi que dans la fonction sapply .
R> f <- function(x = 1:3, y) c(x, y)

# On "vectorise" la fonction f
vf <- Vectorize(f, SIMPLIFY = FALSE)
f(1:3, 1:3)
[1] 1 2 3 1 2 3
R> vf(1:3, 1:3)
[[1]]
[1] 1 1
[[2]]
[1] 2 2
[[3]]
– 1184 –
[1] 3 3
R> # Vectorise seulement y, pas x

vf(y = 1:3)
[[1]]
[1] 1 2 3 1
[[2]]
[1] 1 2 3 2
[[3]]
[1] 1 2 3 3
– 1185 –
Expressions régulières
Les expressions régulières sont un outils pour rechercher / remplacer dans des chaînes de texte. Il est
préférable d’avoir lu au préalable le chapitre dédié à la manipulation de texte, page 297.
Pour une introduction (en anglais) aux expressions régulières, on pourra se référer au chapitre «Strings»
de l’ouvrage R for Data Science de Garrett Grolemund et Hadley Wickham (http://r4ds.had.co.nz/
strings.html).
Pour aller plus loin, le site de l’extension stringr propose une présentation détaillée (en anglais) de la
syntaxe des expressions régulières (http://stringr.tidyverse.org/articles/regular-expressions.html).
Pour des besoins plus pointus, on pourra aussi utiliser l’extension stringi sur laquelle est elle-même basée
stringr.
– 1187 –
R Markdown : les rapports
automatisés
Rapport rapide à partir d’un script R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1190
Un premier exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1191
Créer un nouveau document . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1196
Élements d’un document R Markdown . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1197
En-tête (préambule) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1198
Texte du document . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1199
Blocs de code R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1200
Compiler un document (Knit) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1202
Personnaliser le document généré . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1203
Options des blocs de code R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1205
Nom du bloc . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1206
Options . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1206
Modifier les options . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1207
Options globales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1208
Mise en cache des résultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1209
Rendu des tableaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1210
Tableaux croisés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1210
Tableaux de données et tris à plat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1212
Autres extensions pour présenter des tableaux . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1213
Éditeur avancé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1222
Modèles de documents . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1223
Slides . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1223
Templates . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1225
Ressources . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1229
WEBIN-R
– 1189 –
longitudinales) sur YouTube.
NOTE
et au tidyverse.
L’extension rmarkdown permet de générer des documents de manière dynamique en mélangeant texte
mis en forme et résultats produits par du code R. Les documents générés peuvent être au format HTML,
PDF, Word, et bien d’autres1. C’est donc un outil très pratique pour l’exportation, la communication et la
diffusion de résultats d’analyse.
Le présent document a lui-même été généré à partir de fichiers R Markdown.
rmarkdown ne fait pas partie du tidyverse, mais elle est installée et chargée par défaut par RStudio2.
Rapport rapide à partir d’un script R

Si vos analyses sont présentes dans un script R et que ce script contient tout le nécessaire pour la
réalisation de votre analyse (i.e. chargement des données et des packages requis), vous pouvez très
facilement réaliser un rapport rapide au format HTML, Word ou PDF, contenant à la fois votre code et les
sorties associées.
Il suffit de cliquer sur l’icône compile report dans le quadrant supérieur gauche.
1. On peut citer les formats odt, rtf, Markdown, etc.
2. Si vous n’utilisez pas ce dernier, l’extension peut être installée à part avec install.packages("rmarkdown") et
chargée explicitement avec library(rmarkdown) .
– 1190 –
R Markdown : les rapports automatisés
position de l’icône compile report
Figure 1.
Position de l’icône compile report
De manière alternative, si votre script s’intitule analyses.R , vous pouvez exécuter la commande
suivante :
R> rmarkdown::render("analyses.R")
Pour plus d’informations sur les options disponibles, vous pouvez également consulter
https://rmarkdown.rstudio.com/articles_report_from_r_script.html.
Un premier exemple
Voici un exemple de document R Markdown minimal :
---
title: "Test R Markdown"
---
*R Markdown* permet de mélanger :
– 1191 –
- du texte libre mis en forme

- des blocs de code R
Les blocs de code sont exécutés et leur résultat affiché, par exemple :
```{r}
mean(mtcars$mpg)
```
## Graphiques
On peut également inclure des graphiques :
```{r}
plot(mtcars$hp, mtcars$mpg)
```
Ce document peut être «compilé» sous différents formats. Lors de cette étape, le texte est mis en forme,
les blocs de code sont exécutés, leur résultat ajouté au document, et le tout est transformé dans un des
différents formats possibles.
Voici le rendu du document précédent au format HTML :
– 1192 –
Rendu HTML
Figure 2.
Rendu HTML
– 1193 –
Le rendu du même document au format PDF :
Rendu PDF
Figure 3.
Rendu PDF
Et le rendu au format Word :
– 1194 –
Rendu docx
Figure 4.
Rendu docx
Les avantages de ce système sont nombreux :
• le code et ses résultats ne sont pas séparés des commentaires qui leur sont associés
• le document final est reproductible
• le document peut être très facilement régénéré et mis à jour, par exemple si les données source
ont été modifiées.
– 1195 –
I M P O R TA N T
Lorsque l’on génère un document Rmarkdown, les objets dans l’environnement actuel de la session
ne sont pas disponibles. En effet, le document est généré à partir d’une nouvelle session R. Il est donc
primordial dand le fichier Rmarkdown d’importer les données requises et de charger les extensions R
dont vous aurez besoin.
Créer un nouveau document

Un document R Markdown est un simple fichier texte enregistré avec l’extension .Rmd .
Sous RStudio, on peut créer un nouveau document en allant dans le menu File puis en choisissant New file
puis R Markdown…. La boîte de dialogue suivante s’affiche :
– 1196 –
Création d’un document R Markdown
Figure 5.
Création d’un document R Markdown
On peut indiquer le titre, l’auteur du document ainsi que le format de sortie par défaut (il est possible de
modifier facilement ses éléments par la suite). Plutôt qu’un document classique, on verra plus loin qu’on
peut aussi choisir de créer une présentation sous forme de slides (entrée Presentation) ou de créer un
document à partir d’un modèle (Entrée From Template).
Un fichier comportant un contenu d’exemple s’affiche alors. Vous pouvez l’enregistrer où vous le souhaitez
avec une extension .Rmd .
Élements d’un document R Markdown

Un document R Markdown est donc un fichier texte qui ressemble à quelque chose comme ça :
– 1197 –
---
title: "Titre"
author: "Prénom Nom"
date: "10 avril 2017"
output: html_document
---
```{r setup, include=FALSE}

knitr::opts_chunk$set(echo = TRUE)
```
## Introduction
Ceci est un document RMarkdown, qui mélange :
- du texte balisé selon la syntaxe Markdown

- des bouts de code R qui seront exécutés
Le code R se présente de la manière suivante :
```{r}
summary(cars)
```
## Graphiques
On peut aussi inclure des graphiques, par exemple :
```{r}
plot(pressure)
```
En-tête (préambule)
La première partie du document est son en-tête. Il se situe en tout début de document, et est délimité par
trois tirets ( --- ) avant et après :
---
title: "Titre"
author: "Prénom Nom"
date: "10 avril 2017"
output: html_document
---
– 1198 –
Cet en-tête contient les métadonnées du document, comme son titre, son auteur, sa date, plus tout un
tas d’options possibles qui vont permettre de configurer ou personnaliser l’ensemble du document et son
rendu. Ici, par exemple, la ligne output: html_document indique que le document généré doit être au
format HTML.
Texte du document
Le corps du document est constitué de texte qui suit la syntaxe Markdown. Un fichier Markdown est un
fichier texte contenant un balisage léger qui permet de définir des niveaux de titres ou de mettre en forme
le texte. Par exemple, le texte suivant :
Ceci est du texte avec *de l'italique* et **du gras**.
On peut définir des listes à puces :
- premier élément
- deuxième élément
Génèrera le texte mis en forme suivant :
Ceci est du texte avec de l’italique et du gr

gras
as.
On peut définir des listes à puces :
• premier élément
• deuxième élément
On voit que des mots placés entre des astérisques sont mis en italique, des lignes qui commencent par un
tiret sont transformés en liste à puce, etc.
On peut définir des titres de différents niveaux en faisant débuter une ligne par un ou plusieurs caractères
# :
# Titre de niveau 1
## Titre de niveau 2
### Titre de niveau 3
Quand des titres ont été définis, si vous cliquez sur l’icône Show document outline totalement à droite
de la barre d’outils associée au fichier R Markdown, une table des matières dynamique générée
automatiquement à partir des titres présents dans le document s’affiche et vous permet de naviguer
– 1199 –
facilement dans celui-ci :
Table des matières dynamique
Figure 6.
Table des matières dynamique
La syntaxe Markdown permet d’autres mises en forme, comme la possibilité d’insérer des liens ou des
images. Par exemple, le code suivant :
[Exemple de lien](https://example.com)
Donnera le lien suivant :
Exemple de lien
Dans RStudio, le menu Help puis Markdown quick reference donne un aperçu plus complet de la syntaxe.
Blocs de code R
En plus du texte libre au format Markdown, un document R Markdown contient, comme son nom
l’indique, du code R. Celui-ci est inclus dans des blocs (chunks) délimités par la syntaxe suivante :
```{r}
x <- 1:5
```
Comme cette suite de caractères n’est pas très simple à saisir, vous pouvez utiliser le menu Insert de
RStudio et choisir R3, ou utiliser le raccourci clavier Ctrl+Alt+i .
– 1200 –
Menu d’insertion d’un bloc de code
Figure 7.
Menu d’insertion d’un bloc de code
Dans RStudio les blocs de code R sont en général affichés avec une couleur de fond légèrement différente
pour les distinguer du reste du document.
Quand votre curseur se trouve dans un bloc, vous pouvez saisir le code R que vous souhaitez, l’exécuter,
utiliser l’autocomplétion, exactement comme si vous vous trouviez dans un script R. Vous pouvez
également exécuter l’ensemble du code contenu dans un bloc à l’aide du raccourci clavier
Ctrl+Shift+Entrée .
Dans RStudio, par défaut, les résultats d’un bloc de code (texte, tableau ou graphique) s’affichent
directement dans la fenêtre d’édition du document, permettant de les visualiser facilement et de les
conserver le temps de la session 4.
Lorsque le document est «compilé» au format HTML, PDF ou docx, chaque bloc est exécuté tour à tour, et
le résultat inclus dans le document final, qu’il s’agisse de texte, d’un tableau ou d’un graphique. Les blocs
sont liés entre eux, dans le sens où les données importées ou calculées dans un bloc sont accessibles aux
blocs suivants. On peut donc aussi voir un document R Markdown comme un script R dans lequel on aurait
intercalé du texte libre au format Markdown.
NOTE
À noter qu’avant chaque compilation, une nouvelle session R est lancée, ne contenant aucun objet.
Les premiers blocs de code d’un document sont donc souvent utilisés pour importer des données,
exécuter des recodages, etc.
3. Il est possible d’inclure dans un document R Markdown des blocs de code d’autres langages
4. Ce comportement peut être modifié en cliquant sur l’icône d’engrenage de la barre d’outils et en choisissant Chunk
Output in Console
– 1201 –
Compiler un document (Knit

Knit)
On peut à tout moment compiler, ou plutôt «tricoter» (Knit), un document R Markdown pour obtenir et
visualiser le document généré. Pour cela, il suffit de cliquer sur le bouton Knit et de choisir le format de
sortie voulu :
Menu Knit
Figure 8.
Menu Knit
Vous pouvez aussi utiliser le raccourci Ctrl+Shift+K pour compiler le document dans le dernier format
utilisé.
I M P O R TA N T
Pour la génération du format PDF, vous devez avoir une installation fonctionnelle de LaTeX sur votre
système. C’est en général le cas pour des ordinateurs Mac ou Linux, mais pas sous Windows : dans ce
cas vous devrez installer une distribution comme MiKTeX.
Un onglet R Markdown s’ouvre dans la même zone que l’onglet Console et indique la progression de la
compilation, ainsi que les messages d’erreur éventuels. Si tout se passe bien, Le document devrait
s’afficher soit dans une fenêtre Viewer de RStudio (pour la sortie HTML), soit dans le logiciel par défaut de
votre ordinateur.
– 1202 –
Personnaliser le document généré

La personnalisation du document généré se fait en modifiant des options dans le préambule du document.
RStudio propose néanmoins une petite interface graphique permettant de changer ces options plus
facilement. Pour cela, cliquez sur l’icône en forme d’engrenage à droite du bouton Knit et choisissez Output
Options…
Options de sortie R Markdown
Figure 9.
Options de sortie R Markdown
Une boîte de dialogue s’affiche vous permettant de sélectionner le format de sortie souhaité et, selon le
format, différentes options :
– 1203 –
Dialogue d’options de sortie R Markdown
Figure 10.
Dialogue d’options de sortie R Markdown
Pour le format HTML par exemple, l’onglet General vous permet de spécifier si vous voulez une table des
matières, sa profondeur, les thèmes à appliquer pour le document et la coloration syntaxique des blocs R,
etc. L’onglet Figures vous permet de changer les dimensions par défaut des graphiques générés.
NOTE
Une option très intéressante pour les fichiers HTML, accessible via l’onglet Advanced, est l’entrée
Create standalone HTML document. Si elle est cochée (ce qui est le cas par défaut), le document HTML
généré contiendra en un seul fichier le code HTML mais aussi les images et toutes les autres
ressources nécessaires à son affichage. Ceci permet de générer des fichiers (parfois assez volumineux)
que vous pouvez transférer très facilement à quelqu’un par mail ou en le mettant en ligne quelque
part. Si la case n’est pas cochée, les images et autres ressources sont placées dans un dossier à part.
– 1204 –
Lorsque vous changez des options, RStudio va en fait modifier le préambule de votre document. Ainsi, si
vous choisissez d’afficher une table des matières et de modifier le thème de coloration syntaxique, votre
en-tête va devenir quelque chose comme :
---
output:
html_document:
highlight: kate
toc: yes
---
Vous pouvez modifier les options directement en éditant le préambule.
À noter qu’il est possible de spécifier des options différentes selon les formats, par exemple :
---
output:
html_document:
highlight: kate
toc: yes
pdf_document:
fig_caption: yes
highlight: kate
---
La liste complète des options possibles est présente sur le site de la documentation officielle (très complet
et bien fait) et sur l’antisèche et le guide de référence, accessibles depuis RStudio via le menu Help puis
Cheatsheets.
Options des blocs de code R

Il est également possible de passer des options à chaque bloc de code R pour modifier son comportement.
On rappelle qu’on bloc de code se présente de la manière suivante :
```{r}
x <- 1:5
```
Les options d’un bloc de code sont à placer à l’intérieur des accolades {r} .
– 1205 –
Nom du bloc
La première possibilité est de donner un nom au bloc. Celui-ci est indiqué directement après le r :
{r nom_du_bloc}
Il n’est pas obligatoire de nommer un bloc, mais cela peut être utile en cas d’erreur à la compilation, pour
identifier le bloc ayant causé le problème. Attention, on ne peut pas avoir deux blocs avec le même nom.
Options
En plus d’un nom, on peut passer à un bloc une série d’options sous la forme option = valeur . Voici un
exemple de bloc avec un nom et des options :
```{r mon_bloc, echo = FALSE, warning = TRUE}

x <- 1:5
```
Et un exemple de bloc non nommé avec des options :
```{r echo = FALSE, warning = FALSE}

x <- 1:5
```
Une des options la plus utile est l’option echo . Par défaut echo vaut TRUE , et le bloc de code R est
inséré dans le document généré, de cette manière :
R> x <- 1:5

print(x)
[1] 1 2 3 4 5
Mais si on positionne l’option echo=FALSE , alors le code R n’est plus inséré dans le document, et seul le
résultat est visible :
[1] 1 2 3 4 5
Voici une liste de quelques unes des options disponibles :
– 1206 –
Option Valeurs Description
echo TRUE/FALSE Afficher ou

non le code R
dans le
document
eval TRUE/FALSE Exécuter ou

non le code R à
la compilation
include TRUE/FALSE Inclure ou non

le code R et ses
résultats dans
le document
results “hide”/“asis”/“markup”/“hold” Type de

résultats
renvoyés par le
bloc de code
warning TRUE/FALSE Afficher ou

non les
avertissements
générés par le
bloc
message TRUE/FALSE Afficher ou

non les
messages
générés par le
bloc
Il existe de nombreuses autres options décrites notamment dans guide de référence R Markdown (PDF
en anglais).
Modifier les options

Il est possible de modifier les options manuellement en éditant l’en-tête du bloc de code, mais on peut
aussi utiliser une petite interface graphique proposée par RStudio. Pour cela, il suffit de cliquer sur l’icône
d’engrenage située à droite sur la ligne de l’en-tête de chaque bloc :
– 1207 –
Menu d’options de bloc de code
Figure 11.
Menu d’options de bloc de code
Vous pouvez ensuite modifier les options les plus courantes, et cliquer sur Apply pour les appliquer.
Options globales
On peut vouloir appliquer une option à l’ensemble des blocs d’un document. Par exemple, on peut
souhaiter par défaut ne pas afficher le code R de chaque bloc dans le document final.
On peut positionner une option globalement en utilisant la fonction knitr::opts_chunk$set() . Par

exemple, insérer knitr::opts_chunk$set(echo = FALSE) dans un bloc de code positionnera l’option
echo = FALSE par défaut pour tous les blocs suivants.
En général, on place toutes ces modifications globales dans un bloc spécial nommé setup et qui est le
premier bloc du document :
```{r setup, include=FALSE}

knitr::opts_chunk$set(echo = TRUE)
```
NOTE
Par défaut RStudio exécute systématiquement le contenu du bloc setup avant d’exécuter celui d’un
autre bloc.
– 1208 –
Mise en cache des résultats

Compiler un document R Markdown peut être long, car il faut à chaque fois exécuter l’ensemble des blocs
de code R qui le constituent.
Pour accélérer cette opération, R Markdown utilise un système de mise en cache : les résultats de chaque
bloc sont enregistrés dans un fichier et à la prochaine compilation, si le code et les options du bloc n’ont
pas été modifiés, c’est le contenu du fichier de cache qui est utilisé, ce qui évite d’exécuter le code R.
NOTE
On peut activer ou désactiver la mise en cache des résultats pour chaque bloc de code avec l’option
cache = TRUE ou cache = FALSE , et on peut aussi désactiver totalement la mise en cache pour le
document en ajoutant knitr::opts_chunk$set(echo = FALSE) dans le premier bloc setup.
Ce système de cache peut poser problème par exemple si les données source changent : dans ce cas les
résultats de certains blocs peuvent ne pas être mis à jour s’ils sont présents en cache. Dans ce cas, on peut
vider le cache du document, ce qui forcera un recalcul de tous les blocs de code à la prochaine compilation.
Pour cela, vous pouvez ouvrir le menu Knit et choisir Clear Knitr Cache… :
Menu Knit
Figure 12.
Menu Knit
– 1209 –
Rendu des tableaux
Tableaux croisés
Par défaut, les tableaux issus de la fonction table sont affichés comme ils apparaissent dans la console
de R, en texte brut :
data(hdv2003)
tab <- lprop(table(hdv2003$qualif, hdv2003$sexe))
tab
Homme Femme Total

Ouvrier specialise 47.3 52.7 100.0
Ouvrier qualifie 78.4 21.6 100.0
Technicien 76.7 23.3 100.0
Profession intermediaire 55.0 45.0 100.0
Cadre 55.8 44.2 100.0
Employe 16.2 83.8 100.0
Autre 36.2 63.8 100.0
Ensemble 44.8 55.2 100.0
On peut améliorer leur présentation en utilisant la fonction kable de l’extension knitr. Celle-ci fournit
un formatage adapté en fonction du format de sortie. On aura donc des tableaux «propres» que ce soit en
HTML, PDF ou aux formats traitements de texte :
– 1210 –
R> library(knitr)
kable(tab)
Homme Femme Total
Ouvrier specialise 47.29 52.71 100
Ouvrier qualifie 78.42 21.58 100
Technicien 76.74 23.26 100
Profession intermediaire 55.00 45.00 100
Cadre 55.77 44.23 100
Employe 16.16 83.84 100
Autre 36.21 63.79 100
Ensemble 44.83 55.17 100
Différents arguments permettent de modifier la sortie de kable . digits , par exemple, permet de
spécifier le nombre de chiffres significatifs à afficher dans les colonnes de nombres :
R> kable(tab, digits = 1)
Homme Femme Total
Ouvrier specialise 47.3 52.7 100
Ouvrier qualifie 78.4 21.6 100
Technicien 76.7 23.3 100
Profession intermediaire 55.0 45.0 100
Cadre 55.8 44.2 100
Employe 16.2 83.8 100
Autre 36.2 63.8 100
Ensemble 44.8 55.2 100
Pour une présentation plus avancée, on pourra également avoir recours à l’extension gtsummary et aux
fonctions tbl_summary , tbl_svysummary et tbl_regression .
– 1211 –
R> hdv2003 %>%

dplyr::select(sexe, qualif) %>%
tbl_summary(by = "sexe")
Caractéristique Homme, N = 8991 Femme, N = 1 1011
qualif
Ouvrier specialise 96 (13%) 107 (12%)
Ouvrier qualifie 229 (31%) 63 (6,9%)
Technicien 66 (8,9%) 20 (2,2%)
Profession intermediaire 88 (12%) 72 (7,9%)
Cadre 145 (20%) 115 (13%)
Employe 96 (13%) 498 (55%)
Autre 21 (2,8%) 37 (4,1%)
Manquant 158 189
1 n (%)
Tableaux de données et tris à plat

En ce qui concerne les tableaux de données (tibble ou data frame), l’affichage HTML par défaut se contente
d’un affichage texte comme dans la console, très peu lisible dès que le tableau dépasse une certaine
dimension.
Une alternative est d’utiliser la fonction paged_table , qui affiche une représentation HTML paginée du
tableau :
– 1212 –
R> rmarkdown::paged_table(hdv2003)
Une autre alternative est d’utiliser kable , ou encore la fonction datatable de l’extension DT, qui
propose encore davantage d’interactivité :
R> DT::datatable(hdv2003)
Dans tous les cas il est déconseillé d’afficher de cette manière un tableau de données de très grandes
dimensions, car le fichier HTML résultant contiendrait l’ensemble des données et serait donc très
volumineux.
NOTE
On peut définir un mode d’affichage par défaut pour tous les tableaux de données en modifiant les
Output options du format HTML (onglet General, Print dataframes as), ou en modifiant manuellement
l’option df_print de l’entrée html_document dans le préambule.
À noter que les tableaux issus de la fonction freq de questionr s’affichent comme des tableaux de
données (et non comme des tableaux croisés).
Autres extensions pour présenter des tableaux

Il existe de nombreuses extensions offrant des fonctionnalités de présentation enrichie des tableaux et
autres objets R.
kableExtra
L’extension kableExtra a pour objectif d’étendre la fonction kable de knitr avec des options comme la
possibilité de regrouper des colonnes, ajouter des notes de tableau, coloriser certaines cellules…
R> library(kableExtra)
Attachement du package : 'kableExtra'
L'objet suivant est masqué depuis 'package:srvyr':
group_rows
– 1213 –
group_rows
R> dt <- mtcars[1:5, 1:4]
kable(dt, format = "html", caption = "Demo Table") %>%

kable_styling(
bootstrap_options = "striped",
full_width = F
) %>%
add_header_above(c(" ", "Group 1" = 2, "Group 2[note]" = 2)) %>%
add_footnote(c("table footnote"))
Demo Table
Group 1 Group 2a
mpg cyl disp hp
Mazda RX4 21.0 6 160 110
Mazda RX4 Wag 21.0 6 160 110
Datsun 710 22.8 4 108 93
Hornet 4 Drive 21.4 6 258 110
Hornet Sportabout 18.7 8 360 175
a table footnote
Pour une présentation détaillée, vous pouvez vous référer aux vignettes disponibles avec l’extension.
Notamment, il est possible d’utiliser kableExtra en conjonction avec l’extension formattable pour des
rendus colorés et encore plus personnalisé de vos tableaux (voir la vignette dédiée).
R> library(knitr)
library(kableExtra)
library(formattable)
Attachement du package : 'formattable'
– 1214 –
L'objet suivant est masqué depuis 'package:plotly':
style
area
Les objets suivants sont masqués depuis 'package:scales':
comma, percent, scientific
L'objet suivant est masqué depuis 'package:gt':
currency
L'objet suivant est masqué depuis 'package:patchwork':
area
percent
– 1215 –
R> library(dplyr, quietly = TRUE)

mtcars[1:5, 1:4] %>%
mutate(
car = row.names(.),
mpg = color_tile("white", "orange")(mpg),
cyl = cell_spec(cyl, "html",
angle = (1:5) * 60,
background = "red", color = "white", align = "center"
),
disp = ifelse(disp > 200,
cell_spec(disp, "html", color = "red", bold = T),
cell_spec(disp, "html", color = "green", italic = T)
),
hp = color_bar("lightgreen")(hp)
) %>%
relocate(car) %>%
kable("html", escape = FALSE, row.names = FALSE) %>%
kable_styling("hover", full_width = FALSE) %>%
column_spec(5, width = "3cm") %>%
add_header_above(c(" ", "Hello" = 2, "World" = 2))
Hello World
car mpg cyl disp hp
Mazda RX4 21.0 160 110

6
Mazda RX4 Wag 21.0 160 110

6
Datsun 710 22.8

4
108 93
Hornet 4 Drive 21.4 258 110

6
Hornet Sportabout 18.7 360 175

8
gt
L’extension gt en cours de développement par l’équipe de RStudio vise, un peu sur le modèle de ggplot2,
à proposer une grammaire des tableaux. L’extension n’est pour le moment compatible qu’avec un rendu
HTML mais la prise en compte du format PDF est prévue. C’est une extension encore assez nouvelle mais
qui risque de se développer assez rapidement vu les équipes en charge de son développement.
Pour en savoir plus : https://gt.rstudio.com/
– 1216 –
R> library(gt)
exibble %>%
gt(
rowname_col = "row",
groupname_col = "group"
) %>%
tab_spanner(
label = "Date et/ou Heure",
columns = c(date, time, datetime)
) %>%
fmt_number(
columns = num,
decimals = 2,
locale = "fr"
) %>%
fmt_date(
columns = date,
date_style = "day_m_year",
locale = "fr"
) %>%
fmt_time(
columns = time,
time_style = "Hm",
locale = "fr"
) %>%
fmt_datetime(
columns = datetime,
date_style = "day_m_year",
time_style = "Hm",
locale = "fr"
) %>%
fmt_currency(
columns = currency,
currency = "EUR",
locale = "fr"
) %>%
tab_options(
column_labels.font.size = "small",
table.font.size = "small",
row_group.font.size = "small",
data_row.padding = px(3)
) %>%
summary_rows(
groups = TRUE,
columns = num,
fns = list(
moyenne = ~ mean(., na.rm = TRUE),
– 1217 –
total = ~ sum(., na.rm = TRUE)

)
) %>%
grand_summary_rows(
columns = currency,
fns = list("grand total" = ~ sum(., na.rm = TRUE)),
formatter = fmt_currency,
currency = "EUR"
)
– 1218 –
Date et/ou Heure

num char fctr currency
date time datetime
grp_a
15 1 janv.
row_1 0,11 apricot one janv. 13:35 2018 €49,95
2015 02:22
15 2 févr.
row_2 2,22 banana two févr. 14:40 2018 €17,95
2015 14:33
15 3 mars
row_3 33,33 coconut three mars 15:45 2018 €1,39
2015 03:44
15 4 avr.
row_4 444,40 durian four avr. 16:50 2018 €65 100,00
2015 15:55
moyenne 120.02 — — — — — —
total 480.06 — — — — — —
grp_b
15 5 mai
row_5 5 550,00 NA five mai 17:55 2018 €1 325,81
2015 04:00
15 6 juin
row_6 NA fig six juin NA 2018 €13,26
2015 16:11
7 juil.
row_7 777 000,00 grapefruit seven NA 19:10 2018 NA
05:22
15
row_8 8 880 000,00 honeydew eight août 20:20 NA €0,44
2015
moyenne 3,220,850.00 — — — — — —
total 9,662,550.00 — — — — — —
– 1219 –
Date et/ou Heure

num char fctr currency
date time datetime
grand
— — — — — — €66,508.79
total
gtExtras
L’extension gtExtras propose des fonctions additionnelles pour personnaliser encore plus les tableaux
réalisés avec gt. Attention : il s’agit encore d’une extension expérimentale en développement.
Plus d’informations sur https://jthomasmock.github.io/gtExtras/
R> library(gtExtras)
Attachement du package : 'gtExtras'
select
– 1220 –
R> mtcars %>%

head() %>%
dplyr::select(cyl, mpg) %>%
dplyr::mutate(
mpg_pct_max = round(mpg / max(mpg) * 100, digits = 2),
mpg_scaled = mpg / max(mpg) * 100
) %>%
dplyr::mutate(mpg_unscaled = mpg) %>%
gt() %>%
gt_plt_bar_pct(column = mpg_scaled, scaled = TRUE) %>%
gt_plt_bar_pct(
column = mpg_unscaled, scaled = FALSE,
fill = "blue", background = "lightblue"
) %>%
cols_align("center", contains("scale")) %>%
cols_width(
4 ~ px(125),
5 ~ px(125)
)
cyl mpg mpg_pct_max mpg_scaled mpg_unscaled
6 21.0 92.11
6 21.0 92.11
4 22.8 100.00
6 21.4 93.86
8 18.7 82.02
6 18.1 79.39
printr
L’extension printr développée par le même auteur que knitr étent le fonctionnement par défaut de knitr.
Une fois chargée, le rendu automatique de certains objets (tel qu’un tableau croisé à trois variables) sera
amélioré.
R> library(printr)
Registered S3 method overwritten by 'printr':
– 1221 –
method from
knit_print.data.frame rmarkdown
R> x1 <- sample(letters[1:2], 1000, TRUE)

x2 <- sample(letters[1:2], 1000, TRUE)
x3 <- sample(letters[1:2], 1000, TRUE)
table(x1, x2, x3)
x1 x2 x3 Freq
a a a 120
b 133
b a 114
b 114
b a a 136
b 120
b a 138
b 125
Pour d’autres exemples, voir la documentation de l’extension sur https://yihui.name/printr/.
Autres extensions
On peut également citer les extensions suivantes :
• flextable, assez complet (https://davidgohel.github.io/flextable)

• pander
• xtable
• tables
• sjPlot et ses fonctions sjt*
Pour chacune, vous trouverez une documentation sur leur page CRAN, notamment sous forme de
vignettes.
Éditeur avancé
La version 1.4 de RStudio inclue un éditeur RMarkdown avancé, avec plusieurs fonctions facilitant la mise
– 1222 –
en forme. Ces différentes fonctionnalités sont présentées sur ce billet de blog : https://blog.rstudio.com/
2020/09/30/rstudio-v1-4-preview-visual-markdown-editing/
Une fonctionnalité très pratique lorsqu’on écrit des documents scientifiques est la gestion des référénces
bibliographiques. En particulier, la version 1.4 de RStudio peut se connecter au logiciel bibliographique
Zotero. Plus d’informations sur https://blog.rstudio.com/2020/11/09/rstudio-1-4-preview-citations/.
Modèles de documents
On a vu ici la production de documents «classiques», mais R Markdown permet de créer bien d’autres
choses.
Le site de documentation de l’extension propose une galerie des différentes sorties possibles. On peut
ainsi créer des slides, des sites Web ou même des livres entiers, comme le présent document.
Slides
Un usage intéressant est la création de diaporamas pour des présentations sous forme de slides. Le
principe reste toujours le même : on mélange texte au format Markdown et code R, et R Markdown
transforme le tout en présentations au format HTML ou PDF. En général les différents slides sont séparés
au niveau de certains niveaux de titre.
– 1223 –
Certains modèles de slides sont inclus avec R Markdown, notamment :
• ioslides et Slidy pour des présentations HTML

• beamer pour des présentations en PDF via LaTeX
Quand vous créez un nouveau document dans RStudio, ces modèles sont accessibles via l’entrée
Presentation :
Créer une présentation R Markdown
Figure 13.
Créer une présentation R Markdown
D’autres extensions, qui doivent être installées séparément, permettent aussi des diaporamas dans des
formats variés. On citera notamment :
• revealjs (https://github.com/rstudio/revealjs) pour des présentations HTLM basées sur le

framework reveal.js
• rmdshower (https://github.com/mangothecat/rmdshower) pour des diaporamas HTML basés
sur shower
– 1224 –
Une fois l’extension installée, elle propose en général un template de départ lorsqu’on crée un nouveau
document dans RStudio. Ceux-ci sont accessibles depuis l’entrée From Template.
Créer une présentation à partir d’un template
Figure 14.
Créer une présentation à partir d’un template
Templates
Il existe également différents templates permettant de changer le format et la présentation des
documents générés. Une liste de ces formats et leur documentation associée est accessible depuis la page
formats de la documentation.
On notera notamment :
• le template distill comportant de nombreuses options pour des documents scientifiques et

techniques au format HTML (plus d’infos sur https://rstudio.github.io/distill/) ;
• des formats d’article correspondant à des publications dans différentes revues : jss_article ,
– 1225 –
elsevier_article , etc. ;
• le format Tufte Handouts qui permet de produire des documents PDF ou HTML dans un format
proche de celui utilisé par Edward Tufte pour certaines de ses publications.
Enfin, l’extension rmdformats (https://github.com/juba/rmdformats) de Julien Barnier propose plusieurs

modèles HTML adaptés notamment pour des documents longs :
Modèle readthedown
Figure 15.
Modèle readthedown
– 1226 –
Modèle html_clean
Figure 16.
Modèle html_clean
– 1227 –
Modèle material
Figure 17.
Modèle material
Là encore, la plupart du temps, ces modèles de documents proposent un template de départ lorsqu’on crée
un nouveau document dans RStudio (entrée From Template) :
– 1228 –
Créer un document à partir d’un template
Figure 18.
Créer un document à partir d’un template
Ressources
Les ressources suivantes sont toutes en anglais…
Yihui Xie, J. J. Allaire et Garrett Grolemund ont écrit un livre dédié intitulé R Markdown: The Definitive
Guide. Ce livre est intégralement accessible à https://bookdown.org/yihui/rmarkdown/.
L’ouvrage R for data science, accessible en ligne, contient un chapitre dédié à R Markdown.
Le site officiel de l’extension contient une documentation très complète, tant pour les débutants que pour
un usage avancé.
Enfin, l’aide de RStudio (menu Help puis Cheatsheets) permet d’accéder à deux documents de synthèse :
une “antisèche” synthétique (R Markdown Cheat Sheet) et un “guide de référence” plus complet (R
– 1229 –
Markdown Reference Guide).
– 1230 –
Mettre en forme des
nombres avec scales
number() ou label_number() ? . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1232
label_number() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1232
label_comma() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1234
label_percent() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1234
label_dollar() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1235
label_pvalue(), style_pvalue() & signif_stars() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1236
label_number_si() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1237
label_scientific() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1237
label_bytes() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1237
label_ordinal() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1238
label_date(), label_date_short() & label_time() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1238
label_wrap() . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1239
GUIDE-R
Une version actualisée de ce chapitre est disponible sur guide-R : Mettre en forme des nombres
WEBIN-R
Ce chapitre est évoqué dans le webin-R #09 (Graphiques uni- et bivariés avec ggplot2) sur YouTube.
Il existe de nombreuses fonctions pour mettre en forme des nombres sous R. La fonction de base est
format . Plusieurs packages proposent des variations pour rendre cette mise en forme plus facile.
Cependant, s’il y a une extension à retenir, c’est l’extension scales.
– 1231 –
number() ou label_number() ?
Les deux fonctions de base sont number et label_number . Elles ont l’air très similaires et partagent un
grand nombre de paramètres en commun. La différence est que number a besoin d’un vecteur numérique
en entrée qu’elle va mettre en forme, tandis que que label_number renvoie une fonction que l’on pourra
ensuite appliquer à un vecteur numérique.
R> library(scales)
x <- c(0.0023, .123, 4.567, 874.44, 8957845)
number(x)
[1] "0.00" "0.12" "4.57"

[4] "874.44" "8 957 845.00"
R> f <- label_number()

f(x)
[1] "0.00" "0.12" "4.57"

[4] "874.44" "8 957 845.00"
R> label_number()(x)
[1] "0.00" "0.12" "4.57"

[4] "874.44" "8 957 845.00"
Dans de nombreux cas de figure (par exemple pour un graphique ggplot2 ou un tableau gtsummary), il
sera demandé de fournir une fonction, auquel cas on aura recours aux fonctions de scales préfixées par
label_*() .
label_number()
label_number est la fonction de base de mise en forme de nombres dans scales, une majorité des autres
fonctions faisant appel à label_number et partageant les mêmes arguments.
Le paramètre accurary permets de définir le niveau d’arrondi à utiliser. Par exemple, .1 pour afficher
une seule décimale. Il est aussi possible d’indiquer un nombre qui n’est pas une puissance de 10 (par
exemple .25 ). Si on n’indique rien ( NULL ), alors label_number essaiera de deviner un nombre de
– 1232 –
Mettre en forme des nombres avec scales
décimales pertinent en fonction des valeurs du vecteur de nombres à mettre en forme.
R> label_number(accuracy = NULL)(x)
[1] "0.00" "0.12" "4.57"

[4] "874.44" "8 957 845.00"
R> label_number(accuracy = .1)(x)
[1] "0.0" "0.1" "4.6" "874.4"

[5] "8 957 845.0"
R> label_number(accuracy = .25)(x)
[1] "0.0" "0.0" "4.5" "874.5"

[5] "8 957 845.0"
R> label_number(accuracy = 10)(x)
[1] "0" "0" "0" "870"

[5] "8 957 840"
L’option scale permets d’indiquer un facteur multiplicatif à appliquer avant de mettre en forme. On
utilisera le plus souvent les options prefix et suffix en même temps pour indiquer les unités.
R> label_number(scale = 100, suffix = "%")(x) # pour cent
[1] "0%" "12%" "457%"

[4] "87 444%" "895 784 500%"
R> label_number(scale = 1000, suffix = "\u2030")(x) # pour mille
[1] "2‰" "123‰" "4 567‰"

[4] "874 440‰" "8 957 845 000‰"
– 1233 –
R> label_number(scale = .001, suffix = " milliers", accuracy = .1)(x)
[1] "0.0 milliers" "0.0 milliers" "0.0 milliers"

[4] "0.9 milliers" "8 957.8 milliers"
Les arguments decimal.mark et big.mark permettent de définir, respectivement, le séparateur de

décimale et le séparateur de milliers. Ainsi, pour afficher des nombres «à la française» (virgule pour les
décimales, espace pour les milliers) :
R> label_number(decimal.mark = ",", big.mark = " ")(x)
[1] "0,00" "0,12" "4,57"

[4] "874,44" "8 957 845,00"
Note : il est possible d’utiliser small.interval et small.mark pour ajouter des séparateurs parmi les
décimales.
R> label_number(accuracy = 10^-9, small.mark = "|", small.interval = 3)(x)
[1] "0.002|300|000" "0.123|000|000"

[3] "4.567|000|000" "874.440|000|000"
[5] "8 957 845.000|000|000"
label_comma()
label_comma (et comma ) est une variante de label_number qui, par défaut, affiche les nombres à
l’américaine, avec une virgule comme séparateur de milliers.
R> label_comma()(x)
[1] "0.00" "0.12" "4.57"

[4] "874.44" "8,957,845.00"
label_percent()
label_percent (et percent ) est une variante de label_number qui affiche les nombres sous formes
– 1234 –
de pourcentages ( scale = 100, suffix = "%" ).
R> label_percent()(x)
[1] "0%" "12%" "457%"

[4] "87 444%" "895 784 500%"
label_dollar()
label_dollar est adapté à l’affichage des valeurs monétaires.
R> label_dollar()(x)
[1] "$0" "$0" "$5" "$874"

[5] "$8,957,845"
R> label_dollar(prefix = "", suffix = " €", accuracy = .01, big.mark = " ")(x)
[1] "0.00 €" "0.12 €" "4.57 €"

[4] "874.44 €" "8 957 845.00 €"
L’option negative_parens permet d’afficher les valeurs négatives avec des parenthèses, convention
utilisée dans certaines disciplines.
R> label_dollar()(c(12.5, -4, 21, -56.36))
[1] "$12.50" "-$4.00" "$21.00" "-$56.36"
R> label_dollar(negative_parens = TRUE)(c(12.5, -4, 21, -56.36))
Warning: The `negative_parens` argument of `dollar()` is deprecated

as of scales 1.2.0.
ℹ Please use the `style_negative` argument instead.
ℹ The deprecated feature was likely used in the scales
package.
<]8;;https://github.com/r-lib/scales/issueshttps://github.com/r-lib/scales/iss
ues]8;;>.
– 1235 –
[1] "$12.50" "($4.00)" "$21.00" "($56.36)"
label_pvalue(), style_pvalue() & signif_stars()

label_pvalue est adapté pour la mise en forme de p-valeurs.
R> label_pvalue()(c(0.000001, 0.023, 0.098, 0.60, 0.9998))
[1] "<0.001" "0.023" "0.098" "0.600" ">0.999"
R> label_pvalue(accuracy = .01, add_p = TRUE)(c(0.000001, 0.023, 0.098, 0.60))
[1] "p<0.01" "p=0.02" "p=0.10" "p=0.60"
À noter, la fonction style_pvalue de l’extension gtsummary ayant à peu près le même objectif mais
adaptant le nombre de décimales en fonction de la p-valeur.
R> gtsummary::style_pvalue(c(0.000001, 0.023, 0.098, 0.60, 0.9998))
[1] "<0,001" "0,023" "0,10" "0,6" ">0,9"
La fonction signif_stars de GGally permet quant à elle d’afficher les p-valeurs sous forme d’étoiles de
significativité, Par défaut, trois astérisques si p < 0.001, deux si p < 0.01, une si p < 0.05 et un point si p <
0.10. Les valeurs sont bien sur paramétrables.
R> p <- c(0.5, 0.1, 0.05, 0.01, 0.001)

GGally::signif_stars(p)
[1] "" "." "*" "**" "***"
R> GGally::signif_stars(p, one = .15, point = NULL)
[1] "" "*" "*" "**" "***"
– 1236 –
label_number_si()
label_number_si cherche le préfixe du Système international d’unités le plus proche et arrondi chaque
valeur en fonction, en ajoutant la précision correspondante.
R> label_number_si(unit = "g")(c(.00000145, .0034, 5, 12478, 14569787))
Warning: `label_number_si()` was deprecated in scales 1.2.0.

ℹ Please use the `scale_cut` argument of `label_number()`
instead.
[1] "0.0000 g" "0.0034 g" "5.0000 g" "12 Kg" "15 Mg"
label_scientific()
label_scientific affiche les nombres dans un format scientifique (avec des puissances de 10).
R> label_scientific(unit = "g")(c(.00000145, .0034, 5, 12478, 14569787))
[1] "1.45e-06" "3.40e-03" "5.00e+00" "1.25e+04" "1.46e+07"
label_bytes()
label_bytes mets en forme des tailles exprimées en octets, utilisant au besoin des multiples de 1024.
R> b <- c(478, 1235468, 546578944897)

label_bytes()(b)
[1] "478 B" "1 MB" "547 GB"
R> label_bytes(units = "auto_binary")(b)
[1] "478 iB" "1 MiB" "509 GiB"
– 1237 –
label_ordinal()
label_bytes permets d’afficher des rangs ou nombres ordinaux. Plusieurs langues sont disponibles.
R> label_ordinal()(1:5)
[1] "1st" "2nd" "3rd" "4th" "5th"
R> label_ordinal(rules = ordinal_french())(1:5)
[1] "1er" "2e" "3e" "4e" "5e"
R> label_ordinal(rules = ordinal_french(gender = "f", plural = TRUE))(1:5)
[1] "1res" "2es" "3es" "4es" "5es"
label_date(), label_date_short() & label_time()

label_date , label_date_short et label_time peuvent être utilisées pour la mise en forme de
dates.
R> label_date()(as.Date("2020-02-14"))
[1] "2020-02-14"
R> label_date(format = "%d/%m/%Y")(as.Date("2020-02-14"))
[1] "14/02/2020"
R> label_date_short()(as.Date("2020-02-14"))
[1] "14\nfévr.\n2020"
– 1238 –
La mise en forme des dates est un peu complexe. Ne pas hésiter à consulter le fichier d’aide de la fonction
strptime pour plus d’informations.
label_wrap()
La fonction label_wrap est un peu différente. Elle permets d’insérer des retours à la ligne ( \n ) dans des
chaines de caractères. Elle tient compte des espaces pour identifier les mots et éviter ainsi des coupures
au milieu d’un mot.
R> x <- "Ceci est un texte assez long et que l'on souhaiterait afficher sur plusi
eurs lignes. Cependant, on souhaite éviter que des coupures apparaissent au mi
lieu d'un mot."
label_wrap(80)(x)
[1] "Ceci est un texte assez long et que l'on souhaiterait afficher sur plusieur
s\nlignes. Cependant, on souhaite éviter que des coupures apparaissent au milie
u\nd'un mot."
R> label_wrap(80)(x) |> message()
Ceci est un texte assez long et que l'on souhaiterait afficher sur plusieurs
lignes. Cependant, on souhaite éviter que des coupures apparaissent au milieu
d'un mot.
R> label_wrap(40)(x) |> message()
Ceci est un texte assez long et que

l'on souhaiterait afficher sur
plusieurs lignes. Cependant, on
souhaite éviter que des coupures
apparaissent au milieu d'un mot.
– 1239 –
Couleurs et Palettes
Noms de couleur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1241
Couleurs RVB . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1242
Palettes de couleurs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1242
Palettes natives . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1242
Color Brewer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1243
Viridis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1245
ggsci . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1245
hrbrthemes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1246
ggthemes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1247
khroma . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1251
paletteer . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1257
GUIDE-R
Une version actualisée de ce chapitre est disponible sur guide-R : Couleurs & Palettes
WEBIN-R
Ce chapitre est évoqué dans le webin-R #08 (ggplot2 et la grammaires des graphiques) sur YouTube.
Noms de couleur
Lorsque l’on doit indiquer à R une couleur, notamment dans les fonctions graphiques, on peut mentionner
certaines couleurs en toutes lettres (en anglais) comme "red" ou "blue" . La liste des couleurs
reconnues par R est disponible sur http://www.stat.columbia.edu/~tzheng/files/Rcolor.pdf.
– 1241 –
Couleurs RVB
En informatique, les couleurs sont usuellement codées en Rouge/Vert/Bleu (voir https://fr.wikipedia.org/
wiki/Rouge_vert_bleu) et représentées par un code hexadécimal à 6 caractères, précédés du symbole # .
Ce code est reconnu par R et on pourra par exemple indiquer "#FF0000" pour la couleur rouge. Le
code hexadécimal des différentes couleurs peut s’obtenir aisément sur internet, de nombreux sites étant
consacrés aux palettes de couleurs.
Parfois, au lieu du code hexadécimal, les couleurs RVB sont indiquées avec trois chiffres entiers compris
entre 0 et 255. La conversion en hexadécimal se fait avec la fonction rgb .
R> rgb(255, 0, 0, maxColorValue = 255)
[1] "#FF0000"
Palettes de couleurs
Palettes natives
R fournit nativement quelques palettes de couleurs continues telles que rainbow , heat.colors ,
terrain.colors , topo.colors ou encore cm.colors .
Voici un aperçu de ces palettes de couleurs :
– 1242 –
Color Brewer
Le projet Color Brewer a développé des palettes cartographiques, à la fois séquentielles, divergentes
et catégorielles, présentées en détail sur http://colorbrewer2.org/. Pour chaque type de palette, et en
fonction du nombre de classes, est indiqué sur ce site si la palette est adaptée aux personnes souffrant de
daltonisme, si elle est rendra correctement sur écran, en cas d’impression couleur et en cas d’impression
en noir et blanc.
Voici un aperçu des différentes palettes disponibles :
– 1243 –
L’extension RColorBrewer permets d’accéder à ces palettes sous R.
Si on utilise ggplot2, les palettes Color Brewer sont directement disponibles via les fonctions
scale_fill_brewer et scale_colour_brewer .
ATTENTION : les palettes Color Brewer sont seulement implémentées pour des variables catégorielles.
Il est cependant possible de les utiliser avec des variables continues en les combinants avec
scale_fill_gradientn ou scale_coulour_gradientn (en remplaçant "Set1" par le nom de la
palette désirée) :
– 1244 –
R> scale_fill_gradientn(values = RColorBrewer::brewer.pal(6, "Set1"))
Viridis
Les palettes de couleurs de la famille Viridis ont initialement été créées pour Matplolib de telles manières
que :
• les couleurs sont perçues de manière uniformes, même lorsqu’elles sont imprimées en noir et
blanc ;
• les couleurs sont distinguées par les formes les plus courantes de daltonisme.
Voici un aperçu des différentes palettes de cette famille :
Ces palettes sont accessibles de manière générale via l’extension viridis.
Elles sont également implémentées dans gpplot2 via les fonctions scale_fill_viridis_c et
scale_colour_viridis_c pour des variables continues et scale_fill_viridis_d et
scale_colour_viridis_d pour des variables discrètes.
ggsci
L’extension ggsci fournie plusieurs palettes de couleurs inspirées de journaux scientifiques (comme le
Lancet ou le New England Journal of Medicine) mais aussi de séries/films (comme les Simpsons ou Star Trek).
On y trouve également des palettes continues basées sur Material Design de Google.
– 1245 –
Toutes ces palettes sont directement utilisables avec ggplot2.
Plus d’informations sur https://cran.r-project.org/web/packages/ggsci/vignettes/ggsci.html.
hrbrthemes
L’extension hrbrthemes propose deux palettes discrètes : ipsum_pal et ft_pal ainsi que les fonctions
correspondantes pour ggplot2.
R> library(hrbrthemes)
scales::show_col(ipsum_pal()(9))
– 1246 –
R> scales::show_col(ft_pal()(9))
ggthemes
L’extension ggthemes fournit plusieurs palettes de couleurs, en particulier few_pal issue de l’ouvrage
Show Me the Numbers (2012) de Stephen Few ; colorblind_pal adaptées aux personnes daltoniennes
; ptol_pal inspirée de l’ouvrage Colour Schemes (2012) de Paul Tol ; et diverses autres (voir
https://jrnold.github.io/ggthemes/).
– 1247 –
scales::show_col(few_pal()(8))
– 1248 –
R> scales::show_col(few_pal("Dark")(8))
– 1249 –
R> scales::show_col(colorblind_pal()(8))
– 1250 –
R> scales::show_col(ptol_pal()(12))
khroma
L’extension khroma implémente elle aussi les palettes de couleurs proposées par Paul Tol dans Colour
Schemes (2012) mais de manière plus complète que ggthemes.
– 1251 –
R> library(khroma)
plot_scheme(colour("bright")(7), colours = TRUE)
– 1252 –
R> library(ggplot2)
p <- ggplot(mpg) +
aes(x = displ, y = hwy, colour = class) +
geom_point()
p + scale_colour_bright()
– 1253 –
R> plot_scheme(colour("vibrant")(7), colours = TRUE)
– 1254 –
R> p + scale_colour_vibrant()
– 1255 –
R> plot_scheme(colour("muted")(9), colours = TRUE)
– 1256 –
R> p + scale_colour_muted()
Pour plus de détails, voir https://khroma.archaeo.science/articles/tol.html
paletteer
L’extension paletteer vise à proposer une interface unifiée pour l’utilisation de palettes de couleurs
fournies par d’autres extensions.
scale_color_paletteer_d et scale_color_paletteer_c permettent de sélectionner une des

palettes disponibles avec un usage avec ggplot2. Il existe bien entendu leur équivalent pour l’esthétique
fill.
– 1257 –
R> library(paletteer)
ggplot(iris) +
aes(Sepal.Length, Sepal.Width, color = Species) +
geom_point() +
scale_color_paletteer_d("nord::aurora")
Voici une liste de palettes disponibles via paletteer :
– 1258 –
Package and Palette

Color Count and Palette
Name
awtools
a_palette 8
ppalette 8
bpalette 16
gpalette 4
mpalette 9
spalette 6
dichromat
BrowntoBlue_10 10
BrowntoBlue_12 12
BluetoDarkOrange_12 12
BluetoDarkOrange_18 18
DarkRedtoBlue_12 12
DarkRedtoBlue_18 18
BluetoGreen_14 14
The paletteer package is maintained by Emil Hvitfeldt. More information can be found on the paletteer
site and on the CRAN info page.
– 1259 –
Package and Palette

Name
BluetoGray_8 8
BluetoOrangeRed_14 14
BluetoOrange_10 10
BluetoOrange_12 12
BluetoOrange_8 8
LightBluetoDarkBlue_10 10
LightBluetoDarkBlue_7 7
Categorical_12 12
GreentoMagenta_16 16
SteppedSequential_5 25
dutchmasters
milkmaid 13
pearl_earring 11
view_of_Delft 12
– 1260 –
Package and Palette

Name
little_street 11
anatomy 7
staalmeesters 7
ggsci
nrc_npg 10
default_aaas 10
default_nejm 8
lanonc_lancet 9
default_jama 7
default_jco 10
default_ucscgb 26
category10_d3 10
category20_d3 20
category20b_d3 20
– 1261 –
Package and Palette

Name
category20c_d3 20
default_igv 51
alternating_igv 2
default_locuszoom 7
default_uchicago 9
light_uchicago 9
dark_uchicago 9
hallmarks_dark_cosmic 10
hallmarks_light_cosmic 10
signature_substitutions_cosmic 6
springfield_simpsons 16
planetexpress_futurama 12
schwifty_rickandmorty 12
uniform_startrek 7
– 1262 –
Package and Palette

Name
legacy_tron 7
default_gsea 12
red_material 10
pink_material 10
purple_material 10
deep_purple_material 10
indigo_material 10
blue_material 10
light_blue_material 10
cyan_material 10
teal_material 10
green_material 10
light_green_material 10
lime_material 10
– 1263 –
Package and Palette

Name
yellow_material 10
amber_material 10
orange_material 10
deep_orange_material 10
brown_material 10
grey_material 10
blue_grey_material 10
ggpomological
pomological_base 7
pomological_palette 9
ggthemes
calc 12
manyeys 19
gdoc 10
fivethirtyeight 6
– 1264 –
Package and Palette

Name
colorblind 8
Tableau_10 10
Tableau_20 20
Color_Blind 10
Seattle_Grays 5
Traffic 9
Miller_Stone 11
Superfishel_Stone 10
Nuriel_Stone 9
Jewel_Bright 9
Summer 8
Winter 10
Green_Orange_Teal 12
Red_Blue_Brown 12
– 1265 –
Package and Palette

Name
Purple_Pink_Gray 12
Hue_Circle 19
Classic_10 10
Classic_10_Medium 10
Classic_10_Light 10
Classic_20 20
Classic_Gray_5 5
Classic_Color_Blind 10
Classic_Traffic_Light 9
Classic_Purple_Gray_6 6
Classic_Purple_Gray_12 12
Classic_Green_Orange_6 6
Classic_Green_Orange_12 12
Classic_Blue_Red_6 6
– 1266 –
Package and Palette

Name
Classic_Blue_Red_12 12
Classic_Cyclic 13
few_Light 9
few_Medium 9
few_Dark 9
excel_Atlas 6
excel_Badge 6
excel_Berlin 6
excel_Celestial 6
excel_Crop 6
excel_Depth 6
excel_Droplet 6
excel_Facet 6
excel_Feathered 6
– 1267 –
Package and Palette

Name
excel_Gallery 6
excel_Headlines 6
excel_Integral 6
excel_Ion_Boardroom 6
excel_Ion 6
excel_Madison 6
excel_Main_Event 6
excel_Mesh 6
excel_Office_Theme 6
excel_Organic 6
excel_Parallax 6
excel_Parcel 6
excel_Retrospect 6
excel_Savon 6
– 1268 –
Package and Palette

Name
excel_Slice 6
excel_Vapor_Trail 6
excel_View 6
excel_Wisp 6
excel_Wood_Type 6
excel_Aspect 6
excel_Blue_Green 6
excel_Blue_II 6
excel_Blue_Warm 6
excel_Blue 6
excel_Grayscale 6
excel_Green_Yellow 6
excel_Green 6
excel_Marquee 6
– 1269 –
Package and Palette

Name
excel_Median 6
excel_Office_2007_2010 6
excel_Orange_Red 6
excel_Orange 6
excel_Paper 6
excel_Red_Orange 6
excel_Red_Violet 6
excel_Red 6
excel_Slipstream 6
excel_Violet_II 6
excel_Violet 6
excel_Yellow_Orange 6
excel_Yellow 6
wsj_rgby 4
– 1270 –
Package and Palette

Name
wsj_red_green 2
wsj_black_green 4
wsj_dem_rep 3
wsj_colors6 6
stata_s2color 15
stata_s1rcolor 15
stata_s1color 15
stata_mono 15
stata_economist 15
hc_default 10
hc_darkunica 11
hc_bg 5
hc_fg 12
ghibli
– 1271 –
Package and Palette

Name
MarnieLight1 7
MarnieMedium1 7
MarnieDark1 7
MarnieLight2 7
MarnieMedium2 7
MarnieDark2 7
PonyoLight 7
PonyoMedium 7
PonyoDark 7
LaputaLight 7
LaputaMedium 7
LaputaDark 7
MononokeLight 7
MononokeMedium 7
– 1272 –
Package and Palette

Name
MononokeDark 7
SpiritedLight 7
SpiritedMedium 7
SpiritedDark 7
YesterdayLight 7
YesterdayMedium 7
YesterdayDark 7
KikiLight 7
KikiMedium 7
KikiDark 7
TotoroLight 7
TotoroMedium 7
TotoroDark 7
grDevices
– 1273 –
Package and Palette

Name
blues9 9
jcolors
default 5
pal2 5
pal3 5
pal4 6
pal5 6
pal6 8
pal7 8
pal8 12
pal9 6
pal10 10
pal11 12
pal12 13
– 1274 –
Package and Palette

Name
rainbow 9
LaCroixColoR
PassionFruit 6
Mango 6
Pure 6
Lime 6
Lemon 6
Orange 6
Berry 6
CranRaspberry 6
Pamplemousse 6
PeachPear 6
Coconut 6
Apricot 6
– 1275 –
Package and Palette

Name
Tangerine 7
KeyLime 5
PommeBaya 5
CeriseLimon 6
PinaFraise 6
KiwiSandia 7
MelonPomelo 6
MurePepino 6
paired 14
NineteenEightyR
cobra 6
electronic_night 5
hotpink 5
malibu 5
– 1276 –
Package and Palette

Name
miami1 5
miami2 5
seventies_aint_done_yet 5
sonny 5
sunset1 5
sunset2 5
sunset3 5
youngturqs 12
nord
polarnight 4
snowstorm 3
frost 4
aurora 5
lumina 5
– 1277 –
Package and Palette

Name
mountain_forms 5
silver_mine 5
lake_superior 6
victory_bonds 5
halifax_harbor 6
moose_pond 8
algoma_forest 7
rocky_mountain 6
red_mountain 8
baie_mouton 7
afternoon_prarie 9
ochRe
namatjira_qual 8
namatjira_div 8
– 1278 –
Package and Palette

Name
mccrea 11
parliament 8
tasmania 7
nolan_ned 5
winmar 7
olsen_qual 6
olsen_seq 14
williams_pilbara 7
healthy_reef 9
emu_woman_paired 18
galah 6
lorikeet 6
dead_reef 6
jumping_frog 5
– 1279 –
Package and Palette

Name
palettetown
bulbasaur 13
ivysaur 13
venusaur 14
charmander 13
charmeleon 12
charizard 14
squirtle 14
wartortle 13
blastoise 14
caterpie 12
metapod 5
butterfree 13
weedle 11
– 1280 –
Package and Palette

Name
kakuna 8
beedrill 14
pidgey 12
pidgeotto 13
pidgeot 14
rattata 13
raticate 13
spearow 15
fearow 12
ekans 12
arbok 10
pikachu 10
raichu 14
sandshrew 10
– 1281 –
Package and Palette

Name
sandslash 13
nidoranf 11
nidorina 13
nidoqueen 13
nidoranm 10
nidorino 12
nidoking 11
clefairy 13
clefable 12
vulpix 13
ninetales 7
jigglypuff 11
wigglytuff 12
zubat 11
– 1282 –
Package and Palette

Name
golbat 11
oddish 10
gloom 14
vileplume 13
paras 12
parasect 11
venonat 14
venomoth 11
diglett 4
dugtrio 12
meowth 13
persian 12
psyduck 10
golduck 13
– 1283 –
Package and Palette

Name
mankey 14
primeape 15
growlithe 11
arcanine 14
poliwag 11
poliwhirl 9
poliwrath 9
abra 8
kadabra 14
alakazam 12
machop 13
machoke 13
machamp 13
bellsprout 13
– 1284 –
Package and Palette

Name
weepinbell 14
victreebel 14
tentacool 14
tentacruel 14
geodude 6
graveler 6
golem 12
ponyta 11
rapidash 11
slowpoke 12
slowbro 13
magnemite 14
magneton 14
farfetchd 14
– 1285 –
Package and Palette

Name
doduo 9
dodrio 15
seel 11
dewgong 7
grimer 9
muk 8
shellder 9
cloyster 9
gastly 8
haunter 10
gengar 10
onix 6
drowzee 9
hypno 9
– 1286 –
Package and Palette

Name
krabby 10
kingler 10
voltorb 9
electrode 10
exeggcute 9
exeggutor 14
cubone 13
marowak 14
hitmonlee 12
hitmonchan 13
lickitung 9
koffing 12
weezing 13
rhyhorn 8
– 1287 –
Package and Palette

Name
rhydon 11
chansey 9
tangela 9
kangaskhan 14
horsea 10
seadra 10
goldeen 11
seaking 12
staryu 12
starmie 12
mr_mime 12
scyther 12
jynx 15
electabuzz 10
– 1288 –
Package and Palette

Name
magmar 12
pinsir 9
tauros 13
magikarp 13
gyarados 15
lapras 15
ditto 6
eevee 9
vaporeon 15
jolteon 11
flareon 10
porygon 11
omanyte 12
omastar 12
– 1289 –
Package and Palette

Name
kabuto 11
kabutops 9
aerodactyl 7
snorlax 14
articuno 12
zapdos 10
moltres 14
dratini 9
dragonair 12
dragonite 13
mewtwo 9
mew 6
chikorita 11
bayleef 14
– 1290 –
Package and Palette

Name
meganium 14
cyndaquil 13
quilava 14
typhlosion 14
totodile 11
croconaw 13
feraligatr 14
sentret 12
furret 11
hoothoot 13
noctowl 13
ledyba 12
ledian 14
spinarak 14
– 1291 –
Package and Palette

Name
ariados 14
crobat 9
chinchou 13
lanturn 14
pichu 11
cleffa 11
igglybuff 9
togepi 12
togetic 11
natu 14
xatu 15
mareep 14
flaaffy 13
ampharos 12
– 1292 –
Package and Palette

Name
bellossom 13
marill 10
azumarill 10
sudowoodo 11
politoed 14
hoppip 10
skiploom 11
jumpluff 13
aipom 12
sunkern 13
sunflora 12
yanma 11
wooper 9
quagsire 9
– 1293 –
Package and Palette

Name
espeon 9
umbreon 10
murkrow 12
slowking 13
misdreavus 13
unown 5
wobbuffet 8
girafarig 13
pineco 5
forretress 10
dunsparce 13
gligar 12
steelix 7
snubbull 12
– 1294 –
Package and Palette

Name
granbull 11
qwilfish 12
scizor 11
shuckle 12
heracross 11
sneasel 14
teddiursa 12
ursaring 13
slugma 9
magcargo 12
swinub 9
piloswine 12
corsola 9
remoraid 9
– 1295 –
Package and Palette

Name
octillery 12
delibird 13
mantine 13
skarmory 12
houndour 11
houndoom 12
kingdra 12
phanpy 9
donphan 13
porygon2 12
stantler 12
smeargle 12
tyrogue 12
hitmontop 12
– 1296 –
Package and Palette

Name
smoochum 12
elekid 9
magby 10
miltank 15
blissey 9
raikou 13
entei 14
suicune 14
larvitar 9
pupitar 9
tyranitar 11
lugia 9
ho_oh 13
celebi 11
– 1297 –
Package and Palette

Name
treecko 14
grovyle 14
sceptile 13
torchic 12
combusken 14
blaziken 14
mudkip 14
marshtomp 14
swampert 14
poochyena 14
mightyena 11
zigzagoon 14
linoone 11
wurmple 13
– 1298 –
Package and Palette

Name
silcoon 9
beautifly 13
cascoon 8
dustox 14
lotad 13
lombre 12
ludicolo 15
seedot 11
nuzleaf 14
shiftry 13
taillow 15
swellow 15
wingull 14
pelipper 15
– 1299 –
Package and Palette

Name
ralts 11
kirlia 13
gardevoir 12
surskit 12
masquerain 14
shroomish 11
breloom 15
slakoth 14
vigoroth 15
slaking 14
nincada 15
ninjask 13
shedinja 10
whismur 12
– 1300 –
Package and Palette

Name
loudred 14
exploud 15
makuhita 12
hariyama 15
azurill 11
nosepass 11
skitty 11
delcatty 15
sableye 13
mawile 14
aron 9
lairon 12
aggron 12
meditite 13
– 1301 –
Package and Palette

Name
medicham 13
electrike 10
manectric 13
plusle 10
minun 13
volbeat 15
illumise 15
roselia 15
gulpin 11
swalot 14
carvanha 13
sharpedo 14
wailmer 15
wailord 13
– 1302 –
Package and Palette

Name
numel 15
camerupt 13
torkoal 12
spoink 13
grumpig 15
spinda 10
trapinch 10
vibrava 14
flygon 15
cacnea 14
cacturne 12
swablu 12
altaria 12
zangoose 15
– 1303 –
Package and Palette

Name
seviper 14
lunatone 14
solrock 14
barboach 12
whiscash 15
corphish 13
crawdaunt 15
baltoy 7
claydol 12
lileep 12
cradily 12
anorith 14
armaldo 14
feebas 13
– 1304 –
Package and Palette

Name
milotic 14
castform 9
kecleon 15
shuppet 12
banette 12
duskull 13
dusclops 11
tropius 15
chimecho 13
absol 11
wynaut 11
snorunt 15
glalie 13
spheal 12
– 1305 –
Package and Palette

Name
sealeo 15
walrein 12
clamperl 14
huntail 14
gorebyss 12
relicanth 13
luvdisc 9
bagon 11
shelgon 12
salamence 13
beldum 10
metang 13
metagross 13
regirock 13
– 1306 –
Package and Palette

Name
regice 10
registeel 13
latias 14
latios 14
kyogre 14
groudon 14
rayquaza 12
jirachi 12
deoxys 14
teamrocket 6
starterspairs 6
startersDark 6
pals
alphabet 26
– 1307 –
Package and Palette

Name
alphabet2 26
glasbey 32
kelly 22
polychrome 36
stepped 24
tol 12
watlington 16
Polychrome
alphabet 26
dark 24
glasbey 32
green_armytage 26
kelly 22
light 24
– 1308 –
Package and Palette

Name
palette36 36
rcartocolor
ag_Sunset 7
ag_GrnYl 7
Tropic 7
Temps 7
TealRose 7
Geyser 7
Fall 7
Earth 7
ArmyRose 7
Vivid 12
Safe 12
Prism 12
– 1309 –
Package and Palette

Name
Pastel 12
Bold 12
Antique 12
TealGrn 7
Teal 7
SunsetDark 7
Sunset 7
RedOr 7
PurpOr 7
Purp 7
PinkYl 7
Peach 7
OrYel 7
Mint 7
– 1310 –
Package and Palette

Name
Magenta 7
Emrld 7
DarkMint 7
BurgYl 7
Burg 7
BrwnYl 7
BluYl 7
BluGrn 7
RColorBrewer
BrBG 11
PiYG 11
PRGn 11
PuOr 11
RdBu 11
– 1311 –
Package and Palette

Name
RdGy 11
RdYlBu 11
RdYlGn 11
Spectral 11
Accent 8
Dark2 8
Paired 12
Pastel1 9
Pastel2 8
Set1 9
Set2 8
Set3 12
Blues 9
BuGn 9
– 1312 –
Package and Palette

Name
BuPu 9
GnBu 9
Greens 9
Greys 9
Oranges 9
OrRd 9
PuBu 9
PuBuGn 9
PuRd 9
Purples 9
RdPu 9
Reds 9
YlGn 9
YlGnBu 9
– 1313 –
Package and Palette

Name
YlOrBr 9
YlOrRd 9
Redmonder
dPBIYlBu 11
dPBIYlPu 11
dPBIPuGn 11
dPBIPuOr 11
dPBIRdBu 11
dPBIRdGy 11
dPBIRdGn 11
qMSOStd 10
qMSO12 8
qMSO15 8
qMSOBuWarm 8
– 1314 –
Package and Palette

Name
qMSOBu 8
qMSOBu2 8
qMSOBuGn 8
qMSOGn 8
qMSOGnYl 8
qMSOYl 8
qMSOYlOr 8
qMSOOr 8
qMSOOrRd 8
qMSORdOr 8
qMSORd 8
qMSORdPu 8
qMSOPu 8
qMSOPu2 8
– 1315 –
Package and Palette

Name
qMSOMed 8
qMSOPap 8
qMSOMrq 8
qMSOSlp 8
qMSOAsp 8
qPBI 8
sPBIGn 9
sPBIGy1 9
sPBIRd 9
sPBIYl 9
sPBIGy2 9
sPBIBu 9
sPBIOr 9
sPBIPu 9
– 1316 –
Package and Palette

Name
sPBIYlGn 9
sPBIRdPu 9
tidyquant
tq_light 12
tq_dark 12
tq_green 12
wesanderson
BottleRocket1 7
BottleRocket2 5
Rushmore1 5
Rushmore 5
Royal1 4
Royal2 5
Zissou1 5
Darjeeling1 5
– 1317 –
Package and Palette

Name
Darjeeling2 5
Chevalier1 4
FantasticFox1 5
Moonrise1 4
Moonrise2 4
Moonrise3 5
Cavalcanti1 5
GrandBudapest1 4
GrandBudapest2 4
IsleofDogs1 6
IsleofDogs2 5
yarrr
basel 10
pony 9
– 1318 –
Package and Palette

Name
xmen 8
decision 6
southpark 6
google 4
eternal 7
evildead 6
usualsuspects 7
ohbrother 7
appletv 6
brave 5
bugs 5
cars 5
nemo 5
rat 5
– 1319 –
Package and Palette

Name
up 5
espresso 5
ipod 7
info 9
info2 14
– 1320 –
Annotations mathématiques
Combiner texte et expression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1321
Intégrer une valeur calculée dans une expression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1322
Syntaxe de plotmath . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1324
Pour ajouter des annotation mathématiques à un graphique, comme une équation, on aura recours à la
fonction expression . Les expressions qui peuvent être utilisées sont présentées en détail dans l’aide
en ligne de plotmath , visible également sur http://www.rdocumentation.org/packages/grDevices/
functions/plotmath.
Combiner texte et expression

On aura recours à la fonction paste à l’intérieur de l’appel à expression . Un exemple :
– 1321 –
R> # données aléatoires

df <- data.frame(x = rnorm(100), y = rnorm(100))
library(ggplot2)
ggplot(df) +
aes(x = x, y = y) +
geom_point() +
xlab(expression(hat(mu)[0])) +
ylab(expression(alpha^beta)) +
ggtitle(expression(paste("Plot of ", alpha^beta, " versus ", hat(mu)[0])))
Intégrer une valeur calculée dans une expression

Pour intégrer une valeur pré-calculée, et donc stockée dans un objet R, dans une expression, on aura
recours à la fonction substitute .
– 1322 –
R> x_mean <- 1.5

x_sd <- 1.2
df <- data.frame(x = rnorm(100, x_mean, x_sd))
ggplot(df) +
aes(x = x) +
geom_histogram(binwidth = .25) +
ggtitle(
substitute(
paste(X[i], " ~ N(", mu, "=", m, ", ", sigma^2, "=", s2, ")"),
list(m = x_mean, s2 = x_sd^2)
)
)
– 1323 –
Syntaxe de plotmath
R> demo(plotmath)
– 1324 –
– 1325 –
– 1326 –
Calculer un âge
Rappel sur les âges . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1327
Le package lubridate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1328
Calcul d’un âge exact . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1328
Cas particulier des personnes nées un 29 février . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1330
Âge révolu ou âge au dernier anniversaire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1331
Âge par différence de millésimes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1332
Calcul d’un âge moyen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1332
Notes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1333
NOTE
La version originale de cette astuce a été publiée par Joseph Larmarange sur
http://joseph.larmarange.net/?Calculer-proprement-un-age-sous-R.
Le calcul d’un âge sous R n’est pas forcément aussi trivial qu’il n’y parait.
Rappel sur les âges

Il convient en premier lieu de rappeler les principaux âges utilisés les démographes :
L’âge – on précise parfois âge chronologique – est une des caractéristiques

fondamentales de la structure des populations. On l’exprime généralement en
années, ou en années et mois, voire en mois et jours, pour les enfants en bas âge ;
parfois en années et fractions décimales d’année. Les démographes arrondissent
d’ordinaire l’âge à l’unité inférieure, l’exprimant ainsi en années révolues, ou années
accomplies, le cas échéant en mois révolus, ou mois accomplis. Cet âge est aussi
– 1327 –
l’âge au dernier anniversaire. On trouve aussi, dans les statistiques, l’âge atteint
dans l’année, qui est égal à la différence de millésimes entre l’année considérée
et l’année de naissance. […] On est parfois conduit à préciser que l’on considère
un âge exact, pour éviter toute confusion avec un âge en années révolues, qui
représente en fait une classe d’âges exacts.
— Source : Demopædia (322)
Le package lubridate
L’extension lubridate est spécialement développée pour faciliter la manipulation et le calcul autour des
dates. Elle intègre une fonction time_length adaptée au calcul des âges exacts.
Nous noterons naiss la date de naissance et evt la date à laquelle nous calculerons l’âge.
Calcul d’un âge exact

On appelle âge exact l’expression d’un âge avec sa partie décimale.
Une approche simple consiste à calculer une différence en jours puis à diviser par 365. Or, le souci c’est
que toutes les années n’ont pas le même nombre de jours. Regardons par exemple ce qui se passe si l’on
calcule l’âge au 31 décembre 1999 d’une personne née le 1er janvier 1900.
R> library(lubridate)
naiss <- ymd("1900-01-01")
evt <- ymd("1999-12-31")
time_length(interval(naiss, evt), "days")
[1] 36523
R> time_length(interval(naiss, evt), "days") / 365
[1] 100.063
Or, au 31 décembre 1999, cette personne n’a pas encore fêté son centième anniversaire. Le calcul
précédent ne prend pas en compte les années bissextiles. Une approche plus correcte serait de considérer
que les années durent en moyenne 365,25 jours.
– 1328 –
Calculer un âge
R> time_length(interval(naiss, evt), "days") / 365.25
[1] 99.99452
Si cette approche semble fonctionner avec cet exemple, ce n’est plus le cas dans d’autres situations.
R> evt <- ymd("1903-01-01")

time_length(interval(naiss, evt), "days") / 365.25
[1] 2.997947
Or, à la date du premier janvier 1903, cette personne a bien fêté son troisième anniversaire.
Pour calculer proprement un âge en années (ou en mois), il est dès lors nécessaire de prendre en compte la
date anniversaire et le fait que la durée de chaque année (ou mois) est variable. C’est justement ce que fait
la fonction time_length appliquée à un objet de type Interval . On détermine le dernier et le prochain
anniversaire et l’on rajoute, à l’âge atteint au dernier anniversaire, le ratio entre le nombre de jours entre
l’événement et le dernier anniversaire par le nombre de jours entre le prochain et le dernier anniversaire.
R> naiss <- ymd("1900-01-01")

evt <- ymd("1999-12-31")
time_length(interval(naiss, evt), "years")
[1] 99.99726
R> evt <- ymd("1903-01-01")

[1] 3
R> evt <- ymd("1918-11-11")

[1] 18.86027
Attention, cela n’est valable que si l’on présente à la fonction time_length un objet de type Interval
(pour lequel on connait dès lors la date de début et la date de fin). Si l’on passe une durée (objet de
type Duration ) à la fonction time_length , le calcul s’effectuera alors en prenant en compte la durée
moyenne d’une année (plus précisément 365 jours).
– 1329 –
R> naiss <- ymd("1900-01-01")

evt <- ymd("1999-12-31")
[1] 99.99726
R> time_length(evt - naiss, "years")
[1] 99.99452
R> time_length(as.duration(interval(naiss, evt)), "years")
[1] 99.99452
Cas particulier des personnes nées un 29 février

Pour les personnes nées un 29 février, il existe un certain flou concernant leur date d’anniversaire pour les
années non bissextiles. Doit-on considérer qu’il s’agit du 28 février ou du 1er mars ?
Au sens strict, on peut considérer que leur anniversaire a lieu entre le 28 février soir à minuit et le 1er
mars à 0 heure du matin, autrement dit que le 28 février ils n’ont pas encore fêté leur anniversaire. C’est la
position adoptée par la fonction time_length .
R> naiss <- ymd("1992-02-29")

evt <- ymd("2014-02-28")
[1] 21.99726
R> evt <- ymd("2014-03-01")

[1] 22
Cette approche permets également d’être cohérent avec la manière dont les dates sont prises en compte
informatiquement. On considère en effet que lorsque seule la date est précisée (sans mention de l’heure),
l’heure correspondante est 0:00 . Autrement dit, "2014-03-01" est équivalent à
– 1330 –
Calculer un âge
"2014-03-01 00:00:00" . L’approche adoptée permet donc d’être cohérent lorsque l’anniversaire est
calculé en tenant compte des heures.
R> naiss <- ymd("1992-02-29")

evt <- ymd_hms("2014-02-28 23:00:00")
[1] 21.99989
R> evt <- ymd_hms("2014-03-01 00:00:00")

[1] 22
R> evt <- ymd_hms("2014-03-01 01:00:00")

[1] 22.00011
R> naiss <- ymd_hms("1992-02-29 12:00:00")

evt <- ymd_hms("2014-03-01 01:00:00")
[1] 22.00011
Âge révolu ou âge au dernier anniversaire

Une fois que l’on sait calculer un âge exact, le calcul d’un âge révolu ou âge au dernier anniversaire est
assez simple. Il suffit de ne garder que la partie entière de l’âge exact (approche conseillée).
R> naiss <- ymd("1980-01-09")

evt <- ymd("2015-01-01")
[1] 34.97808
– 1331 –
R> trunc(time_length(interval(naiss, evt), "years"))
[1] 34
Une autre approche consiste à convertir l’intervalle en objet de type Period et à ne prendre en compte
que les années.
R> as.period(interval(naiss, evt))
[1] "34y 11m 23d 0H 0M 0S"
R> as.period(interval(naiss, evt))@year
[1] 34
Âge par différence de millésimes

L’âge par différence de millésimes, encore appelé âge atteint dans l’année, s’obtient tout simplement en
soustrayant l’année de naissance à l’année de l’événement.
R> naiss <- ymd("1980-01-09")

evt <- ymd("2015-01-01")
year(evt) - year(naiss)
[1] 35
Calcul d’un âge moyen

Le calcul d’un âge moyen s’effectue normalement à partir d’âges exacts. Il arrive fréquemment que l’on ne
dispose dans les données d’enquêtes que de l’âge révolu. Auquel cas, il faut bien penser à rajouter 0,5 au
résultat obtenu. En effet, un âge révolu peut être vu comme une classe d’âges exacts : les individus ayant
20 ans révolus ont entre 20 et 21 ans exacts, soit en moyenne 20,5 ans !
– 1332 –
Calculer un âge
Notes
L’ensemble des fonctions présentées peuvent être appliquées à des vecteurs et, par conséquent, aux
colonnes d’un tableau de données (data.frame).
En l’absence du package lubridate, il reste facile de calculer une durée en jours avec les fonctions de base
de R :
R> naiss <- as.Date("1900-01-01")

evt <- as.Date("1999-12-31")
evt - naiss
Time difference of 36523 days
R> as.integer(evt - naiss)
[1] 36523
– 1333 –
Diagramme de Lexis
I M P O R TA N T
Pour réaliser des diagrammes de Lexis, voir l’extension LexisPlotR et sa vignette (en anglais) :
https://cran.r-project.org/web/packages/LexisPlotR/vignettes/LexisPlotR.html.
– 1335 –
Index des concepts
A aléatoire, effet
Trajectoires de soins : un exemple de données
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
ACM Trajectoires de soins : un exemple de données
Analyse des correspondances multiples (ACM) . . . . 607 longitudinales avec data.table
ACP analyse de séquences

Analyse des correspondances multiples (ACM) . . . . 607 Analyse de séquences . . . . . . ........ .... . . . 845
AFC longitudinales . . . . . . . . . . . . ........ .... . . . 873
Analyse des correspondances multiples (ACM) . . . . 607 Trajectoires de soins : un exemple de données
longitudinales avec data.table
âge
Calculer un âge . . . . . . . . . . . . . . . . . . . . . . . . . 1327 analyse de survie
Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . 819
âge atteint dans l’année Trajectoires de soins : un exemple de données
Calculer un âge . . . . . . . . . . . . . . . . . . . . . . . . . 1327 longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
âge au dernier anniversaire analyse des biographies

Calculer un âge . . . . . . . . . . . . . . . . . . . . . . . . . 1327 Analyse de séquences . . . . . . . . . . . . . . . . . . . . . 845
âge exact analyse des correspondances multiples

Calculer un âge . . . . . . . . . . . . . . . . . . . . . . . . . 1327 Analyse des correspondances multiples (ACM) . . . 607
AIC analyse en composante principale

Régression logistique binaire, multinomiale et Analyse des correspondances multiples (ACM) . . . 607
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
analyse factorielle
aide Analyse des correspondances multiples (ACM) . . . 607
Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
analyse factorielle avec données mixtes
aide en ligne Analyse des correspondances multiples (ACM) . . . 607
Où trouver de l’aide ? . . . . . . . . . . . . . . . . . . . . . . 167
analyse factorielle des correspondances
Akaike Information Criterion Analyse des correspondances multiples (ACM) . . . 607
Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . . 819
Régression logistique binaire, multinomiale et ANOVA
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Régression logistique binaire, multinomiale et
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
aléatoire, échantillonnage
Définir un plan d’échantillonnage complexe avec appariement optimal
survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509 Analyse de séquences . . . . . . . . . . . . . . . . . . . . . 845
– 1337 –
arbre de classification BIC

Classification ascendante hiérarchique (CAH) . . . . . 651 Régression logistique binaire, multinomiale et
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
argument
Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 binaire, régression logistique
Régression logistique binaire, multinomiale et
argument nommé ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
biographie, analyse
argument non nommé Analyse de séquences . . . . . . . . . . . . . . . . . . . . . 845
Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
bitmap
assignation par indexation Export de graphiques . . . . . . . . . . . . . . . . . . . . . . 331
Listes et Tableaux de données . . . . . . . . . . . . . . . . . 91
boîte à moustache
assignation, opérateur Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
boîte à moustaches
attribut Graphiques univariés et bivariés avec ggplot2 . . . . 423
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339
autocomplétion booléenne, valeur

Organiser ses fichiers . . . . . . . . . . . . . . . . . . . . . . 139 Vecteurs, indexation et assignation . . . . . . . . . . . . . 71
Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Présentation et Philosophie . . . . . . . . . . . . . . . . . . . 9 booléenne, variable
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
B boxplot
Graphiques univariés et bivariés avec ggplot2 . . . . 423
Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
barres cumulées, diagramme en Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339
Graphiques univariés et bivariés avec ggplot2 . . . . . 423
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Trajectoires de soins : un exemple de
données
C
barres cumulées, graphique CAH
Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365 Analyse de séquences . . . . . . . . . . . . . . . . . . . . . 845
Classification ascendante hiérarchique (CAH) . . . . 651
barres, diagramme en
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 camembert, graphique
Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339
bâton, diagramme
Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339 caractères, chaîne
Vecteurs, indexation et assignation . . . . . . . . . . . . . 71
bâtons, diagramme en
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 catégorielle, variable
Facteurs et vecteurs labellisés . . . . . . . . . . . . . . . 121
Bayesian Highest Density Intervals
Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365 censure à droite
Bayesian Information Criterion
Régression logistique binaire, multinomiale et cercle de corrélation
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Analyse des correspondances multiples (ACM) . . . 607
– 1338 –
Index des concepts
chaîne de caractères Cleveland, diagramme

Vecteurs, indexation et assignation . . . . . . . . . . . . . 71 Graphiques univariés et bivariés avec ggplot2 . . . . 423
chaînes de transmission
Autres extensions graphiques . . . . . . . . . . . . . . . 1109 cluster
Définir un plan d’échantillonnage complexe avec
character survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509
coefficient de contingence de Cramer
chemin relatif Comparaisons (moyennes et proportions) . . . . . . . 493
Organiser ses fichiers . . . . . . . . . . . . . . . . . . . . . . 139
coefficient de corrélation
Chi², distance Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
Classification ascendante hiérarchique (CAH) . . . . . 651
coefficient, modèle
Chi², résidus Régression logistique binaire, multinomiale et
Comparaisons (moyennes et proportions) . . . . . . . 493 ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
Trajectoires de soins : un exemple de données coefficients du modèle
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 Modèles à effets aléatoires (modèles mixtes et GEE)
longitudinales avec data.table colinéarité
Multicolinéarité dans la régression . . . . . . . . . . . . 809
Chi², test
Comparaisons (moyennes et proportions) ... . . . . 493 coloration syntaxique
Données pondérées . . . . . . . . . . . . . . . . ... . . . . 473 Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Trajectoires de soins : un exemple de données Présentation et Philosophie . . . . . . . . . . . . . . . . . . . 9
longitudinales . . . . . . . . . . . . . . . . . . . . ... . . . . 873
Trajectoires de soins : un exemple de données commentaire
longitudinales avec data.table Premier travail avec des données . . . . . . . . . . . . . . 35
chunk comparaison de courbes de survie (test du

R Markdown : les rapports automatisés . . . . . . . . 1189 logrank)
classe de valeurs
Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339 comparaison de médianes, test
Comparaisons (moyennes et proportions) . . . . . . . 493
classe, homogénéité
Analyse de séquences . . . . . . . . . . . . . . . . . . . . . . 845 comparaison de moyennes
classes latentes, modèle mixte Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 comparaison de proportions, test
Trajectoires de soins : un exemple de données Comparaisons (moyennes et proportions) . . . . . . . 493
comparaison, opérateur
classification ascendante hiérarchique Conditions et comparaisons . . . . . . . . . . . . . . . . 1137
Analyse de séquences . . . . . . . . . . . . . . . . . . . . . . 845 Vecteurs, indexation et assignation . . . . . . . . . . . . . 71
Trajectoires de soins : un exemple de données Comprehensive R Archive Network
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 Extensions (installation, mise à jour) . . . . . . . . . . . . 59
longitudinales avec data.table condition, indexation
classification, arbre Vecteurs, indexation et assignation . . . . . . . . . . . . . 71
– 1339 –
confusion, matrice
D
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
data frame
console Listes et Tableaux de données . . . . . . . . . . . . . . . . . 91
Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 Premier travail avec des données . . . . . . . . . . . . . . 35
contrastes data.frame
Les contrastes (codage des variables catégorielles dans Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
un modèle)
date, variable
corrélation Calculer un âge . . . . . . . . . . . . . . . . . . . . . . . . . 1327
dendrogramme
corrélation, cercle Classification ascendante hiérarchique (CAH) . . . . 651
Analyse des correspondances multiples (ACM) . . . . 607
densité, courbe de
corrélation, coefficient Graphiques univariés et bivariés avec ggplot2 . . . . 423
densité, estimation locale
corrélation, matrice de Graphiques univariés et bivariés avec ggplot2 . . . . 423
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
correspondances, analyse factorielle descriptive, statistique

Analyse des correspondances multiples (ACM) . . . . 607 Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
couleur
Couleurs et Palettes . . . . . . . . . . . . . . . . . . . . . . 1241 design
Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473
couleur, palette
Analyse des correspondances multiples (ACM) . . . . 607 diagramme de Cleveland
courbe de densité Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339
diagramme de Lexis
Cox, modèle Diagramme de Lexis . . . . . . . . . . . . . . . . . . . . . . 1335
diagramme de Sankey
Cramer, coefficient de contingence Autres extensions graphiques . . . . . . . . . . . . . . . 1109
diagramme en barres
CRAN Graphiques univariés et bivariés avec ggplot2 . . . . 423
Extensions (installation, mise à jour) . . . . . . . . . . . . . 59
diagramme en barres cumulées
croisé, tableau Graphiques univariés et bivariés avec ggplot2 . . . . 423
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
CSV, fichier
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149
diagramme en bâtons
diagramme en secteur
– 1340 –
Index des concepts
distance échantillonnage par grappes

Classification ascendante hiérarchique (CAH) . . . . . 651 Définir un plan d’échantillonnage complexe avec
survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509
distance de Gower
Classification ascendante hiérarchique (CAH) . . . . . 651 échantillonnage stratifié
distance du Chi² survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509
échantillonnage, plan
distance du Phi² Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473
échelle de Likert
distance, matrice Tableaux statistiques avancés avec gtsummary . . . 685
Analyse de séquences . . . . . . . . . . . . . . . . . . . . . . 845
éditeur de script
distribution Présentation et Philosophie . . . . . . . . . . . . . . . . . . . 9
Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339 effet aléatoire
donnée labelissée longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Facteurs et vecteurs labellisés . . . . . . . . . . . . . . . . 121 Trajectoires de soins : un exemple de données
données pondérées
Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473 effet d’interaction
Effets d’interaction dans un modèle . . . . . . . . . . . . 781
données, exporter
Export de données . . . . . . . . . . . . . . . . . . . . . . . . 327 empirical cumulative distribution function
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 Graphiques univariés et bivariés avec ggplot2 . . . . 423
données, tableau
Listes et Tableaux de données . . . . . . . . . . . . . . . . . 91 entier
Premier travail avec des données . . . . . . . . . . . . . . 35
droite de régression
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 entier, nombre
droite, censure
Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . . 819 entropie transversale
Analyse de séquences . . . . . . . . . . . . . . . . . . . . . 845
environnement de développement
E Présentation et Philosophie . . . . . . . . . . . . . . . . . . . 9
environnement de travail
écart-type Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . 15
équiprobable, échantillonnage
écart interquartile Définir un plan d’échantillonnage complexe avec
Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339 survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509
échantillonnage aléatoire simple erreurs

Définir un plan d’échantillonnage complexe avec Modèles à effets aléatoires (modèles mixtes et GEE)
survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509
estimation locale de densité
échantillonnage équiprobable Graphiques univariés et bivariés avec ggplot2 . . . . 423
Définir un plan d’échantillonnage complexe avec Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509
– 1341 –
estimation par noyau factor

Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339 Facteurs et vecteurs labellisés . . . . . . . . . . . . . . . 121
étendue
Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339 factoriel, plan
Analyse des correspondances multiples (ACM) . . . 607
étiquette de valeur
Facteurs et vecteurs labellisés . . . . . . . . . . . . . . . . 121 factorielle, analyse
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 Analyse des correspondances multiples (ACM) . . . 607
étiquette de variable fichier CSV

Facteurs et vecteurs labellisés . . . . . . . . . . . . . . . . 121 Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
fichier de commandes
étiquettes de valeurs Premier travail avec des données . . . . . . . . . . . . . . 35
fichier texte
event history analysis Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
fichiers Shapefile
exact, âge Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
Calculer un âge . . . . . . . . . . . . . . . . . . . . . . . . . 1327
Fisher, test exact
explicative, variable Comparaisons (moyennes et proportions) . . . . . . . 493
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 FIV
export de graphiques Tableaux statistiques avancés avec gtsummary . . . 685
Export de graphiques . . . . . . . . . . . . . . . . . . . . . . 331
Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339 fonction
Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . 15
exporter des données
Export de données . . . . . . . . . . . . . . . . . . . . . . . . 327 fonction de répartition empirique
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 Graphiques univariés et bivariés avec ggplot2 . . . . 423
expression régulière
Expressions régulières . . . . . . . . . . . . . . . . . . . . 1187 formule
extension ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
Extensions (installation, mise à jour) . . . . . . . . . . . . . 59 Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
fréquence, tableau
F fusion
Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . 277
facteur
Facteurs et vecteurs labellisés . . . . ............ 121 fusion de tables
Import de données . . . . . . . . . . . . ............ 149 Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . 277
Premier travail avec des données . . ............ . 35
ordinale . . . . . . . . . . . . . . . . . . . ............ 519
facteurs d’inflation de la variance

Tableaux statistiques avancés avec gtsummary . . . . 685
– 1342 –
Index des concepts
G histogramme
GEE, modèle
Trajectoires de soins : un exemple de données historique des commandes
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . 15
homogénéité des classes
gestionnaire de versions
Gower, distance
I
Gower, indice de similarité image bitmap
Classification ascendante hiérarchique (CAH) . . . . . 651 Export de graphiques . . . . . . . . . . . . . . . . . . . . . . 331
grammaire des tableaux image matricielle

R Markdown : les rapports automatisés . . . . . . . . 1189 Export de graphiques . . . . . . . . . . . . . . . . . . . . . . 331
graphique de pirates image vectorielle

Graphiques univariés et bivariés avec ggplot2 . . . . . 423 Export de graphiques . . . . . . . . . . . . . . . . . . . . . . 331
indépendance
graphique en mosaïque Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
indertie, perte relative
graphique en violon Classification ascendante hiérarchique (CAH) . . . . 651
index plots
graphique, export Analyse de séquences . . . . . . . . . . . . . . . . . . . . . 845
Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339 indexation
grappe, échantillonnage
Définir un plan d’échantillonnage complexe avec indexation bidimensionnelle
survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509 Listes et Tableaux de données . . . . . . . . . . . . . . . . . 91
indexation directe
H indexation par condition

hazard ratio Vecteurs, indexation et assignation . . . . . . . . . . . . . 71
indexation par nom
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
indexation par position
hazard ratio (HR)
indexation, assignation
HDI
– 1343 –
indice de similarité
K
indice de similarité de Gower Kaplan-Meier
Classification ascendante hiérarchique (CAH) . . . . . 651 Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . 819
Tableaux statistiques avancés avec gtsummary . . . 685
inertie Trajectoires de soins : un exemple de données
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
inertie, saut Kruskal-Wallis, test

installation
Installation de R et RStudio . . . . . . . . . . . . . . . . . . . 13
L
integer
Premier travail avec des données . . . . . . . . . . . . . . . 35
labelled data
interaction labellisé, vecteur

Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
intercept
Les contrastes (codage des variables catégorielles dans
labellisée, donnée
un modèle)
Modèles à effets aléatoires (modèles mixtes et GEE)
labellisée, variable
interface
Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
latente, modèle mixte à classes latentes
interquartilen écart
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
intervalle de confiance
Intervalles de confiance . . . . . . . . . . . . . . . . . . . . 485
LCS
intervalle de confiance d’un odds ratio
level, factor
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
intervalle de confiance d’une médiane Lexis, diagramme

Diagramme de Lexis . . . . . . . . . . . . . . . . . . . . . . 1335
intervalle de confiance d’une moyenne libre, logiciel

Présentation et Philosophie . . . . . . . . . . . . . . . . . . . 9
intervalle de confiance d’une proportion life course analysis

Likert, échelle
invite de commande
Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
linéaire, régression
– 1344 –
Index des concepts
liste matrice de corrélation

Listes et Tableaux de données . . . . . . . . . . . . . . . . . 91 Graphiques univariés et bivariés avec ggplot2 . . . . 423
logical matrice de distances

Vecteurs, indexation et assignation . . . . . . . . . . . . . 71 Classification ascendante hiérarchique (CAH) . . . . 651
logiciel libre maximum

Présentation et Philosophie . . . . . . . . . . . . . . . . . . . 9 Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339
logique, opérateur médiane

Conditions et comparaisons . . . . . . . . . . . . . . . . 1137 Comparaisons (moyennes et proportions) . . . . . . . 493
Vecteurs, indexation et assignation . . . . . . . . . . . . . 71 Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339
logique, valeur médiane, intervalle de confiance

Vecteurs, indexation et assignation . . . . . . . . . . . . . 71 Intervalles de confiance . . . . . . . . . . . . . . . . . . . . 485
logistique, régression médiane, test de comparaison

Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473 Comparaisons (moyennes et proportions) . . . . . . . 493
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 métadonnée
logrank, test (comparaison de courbes de survie)
Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . . 819 méthode de Ward
loi normale
Comparaisons (moyennes et proportions) . . . . . . . 493 minimum
Longuest Common Subsequence
Analyse de séquences . . . . . . . . . . . . . . . . . . . . . . 845 mise à jour, R
Installation de R et RStudio . . . . . . . . . . . . . . . . . . 13
mixte, modèle
M Modèles à effets aléatoires (modèles mixtes et GEE)
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Mann-Whitney, test Trajectoires de soins : un exemple de données
Comparaisons (moyennes et proportions) . . . . . . . 493 longitudinales avec data.table
manquante, valeur mixte, modèle mixte à classes latentes

Classification ascendante hiérarchique (CAH) . . . . . 651 longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 Trajectoires de soins : un exemple de données
Régression logistique binaire, multinomiale et longitudinales avec data.table
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365 mixtes, analyse factorielle avec données
Vecteurs, indexation et assignation . . . . . . . . . . . . . 71 Analyse des correspondances multiples (ACM) . . . 607
Markdown modalité
R Markdown : les rapports automatisés . . . . . . . . 1189 Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339
matching, optimal modalité de référence

Analyse de séquences . . . . . . . . . . . . . . . . . . . . . . 845 Les contrastes (codage des variables catégorielles dans
un modèle)
matrice de confusion Régression logistique binaire, multinomiale et
Régression logistique binaire, multinomiale et ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
– 1345 –
modalité, facteur moyenne

Premier travail avec des données . . . . . . . . . . . . . . . 35 Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473
modèle à effets aléatoires Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339
moyenne, âge
modèle à observations répétées Calculer un âge . . . . . . . . . . . . . . . . . . . . . . . . . 1327
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 moyenne, comparaison
modèle de Cox Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473
moyenne, intervalle de confiance
modèle de survie multi-états Intervalles de confiance . . . . . . . . . . . . . . . . . . . . 485
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 multi-états, modèle de survie
modèle GEE longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Trajectoires de soins : un exemple de données Trajectoires de soins : un exemple de données
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 longitudinales avec data.table
longitudinales avec data.table multicolinéarité
modèle linéaire généralisé
Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473 multicolinéarité parfaite
Régression logistique binaire, multinomiale et Multicolinéarité dans la régression . . . . . . . . . . . . 809
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
multidimensional scaling
modèle mixte Analyse de séquences . . . . . . . . . . . . . . . . . . . . . 845
Trajectoires de soins : un exemple de données multinomiale, régression logistique
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 Régression logistique binaire, multinomiale et
Trajectoires de soins : un exemple de données ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
longitudinales avec data.table Trajectoires de soins : un exemple de données
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
modèle, coefficients Trajectoires de soins : un exemple de données
Modèles à effets aléatoires (modèles mixtes et GEE) longitudinales avec data.table
modèle, résidus
Mood, test N
NA
mosaïque, graphique Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365 nom, indexation
moustaches, boîte Vecteurs, indexation et assignation . . . . . . . . . . . . . 71
Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365 nombre entier
Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339 Vecteurs, indexation et assignation . . . . . . . . . . . . . 71
nombre réel
– 1346 –
Index des concepts
normale, loi opérateur logique

Comparaisons (moyennes et proportions) . . . . . . . 493 Conditions et comparaisons . . . . . . . . . . . . . . . . 1137
normalité, test de Shapiro-Wilk
Comparaisons (moyennes et proportions) . . . . . . . 493 optimal matching
notation formule Trajectoires de soins : un exemple de données
Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141 longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
notation scientifique optimal, appariement

Comparaisons (moyennes et proportions) . . . . . . . 493 Analyse de séquences . . . . . . . . . . . . . . . . . . . . . 845
noyau, estimation ordinaire, régression logistique

Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339 Régression logistique binaire, multinomiale et
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
nuage de points
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 ordinale, régression logistique
numeric ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
Premier travail avec des données . . . . . . . . . . . . . . . 35 Trajectoires de soins : un exemple de données
Vecteurs, indexation et assignation . . . . . . . . . . . . . 71 longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
numérique, variable longitudinales avec data.table
Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339 ordonner le tri à plat
O
P
observation
Premier travail avec des données . . . . . . . . . . . . . . . 35 package
Extensions (installation, mise à jour) . . . . . . . . . . . . 59
observations répétées, modèle
Trajectoires de soins : un exemple de données palette de couleurs
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 Analyse des correspondances multiples (ACM) . . . 607
longitudinales avec data.table PAM
odds ratio longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Comparaisons (moyennes et proportions) . . . . . . . 493 Trajectoires de soins : un exemple de données
Les contrastes (codage des variables catégorielles dans longitudinales avec data.table
un modèle)
Régression logistique binaire, multinomiale et partition
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Analyse de séquences . . . . . . . . . . . . . . . . . . . . . 845
odds ratio, intervalle de confiance
Régression logistique binaire, multinomiale et Partitioning Around Medoids
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Trajectoires de soins : un exemple de données
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
opérateur de comparaison Trajectoires de soins : un exemple de données
Conditions et comparaisons . . . . . . . . . . . . . . . . 1137 longitudinales avec data.table
– 1347 –
pas à pas, sélection descendante proportion, test de comparaison

Régression logistique binaire, multinomiale et Comparaisons (moyennes et proportions) . . . . . . . 493
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
proxy
patron Installation de R et RStudio . . . . . . . . . . . . . . . . . . 13
perte relative d’inertie

Q
Phi², distance
Classification ascendante hiérarchique (CAH) . . . . . 651 qualitative, variable
pirate, graphique Classification ascendante hiérarchique (CAH) . . . . 651
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 Régression logistique binaire, multinomiale et
Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365 ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
pirateplot Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339
Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365 quantile
plan d’échantillonnage Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339
quantitative, variable
plan factoriel Analyse des correspondances multiples (ACM) . . . 607
Analyse des correspondances multiples (ACM) . . . . 607 Classification ascendante hiérarchique (CAH) . . . . 651
poids de réplication ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
points, nuage de quartile

Poisson, test
Exemples de graphiques avancés . . . . . . . . . . . . . 1023
pondération R
R Markdown
pooled variance
R Markdown : les rapports automatisés . . . . . . . . 1189
raincloud plots
position, indexation
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
rapport des cotes
projets
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
prompt
raster
Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Analyse spatiale . . . . . . . . . . . . . . . . . . . . . . . . . 951
proportion, intervalle de confiance
recodage de variables
Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201
– 1348 –
Index des concepts
recyclage relatif, risque

Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 Régression logistique binaire, multinomiale et
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
recycling rule
Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 relation fonctionnelle
Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141
réel, nombre lattice : graphiques et formules . . . . . . . . . . . . . . 1091
répartition empirique, fonction
référence, modalité Graphiques univariés et bivariés avec ggplot2 . . . . 423
Les contrastes (codage des variables catégorielles dans Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339
un modèle)
Régression logistique binaire, multinomiale et répertoire de travail
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Organiser ses fichiers . . . . . . . . . . . . . . . . . . . . . 139
régression linéaire réplication, poids

Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365 Régression logistique binaire, multinomiale et
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
régression logistique
Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473 résidus de Schoenfeld
Régression logistique binaire, multinomiale et Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . 819
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
résidus du modèle
régression logistique binaire Modèles à effets aléatoires (modèles mixtes et GEE)
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 résidus, test du Chi²
régression logistique multinomiale Graphiques univariés et bivariés avec ggplot2 . . . . 423
Régression logistique binaire, multinomiale et Trajectoires de soins : un exemple de données
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 résolution
Trajectoires de soins : un exemple de données Export de graphiques . . . . . . . . . . . . . . . . . . . . . . 331
ressemblance
régression logistique ordinaire Classification ascendante hiérarchique (CAH) . . . . 651
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 révolu, âge
Calculer un âge . . . . . . . . . . . . . . . . . . . . . . . . . 1327
régression logistique ordinale
Régression logistique binaire, multinomiale et risque relatif
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Comparaisons (moyennes et proportions) . . . . . . . 493
Trajectoires de soins : un exemple de données Régression logistique binaire, multinomiale et
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
longitudinales avec data.table longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
régression, droite
Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365 S
régulière, expression
Expressions régulières . . . . . . . . . . . . . . . . . . . . 1187 Sankey, diagramme
Manipuler du texte avec stringr . . . . . . . . . . . . . . . 297 Autres extensions graphiques . . . . . . . . . . . . . . . 1109
– 1349 –
SAS, fichier similarité, indice

Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 Classification ascendante hiérarchique (CAH) . . . . 651
saut d’inertie sous-échantillon

Analyse de séquences . . . . . . . . . . . . . . . . . . . . . . 845 Définir un plan d’échantillonnage complexe avec
Classification ascendante hiérarchique (CAH) . . . . . 651 survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509
SBC
Régression logistique binaire, multinomiale et SPSS, fichier
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
Schoenfeld, résidus statistique bivariée

Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . . 819 Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
Schwarz information criterion statistique descriptive

Régression logistique binaire, multinomiale et Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339
scientifique, notation statistique univariée

Comparaisons (moyennes et proportions) . . . . . . . 493 Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339
script strate
Organiser ses fichiers . . . . . . . . . . . . . . . . . . . . . . 139 Définir un plan d’échantillonnage complexe avec
Premier travail avec des données . . . . . . . . . . . . . . . 35 survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509
scripts stratifié, échantillonnage

Présentation et Philosophie . . . . . . . . . . . . . . . . . . . 9 Définir un plan d’échantillonnage complexe avec
survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509
secteur, diagramme
Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339 structure d’un objet
section Visualiser ses données . . . . . . . . . . . . . . . . . . . . . 179
Student, test-t
sélection descendante pas à pas Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Student, test t
séparateur de champs
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 survie, analyse
Analyse de survie . . . . . . . . . ........ .... . . . 819
séparateur décimal Trajectoires de soins : un exemple de données
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 longitudinales . . . . . . . . . . . . ........ .... . . . 873
séquence, analyse longitudinales avec data.table
Analyse de séquences . . . . . . . ........ ... . . . . 845
Trajectoires de soins : un exemple de données survie, modèle multi-états
longitudinales . . . . . . . . . . . . ........ ... . . . . 873 Trajectoires de soins : un exemple de données
Trajectoires de soins : un exemple de données longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
longitudinales avec data.table Trajectoires de soins : un exemple de données
séquence, tapis
Shapiro-Wilk, test de normalité

– 1350 –
Index des concepts
T test de Kruskal-Wallis
tableau croisé
Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473 test de Mood
Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365 Comparaisons (moyennes et proportions) . . . . . . . 493
tableau croisé, coefficient de contingence de test de normalité de Shapiro-Wilk

Cramer
Comparaisons (moyennes et proportions) . . . . . . . 493 test de Wilcoxon-Mann-Whitney
tableau croisé, graphique en mosaïque
Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365 test de Wilcoxon/Mann-Whitney
tableau croisé, test exact de Fisher
Comparaisons (moyennes et proportions) . . . . . . . 493 test du Chi²
tableau de donnée
tableau de données, fusion
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . . 277
tableau de données, tri test du Chi², résidus

Tris . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
tableau de fréquences Trajectoires de soins : un exemple de données
Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339 longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
tagged missing value longitudinales avec data.table
test exact de Fisher
tagged NA Comparaisons (moyennes et proportions) . . . . . . . 493
test t de Student
tapis Comparaisons (moyennes et proportions) . . . . . . . 493
Analyse de séquences . . . . . . . . . . . . . . . . . . . . . . 845 Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473
task view
Extensions (installation, mise à jour) . . . . . . . . . . . . . 59 texte
terme (modèle)
Les contrastes (codage des variables catégorielles dans texte tabulé, fichier
un modèle) Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
test d’égalité des variances texte, fichier

Comparaisons (moyennes et proportions) . . . . . . . 493 Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
test de comparaison de deux proportions tibble

Comparaisons (moyennes et proportions) . . . . . . . 493 Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
test de Fosher
– 1351 –
tidy data valeur manquante déclarée

Introduction au tidyverse . . . . . . . . . . . . ... . . . . . 63 Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
Réorganiser ses données avec tidyr . . . . . ... . . . . 309
Trajectoires de soins : un exemple de données valeur, étiquette
longitudinales . . . . . . . . . . . . . . . . . . . . ... . . . . 873 Facteurs et vecteurs labellisés . . . . . . . . . . . . . . . 121
Trajectoires de soins : un exemple de données Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
variable
tidyverse Premier travail avec des données . . . . . . . . . . . . . . 35
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 variable catégorielle
Introduction au tidyverse . . . . . . . . . . . . . . . . . . . . 63 Facteurs et vecteurs labellisés . . . . . . . . . . . . . . . 121
total variable d’intérêt

Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473 Régression logistique binaire, multinomiale et
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
trajectoire biographique
Analyse de séquences . . . . . . . . . . . . . . . . . . . . . . 845 variable explicative
transversale, entropie ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
variable labellisée
tri à plat Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339 variable numérique
tri à plat, ordonner
Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339 variable qualitative
U ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . .
519
365
univariée, statistique
Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473 variable quantitative
Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339 Analyse des correspondances multiples (ACM) . . . 607
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
V Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . .
Statistique univariée . . . . . . . . . . . . . . . . . . . . . .
365
339
valeur booléenne variable, étiquette

Vecteurs, indexation et assignation . . . . . . . . . . . . . 71 Facteurs et vecteurs labellisés . . . . . . . . . . . . . . . 121
valeur logique
Vecteurs, indexation et assignation . . . . . . . . . . . . . 71 variable, recodage
valeur manquante
Classification ascendante hiérarchique (CAH) . . . . . 651 variance
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 Comparaisons (moyennes et proportions) . . . . . . . 493
Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365 Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473
– 1352 –
Index des concepts
variance inflation factor VIF

Multicolinéarité dans la régression . . . . . . . . . . . . 809 Multicolinéarité dans la régression . . . . . . . . . . . . 809
Tableaux statistiques avancés avec gtsummary . . . . 685 Tableaux statistiques avancés avec gtsummary . . . 685
variance, analyse de violin plot

Régression logistique binaire, multinomiale et Graphiques univariés et bivariés avec ggplot2 . . . . 423
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
violon, graphique en
variance, pooled Graphiques univariés et bivariés avec ggplot2 . . . . 423
visionneusee
variance, test d’égalité Visualiser ses données . . . . . . . . . . . . . . . . . . . . . 179
vecteur
Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
W
vecteur labellisé Ward, méthode
vector Wilcoxon, test

Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 Comparaisons (moyennes et proportions) . . . . . . . 493
viewer
Visualiser ses données . . . . . . . . . . . . . . . . . . . . . 179
– 1353 –
Index des fonctions
% add_glance_source_note (gtsummary)
%in% (base) add_glance_table (gtsummary)

Conditions et comparaisons . . . . . . . . . . . . . . . . 1137 Tableaux statistiques avancés avec gtsummary . . . 685
add_global_p (gtsummary)
. ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
.N (data.table) add_inline_forest_plot (bstfun)

Manipulations avancées avec data.table . . . . . . . . . 259 Tableaux statistiques avancés avec gtsummary . . . 685
add_n (gtsummary)
A add_n.tbl_summary (gtsummary)
A2Rplot (JLutils)
add_overall (gtsummary)
aaply (plyr)
Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . . 1165
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
abline (graphics) Trajectoires de soins : un exemple de données
Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365 longitudinales avec data.table
across (dplyr) add_p (gtsummary)

Manipuler les données avec dplyr . . . . . . . . . . . . . 241 Comparaisons (moyennes et proportions) . . . . . . . 493
add.NA (base) Tableaux statistiques avancés avec gtsummary . . . 685
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
add_p.tbl_cross (gtsummary)
add_ci (gtsummary)
add_p.tbl_summary (gtsummary)
add_difference (gtsummary)
add_p.tbl_svysummary (gtsummary)
– 1355 –
add_significance_stars (gtsummary) AIC.svyglm (survey)

Tableaux statistiques avancés avec gtsummary . . . . 685 Régression logistique binaire, multinomiale et
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
add_sparkline (bstfun)
Tableaux statistiques avancés avec gtsummary . . . . 685 airlines (nycflights13)
Manipuler les données avec dplyr . . . . . . . . . . . . . 241
add_stat (gtsummary)
Tableaux statistiques avancés avec gtsummary . . . . 685 airports (nycflights13)
add_stat_label (gtsummary)
Tableaux statistiques avancés avec gtsummary . . . . 685 all_categorical (gtsummary)
add_vif (gtsummary)
Tableaux statistiques avancés avec gtsummary . . . . 685 all_continous (gtsummary)
addNA (base)
Facteurs et vecteurs labellisés . . . . . . . . . . . . . . . . 121 all_continuous (gtsummary)
addNAstr (questionr)
Facteurs et vecteurs labellisés . . . . . . . . . . . . . . . . 121 all_continuous2 (gtsummary)
Régression logistique binaire, multinomiale et Tableaux statistiques avancés avec gtsummary . . . 685
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
all_contrasts (gtsummary)
adply (plyr) Tableaux statistiques avancés avec gtsummary . . . 685
all_dichotolous (gtsummary)
aes (ggplot2) Tableaux statistiques avancés avec gtsummary . . . 685
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 all_dichotomous (gtsummary)
Introduction à ggplot2, la grammaire des Tableaux statistiques avancés avec gtsummary . . . 685
graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401
Trajectoires de soins : un exemple de données all_interaction (gtsummary)
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 Tableaux statistiques avancés avec gtsummary . . . 685
longitudinales avec data.table all_intercepts (gtsummary)
after_stat (ggplot2)
Exemples de graphiques avancés . . . . . . . . . . . . . 1023 all_of (tidyselect)
age_pyramid (apyramid)
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . 959 all_stat_cols (gtsummary)
aggregate (stats)
Analyse de séquences . . . . . . . . . . . . . . . . . . . . . . 845 allEffects (effects)
Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141 Effets d’interaction dans un modèle . . . . . . . . . . . . 781
agnes (cluster) ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
Classification ascendante hiérarchique (CAH) . . . . . 651 Régression logistique binaire, multinomiale et
Classification ascendante hiérarchique (CAH) . . . . . 651 ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
AIC (stats) alply (plyr)

Régression logistique binaire, multinomiale et Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . 1165
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
anova (geepack)
– 1356 –
Index des fonctions
anova (stats) as.numeric (base)

Effets d’interaction dans un modèle . . . . . . . . . . . . 781 Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 as.seqtree (WeightedCluster)
Anova (car) longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Régression logistique binaire, multinomiale et Trajectoires de soins : un exemple de données
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 longitudinales avec data.table
anti_join (dplyr) as_factor (haven)

Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . . 277 Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201
aov (stats) as_flex_table (gtsummary)

lattice : graphiques et formules . . . . . . . . . . . . . . 1091 Tableaux statistiques avancés avec gtsummary . . . 685
append (base) as_forest_plot (bstfun)

Listes et Tableaux de données . . . . . . . . . . . . . . . . . 91 Tableaux statistiques avancés avec gtsummary . . . 685
apply (base) as_hux_table (gtsummary)

Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . . 1165 Tableaux statistiques avancés avec gtsummary . . . 685
arrange (dplyr) as_kable (gtsummary)

Manipuler les données avec dplyr . . . . . . . . . . . . . 241 Tableaux statistiques avancés avec gtsummary . . . 685
Tris . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
as_kable_extra (gtsummary)
array (base) Tableaux statistiques avancés avec gtsummary . . . 685
as_tibble (gtsummary)
as.character (base) Tableaux statistiques avancés avec gtsummary . . . 685
as_tibble (tibble)
as.clustrange (WeightedCluster) Introduction au tidyverse . . . . . . . . . . . . .... . . . . 63
Classification ascendante hiérarchique (CAH) . . . . . 651 Manipuler les données avec dplyr . . . . . . .... . . . 241
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 longitudinales . . . . . . . . . . . . . . . . . . . . .... . . . 873
longitudinales avec data.table assoc.catcont (GDAtools)
as.data.frame (base)
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 assoc.twocat (GDAtools)
as.data.frame (tibble)
Introduction au tidyverse . . . . . . . . . . . . . . . . . . . . 63 assoc.twocont (GDAtools)
as.data.table (data.table)
Manipulations avancées avec data.table . . . . . . . . . 259
as.hclust (cluster)
B
as.integer (base) barchart (lattice)
Définir un plan d’échantillonnage complexe avec lattice : graphiques et formules . . . . . . . . . . . . . . 1091
survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509
barplot (graphics)
as.matrix (base) Analyse des correspondances multiples (ACM) . . . 607
– 1357 –
base (base)
C
beep (beepr) c (base)
Structures conditionnelles . . . . . . . . . . . . . . . . . 1157 Manipulations avancées avec data.table . . . . . . . . 259
Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . 15
best.cutree (JLutils)
c_across (dplyr)
bind_cols (dplyr)
Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . . 277
CA (FactoMineR)
bind_rows (dplyr)
Fusion de tables . . . . . . . . . . . ........ ... . . . . 277
Trajectoires de soins : un exemple de données case_when (dplyr)
longitudinales . . . . . . . . . . . . ........ ... . . . . 873 Manipuler les données avec dplyr . . . . . . . . . . . . . 241
Trajectoires de soins : un exemple de données Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201
cbind (base)
binomial (stats) Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . 277
Quel type de modèles choisir ? . . . . . . . . . . . . . . . . 815
chisq.residuals (questionr)
biplot (ade4) Comparaisons (moyennes et proportions) . . . . . . . 493
chisq.test (stats)
bold_labels (gtsummary) Comparaisons (moyennes et proportions) . . . . . . . 493
Tableaux statistiques avancés avec gtsummary . . . . 685 Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473
bold_levels (gtsummary)
Tableaux statistiques avancés avec gtsummary . . . . 685 class (base)
Facteurs et vecteurs labellisés . . . . . . . . .... . . . 121
boxplot (ade4)
longitudinales . . . . . . . . . . . . . . . . . . . . .... . . . 873
boxplot (graphics)
lattice : graphiques et formules . . . . . . . . . . . . . . 1091
Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339 clm (ordinal)
Quel type de modèles choisir ? . . . . . . . . . . . . . . . 815
break (base)
Structures conditionnelles . . . . . . . . . . . . . . . . . 1157
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
brewer.pal (RColorBrewer)
clmm (ordinal)
bwplot (lattice)
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
by (base) longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Sous-ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . 269
cm.colors (grDevices)
Couleurs et Palettes . . . . . . . . . . . . . . . . . . . . . 1241
– 1358 –
Index des fonctions
cmdscale (stats) continuous_summary (gtsummary)

Analyse de séquences . . . . . . . . . . . . . . . . . . . . . . 845 Tableaux statistiques avancés avec gtsummary . . . 685
coef (stats) contour (graphics)

ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
contr.SAS (stats)
coef (survey) Les contrastes (codage des variables catégorielles dans
Régression logistique binaire, multinomiale et un modèle)
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
contr.treatment (stats)
collect (dplyr) Les contrastes (codage des variables catégorielles dans
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 un modèle)
color_branches (dendextend) contrasts (stat)

Classification ascendante hiérarchique (CAH) . . . . . 651 Les contrastes (codage des variables catégorielles dans
un modèle)
colorblind_pal (ggthemes)
Couleurs et Palettes . . . . . . . . . . . . . . . . . . . . . . 1241 contrasts (stats)
colors (grDevices) un modèle)
coord_capped_cart (lemon)
column_to_rownames (tibble) Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
Introduction au tidyverse . . . . . . . . . . . . . . . . . . . . 63
coord_capped_flip (lemon)
comma (scales) Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
Mettre en forme des nombres avec scales . . . . . . 1231
coord_flip (ggplot2)
complete (tidyr) Exemples de graphiques avancés . . . . . . . . . . . . 1023
Réorganiser ses données avec tidyr . . . . . . . . . . . . 309 Graphiques univariés et bivariés avec ggplot2 . . . . 423
complete.cases (stats) copy_labels_from (labelled)

Analyse des correspondances multiples (ACM) . . . . 607 Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . 819
cor (stats)
confint (stats) Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 corresp (MASS)
confint (survey)
Intervalles de confiance . . . . . . . . . . . . . . . . . . . . 485 count (dplyr)
Régression logistique binaire, multinomiale et Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Manipuler les données avec dplyr . . . . . . . . . . . . . 241
confint (svrepmisc)
Régression logistique binaire, multinomiale et cox.zph (survival)
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . 819
contains (dplyr) coxme (coxme)

Manipuler les données avec dplyr . . . . . . . . . . . . . 241 Quel type de modèles choisir ? . . . . . . . . . . . . . . . 815
coxph (survival)
contains (tidyselect) Quel type de modèles choisir ? . . . . . . . . . . . . . . . 815
– 1359 –
cprop (questionr) dbReadTable (DBI)

Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473 Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
dcast (data.table)
cramer.v (questionr) Manipulations avancées avec data.table . . . . . . . . 259
Comparaisons (moyennes et proportions) . . . . . . . 493 Réorganiser ses données avec tidyr . . . . . . . . . . . . 309
create_report (DataExplorer) ddply (plyr)

Visualiser ses données . . . . . . . . . . . . . . . . . . . . . 179 Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . 1165
cumulative (VGAM) density (stats)

Quel type de modèles choisir ? . . . . . . . . . . . . . . . . 815 Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339
cut (base) densityplot (lattice)

Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201 lattice : graphiques et formules . . . . . . . . . . . . . . 1091
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 describe (questionr)
Facteurs et vecteurs labellisés . . . . . . . . . ... . . . 121
cutree (stats) Import de données . . . . . . . . . . . . . . . . . ... . . . 149
Classification ascendante hiérarchique (CAH) . . . . . 651 Listes et Tableaux de données . . . . . . . . . . ... . . . . 91
Premier travail avec des données . . . . . . . ... . . . . 35
D Visualiser ses données . . . . . . . . . . . . . . . . . . . . . 179
dev.off (grDevices)
daisy (cluster) Export de graphiques . . . . . . . . . . . . . . . . . . . . . . 331
dev.print (grDevices)
daply (plyr) Export de graphiques . . . . . . . . . . . . . . . . . . . . . . 331
dim (base)
data (utils) Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141
Premier travail avec des données . . . . . . . . . . . . . . . 35 Listes et Tableaux de données . . . . . . . . . . . . . . . . . 91
data.frame (base)
Listes et Tableaux de données . . . . . . . . . . . . . . . . . 91 dimdesc (FactoMineR)
Manipuler les données avec dplyr . . . . . . . . . . . . . 241 Analyse des correspondances multiples (ACM) . . . 607
datatable (DT) display.brewer.all (RColorBrewer)

R Markdown : les rapports automatisés . . . . . . . . 1189 Analyse des correspondances multiples (ACM) . . . 607
dbConnect (DBI) disscenter (TraMineR)

Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 Analyse de séquences . . . . . . . . . . . . . . . . . . . . . 845
dbDisconnect (DBI) dist (stats)

dbGetQuery (DBI) dist.dudi (ade4)

dbListFields (DBI) distinct (dplyr)

Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 Manipuler les données avec dplyr . . . . . . . . . . . . . 241
dbListTables (DBI) diverging_bar_chart (ggcharts)

Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
– 1360 –
Index des fonctions
diverging_lollipop_chart (ggcharts) example (utils)

Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . 959 Où trouver de l’aide ? . . . . . . . . . . . . . . . . . . . . . . 167
dlply (plyr) exp (base)

Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . . 1165 Régression logistique binaire, multinomiale et
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
do.call (base) Trajectoires de soins : un exemple de données
Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . . 1165 longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
dotchart (graphics) longitudinales avec data.table
explor (explor)
dotplot (lattice) Analyse des correspondances multiples (ACM) . . . 607
export_report (pointblank)
dput (base) Visualiser ses données . . . . . . . . . . . . . . . . . . . . . 179
expression (base)
drop1 (stats) Annotations mathématiques . . . . . . . . . . . . . . . 1321
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 extract (tidyr)
Manipuler du texte avec stringr . . . . . . . . . . . . . . 297
dudi.acm (ade4) Réorganiser ses données avec tidyr . . . . . . . . . . . . 309
dudi.coa (ade4)
F
dudi.mix (ade4) facet_grid (ggplot2)
Analyse des correspondances multiples (ACM) . . . . 607 Analyse de séquences . . . . . . . . . . .......... . 845
Exemples de graphiques avancés . . .......... 1023
dudi.pca (ade4)
Formules . . . . . . . . . . . . . . . . . . . .......... 1141
Introduction à ggplot2, la grammaire des
graphiques . . . . . . . . . . . . . . . . . . .......... . 401
Duration (lubridate)
lattice : graphiques et formules . . . . .......... 1091
Calculer un âge . . . . . . . . . . . . . . . . . . . . . . . . . 1327
facet_grid_paginate (ggforce)
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
E facet_rep_grid (lemon)
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
Exemples de graphiques avancés . . . . . . . . . . . . 1023
effect (effects)
Effets d’interaction dans un modèle . . . . . . . . . . . . 781 facet_rep_wrap (lemon)
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
else (base)
Structures conditionnelles . . . . . . . . . . . . . . . . . 1157 facet_wrap (ggplot2)
Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141
ends_width (dplyr)
graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401
everything (tidyselect)
Tableaux statistiques avancés avec gtsummary . . . . 685 facet_wrap_paginate (ggforce)
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
– 1361 –
facet_zoom (ggforce) filter (srvyr)

Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . 959 Définir un plan d’échantillonnage complexe avec
survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509
factor (base)
Facteurs et vecteurs labellisés . . . . . . . . . . . . . . . . 121 finalfit (finalfit)
Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201 Régression logistique binaire, multinomiale et
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
FAMD (FactoMineR)
Analyse des correspondances multiples (ACM) . . . . 607 first (data.table)
Manipulations avancées avec data.table . . . . . . . . 259
fct_collapse (forcats)
Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201 fisher.test (stats)
fct_explicit_na (forcats) Tableaux statistiques avancés avec gtsummary . . . 685
Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201 fixed (stringr)
Régression logistique binaire, multinomiale et Manipuler du texte avec stringr . . . . . . . . . . . . . . 297
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
Tableaux statistiques avancés avec gtsummary . . . . 685 flights (nycflights13)
fct_inorder (forcats)
Trajectoires de soins : un exemple de données for (base)
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 Structures conditionnelles . . . ........ .... . . 1157
longitudinales avec data.table longitudinales . . . . . . . . . . . . ........ .... . . . 873
fct_lump (forcats) longitudinales avec data.table
forest_model (forestmodel)
fct_other (forcats) Régression logistique binaire, multinomiale et
Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201 ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
fct_recode (forcats) forestplot (forestplot)

Exemples de graphiques avancés . . . . . . . . . . . . . 1023 Tableaux statistiques avancés avec gtsummary . . . 685
format (base)
fct_relevel (forcats) Mettre en forme des nombres avec scales . . . . . . 1231
Exemples de graphiques avancés . . . . . . . . . . . . . 1023 Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . 15
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 formula (stats)
Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141
fct_reorder (forcats)
Exemples de graphiques avancés . . . . . . . . . . . . . 1023 frailty (survival)
Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201 Quel type de modèles choisir ? . . . . . . . . . . . . . . . 815
few_pal (ggthemes) freq (cleaner)

Couleurs et Palettes . . . . . . . . . . . . . . . . . . . . . . 1241 Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201
filled.contour (graphics) freq (questionr)

Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365 Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473
filter (dplyr) R Markdown : les rapports automatisés . . . . . . . . 1189
Manipuler du texte avec stringr . . . . . . . . . . . . . . . 297 Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201
Manipuler les données avec dplyr . . . . . . . . . . . . . 241 Régression logistique binaire, multinomiale et
Sous-ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . 269 ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
– 1362 –
Index des fonctions
ft_pal (hrbrthemes) geom_bin2d (ggplot2)

Couleurs et Palettes . . . . . . . . . . . . . . . . . . . . . . 1241 Graphiques univariés et bivariés avec ggplot2 . . . . 423
full_join (dplyr) geom_boxplot (ggplot2)

Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . . 277 Graphiques univariés et bivariés avec ggplot2 . . . . 423
fviz_contrib (factoextra)
Analyse des correspondances multiples (ACM) . . . . 607 geom_braket (ggpubr)
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
fviz_dend (factoextra)
Classification ascendante hiérarchique (CAH) . . . . . 651 geom_count (ggplot2)
Trajectoires de soins : un exemple de données Graphiques univariés et bivariés avec ggplot2 . . . . 423
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Trajectoires de soins : un exemple de données geom_density (ggplot2)
longitudinales avec data.table Graphiques univariés et bivariés avec ggplot2 . . . . 423
fviz_mca_ind (factoextra) geom_density_2d (ggplot2)

Analyse des correspondances multiples (ACM) . . . . 607 Graphiques univariés et bivariés avec ggplot2 . . . . 423
fviz_mca_var (factoextra) geom_density_ridges_gradient (ggridges)

Analyse des correspondances multiples (ACM) . . . . 607 Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
fviz_screeplot (factorextra) geom_dumbbell (ggalt)

Analyse des correspondances multiples (ACM) . . . . 607 Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
geom_hex (ggplot2)
G geom_histogram (ggplot2)
gather (tidyr)
Analyse de séquences . . . . . . . . . . . . . . . . . . . . . . 845 geom_label_repel (ggrepel)
Réorganiser ses données avec tidyr . . . . . . . . . . . . 309 Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
gaussian (stats) geom_line (ggplot2)

Quel type de modèles choisir ? . . . . . . . . . . . . . . . . 815 Graphiques univariés et bivariés avec ggplot2 . . . . 423
gee (gee) geom_lollipop (ggalt)

Quel type de modèles choisir ? . . . . . . . . . . . . . . . . 815 Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
geeglm (geepack)
Quel type de modèles choisir ? . . . . . . . . . . . . . . . . 815 geom_mark_circle (ggforce)
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
geom_alluvium (ggalluvial)
Autres extensions graphiques . . . . . . . . . . . . . . . 1109 geom_mark_ellipse (ggforce)
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
geom_area (ggplot2)
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 geom_mark_hull (ggforce)
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
geom_bar (ggplot2)
Exemples de graphiques avancés . . . . . . . . . . . . . 1023 geom_mark_rect (ggforce)
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
geom_mosaic (ggmosaic)
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
– 1363 –
geom_pirate (ggpirate) getwd (base)

Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . 959 Organiser ses fichiers . . . . . . . . . . . . . . . . . . . . . 139
ggassoc_boxplot (GDAtools)
geom_point (ggplot2) Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
Introduction à ggplot2, la grammaire des ggassoc_crosstab (GDAtools)
graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401 Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
geom_pointpath (ggh4x) ggassoc_phiplot (GDAtools)

Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . 959 Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
geom_pointpath (lemon) ggassoc_scatter (GDAtools)

geom_raster (ggplot2) ggbivariate (GGally)

Analyse de séquences . . . . . . . ........ ... . . . . 845 Graphiques univariés et bivariés avec ggplot2 . . . . 423
longitudinales . . . . . . . . . . . . ........ ... . . . . 873 longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
longitudinales avec data.table longitudinales avec data.table
geom_rug (ggplot2) ggcoef (GGally)

ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
geom_smooth (ggplot2)
Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473 ggcoef_compare (GGally)
Introduction à ggplot2, la grammaire des ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401
ggcoef_model (GGally)
geom_stratum (ggalluvial) Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . 819
Autres extensions graphiques . . . . . . . . . . . . . . . 1109 Effets d’interaction dans un modèle . . . . . . . . . . . . 781
geom_text (ggplot2) ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 ggcoef_model (gtsummary)
geom_text_repel (ggrepel)
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . 959 ggcoef_multinom (GGally)
geom_violin (ggplot2) ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
ggcorr (GGally)
geom_vline (ggplot2) Graphiques univariés et bivariés avec ggplot2 . . . . 423
graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401 ggcoxzph (survminer)
geom_waffle (waffle)
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . 959 ggdendrogram (ggdendro)
Autres extensions graphiques . . . . . . . . . . . . . . . 1109
get_legend (cowplot) Classification ascendante hiérarchique (CAH) . . . . 651
Combiner plusieurs graphiques . . . . . . . . . . . . . . 1009
ggduo (GGally)
getValues (raster) Graphiques univariés et bivariés avec ggplot2 . . . . 423
– 1364 –
Index des fonctions
ggeffect (ggeffect) ggtitle (ggplot2)

Régression logistique binaire, multinomiale et Exemples de graphiques avancés . . . . . . . . . . . . 1023
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Graphiques univariés et bivariés avec ggplot2 . . . . 423
ggeffect (ggeffects) glance (broom)

Effets d’interaction dans un modèle . . . . . . . . . . . . 781 Tableaux statistiques avancés avec gtsummary . . . 685
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 glimpse (dplyr)
ggforest (survminer)
Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . . 819 glimpse (tibble)
gghiglight (gghiglight) Visualiser ses données . . . . . . . . . . . . . . . . . . . . . 179
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . 959
glm (stats)
ggpairs (GGally) Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 Quel type de modèles choisir ? . . . . . . . . . . . . . . . 815
ggplot (ggplot2) ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
Classification ascendante hiérarchique (CAH) . . . . . 651 Tableaux statistiques avancés avec gtsummary . . . 685
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 glm.nb (MASS)
Introduction à ggplot2, la grammaire des Quel type de modèles choisir ? . . . . . . . . . . . . . . . 815
graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401
glmer (lme4)
ggplotly (plotly) Quel type de modèles choisir ? . . . . . . . . . . . . . . . 815
Graphiques interactifs . . . . . . . . . . . . . . . . . . . . 1087
glmer.nb (lme4)
ggpredict (ggeffects) Quel type de modèles choisir ? . . . . . . . . . . . . . . . 815
un modèle) glmmTMB (glmmTMB)
ggsave (ggplot2)
Export de graphiques . . . . . . . . . . . . . . . . . . . . . . 331 glmulti (ggmulti)
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 Effets d’interaction dans un modèle . . . . . . . . . . . . 781
graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401 grid_arrange_shared_legend (lemeon)
ggsurv (GGally)
Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . . 819 group_by (dplyr)
ggsurvey (questionr)
Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473 grViz (DiagrammeR)
ggsurvplot (survminer)
Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . . 819 gtsave (gt)
ggtable (GGally)
Classification ascendante hiérarchique (CAH) . . . . . 651 guide_axis_minor (ggh4x)
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
Trajectoires de soins : un exemple de données Exemples de graphiques avancés . . . . . . . . . . . . 1023
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Trajectoires de soins : un exemple de données guide_axis_nested (ggh4x)
longitudinales avec data.table Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
– 1365 –
guide_axis_truncated (ggh4x) hist (graphics)

Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . 959 Graphiques univariés et bivariés avec ggplot2 . . . . 423
guides (ggplot2)
Exemples de graphiques avancés . . . . . . . . . . . . . 1023 histogram (lattice)
H
I
haven_labelled (haven)
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 icut (questionr)
haven_labelled (labelled)
Facteurs et vecteurs labellisés . . . . . . . . . . . . . . . . 121 if (base)
hazard.msm (msm)
Trajectoires de soins : un exemple de données if_else (dplyr)
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 Manipuler les données avec dplyr . . . . . . . . . . . . . 241
Trajectoires de soins : un exemple de données Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201
ifelse (base)
hclust (fastcluster) Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201
image (graphics)
hclust (stats) Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
imap (purrr)
HCPC (FactoMineR) Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . 1165
inertia.dudi (ade4)
hdv2003 (questionr) Analyse des correspondances multiples (ACM) . . . 607
Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141
Premier travail avec des données . . . . . . . . . . . . . . . 35 inner_join (dplyr)
Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . 277
head (utils)
Conditions et comparaisons . . . . . . . . . . . . . . . . 1137 install.packages (utils)
Listes et Tableaux de données . . . . . . . . . . . . . . . . . 91 Extensions (installation, mise à jour) . . . . . . . . . . . . 59
install_github (devtools)
heat.colors (grDevices) Analyse des correspondances multiples (ACM) . . . 607
Couleurs et Palettes . . . . . . . . . . . . . . . . . . . . . . 1241 Classification ascendante hiérarchique (CAH) . . . . 651
help (utils) Intervalles de confiance . . . . . . . . . . . . . . . . . . . . 485
Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 interaction (base)
help.search (utils)
Où trouver de l’aide ? . . . . . . . . . . . . . . . . . . . . . . 167 Interval (lubridate)
Calculer un âge . . . . . . . . . . . . . . . . . . . . . . . . . 1327
help.start (utils)
Où trouver de l’aide ? . . . . . . . . . . . . . . . . . . . . . . 167 invisible (base)
Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . 1165
– 1366 –
Index des fonctions
iorder (questionr)
Facteurs et vecteurs labellisés . . . . . . . . . . . . . . . . 121
L
ipsum_pal (hrbrthemes) label_bytes (scales)
Couleurs et Palettes . . . . . . . . . . . . . . . . . . . . . . 1241 Mettre en forme des nombres avec scales . . . . . . 1231
irec (questionr) label_comma (scales)

Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201 Mettre en forme des nombres avec scales . . . . . . 1231
is.na (base) label_date (scales)

Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201 Mettre en forme des nombres avec scales . . . . . . 1231
label_date_short (scales)
is.numeric (base) Mettre en forme des nombres avec scales . . . . . . 1231
label_dollar (scales)
italicize_labels (gtsummary) Mettre en forme des nombres avec scales . . . . . . 1231
label_number (scales)
italicize_levels (gtsummary) Mettre en forme des nombres avec scales . . . . . . 1231
label_number_si (scales)
J label_percent (scales)
jpeg (grDevices) label_pvalue (scales)

Export de graphiques . . . . . . . . . . . . . . . . . . . . . . 331 Mettre en forme des nombres avec scales . . . . . . 1231
label_scientific (scales)
K label_time (scales)
kable (knitr)
R Markdown : les rapports automatisés . . . . . . . . 1189 label_wrap (scales)
Régression logistique binaire, multinomiale et Exemples de graphiques avancés . . . . . . . . . . . . 1023
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Mettre en forme des nombres avec scales . . . . . . 1231
kde2d (MASS) labelled (labelled)

Graphiques univariés et bivariés avec ggplot2 . . . . . 423 Facteurs et vecteurs labellisés . . . . . . . . . . . . . . . 121
labs (ggplot2)
krukal.test (stats) Exemples de graphiques avancés . . . . . . . . . . . . 1023
Comparaisons (moyennes et proportions) . . . . . . . 493 Graphiques univariés et bivariés avec ggplot2 . . . . 423
kruskal.test (stats) lag (dplyr)

Tableaux statistiques avancés avec gtsummary . . . . 685 Manipuler les données avec dplyr . . . . . . . . . . . . . 241
lapply (base)
last (data.table)
– 1367 –
lcmm (lcmm) look_for (labelled)

Trajectoires de soins : un exemple de données Facteurs et vecteurs labellisés ........ .... . . . 121
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 Listes et Tableaux de données . ........ .... . . . . 91
longitudinales avec data.table longitudinales . . . . . . . . . . . . ........ .... . . . 873
Visualiser ses données . . . . . . ........ .... . . . 179
lead (dplyr)
Manipuler les données avec dplyr . . . . . . . . . . . . . 241 look_for (questionr)
left_join (dplyr) longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . . 277
lookfor (questionr)
length (base) Visualiser ses données . . . . . . . . . . . . . . . . . . . . . 179
Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 lprop (questionr)
Vecteurs, indexation et assignation . . . . . . . . . . . . . 71 Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473
letters (base)
Vecteurs, indexation et assignation . . . . . . . . . . . . . 71 ltabs (questionr)
LETTERS (base)
levels (base)
M
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 makeCodebook (dataMaid)
Tris . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265 Visualiser ses données . . . . . . . . . . . . . . . . . . . . . 179
library (base) map (purrr)

Extensions (installation, mise à jour) . . . . . . . . . . . . . 59 Exemples de graphiques avancés . . . . . . . . . . . . 1023
Organiser ses fichiers . . . . . . . . . . . . . . . . . . . . . . 139 Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . 1165
map_chr (purrr)
list (base) Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . 1165
Manipulations avancées avec data.table . . . . . . . . . 259 map_dbl (purrr)
llpply (plyr)
Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . . 1165 map_dfc (purrr)
lm (stats)
Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473 map_dfr (purrr)
lattice : graphiques et formules . . . . . . . . . . . . . . 1091 Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . 1165
Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365 map_int (purrr)
lmer (lme4)
Quel type de modèles choisir ? . . . . . . . . . . . . . . . . 815 map2 (purrr)
load (base)
Export de données . . . . . . . . . . . . . . . . . . . . . . . . 327 map2_dbl (purrr)
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 Exemples de graphiques avancés . . . . . . . . . . . . 1023
log (base) maply (plyr)

Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . . 1165 Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . 1165
– 1368 –
Index des fonctions
mapply (base) min (base)

Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . . 1165 Manipulations avancées avec data.table . . . . . . . . 259
Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . 15
matches (dplyr) Premier travail avec des données . . . . . . . . . . . . . . 35
Manipuler les données avec dplyr . . . . . . . . . . . . . 241 Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339
max (base) mlply (plyr)

Manipulations avancées avec data.table . . . . . . . . . 259 Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . 1165
Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Premier travail avec des données . . . . . . . . . . . . . . . 35 modify (purrr)
Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339 Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . 1165
mca (MASS) modify_footnote (gtsummary)

Analyse des correspondances multiples (ACM) . . . . 607 Tableaux statistiques avancés avec gtsummary . . . 685
MCA (FactoMineR) modify_header (gtsummary)

Analyse des correspondances multiples (ACM) . . . . 607 Tableaux statistiques avancés avec gtsummary . . . 685
mcmcsamp (lme4) modify_spanning_header (gtsummary)

Modèles à effets aléatoires (modèles mixtes et GEE) Tableaux statistiques avancés avec gtsummary . . . 685
mdply (plyr) month.abb (base)

Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . . 1165 Vecteurs, indexation et assignation . . . . . . . . . . . . . 71
mean (base) month.name (base)

Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473 Vecteurs, indexation et assignation . . . . . . . . . . . . . 71
Où trouver de l’aide ? . . . . . . . . . . . . . . . . . . . . . . 167 mood.test (stats)
Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 Comparaisons (moyennes et proportions) . . . . . . . 493
Sous-ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . 269 mosaic (vcd)
Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339 Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
median (stats) mosaicplot (graphics)

Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141 Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
Premier travail avec des données . . . . . . . . . . . . . . . 35 msm (msm)
Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339 Trajectoires de soins : un exemple de données
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
MedianCI (DescTools) Trajectoires de soins : un exemple de données
Intervalles de confiance . . . . . . . . . . . . . . . . . . . . 485 longitudinales avec data.table
melt (data.table) multinom (nnet)

Manipulations avancées avec data.table . . . . . . . . . 259 Quel type de modèles choisir ? . . . . . . . . . . . . . . . 815
Réorganiser ses données avec tidyr . . . . . . . . . . . . 309 Régression logistique binaire, multinomiale et
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
merge (base)
Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . . 277 multinomial (VGAM)
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 Quel type de modèles choisir ? . . . . . . . . . . . . . . . 815
merge (data.table) multiplot (JLutils)

Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . . 277 Combiner plusieurs graphiques . . . . . . . . . . . . . . 1009
mermaid (DiagrammeR) mutate (dplyr)

Autres extensions graphiques . . . . . . . . . . . . . . . 1109 Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
– 1369 –
N O
NA (base) odds.ratio (questionr)
Vecteurs, indexation et assignation . . . . . . . . . . . . . 71 Comparaisons (moyennes et proportions) . . . . . . . 493
na_range (labelled) un modèle)
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 Régression logistique binaire, multinomiale et
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
na_values (labelled)
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 offset (stats)
names (base)
Listes et Tableaux de données . . . . . . . . . . . . . . . . . 91 oneway.test (stats)
Premier travail avec des données . . . . . . . . . . . . . . . 35 Comparaisons (moyennes et proportions) . . . . . . . 493
Vecteurs, indexation et assignation . . . . . . . . . . . . . 71 or_plot (final_fit)
Visualiser ses données . . . . . . . . . . . . . . . . . . . . . 179 Régression logistique binaire, multinomiale et
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
ncol (base)
Listes et Tableaux de données . . . . . . . . . . . . . . . . . 91 or_plot (finalfilt)
Premier travail avec des données . . . . . . . . . . . . . . . 35 Régression logistique binaire, multinomiale et
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
nest (tidyr)
Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . . 1165 order (base)
Tris . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
nesting (tidyr)
Réorganiser ses données avec tidyr . . . . . . . . . . . . 309 order (data.table)
Tris . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
next (base)
Structures conditionnelles . . . . . . . . . . . . . . . . . 1157 ordgee (geepack)
Quel type de modèles choisir ? ........ .... . . . 815
nolabel_to_na (labelled) Trajectoires de soins : un exemple de données
Facteurs et vecteurs labellisés . . . . . . . . . . . . . . . . 121 longitudinales . . . . . . . . . . . . ........ .... . . . 873
nomLORgee (multgee) longitudinales avec data.table
ordLORgee (multgee)
nrow (base) Quel type de modèles choisir ? ........ .... . . . 815
Listes et Tableaux de données . . . . . . . . . . . . . . . . . 91 Trajectoires de soins : un exemple de données
Premier travail avec des données . . . . . . . . . . . . . . . 35 longitudinales . . . . . . . . . . . . ........ .... . . . 873
nth (dplyr) longitudinales avec data.table
NULL (base)
P
number (scales)
Mettre en forme des nombres avec scales ... . . . 1231 paged_table (rmarkdown)
longitudinales . . . . . . . . . . . . . . . . . . . . ... . . . . 873
Trajectoires de soins : un exemple de données pairs (graphics)
longitudinales avec data.table Graphiques univariés et bivariés avec ggplot2 . . . . 423
– 1370 –
Index des fonctions
panel.xyplot (lattice) plot (effects)

lattice : graphiques et formules . . . . . . . . . . . . . . 1091 Régression logistique binaire, multinomiale et
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
par (graphics) Régression logistique binaire, multinomiale et
Analyse des correspondances multiples (ACM) . . . . 607 ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
plot (FactoMineR)
partial (purrr) Analyse des correspondances multiples (ACM) . . . 607
Tableaux statistiques avancés avec gtsummary . . . . 685 Classification ascendante hiérarchique (CAH) . . . . 651
paste (base) plot (graphics)

Annotations mathématiques . . . . . . . . . . . . . . . . 1321 Introduction à ggplot2, la grammaire des
Manipuler du texte avec stringr . . . . . . . . . . . . . . . 297 graphiques . . . . . . . . . . . . . . . . . . . ......... . 401
Premier travail avec des données . . . ......... . . 35
paste0 (base) Statistique bivariée . . . . . . . . . . . . . ......... . 365
Exemples de graphiques avancés . . . . . . . . . . . . . 1023 Statistique univariée . . . . . . . . . . . . ......... . 339
Manipuler du texte avec stringr . . . . . . . . . . . . . . . 297
plot (stats)
PCA (FactoMineR) Analyse de séquences . . . . . . . . . . . . . . . . . . . . . 845
Analyse des correspondances multiples (ACM) . . . . 607 Classification ascendante hiérarchique (CAH) . . . . 651
pdf (grDevices) Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339
plot.prevalence.msm (msm)
percent (scales) Trajectoires de soins : un exemple de données
Exemples de graphiques avancés . . . . . . . . . . . . . 1023 longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 Trajectoires de soins : un exemple de données
Mettre en forme des nombres avec scales . . . . . . 1231 longitudinales avec data.table
Period (lubridate) plot_grid (cowplot)

Calculer un âge . . . . . . . . . . . . . . . . . . . . . . . . . 1327 Combiner plusieurs graphiques . . . . . . . . . . . . . . 1009
pi (base)
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
plotellipses (FactoMineR)
pie (graphics)
plotmath (grDevices)
pirateplot (yarr)
Annotations mathématiques . . . . . . . . . . . . . . . 1321
pluck (purrr)
pivot_longer (tidyr)
Réorganiser ses données avec tidyr . . . . . . . . . . . . 309 png (grDevices)
pivot_wider (tidyr)
Réorganiser ses données avec tidyr . . . . . ... . . . . 309 poisson (stats)
Trajectoires de soins : un exemple de données Quel type de modèles choisir ? . . . . . . . . . . . . . . . 815
longitudinales . . . . . . . . . . . . . . . . . . . . ... . . . . 873
Trajectoires de soins : un exemple de données poisson.test (stats)
longitudinales avec data.table Exemples de graphiques avancés . . . . . . . . . . . . 1023
polr (MASS)
– 1371 –
poly (stats) prop.test (stats)

Régression logistique binaire, multinomiale et Comparaisons (moyennes et proportions) . . . . . . . 493
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Intervalles de confiance . . . . . . . . . . . . . . . . . . . . 485
position_fill (ggplot2) proportion_summary (gtsummary)

Graphiques univariés et bivariés avec ggplot2 . . . . . 423 Tableaux statistiques avancés avec gtsummary . . . 685
position_stack (ggplot2) ptol_pal (ggthemes)

Graphiques univariés et bivariés avec ggplot2 . . . . . 423 Couleurs et Palettes . . . . . . . . . . . . . . . . . . . . . 1241
postprob (lcmm) pvalue (scales)

longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
longitudinales avec data.table longitudinales avec data.table
postscript (grDevices) pyramid_chart (ggcharts)

Export de graphiques . . . . . . . . . . . . . . . . . . . . . . 331 Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
predict (stats)
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
Q
predict (survey)
Régression logistique binaire, multinomiale et qnorm (stats)
prevalence.msm (msm) qplot (ggplot2)

Trajectoires de soins : un exemple de données Introduction à ggplot2, la grammaire des
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401
longitudinales avec data.table quant.cut (questionr)
princomp (stats)
Analyse des correspondances multiples (ACM) . . . . 607 quantile (stats)
print (questionr)
Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365 quasibinomial (stats)
progress_bar (progress)
Structures conditionnelles . . . . . . . . . . . . . . . . . 1157 quasipoisson (stats)
prop (questionr)
prop.ci (JLutils)
R
prop.ci.lower (JLutils) rainbow (grDevices)
Intervalles de confiance . . . . . . . . . . . . . . . . . . . . 485 Couleurs et Palettes . . . . . . . . . . . . . . . . . . . . . 1241
prop.ci.upper (JLutils) range (base)

Intervalles de confiance . . . . . . . . . . . . . . . . . . . . 485 Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339
prop.table (base) range (stats)

Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339 Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141
– 1372 –
Index des fonctions
rank (base) read_csv (readr)

Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . . 819 Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
raster (raster) graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401
read_csv2 (readr)
ratio_summary (gtsummary) Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
read_delim (readr)
rbind (base) Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . . 277
read_dta (haven)
rbind.fill (plyr) Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . . 277
read_excel (readxl)
read.csv (utils) Exemples de graphiques avancés . . . . . . . . . . . . 1023
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401 read_feather (feather)
Export de données . . . . . . . . . . . . . . . . . . . . . . . . 327
read.csv2 (utils)
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 read_sas (haven)
read.dbf (foreign)
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 read_spss (haven)
read.delim (utils)
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 read_stata (haven)
read.delim2 (utils)
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 read_tsv (readr)
read.dta (foreign)
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 readAsciiGrid (maptools)
read.spss (foreign)
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 readShapeLines (maptools)
read.table (utils)
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 readShapePoints (maptools)
read.xlsx (openxlsx)
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 readShapePoly (maptools)
read.xlsx (xlsx)
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 readShapeSpatial (maptools)
read.xlsx2 (xlsx)
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 recode (dplyr)
read.xport (foreign)
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 recode_factor (dplyr)
rect.hclust (stats)
– 1373 –
regex (stringr) rownames_to_columns (tibble)

Manipuler du texte avec stringr . . . . . . . . . . . . . . . 297 Introduction au tidyverse . . . . . . . . . . . . . . . . . . . . 63
registerDoMC (doMC) rowwise (dplyr)

Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . . 1165 Manipuler les données avec dplyr . . . . . . . . . . . . . 241
relevel (stats) rprop (questionr)

Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . . 819 Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
Régression logistique binaire, multinomiale et rug (graphics)
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 lattice : graphiques et formules . . . . . . . . . . . . . . 1091
relocate (dplyr)
Manipuler les données avec dplyr . . . . . . . . . . . . . 241 runif (stats)
relrisk (mosaic)
remove.packages (utils)
S
remove_labels (labelled) s.arrow (ade4)
Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201 Analyse des correspondances multiples (ACM) . . . 607
rename (dplyr) s.chull (ade4)

Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . . 277 Analyse des correspondances multiples (ACM) . . . 607
Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201 s.class (ade4)
rename.variable (questionr) Classification ascendante hiérarchique (CAH) . . . . 651
s.corcicle (ade4)
rename_with (dplyr) Analyse des correspondances multiples (ACM) . . . 607
s.freq (JLutils)
rep (base) Analyse des correspondances multiples (ACM) . . . 607
s.hist (ade4)
repeat (base) Analyse des correspondances multiples (ACM) . . . 607
s.label (ade4)
require (base) Analyse des correspondances multiples (ACM) . . . 607
s.value (ade4)
rgb (grDevices) Analyse des correspondances multiples (ACM) . . . 607
Couleurs et Palettes . . . . . . . . . . . . . . . . . . . . . . 1241
sample_frac (dplyr)
right_join (dplyr) Manipuler les données avec dplyr . . . . . . . . . . . . . 241
Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . . 277
sample_n (dplyr)
row.names (base) Manipuler les données avec dplyr . . . . . . . . . . . . . 241
sankeyNetwork (networkD3)
rownames_to_column (tibble) Autres extensions graphiques . . . . . . . . . . . . . . . 1109
– 1374 –
Index des fonctions
sapply (base) scale_x_upset (ggupset)

Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . . 1165 Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
save (base) scale_y_continuous (ggplot2)

Export de données . . . . . . . . . . . . . . . . . . . . . . . . 327 Graphiques univariés et bivariés avec ggplot2 . . . . 423
scan_data (pointblank)
save.image (base) Visualiser ses données . . . . . . . . . . . . . . . . . . . . . 179
scatter (ade4)
save_as_docx (flextable) Analyse des correspondances multiples (ACM) . . . 607
score (ade4)
scale_color_paletteer_c (paletteer) Analyse des correspondances multiples (ACM) . . . 607
screeplot (ade4)
scale_color_paletteer_d (paletteer) Analyse des correspondances multiples (ACM) . . . 607
sd (stats)
scale_colour_brewer (ggplot2) Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Couleurs et Palettes . . . . . . . . . . . . . . . . . . . . . . 1241 Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339
graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401 select (dplyr)
scale_colour_viridis_c (ggplot2) Réorganiser ses données avec tidyr . . . . . . . . . . . . 309
select_helpers (tidyselect)
scale_colour_viridis_d (ggplot2) Réorganiser ses données avec tidyr . . . . . . . . . . . . 309
semi_join (dplyr)
scale_coulour_gradientn (ggplot2) Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . 277
separate (tidyr)
scale_fill_brewer (ggplot2) Manipuler du texte avec stringr . . . . . . . . . . . . . . 297
Couleurs et Palettes . . . . . . . . . . . . . . . . . . . . . . 1241 Réorganiser ses données avec tidyr . . . . . . . . . . . . 309
scale_fill_bright (khroma) separate_p_footnotes (gtsummary)

scale_fill_gradientn (ggplot2) seq (base)

Couleurs et Palettes . . . . . . . . . . . . . . . . . . . . . . 1241 Vecteurs, indexation et assignation . . . . . . . . . . . . . 71
scale_fill_manual (ggplot2) seq_heatmap (seqhandbook)

Exemples de graphiques avancés . . . . . . . . . . . . . 1023 Analyse de séquences . . . . . . ........ .... . . . 845
scale_fill_viridis_c (ggplot2) longitudinales . . . . . . . . . . . . ........ .... . . . 873
Couleurs et Palettes . . . . . . . . . . . . . . . . . . . . . . 1241 Trajectoires de soins : un exemple de données
scale_fill_viridis_d (ggplot2)
Couleurs et Palettes . . . . . . . . . . . . . . . . . . . . . . 1241 seqcost (TraMineR)
scale_x_continuous (ggplot2) longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Introduction à ggplot2, la grammaire des Trajectoires de soins : un exemple de données
graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401 longitudinales avec data.table
– 1375 –
seqdef (TraMineR) seqsubm (TraMineR)

Analyse de séquences . . . . . . . ........ ... . . . . 845 Analyse de séquences . . . . . . . . . . . . . . . . . . . . . 845
longitudinales . . . . . . . . . . . . ........ ... . . . . 873 seqtreedisplay (TraMineR)
longitudinales avec data.table longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
seqdist (TraMineR) longitudinales avec data.table
Classification ascendante hiérarchique (CAH) . . . . . 651 set_variable_labels (labelled)
seqdplot (TraMineR)
Analyse de séquences . . . . . . . ........ ... . . . . 845 setDF (data.table)
Trajectoires de soins : un exemple de données Manipulations avancées avec data.table . . . . . . . . 259
longitudinales . . . . . . . . . . . . ........ ... . . . . 873
Trajectoires de soins : un exemple de données setDT (data.table)
longitudinales avec data.table Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . 819
seqfplot (TraMineR) Trajectoires de soins : un exemple de données
Analyse de séquences . . . . . . . . . . . . . . . . . . . . . . 845 longitudinales avec data.table
seqHtplot (TraMineR) setorder (data.table)

Analyse de séquences . . . . . . . . . . . . . . . . . . . . . . 845 Tris . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
seqIplot (TraMineR) setwd (base)

Analyse de séquences . . . . . . . ........ ... . . . . 845 Organiser ses fichiers . . . . . . . . . . . . . . . . . . . . . 139
longitudinales . . . . . . . . . . . . ........ ... . . . . 873 shapiro.test (stats)
Trajectoires de soins : un exemple de données Comparaisons (moyennes et proportions) . . . . . . . 493
show_header_names (gtsummary)
seqlength (TraMineR) Tableaux statistiques avancés avec gtsummary . . . 685
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 signif_stars (GGally)
Trajectoires de soins : un exemple de données Mettre en forme des nombres avec scales . . . . . . 1231
skim (skimr)
seqmsplot (TraMineR) Visualiser ses données . . . . . . . . . . . . . . . . . . . . . 179
slice (dplyr)
seqmtplot (TraMineR) Manipuler les données avec dplyr . . . . . . . . . . . . . 241
smean.sd (Hmisc)
seqplot (TraMineR) Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141
smoothScatter (graphics)
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
sort (base)
seqrep (TraMineR) Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339
Tris . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
seqrplot (TraMineR) sort_val_labels (labelled)

– 1376 –
Index des fonctions
source (base) str (utils)

Organiser ses fichiers . . . . . . . . . . . . . . . . . . . . . . 139 Exemples de graphiques avancés . . . . . . . . . . . . 1023
Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141
SpatialGridDataFrame (sp) Listes et Tableaux de données . . . . . . . . . . . . . . . . . 91
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 Premier travail avec des données . . . . . . . . . . . . . . 35
spread (tidyr) Visualiser ses données . . . . . . . . . . . . . . . . . . . . . 179
Réorganiser ses données avec tidyr . . . . . . . . . . . . 309
str_c (stringr)
starts_with (dplyr) Manipuler du texte avec stringr . . . . . . . . . . . . . . 297
str_count (stringr)
starts_with (tidyselect) Manipuler du texte avec stringr . . . . . . . . . . . . . . 297
str_detect (stringr)
stat_count (ggplot2) Manipuler du texte avec stringr ....... .... . . . 297
Exemples de graphiques avancés . . . . . . . . . . . . . 1023 Trajectoires de soins : un exemple de données
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 longitudinales . . . . . . . . . . . . . ....... .... . . . 873
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 Trajectoires de soins : un exemple de données
stat_density_2d (ggplot2)
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 str_extract (stringr)
stat_ecdf (ggplot2)
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 str_extract_all (stringr)
stat_prop (GGally)
Exemples de graphiques avancés . . . . . . . . . . . . . 1023 str_glue_data (stringr)
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 Manipuler du texte avec stringr . . . . . . . . . . . . . . 297
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 str_replace (stringr)
Trajectoires de soins : un exemple de données Manipuler du texte avec stringr . . . . . . . . . . . . . . 297
str_replace_all (stringr)
stat_weighted_mean (GGally) Manipuler du texte avec stringr . . . . . . . . . . . . . . 297
Trajectoires de soins : un exemple de données str_split (stringr)
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 Manipuler du texte avec stringr . . . . . . . . . . . . . . 297
statetable.msm (msm) str_sub (stringr)

Trajectoires de soins : un exemple de données Analyse de séquences . . . . . . . . . . . . . . . . . . . . . 845
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 Manipuler du texte avec stringr . . . . . . . . . . . . . . 297
longitudinales avec data.table str_subset (stringr)
step (stats)
Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . . 819 str_to_lower (stringr)
Régression logistique binaire, multinomiale et Manipuler du texte avec stringr . . . . . . . . . . . . . . 297
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
str_to_title (stringr)
stepAIC (MASS) Manipuler du texte avec stringr . . . . . . . . . . . . . . 297
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 str_to_upper (stringr)
– 1377 –
strptime (base) summary (base)

Exemples de graphiques avancés . . . . . . . . . . . . . 1023 Conditions et comparaisons . . . . . . . . . . .... . . 1137
Mettre en forme des nombres avec scales . . . . . . 1231 lattice : graphiques et formules . . . . . . . . .... . . 1091
Listes et Tableaux de données . . . . . . . . . .... . . . . 91
style_number (gtsummary) Premier travail avec des données . . . . . . .... . . . . 35
Tableaux statistiques avancés avec gtsummary . . . . 685 Recodage de variables . . . . . . . . . . . . . . .... . . . 201
Statistique univariée . . . . . . . . . . . . . . . .... . . . 339
style_percent (gtsummary) Trajectoires de soins : un exemple de données
Tableaux statistiques avancés avec gtsummary . . . . 685 longitudinales . . . . . . . . . . . . . . . . . . . . .... . . . 873
style_pvalue (gtsummary) longitudinales avec data.table
Mettre en forme des nombres avec scales . . . . . . 1231 Visualiser ses données . . . . . . . . . . . . . . . . . . . . . 179
summary (stats)
style_ratio (gtsummary) Régression logistique binaire, multinomiale et
Tableaux statistiques avancés avec gtsummary . . . . 685 ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
style_sigfig (gtsummary) summary_factorlist (finalfit)

Tableaux statistiques avancés avec gtsummary . . . . 685 Régression logistique binaire, multinomiale et
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
subset (base)
Sous-ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . 269 Surv (survival)
subset (data.table)
Sous-ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . 269 survdiff (survival)
subset (survey)
Définir un plan d’échantillonnage complexe avec survfit (survival)
survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509 Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . 819
Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473 Tableaux statistiques avancés avec gtsummary . . . 685
substitute (base) survreg (survival)

Annotations mathématiques . . . . . . . . . . . . . . . . 1321 Quel type de modèles choisir ? . . . . . . . . . . . . . . . 815
sum (base) svg (grDevices)

Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . . 1165 Export de graphiques . . . . . . . . . . . . . . . . . . . . . . 331
summarise (dplyr) svy_vglm (svyVGAM)

Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141 Quel type de modèles choisir ? . . . . . . . . . . . . . . . 815
Réorganiser ses données avec tidyr . . . . . . . . . . . . 309 svyboxplot (survey)
summarize (Hmisc)
Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141 svyby (survey)
summary (ade4)
Analyse des correspondances multiples (ACM) . . . . 607 svychisq (survey)
svyciprop (survey)
– 1378 –
Index des fonctions
svyclm (svrepmisc) svyratio (survey)

Quel type de modèles choisir ? . . . . . . . . . . . . . . . . 815 Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 svysurvreg (survey)
svycoxph (survey)
Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . . 819 svytable (survey)
Quel type de modèles choisir ? . . . . . . . . . . . . . . . . 815 Comparaisons (moyennes et proportions) . . . . . . . 493
svydesign (survey)
Définir un plan d’échantillonnage complexe avec svytotal (survey)
survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509 Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473
svyttest (survey)
svyglm (survey) Comparaisons (moyennes et proportions) . . . . . . . 493
Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473 Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473
Régression logistique binaire, multinomiale et svyvar (survey)
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473
svyglm.nb (sjstats) switch (base)

Quel type de modèles choisir ? . . . . . . . . . . . . . . . . 815 Structures conditionnelles . . . . . . . . . . . . . . . . . 1157
svyglm.zip (sjstats)
svyhist (survey)
T
t.test (stats)
svykm (survey) Comparaisons (moyennes et proportions) . . . . . . . 493
Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . . 819 Intervalles de confiance . . . . . . . . . . . . . . . . . . . . 485
svymean (survey)
Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473 table (base)
svymultinom (svrepmisc) Conditions et comparaisons . . . . . . . . . . . . . . . . 1137
Quel type de modèles choisir ? . . . . . . . . . . . . . . . . 815 Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473
Régression logistique binaire, multinomiale et Facteurs et vecteurs labellisés . . . . . . . . . . . . . . . 121
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141
svynb (svrepmisc) Premier travail avec des données . . . . . . . . . . . . . . 35
Quel type de modèles choisir ? . . . . . . . . . . . . . . . . 815 R Markdown : les rapports automatisés . . . . . . . . 1189
svyolr (survey) Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
Quel type de modèles choisir ? . . . . . . . . . . . . . . . . 815 Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 tagged_na (haven)
svyplot (survey)
Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473 tail (utils)
svyquantile (survey) Premier travail avec des données . . . . . . . . . . . . . . 35
tally (dplyr)
svyranktest (survey) Manipuler les données avec dplyr . . . . . . . . . . . . . 241
– 1379 –
tapply (base) tbl_summary (gtsummary)

Comparaisons (moyennes et proportions) . . . . . . . 493 Classification ascendante hiérarchique (CAH) . . . . 651
Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473 Comparaisons (moyennes et proportions) . . . . . . . 493
Sous-ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . 269 Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473
Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365 R Markdown : les rapports automatisés . . . . . . . . 1189
Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . . 1165 Régression logistique binaire, multinomiale et
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
tbl (dplyr) Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339
tbl_continuous (gtsummary) Trajectoires de soins : un exemple de données
Tableaux statistiques avancés avec gtsummary . . . . 685 longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
tbl_cross (gtsummary) longitudinales avec data.table
Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141
Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365 tbl_survfit (gtsummary)
Tableaux statistiques avancés avec gtsummary . . . . 685 Tableaux statistiques avancés avec gtsummary . . . 685
tbl_custom_summary (gtsummary) tbl_svysummary (gtsummary)

Tableaux statistiques avancés avec gtsummary . . . . 685 Comparaisons (moyennes et proportions) . . . . . . . 493
tbl_df (dplyr) R Markdown : les rapports automatisés . . . . . . . . 1189
Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . . 819 Tableaux statistiques avancés avec gtsummary . . . 685
tbl_uvregression (gtsummary)
tbl_likert (bstfun) Régression logistique binaire, multinomiale et
Tableaux statistiques avancés avec gtsummary . . . . 685 ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
tbl_merge (gtsummary)
Régression logistique binaire, multinomiale et terrain.colors (grDevices)
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Couleurs et Palettes . . . . . . . . . . . . . . . . . . . . . 1241
theme (ggplot2)
tbl_regression (gtsummary) Exemples de graphiques avancés . . . . . . . . . . . . 1023
Les contrastes (codage des variables catégorielles dans ggplot2 et la grammaire des graphiques . . . . . . . . . 955
un modèle) Graphiques univariés et bivariés avec ggplot2 . . . . 423
Régression logistique binaire, multinomiale et theme_clean (ggthemes)
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Exemples de graphiques avancés . . . . . . . . . . . . 1023
theme_gtsummary_journal (gtsummary)
tbl_spit (gtsummary) Tableaux statistiques avancés avec gtsummary . . . 685
theme_gtsummary_language (gtsummary)
tbl_stack (gtsummary) Tableaux statistiques avancés avec gtsummary . . . 685
theme_gtsummary_mean_sd (gtsummary)
tbl_strata (gtsummary) Tableaux statistiques avancés avec gtsummary . . . 685
theme_minimal (ggplot2)
theme_tufte (ggthemes)
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
– 1380 –
Index des fonctions
tibble (tibble) ToothGrowth (datasets)

Introduction au tidyverse . . . . . . . . . . . . . . . . . . . . 63 lattice : graphiques et formules . . . . . . . . . . . . . . 1091
Tableaux statistiques avancés avec gtsummary . . . . 685 topo.colors (grDevices)
tidi_plus_plus (broom.helpers)
Régression logistique binaire, multinomiale et trunc (base)
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . 819
tidy (broom) txtProgressBar (utils)

Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . . 819 Structures conditionnelles . . . . . . . . . . . . . . . . . 1157
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 typeof (base)
Régression logistique binaire, multinomiale et Facteurs et vecteurs labellisés . . . . . . . . . . . . . . . 121
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
Régression logistique binaire, multinomiale
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
et
519
U
tidy (svrepmisc) unclass (base)
Régression logistique binaire, multinomiale et Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
ungroup (dplyr)
tidy.hazard.msm (JLutils) Manipuler les données avec dplyr . . . . . . . . . . . . . 241
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 unite (tidyr)
Trajectoires de soins : un exemple de données Réorganiser ses données avec tidyr . . . . . . . . . . . . 309
unlabelled (labelled)
tidy_plus_plus (broom.helpers) Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201
Régression logistique binaire, multinomiale et Tableaux statistiques avancés avec gtsummary . . . 685
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Trajectoires de soins : un exemple de données
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
tiff (grDevices) Trajectoires de soins : un exemple de données
Export de graphiques . . . . . . . . . . . . . . . . . . . . . . 331 longitudinales avec data.table
time_length (lubridate) unlist (base)

Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . . 819 Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . 1165
Calculer un âge . . . . . . . . . . . . . . . . . . . . . . . . . 1327
unname (base)
to_character (labelled) Vecteurs, indexation et assignation . . . . . . . . . . . . . 71
update.packages (utils)
to_factor (labelled) Extensions (installation, mise à jour) . . . . . . . . . . . . 59
Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . . 819 Installation de R et RStudio . . . . . . . . . . . . . . . . . . 13
Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201 user_na_to_na (labelled)
Régression logistique binaire, multinomiale et Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
– 1381 –
V W
val_label (labelled) walk (purrr)
Facteurs et vecteurs labellisés . . . . . . . . . . . . . . . . 121 Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . 1165
val_labels (labelled) wcClusterQuality (WeightedCluster)

Facteurs et vecteurs labellisés . ........ ... . . . . 121 Trajectoires de soins : un exemple de données
longitudinales . . . . . . . . . . . . ........ ... . . . . 873 Trajectoires de soins : un exemple de données
Trajectoires de soins : un exemple de données longitudinales avec data.table
wcKMedoids (WeightedCluster)
val_labels_to_na (labelled) Trajectoires de soins : un exemple de données
Facteurs et vecteurs labellisés . . . . . . . . . . . . . . . . 121 longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
vapply (base) longitudinales avec data.table
wcSilhouetteObs (WeightedCluster)
var (base) Trajectoires de soins : un exemple de données
Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473 longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
var (stats) longitudinales avec data.table
Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
weights (survey)
var.test (stats) Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473
while (base)
var_label (labelled) Structures conditionnelles . . . . . . . . . . . . . . . . . 1157
Régression logistique binaire, multinomiale et wilcox.test (stats)
Tableaux statistiques avancés avec gtsummary . . . . 685 Intervalles de confiance . . . . . . . . . . . . . . . . . . . . 485
Vectorize (base)
Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . . 1165 win.metafile (grDevices)
vglm (VGAM)
Quel type de modèles choisir ? . . . . . . . . . . . . . . . . 815 write.csv (utils)
Régression logistique binaire, multinomiale et Export de données . . . . . . . . . . . . . . . . . . . . . . . . 327
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
write.dbf (foreign)
View (utils) Export de données . . . . . . . . . . . . . . . . . . . . . . . . 327
Premier travail avec des données . . . . . . . . . . . . . . . 35 write.dta (foreign)
Visualiser ses données . . . . . . . . . . . . . . . . . . . . . 179 Export de données . . . . . . . . . . . . . . . . . . . . . . . . 327
vif (car) write.foreign (foreign)

Multicolinéarité dans la régression . . . . . . . . . . . . 809 Export de données . . . . . . . . . . . . . . . . . . . . . . . . 327
write.table (utils)
write.xlsx (openxlsx)
– 1382 –
Index des fonctions
write.xlsx (xlsx)
X
write_csv (reader) xlab (ggplot2)
Export de données . . . . . . . . . . . . . . . . . . . . . . . . 327 Graphiques univariés et bivariés avec ggplot2 . . . . 423
write_csv (readr) xtabs (stats)

Export de données . . . . . . . . . . . . . . . . . . . . . . . . 327 Comparaisons (moyennes et proportions) . . . . . . . 493
Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141
write_delim (reader)
write_dta (haven)
Export de données . . . . . . . . . . . . . . . . . . . . . . . . 327 xyplot (lattice)
write_feather (feather)
write_sas (haven) Y
ylab (ggplot2)
write_sav (haven)
ymd (lubridate)
write_tsv (reader)
writeAsciiGrid (maptools)
Export de données . . . . . . . . . . . . . . . . . . . . . . . . 327 Z
writeLinesShape (maptools)
zeroinfl (pscl)
writePointsShape (maptools)
writePolyShape (maptools)
– 1383 –
Index des extensions
A
ade4
apyramid
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . 959
– 1385 –
B broom
base Modèles à effets aléatoires (modèles mixtes et GEE)
Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . . 819 Régression logistique binaire, multinomiale et
Annotations mathématiques . . . . . . . . . . . . . . . . 1321 ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
Comparaisons (moyennes et proportions) . . . . . . . 493 Tableaux statistiques avancés avec gtsummary . . . 685
Conditions et comparaisons . . . . . . . . . . . . . . . . 1137
Définir un plan d’échantillonnage complexe avec broom.helpers
survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509 Régression logistique binaire, multinomiale et
Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473 ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
bstfun
Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141
Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . . 277
C
car
Manipuler du texte avec stringr . . . . . . . . . . . . . . . 297
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
cartography
Cartes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1107
Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . . 15 circlize
Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201 cleaner
Régression logistique binaire, multinomiale et Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
Sous-ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . 269 cluster
Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365 Analyse de séquences . . . . . . . . . . . . . . . . . . . . . 845
Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339 Classification ascendante hiérarchique (CAH) . . . . 651
Trajectoires de soins : un exemple de données codebook
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 Visualiser ses données . . . . . . . . . . . . . . . . . . . . . 179
longitudinales avec data.table cowplot
Tris . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265 Combiner plusieurs graphiques . . . . . . . . . . . . . . 1009
Vecteurs, indexation et assignation . . . . . . . . . . . . . 71 Régression logistique binaire, multinomiale et
Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . . 1165 ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
coxme
beepr Quel type de modèles choisir ? . . . . . . . . . . . . . . . 815
breakDown
– 1386 –
D distill
data.table doBy
Analyse de survie . . . . . . . . . . . . . . . . . . ... . . . . 819 Modèles à effets aléatoires (modèles mixtes et GEE)
Fusion de tables . . . . . . . . . . . . . . . . . . . ... . . . . 277
Manipulations avancées avec data.table . . ... . . . . 259
doMC
Manipuler les données avec dplyr . . . . . . ... . . . . 241
Recodage de variables . . . . . . . . . . . . . . ... . . . . 201
doSMP
Sous-ensembles . . . . . . . . . . . . . . . . . . . ... . . . . 269
dplyr
longitudinales . . . . . . . . . . . . . . . . . . . . ... . . . . 873
survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509
Tris . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
DataExplorer
Fonctions à fenêtre . . . . . . . . . . . . . . . . . . . . . . . 295
Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141
dataMaid Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . 277
datasets Listes et Tableaux de données . . . . . . . . . . . . . . . . . 91
lattice : graphiques et formules . . . . . . . . . . . . . . 1091 Manipulations avancées avec data.table . . . . . . . . 259
DBI Manipuler les données avec dplyr . . . . . . . . . . . . . 241
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201
dbplyr Scraping
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 Sous-ensembles . . . . . . . . . . . . . . . . . . . . . . . . . 269
dendextend longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Classification ascendante hiérarchique (CAH) . . . . . 651 Trajectoires de soins : un exemple de données
DescTools Tris . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
Intervalles de confiance . . . . . . . . . . . . . . . . . . . . 485 Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . 1165
devtools
Analyse des correspondances multiples (ACM) . . . . 607 DT
Classification ascendante hiérarchique (CAH) . . . . . 651 R Markdown : les rapports automatisés . . . . . . . . 1189
Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473 dtplyr
Extensions (installation, mise à jour) . . . . . . . . . . . . . 59 Manipulations avancées avec data.table . . . . . . . . 259
Intervalles de confiance . . . . . . . . . . . . . . . . . . . . 485 Manipuler les données avec dplyr . . . . . . . . . . . . . 241
DiagrammeR
Autres extensions graphiques . ........ ... . . . 1109
Trajectoires de soins : un
longitudinales . . . . . . . . . . . .
exemple
........
de
...
données
. . . . 873
E
longitudinales avec data.table ecdf
– 1387 –
effects finalfilt
Effets d’interaction dans un modèle . . . . . . . . . . . . 781 Régression logistique binaire, multinomiale et
Régression logistique binaire, multinomiale et ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
finalfit
epicontacts Régression logistique binaire, multinomiale et
Autres extensions graphiques . . . . . . . . . . . . . . . 1109 ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
esquisse flextable
ggplot2 et la grammaire des graphiques . . . . . . . . . 955 R Markdown : les rapports automatisés . . . . . . . . 1189
explor
Analyse des correspondances multiples (ACM) . . . . 607 forcats
extrafont Extensions (installation, mise à jour) . . . . . . . . . . . . 59
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . 959 Introduction au tidyverse . . . . . . . . . . . . . . . . . . . . 63
Exemples de graphiques avancés . . . . . . . . . . . . . 1023 Manipuler du texte avec stringr . . . . . . . . . . . . . . 297
F ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
factoextra longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Classification ascendante hiérarchique (CAH) . . . . . 651 longitudinales avec data.table
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 foreign
Trajectoires de soins : un exemple de données Export de données . . . . . . . . . . . . . . . . . . . . . . . . 327
longitudinales avec data.table Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
FactoInvestigate forestmodel
Analyse des correspondances multiples (ACM) . . . . 607 Régression logistique binaire, multinomiale et
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
FactoMineR
Analyse des correspondances multiples (ACM) . . . . 607 forestplot
Classification ascendante hiérarchique (CAH) . . . . . 651 Tableaux statistiques avancés avec gtsummary . . . 685
formattable
factorextra R Markdown : les rapports automatisés . . . . . . . . 1189
Factoshiny
G
fastcluster
Classification ascendante hiérarchique (CAH) . . . . . 651 gapminder
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
feather Réorganiser ses données avec tidyr . . . . . . . . . . . . 309
GDAtools
final_fit Analyse des correspondances multiples (ACM) . . . 607
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
– 1388 –
gee ggeffects
Modèles à effets aléatoires (modèles mixtes et GEE) Effets d’interaction dans un modèle . . . . . . . . . . . . 781
Quel type de modèles choisir ? . . . . . . . . . . . . . . . . 815 Les contrastes (codage des variables catégorielles dans
un modèle)
geepack Régression logistique binaire, multinomiale et
Modèles à effets aléatoires (modèles mixtes et GEE) ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
Quel type de modèles choisir ? . . . . . . . . . . . . . . . . 815 Trajectoires de soins : un exemple de données
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 Trajectoires de soins : un exemple de données
Trajectoires de soins : un exemple de données longitudinales avec data.table
ggendro
ggalluvial Autres extensions graphiques . . . . . . . . . . . . . . . 1109
ggforce
GGally Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
Autres extensions graphiques . . . . . . . . . . . . . . . 1109 ggfortify
Classification ascendante hiérarchique (CAH) . . . . . 651 Introduction à ggplot2, la grammaire des
Effets d’interaction dans un modèle . . . . . . . . . . . . 781 graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 ggh4x
Introduction à ggplot2, la grammaire des Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401 Exemples de graphiques avancés . . . . . . . . . . . . 1023
un modèle) gghalves
Mettre en forme des nombres avec scales . . . . . . 1231 Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 gghighlight
Tableaux statistiques avancés avec gtsummary . . . . 685 Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
gghiglight
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
ggmap
ggalt Cartes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1107
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . 959
graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401
gganimate ggmosaic
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . 959
ggcharts
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . 959
ggmulti
ggdendro
ggpirate
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
ggdist
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . 959
ggeffect
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
– 1389 –
ggplot2 ggtext
Analyse de séquences . . . . . . . . . . . . . . . . . . . . . . 845 Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
Analyse des correspondances multiples (ACM) . . . . 607 ggThemeAssist
Annotations mathématiques . . . . . . . . . . . . . . . . 1321 ggplot2 et la grammaire des graphiques . . . . . . . . . 955
Cartes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1107 ggthemes
Classification ascendante hiérarchique (CAH) . . . . . 651 Couleurs et Palettes . . . . . . . . . . . .......... 1241
Combiner plusieurs graphiques . . . . . . . . . . . . . . 1009 Étendre ggplot2 . . . . . . . . . . . . . . .......... . 959
Couleurs et Palettes . . . . . . . . . . . . . . . . . . . . . . 1241 Exemples de graphiques avancés . . .......... 1023
Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473 Introduction à ggplot2, la grammaire des
Effets d’interaction dans un modèle . . . . . . . . . . . . 781 graphiques . . . . . . . . . . . . . . . . . . .......... . 401
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . 959
Exemples de graphiques avancés . . . . . . . . . . . . . 1023 ggupset
Export de graphiques . . . . . . . . . . . . . . . . . . . . . . 331 Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141
ggvis
ggplot2 et la grammaire des graphiques . . . . . . . . . 955
graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401
gifski
graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
glmmTMB
Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201 glmulti
Régression logistique binaire, multinomiale et Effets d’interaction dans un modèle . . . . . . . . . . . . 781
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
Réorganiser ses données avec tidyr . . . . . . . . . . . . 309 glue
Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365 Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
Trajectoires de soins : un exemple de données Manipuler du texte avec stringr . . . . . . . . . . . . . . 297
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Trajectoires de soins : un exemple de données googlesheets
longitudinales avec data.table Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
ggplotAssist gpplot2
ggplot2 et la grammaire des graphiques . . . . . . . . . 955 Couleurs et Palettes . . . . . . . . . . . . . . . . . . . . . 1241
ggpubr graphics
Autres extensions graphiques . . . . . . . . . . . . . . . 1109 Analyse des correspondances multiples (ACM) . . . 607
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . 959 Comparaisons (moyennes et proportions) . . . . . . . 493
ggrepel Introduction à ggplot2, la grammaire des
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . 959 graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401
ggridges Premier travail avec des données . . . . . . . . . . . . . . 35
ggsci
Couleurs et Palettes . . . . . . . . . . . . . . . . . . . . . . 1241 grDevices
Annotations mathématiques . . . . . . . . . . . . . . . 1321
ggspatial
Cartes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1107
– 1390 –
grid hrbrthemes
lattice : graphiques et formules . . . . . . . . . . . . . . 1091 Couleurs et Palettes . . . . . . . . . . . . . . . . . . . . . 1241
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
gridExtra
gt
J
Tableaux statistiques avancés avec gtsummary . . . . 685 JLutils
gtExtras Classification ascendante hiérarchique (CAH) . . . . 651
R Markdown : les rapports automatisés . . . . . . . . 1189 Combiner plusieurs graphiques . . . . . . . . . . . . . . 1009
gtsummary Régression logistique binaire, multinomiale et
Classification ascendante hiérarchique (CAH) . . . . . 651 ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
Comparaisons (moyennes et proportions) . . . . . . . 493 Trajectoires de soins : un exemple de données
Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473 longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Effets d’interaction dans un modèle . . . . . . . . . . . . 781 Trajectoires de soins : un exemple de données
Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141 longitudinales avec data.table
un modèle)
K
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365 kableExtra
Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339 R Markdown : les rapports automatisés . . . . . . . . 1189
Tableaux statistiques avancés avec gtsummary . . . . 685 Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . 1165
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 khroma
Trajectoires de soins : un exemple de données Couleurs et Palettes . . . . . . . . . . . . . . . . . . . . . 1241
knitr
Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . 277
H R Markdown : les rapports automatisés . . . . . . . . 1189
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
haven
Extensions (installation, mise à jour) .
Facteurs et vecteurs labellisés . . . . .
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
. 59
121
L
Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201 laballed
highcharter
Hmisc
Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141
– 1391 –
labelled lubridate
Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . . 819 Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . 819
Effets d’interaction dans un modèle . . . . . . . . . . . . 781 Calculer un âge . . . . . . . . . . . . . . . . . . . . . . . . . 1327
Facteurs et vecteurs labellisés . . . . . . . . . . . . . . . . 121 Exemples de graphiques avancés . . . . . . . . . . . . 1023
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 Extensions (installation, mise à jour) . . . . . . . . . . . . 59
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 Gestion des dates . . . . . . . . . . . . . . . . . . . . . . . . 293
Listes et Tableaux de données . . . . . . . . . . . . . . . . . 91 Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201 Scraping
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
M
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Trajectoires de soins : un exemple de données magrittr
longitudinales avec data.table Manipuler les données avec dplyr . . . . . . . . . . . . . 241
mapsf
lattice Cartes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1107
Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141
Introduction à ggplot2, la grammaire des maptools
graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401 Export de données . . . . . . . . . . . . . . . . . . . . . . . . 327
lattice : graphiques et formules . . . . . . . . . . . . . . 1091 Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
mapview
latticeExtra Cartes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1107
Modèles à effets aléatoires (modèles mixtes et GEE) MASS
lcmm Graphiques univariés et bivariés avec ggplot2 . . . . 423
Trajectoires de soins : un exemple de données Quel type de modèles choisir ? . . . . . . . . . . . . . . . 815
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 Régression logistique binaire, multinomiale et
Trajectoires de soins : un exemple de données ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
longitudinales avec data.table Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
lemeon mctest
Combiner plusieurs graphiques . . . . . . . . . . . . . . 1009 Multicolinéarité dans la régression . . . . . . . . . . . . 809
lemon memisc
Combiner plusieurs graphiques . . . . . . . . . . . . . . 1009 Facteurs et vecteurs labellisés . . . . . . . . . . . . . . . 121
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . 959
Exemples de graphiques avancés . . . . . . . . . . . . . 1023 mlogit
LexisPlotR ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
Diagramme de Lexis . . . . . . . . . . . . . . . . . . . . . . 1335
mosaic
lme4 Comparaisons (moyennes et proportions) . . . . . . . 493
Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141
Modèles à effets aléatoires (modèles mixtes et GEE) msm
Quel type de modèles choisir ? . . . . . . . . . . . . . . . . 815 Trajectoires de soins : un exemple de données
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
– 1392 –
msSurv
P
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Trajectoires de soins : un exemple de données packrat
longitudinales avec data.table Organiser ses fichiers . . . . . . . . . . . . . . . . . . . . . 139
multgee paletteer
Quel type de modèles choisir ? . ........ ... . . . . 815 Couleurs et Palettes . . . . . . . . . . . . . . . . . . . . . 1241
longitudinales . . . . . . . . . . . . ........ ... . . . . 873 pander
Trajectoires de soins : un exemple de données R Markdown : les rapports automatisés . . . . . . . . 1189
patchwork
N phia
networkD3 plotly
Autres extensions graphiques . . . . . . . . . . . . . . . 1109 Graphiques interactifs . . . . . . . . . . . . . . . . . . . . 1087
nlme
Modèles à effets aléatoires (modèles mixtes et GEE) plyr
Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . 277
nnet Vectorisation (dont purrr) . . . . . . . . . . . . . . . . . 1165
Régression logistique binaire, multinomiale et pointblank
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Visualiser ses données . . . . . . . . . . . . . . . . . . . . . 179
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 printr
productplots
nycflights13 Graphiques univariés et bivariés avec ggplot2 . . . . 423
Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . . 277
progress
Réorganiser ses données avec tidyr . . . . . . . . . . . . 309 Structures conditionnelles . . . . . . . . . . . . . . . . . 1157
pscl
O purrr
openxlsx Extensions (installation, mise à jour) . . . . . . . . . . . . 59
ordinal
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Q
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
question
– 1393 –
questionr reader
Analyse de séquences . . . . . . . . . . . . . . . . . . . . . . 845 Export de données . . . . . . . . . . . . . . . . . . . . . . . . 327
Analyse des correspondances multiples (ACM) . . . . 607 readr
Classification ascendante hiérarchique (CAH) . . . . . 651 Export de données . . . . . . . . . . . . . .......... . 327
Comparaisons (moyennes et proportions) . . . . . . . 493 Extensions (installation, mise à jour) .......... . . 59
Conditions et comparaisons . . . . . . . . . . . . . . . . 1137 Formules . . . . . . . . . . . . . . . . . . . .......... 1141
Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473 Import de données . . . . . . . . . . . . .......... . 149
Effets d’interaction dans un modèle . . . . . . . . . . . . 781 Introduction à ggplot2, la grammaire des
Exemples de graphiques avancés . . . . . . . . . . . . . 1023 graphiques . . . . . . . . . . . . . . . . . . .......... . 401
Facteurs et vecteurs labellisés . . . . . . . . . . . . . . . . 121 Introduction au tidyverse . . . . . . . . .......... . . 63
Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141 Scraping
Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . . 277
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 readxl
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 Exemples de graphiques avancés . . . . . . . . . . . . 1023
Intervalles de confiance . . . . . . . . . . . . . . . . . . . . 485 Extensions (installation, mise à jour) . . . . . . . . . . . . 59
Les contrastes (codage des variables catégorielles dans Import de données . . . . . . . . . . . . . . . . . . . . . . . 149
un modèle) Introduction au tidyverse . . . . . . . . . . . . . . . . . . . . 63
Multicolinéarité dans la régression . . . . . . . . . . . . 809 reshape2
Premier travail avec des données . . . . . . . . . . . . . . . 35 Extensions (installation, mise à jour) . . . . . . . . . . . . 59
revealjs
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
riverplot
Sous-ensembles . . . . . . . . . . . . . . . . . . . . . . . . . . 269
rmarkdown
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 rmdformats
Tris . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265 rmdshower
Visualiser ses données . . . . . . . . . . . . . . . . . . . . . 179 R Markdown : les rapports automatisés . . . . . . . . 1189
RSQLite
R rvest
Scraping
raincloudplots
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . 959
raster S
Analyse spatiale . . . . . . . . . . . . . . . . . . . . . . . . . . 951
Import de données . . . . . . . . . . . . . . . . . . . . . . . . 149 sankeyNetwork
RColorBrewer
graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 401
– 1394 –
scales stats
Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . . 959 Analyse de séquences . . . . . . . . . . . . . . . . . . . . . 845
Exemples de graphiques avancés . . . . . . . . . . . . . 1023 Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . 819
Graphiques univariés et bivariés avec ggplot2 . . . . . 423 Analyse des correspondances multiples (ACM) . . . 607
Mettre en forme des nombres avec scales . . . . . . 1231 Classification ascendante hiérarchique (CAH) . . . . 651
Tableaux statistiques avancés avec gtsummary . . . . 685 Comparaisons (moyennes et proportions) . . . . . . . 493
Trajectoires de soins : un exemple de données Données pondérées . . . . . . . . . . . . . . . . . . . . . . . 473
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 Effets d’interaction dans un modèle . . . . . . . . . . . . 781
Trajectoires de soins : un exemple de données Exemples de graphiques avancés . . . . . . . . . . . . 1023
longitudinales avec data.table Formules . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1141
seqhandbook Intervalles de confiance . . . . . . . . . . . . . . . . . . . . 485
Analyse de séquences . . . . . . . ........ ... . . . . 845 lattice : graphiques et formules . . . . . . . . . . . . . . 1091
Trajectoires de soins : un exemple de données Les contrastes (codage des variables catégorielles dans
longitudinales . . . . . . . . . . . . ........ ... . . . . 873 un modèle)
Trajectoires de soins : un exemple de données Manipulations avancées avec data.table . . . . . . . . 259
longitudinales avec data.table Premier contact . . . . . . . . . . . . . . . . . . . . . . . . . . 15
sf Quel type de modèles choisir ? . . . . . . . . . . . . . . . 815
Analyse spatiale . . . . . . . . . . . . . . . . . . . . . . . . . . 951 Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201
Cartes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1107 Régression logistique binaire, multinomiale et
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
sjPlot Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
R Markdown : les rapports automatisés . . . . . . . . 1189 Statistique univariée . . . . . . . . . . . . . . . . . . . . . . 339
sjstats
Quel type de modèles choisir ? . . . . . . . . . . . . . . . . 815 stringi
skimr
Visualiser ses données . . . . . . . . . . . . . . . . . . . . . 179 stringr
sp Expressions régulières . . . . . . . . . . . . . . . . . . . . 1187
Analyse spatiale . . . . . . . . . . . . . . . . . . . . . . . . . . 951
Cartes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1107
Scraping
srvyr
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
survey . . . . . . . . . . . . . . . . . . . . . . . . ........ . 509
Données pondérées . . . . . . . . . . . . . . ........ . 473
Manipuler les données avec dplyr . . . . ........ . 241
survey
stat
un modèle)
survey . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 509
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519
– 1395 –
survival tidyselect
Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . . 819 Réorganiser ses données avec tidyr . . . . . . . . . . . . 309
Quel type de modèles choisir ? . . . . . . . . . . . . . . . . 815 Tableaux statistiques avancés avec gtsummary . . . 685
Trajectoires de soins : un exemple de données tidyverse
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873 Autres extensions graphiques . . . . . . . . . . . . . . . 1109
Trajectoires de soins : un exemple de données Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
survminer Fusion de tables . . . . . . . . . . . . . . . . . . . . . . . . . 277
Analyse de survie . . . . . . . . . . . . . . . . . . . . . . . . . 819 Introduction au tidyverse . . . . . . . . . . . . . . . . . . . . 63
svrepmisc un modèle)
Quel type de modèles choisir ? . . . . . . . . . . . . . . . . 815 Manipuler du texte avec stringr . . . . . . . . . . . . . . 297
Régression logistique binaire, multinomiale et Manipuler les données avec dplyr . . . . . . . . . . . . . 241
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Recodage de variables . . . . . . . . . . . . . . . . . . . . . 201
svyVGAM Trajectoires de soins : un exemple de données
Quel type de modèles choisir ? . . . . . . . . . . . . . . . . 815 longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
T tmap
Cartes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1107
tables TraMineR
R Markdown : les rapports automatisés . . . . . . . . 1189 Analyse de séquences . . . . . . . . . . . . . . . . . . . . . 845
tibble Trajectoires de soins : un exemple de données
Extensions (installation, mise à jour) . . . . . . . . . . . . . 59 longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Introduction au tidyverse . . . . . . . . . . . . . . . . . . . . 63 Trajectoires de soins : un exemple de données
Listes et Tableaux de données . . . . . . . . . . . . . . . . . 91 longitudinales avec data.table
Manipuler les données avec dplyr . . . . . . . . . . . . . 241 TraMineRextras
Tableaux statistiques avancés avec gtsummary . . . . 685 Analyse de séquences . . . . . . . . . . . . . . . . . . . . . 845
longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
tidyr
Analyse de séquences . . . . . . . . . . . . . . . ... . . . . 845
Exemples de graphiques avancés . . . . . . . ... . . . 1023
Extensions (installation, mise à jour) . . . . . ... . . . . . 59
Introduction au tidyverse . . . . . . . . . . . . ... . . . . . 63
Manipuler du texte avec stringr . . . . . . . . ... . . . . 297
longitudinales . . . . . . . . . . . . . . . . . . . . ... . . . . 873
– 1396 –
U W
utils waffle
Conditions et comparaisons . . . . . . . ......... 1137 Étendre ggplot2 . . . . . . . . . . . . . . . . . . . . . . . . . 959
Exemples de graphiques avancés . . . . ......... 1023
Export de données . . . . . . . . . . . . . . ......... . 327 WeightedCluster
Extensions (installation, mise à jour) . . ......... . . 59 Analyse de séquences . . . . . . . . . . . . . . . . . . . . . 845
Formules . . . . . . . . . . . . . . . . . . . . . ......... 1141 Classification ascendante hiérarchique (CAH) . . . . 651
Import de données . . . . . . . . . . . . . . ......... . 149 Trajectoires de soins : un exemple de données
Installation de R et RStudio . . . . . . . . ......... . . 13 longitudinales . . . . . . . . . . . . . . . . . . . . . . . . . . . 873
Introduction à ggplot2, la grammaire des Trajectoires de soins : un exemple de données
graphiques . . . . . . . . . . . . . . . . . . . ......... . 401 longitudinales avec data.table
Listes et Tableaux de données . . . . . . ......... . . 91
Où trouver de l’aide ? . . . . . . . . . . . . ......... . 167
Premier contact . . . . . . . . . . . . . . . . ......... . . 15
Premier travail avec des données . . .
Statistique univariée . . . . . . . . . . .
.
.
.........
.........
. . 35
. 339
X
Structures conditionnelles . . . . . . . . ......... 1157
Visualiser ses données . . . . . . . . . . . ......... . 179 xlsx
V xtable
vcd
VGAM
Y
Régression logistique binaire, multinomiale et yarr
ordinale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 519 Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
viridis yarrr
Autres extensions graphiques . ........ ... . . . 1109 Statistique bivariée . . . . . . . . . . . . . . . . . . . . . . . 365
Couleurs et Palettes . . . . . . . . ........ ... . . . 1241
longitudinales . . . . . . . . . . . . ........ ... . . . . 873
– 1397 –

Analyse R (Complet)

Transféré par

Droits d'auteur :

Formats disponibles

Analyse R (Complet)

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Analyse R (Complet)

Transféré par

Droits d'auteur :

Formats disponibles

analyse-R

Joseph Larmarange — http://joseph.larmarange.net

Table des matières

1. Manipuler > Prise en main

puis de compléter votre lecture en fonction de vos besoins.

Visualiser ses données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179

Export de données . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 327

Statistique univariée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 339

Intervalles de confiance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 485

Tableaux statistiques avancés avec gtsummary . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 685

Multicolinéarité dans la régression . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 809

ggplot2 et la grammaire des graphiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 955

Conditions et comparaisons . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1137

Mettre en forme des nombres avec scales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1231

Annotations mathématiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1321

L’utilisation de R présente plusieurs avantages :

1. Pour plus d’informations sur ce qu’est un logiciel libre, voir : http://www.gnu.org/philosophy/free-sw.fr.html.

format (Word, PDF, HTML, …) ;

Comme rien n’est parfait, on peut également trouver quelques inconvénients :

• le logiciel, la documentation de référence et les principales ressources sont en anglais. Il est

Interface de R sous Windows

Figure 1. Interface de R sous Windows

Interface de RStudio sous Windows

Figure 2. Interface de RStudio sous Windows

Il est préférable de commencer par installer R avant d’installer RStudio.

Pour Mac OS X, les fichiers d’installation sont disponibles à http://cran.r-project.org/bin/macosx/.

Choisissez l’installateur correspondant à votre système d’exploitation et suivez les instructions du

Mise à jour de R sous Windows

Interface de RStudio au démarrage

Figure 1. Interface de RStudio au démarrage

L’interface de RStudio est divisée en quatre quadrants :

R version 3.2.0 (2015-04-16) -- "Full of Ingredients"

R is free software and comes with ABSOLUTELY NO WARRANTY.

R is a collaborative project with many contributors.

Type 'demo()' for some demos, 'help()' for on-line help, or

Onglet History sous RStudio

Voir également (en anglais) : https://support.rstudio.com/hc/en-us/articles/200526217-Command-

On peut alors compléter la commande en saisissant simplement 3 :

Sous Linux on utilise le traditionnel Control + C .

R> x <- "Hello"

Onglet Environment de RStudio

Figure 2. Onglet Environment de RStudio

Que se passe-t-il s’il on créé un vecteur plus grand ?

On en déduira d’ailleurs que lorsque l’on fait :

R considère en fait le nombre 2 comme un vecteur à un seul élément.

R> tailles / 100

[1] "Bac+2" "Bac" "CAP" "Bac" "Bac" "CAP" "BEP"

Prenons tout de suite d’autres exemples de fonctions courantes :

Reprenons l’exemple des tailles précédent :

Recalculons notre taille moyenne :

R> mean(tailles, na.rm = TRUE)

Quelques fonctions utiles

c construit un vecteur à partir d’une série de valeurs

length nombre d’éléments d’un vecteur

mean moyenne d’un vecteur de type numérique

var variance d’un vecteur de type numérique

+, -, *, / opérateurs mathématiques de base

On peut rajouter les fonctions de base suivantes :

min valeur minimale d’un vecteur numérique