![\"\"](\"..\/..\/lise.vaudor\/Rfigures\/dplyr\/Lise_Vaudor_headband-1.png\")
<\/p>\n<\/p>\n
Ah, la joie de vous parler d’un package qui va me\/vous simplifier la vie!… Aujourd’hui, il s’agit de S’il est clair qu’il y avait d\u00e9j\u00e0 moyen de r\u00e9aliser toutes ces op\u00e9rations AVANT l’existence du package Testons ces fonctions sur le jeu de donn\u00e9es (fictif) suivant data_exemple.csv<\/a>. Bien s\u00fbr, ce jeu de donn\u00e9es traite de chats (de toutes les formes et de toutes les couleurs) car c’est le sujet le plus int\u00e9ressant et le plus porteur qui soit.<\/p>\n Chargons le package Pour s\u00e9lectionner certaines variables<\/strong> (colonnes) du jeu de donn\u00e9es, rien de plus simple: on utilise la fonction Il est aussi possible d’indiquer quelles variables on souhaite \u00e9carter:<\/p>\n ou encore d’indiquer une plage<\/strong> de colonnes (soit par les noms de variables, soit par les numeros de colonne, par exemple ci-apr\u00e8s on pourrait indiquer 1:4 au lieu de haircolor:weight)<\/p>\n On peut \u00e9galement (lorsque certains noms de variables sont g\u00e9n\u00e9riques, par exemple \u00ab\u00a0variable1″,\u00a0\u00bbvariable2″,\u00a0\u00bbvariable3″,\u00a0\u00bbtemperature_1930\u00a0\u00bb,\u00a0\u00bbtemperature_1950, etc.) s\u00e9lectionner l’ensemble des variables qui nous int\u00e9ressent par des fonctions auxiliaires<\/strong>:<\/p>\n Je ne rentrerai pas dans le d\u00e9tail pour chacune d’entre elles (pour plus de d\u00e9tails vous pouvez consulter ce billet<\/a>) mais voici tout de m\u00eame un exemple avec Pour filtrer un tableau de donn\u00e9es en fonction des valeurs de telle ou telle variable, on utilise la fonction On peut combiner plusieurs conditions logiques<\/strong> (ET logique, par une virgule ou un &, OU logique, par l’op\u00e9rateur |).<\/p>\n Pour les chats noirs qui p\u00e8sent plus de 7 kilos:<\/p>\n Pour les chats particuli\u00e8rement gros (plus de 7 kilos) OU particuli\u00e8rement vieux (plus de 15 ans):<\/p>\n Pour r\u00e9arranger un tableau selon l’ordre d’une variable, on peut faire appel \u00e0 la fonction On peut \u00e9galement trier le tableau selon les niveaux d’une facteur:<\/p>\n Il est en outre possible de choisir un deuxi\u00e8me (troisi\u00e8me, etc.) crit\u00e8re de tri:<\/p>\n et pour ordonner par ordre d\u00e9croissant, on utilise Pour cr\u00e9er de nouvelles variables et les ajouter au tableau de donn\u00e9es on peut utiliser la fonction Voici par exemple comment proc\u00e9der si je souhaite cr\u00e9er une nouvelle variable, \u00ab\u00a0hair\u00a0\u00bb, en combinant les variables ou si je souhaite conna\u00eetre \u00ab\u00a0l’\u00e2ge \u00e9quivalent humain\u00a0\u00bb de mes chats:<\/p>\n Last but not least, imaginons que je souhaite calculer quelques statistiques<\/strong> un peu basiques sur mon jeu de donn\u00e9es. Je peux pour ce faire utiliser la fonction Par exemple, pour calculer l’\u00e2ge et le poids moyen de mes chats:<\/p>\n Et surtout, si je souhaite calculer une statistique pour diff\u00e9rents groupes<\/strong> (d\u00e9finis ici, par exemple, par la variable Il est en outre possible de travailler avec des groupements d\u00e9finis par plusieurs variables, et (\u00e9videmment) avec des fonctions autres que la moyenne!<\/p>\n Remarquez au passage l’usage des fonctions auxiliaires Vous avez vu que les fonctions de Imaginons par exemple que l’on souhaite r\u00e9pondre \u00e0 une question telle que \u00ab\u00a0Quel est le sexe et le poids du plus gros chat roux qui mange des croquettes?\u00a0\u00bb<\/p>\n Pour r\u00e9pondre \u00e0 cette question, je pourrais par exemple (il y a en fait plusieurs possibilit\u00e9s):<\/p>\n Classiquement, pour coder cette cha\u00eene d’op\u00e9rations sous R, on proc\u00e9derait de la mani\u00e8re suivante:<\/p>\n Ainsi, le plus gros chat roux mangeant des croquettes est une femelle<\/strong>. (Pour ceux qui, connaissant le petit Bertrand<\/a> s’\u00e9tonneraient de ce r\u00e9sultat je pr\u00e9cise \u00e0 nouveau qu’il s’agit d’un jeu de donn\u00e9es fictif…)<\/p>\n Si je souhaitais r\u00e9aliser cet encha\u00eenement de commandes en une seule op\u00e9ration, et ainsi \u00e9viter la cr\u00e9ation d’objets interm\u00e9diaires data1, data2, etc., voici (classiquement) comment il faudrait proc\u00e9der:<\/p>\n Il faut avouer que ce n’est ni tr\u00e8s pratique \u00e0 \u00e9crire, ni tr\u00e8s facile \u00e0 relire, car il faut faire un petit effort mental pour retracer l’ordre des op\u00e9rations (de l’int\u00e9rieur vers l’ext\u00e9rieur) l\u00e0 o\u00f9 en \u00ab\u00a0syntaxe humaine\u00a0\u00bb on envisageait plut\u00f4t le cha\u00eenage de ces op\u00e9rations de mani\u00e8re lin\u00e9aire (on fait \u00e7a<\/em> puis \u00e7a<\/em> puis \u00e7a<\/em>).<\/p>\n Eh bien, Voyez plut\u00f4t comment le code ci-dessus peut \u00eatre simplifi\u00e9 par l’usage de cet op\u00e9rateur:<\/p>\n Les 3 lignes ci-dessus forment une seule commande, qui ex\u00e9cute exactement les m\u00eames op\u00e9rations que les 9 lignes de la commande pr\u00e9c\u00e9dente, mais de mani\u00e8re beaucoup plus concise et claire…<\/p>\n Remarquez qu’avec l’usage du pipe, le premier argument -qui devrait \u00eatre une table- dispara\u00eet de l’appel aux fonctions Si au tout d\u00e9but la syntaxe que permet le pipe est un peu d\u00e9stabilisante (une fois qu’on a appris la syntaxe de R \u00ab\u00a0classique\u00a0\u00bb) elle devient vite addictive tant elle permet de faire en deux coups de cuill\u00e8re \u00e0 pot des cha\u00eenes d’op\u00e9rations complexes…<\/p>\n Pour votre culture personnelle, sachez que cet op\u00e9rateur pipe Ah, la joie de vous parler d’un package qui va me\/vous simplifier la vie!… Aujourd’hui, il s’agit de dplyr, qui fait partie de la suite de packages tidyverse (qui comprend ggplot2, tidyr, stringr, lubridate et tellement d’autres) qui fait grand bruit en ce moment dans l’univ-R. dplyr vise \u00e0 simplifier la manipulation de tables de donn\u00e9es \u00e0 travers l’usage de cinq \u00ab\u00a0verbes\u00a0\u00bb (ou fonctions): select, qui permet de s\u00e9lectionner des.. Read More<\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[5],"tags":[],"class_list":["post-664","post","type-post","status-publish","format-standard","hentry","category-tous-les-posts"],"_links":{"self":[{"href":"https:\/\/perso.ens-lyon.fr\/lise.vaudor\/wp-json\/wp\/v2\/posts\/664","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/perso.ens-lyon.fr\/lise.vaudor\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/perso.ens-lyon.fr\/lise.vaudor\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/perso.ens-lyon.fr\/lise.vaudor\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/perso.ens-lyon.fr\/lise.vaudor\/wp-json\/wp\/v2\/comments?post=664"}],"version-history":[{"count":14,"href":"https:\/\/perso.ens-lyon.fr\/lise.vaudor\/wp-json\/wp\/v2\/posts\/664\/revisions"}],"predecessor-version":[{"id":679,"href":"https:\/\/perso.ens-lyon.fr\/lise.vaudor\/wp-json\/wp\/v2\/posts\/664\/revisions\/679"}],"wp:attachment":[{"href":"https:\/\/perso.ens-lyon.fr\/lise.vaudor\/wp-json\/wp\/v2\/media?parent=664"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/perso.ens-lyon.fr\/lise.vaudor\/wp-json\/wp\/v2\/categories?post=664"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/perso.ens-lyon.fr\/lise.vaudor\/wp-json\/wp\/v2\/tags?post=664"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}dplyr<\/code>, qui fait partie de la suite de packages tidyverse<\/a> (qui comprend ggplot2<\/code>, tidyr<\/code>, stringr<\/code>, lubridate<\/code> et tellement d’autres) qui fait grand bruit en ce moment dans l’univ-R.<\/p>\ndplyr<\/code> vise \u00e0 simplifier la manipulation de tables de donn\u00e9es \u00e0 travers l’usage de cinq \u00ab\u00a0verbes\u00a0\u00bb (ou fonctions):<\/p>\n\n
select<\/code>, qui permet de s\u00e9lectionner des variables<\/strong> (colonnes) du tableau de donn\u00e9es<\/li>\nfilter<\/code>, qui permet de filtrer les individus<\/strong> (lignes) du tableau de donn\u00e9es<\/li>\narrange<\/code>, qui permet de r\u00e9arranger le tableau de donn\u00e9es selon l’ordre d’une ou plusieurs variables<\/strong><\/li>\nmutate<\/code>, qui permet de cr\u00e9er et ajouter de nouvelles variables<\/strong> (colonnes) au jeu de donn\u00e9es<\/li>\nsummarise<\/code> qui permet de r\u00e9sumer plusieurs valeurs en une seule<\/strong><\/li>\n<\/ul>\n![\"\"](\"..\/..\/lise.vaudor\/Rfigures\/dplyr\/dplyr_schema.png\")
<\/h1>\ndplyr<\/code>, il n’en demeure pas moins que ce package r\u00e9volutionne la manipulation de donn\u00e9es sous R en offrant des fonctions compl\u00e8tement intuitives et hyper pratiques pour r\u00e9aliser des op\u00e9rations qui pouvaient auparavant se r\u00e9v\u00e9ler quelque peu r\u00e9barbatives…<\/p>\ncatdata <- read.table(\"..\/..\/lise.vaudor\/Rdata\/Graphiques_avec_ggplot2\/catdata.csv\", sep=\";\", header=T)\nprint(dim(catdata))\n\n## [1] 153 6\n\nprint(head(catdata))\n\n## haircolor hairpattern sex weight age foodtype\n## 1 red solid female 4.6 12 other\n## 2 black tabby female 5.5 6 dry\n## 3 white tabby female 5.6 8 wet\n## 4 red tabby female 6.1 5 dry\n## 5 brown solid female 5.3 7 dry\n## 6 black tabby male 6.9 5 wet\n<\/code><\/pre>\ndplyr<\/code>:<\/p>\nrequire(dplyr)\n<\/code><\/pre>\nselect<\/h1>\n
![\"\"](\"..\/..\/lise.vaudor\/Rfigures\/dplyr\/dplyr_select.png\")
<\/h1>\nselect<\/code> avec pour premier argument la table de donn\u00e9es et arguments suppl\u00e9mentaires les variables que l’on souhaite s\u00e9lectionner:<\/p>\ndata=select(catdata, weight, foodtype, age)\n\nprint(head(data))\n\n## weight foodtype age\n## 1 4.6 other 12\n## 2 5.5 dry 6\n## 3 5.6 wet 8\n## 4 6.1 dry 5\n## 5 5.3 dry 7\n## 6 6.9 wet 5\n<\/code><\/pre>\ndata=select(catdata, - foodtype, -sex)\n\nprint(head(data))\n\n## haircolor hairpattern weight age\n## 1 red solid 4.6 12\n## 2 black tabby 5.5 6\n## 3 white tabby 5.6 8\n## 4 red tabby 6.1 5\n## 5 brown solid 5.3 7\n## 6 black tabby 6.9 5\n<\/code><\/pre>\ndata=select(catdata, haircolor:weight)\n\nprint(head(data))\n\n## haircolor hairpattern sex weight\n## 1 red solid female 4.6\n## 2 black tabby female 5.5\n## 3 white tabby female 5.6\n## 4 red tabby female 6.1\n## 5 brown solid female 5.3\n## 6 black tabby male 6.9\n<\/code><\/pre>\n\n
starts_with<\/code> pour trouver les variables qui commencent<\/strong> par une certaine cha\u00eene de caract\u00e8res<\/li>\nends_with<\/code> pour trouver les variables qui terminent<\/strong> par une certaine cha\u00eene de caract\u00e8res<\/li>\ncontains<\/code> pour trouver les variables qui contiennent<\/strong> par une certaine cha\u00eene de caract\u00e8res<\/li>\nmatches<\/code> pour trouver les variables qui correspondent \u00e0 une expression r\u00e9guli\u00e8re<\/strong><\/li>\nnum_range<\/code> pour trouver des variables num\u00e9rot\u00e9es<\/strong>, dans une certaine gamme de valeurs<\/li>\none_of<\/code> pour passer un vecteur de noms<\/strong> de variables<\/li>\n<\/ul>\nstarts_with<\/code>:<\/p>\ndata=select(catdata,starts_with(\"hair\"))\n\nprint(head(data))\n\n## haircolor hairpattern\n## 1 red solid\n## 2 black tabby\n## 3 white tabby\n## 4 red tabby\n## 5 brown solid\n## 6 black tabby\n<\/code><\/pre>\nfilter<\/h1>\n
![\"\"](\"..\/..\/lise.vaudor\/Rfigures\/dplyr\/dplyr_filter.png\")
<\/h1>\nfilter<\/code>. Ici, on cherche toutes les lignes qui remplissent la condition haircolor==\"red\"<\/code>:<\/p>\ndata=filter(catdata,haircolor==\"red\")\n\nprint(dim(data));print(head(data))\n\n## [1] 29 6\n\n## haircolor hairpattern sex weight age foodtype\n## 1 red solid female 4.6 12 other\n## 2 red tabby female 6.1 5 dry\n## 3 red solid female 2.3 3 dry\n## 4 red colorpoint female 3.9 8 dry\n## 5 red tabby female 4.6 7 dry\n## 6 red tortoise female 5.9 8 wet\n<\/code><\/pre>\ndata=filter(catdata,haircolor==\"black\" , weight>7)\n\nprint(data)\n\n## haircolor hairpattern sex weight age foodtype\n## 1 black tipped male 7.5 4 dry\n## 2 black colorpoint male 7.1 5 wet\n## 3 black solid male 7.1 5 wet\n<\/code><\/pre>\ndata=filter(catdata, weight>7 | age>15)\n\nprint(data)\n\n## haircolor hairpattern sex weight age foodtype\n## 1 black tipped male 7.5 4 dry\n## 2 red colorpoint male 5.9 17 wet\n## 3 black tabby female 1.9 17 dry\n## 4 black colorpoint male 7.1 5 wet\n## 5 black solid male 7.1 5 wet\n## 6 black solid female 6.2 17 dry\n<\/code><\/pre>\narrange<\/h1>\n
![\"\"](\"..\/..\/lise.vaudor\/Rfigures\/dplyr\/dplyr_arrange.png\")
<\/h1>\narrange<\/code> (ici, par exemple on r\u00e9ordonne catdata selon l’ordre croissant de weight<\/code>):<\/p>\ndata=arrange(catdata,weight)\n\nprint(head(data))\n\n## haircolor hairpattern sex weight age foodtype\n## 1 black tabby female 1.9 17 dry\n## 2 red solid female 2.3 3 dry\n## 3 white solid male 2.5 3 wet\n## 4 black tabby female 2.6 10 dry\n## 5 black solid female 2.8 11 dry\n## 6 brown tipped female 2.9 8 dry\n<\/code><\/pre>\ndata=arrange(catdata,sex)\n\nprint(head(data))\n\n## haircolor hairpattern sex weight age foodtype\n## 1 red solid female 4.6 12 other\n## 2 black tabby female 5.5 6 dry\n## 3 white tabby female 5.6 8 wet\n## 4 red tabby female 6.1 5 dry\n## 5 brown solid female 5.3 7 dry\n## 6 black colorpoint female 5.5 4 wet\n<\/code><\/pre>\ndata=arrange(catdata,sex,age)\n\nprint(head(data))\n\n## haircolor hairpattern sex weight age foodtype\n## 1 red solid female 2.3 3 dry\n## 2 brown tipped female 6.1 3 dry\n## 3 red tabby female 4.6 3 dry\n## 4 red tabby female 4.5 3 dry\n## 5 brown tipped female 4.4 3 dry\n## 6 black tipped female 6.7 3 dry\n<\/code><\/pre>\ndesc<\/code>:<\/p>\ndata=arrange(catdata,sex,desc(age))\n\nprint(head(data))\n\n## haircolor hairpattern sex weight age foodtype\n## 1 black tabby female 1.9 17 dry\n## 2 black solid female 6.2 17 dry\n## 3 red tortoise female 3.4 13 wet\n## 4 red solid female 4.6 12 other\n## 5 black colorpoint female 5.4 12 other\n## 6 black solid female 2.8 11 dry\n<\/code><\/pre>\nmutate<\/h1>\n
![\"\"](\"..\/..\/lise.vaudor\/Rfigures\/dplyr\/dplyr_mutate.png\")
<\/h1>\nmutate<\/code>:<\/p>\nhaircolor<\/code> et hairpattern<\/code>:<\/p>\ndata=mutate(catdata,hair=paste(haircolor,hairpattern,sep=\"_\"))\n\nprint(head(data))\n\n## haircolor hairpattern sex weight age foodtype hair\n## 1 red solid female 4.6 12 other red_solid\n## 2 black tabby female 5.5 6 dry black_tabby\n## 3 white tabby female 5.6 8 wet white_tabby\n## 4 red tabby female 6.1 5 dry red_tabby\n## 5 brown solid female 5.3 7 dry brown_solid\n## 6 black tabby male 6.9 5 wet black_tabby\n<\/code><\/pre>\ndata=mutate(catdata,age_humain=age*7)\n\nprint(head(data))\n\n## haircolor hairpattern sex weight age foodtype age_humain\n## 1 red solid female 4.6 12 other 84\n## 2 black tabby female 5.5 6 dry 42\n## 3 white tabby female 5.6 8 wet 56\n## 4 red tabby female 6.1 5 dry 35\n## 5 brown solid female 5.3 7 dry 49\n## 6 black tabby male 6.9 5 wet 35\n<\/code><\/pre>\nsummarise<\/h1>\n
![\"\"](\"..\/..\/lise.vaudor\/Rfigures\/dplyr\/dplyr_summarise.png\")
<\/h1>\nsummarise<\/code>.<\/p>\ndata=summarise(catdata,mean_weight=mean(weight), mean_age=mean(age))\n\nprint(data)\n\n## mean_weight mean_age\n## 1 4.891503 6.124183\n<\/code><\/pre>\nsex<\/code>), je vais le sp\u00e9cifier dans l’argument sp\u00e9cifiant la table de donn\u00e9es, \u00e0 l’aide de la fonction group_by<\/code>:<\/p>\ndata=summarise(group_by(catdata,sex,haircolor),mean_weight=mean(weight), mean_age=mean(age))\n\nprint(data)\n\n## Source: local data frame [8 x 4]\n## Groups: sex [?]\n## \n## sex haircolor mean_weight mean_age\n## <fctr> <fctr> <dbl> <dbl>\n## 1 female black 4.634286 6.885714\n## 2 female brown 4.833333 5.416667\n## 3 female red 4.675000 6.450000\n## 4 female white 4.900000 6.250000\n## 5 male black 5.245455 5.681818\n## 6 male brown 5.230000 6.000000\n## 7 male red 4.822222 7.111111\n## 8 male white 4.600000 5.200000\n<\/code><\/pre>\ndata=summarise(group_by(catdata,sex,haircolor),\n min_weight=min(weight),\n max_weight=max(weight),\n nbre_individus=n(),\n nbre_hairpattern=n_distinct(hairpattern)\n )\n\nprint(data)\n\n## Source: local data frame [8 x 6]\n## Groups: sex [?]\n## \n## sex haircolor min_weight max_weight nbre_individus nbre_hairpattern\n## <fctr> <fctr> <dbl> <dbl> <int> <int>\n## 1 female black 1.9 7.0 35 5\n## 2 female brown 2.9 6.3 12 4\n## 3 female red 2.3 6.6 20 5\n## 4 female white 3.2 6.0 8 3\n## 5 male black 3.5 7.5 44 5\n## 6 male brown 4.2 6.3 10 4\n## 7 male red 3.8 6.1 9 5\n## 8 male white 2.5 6.4 15 5\n<\/code><\/pre>\nn()<\/code> et n_distinct()<\/code><\/strong> qui permettent simplement de compter le nombre d’individus dans chaque groupe ainsi que le nombre de niveaux distincts d’une variable pour un groupe.<\/p>\nChainage<\/h1>\n
dplyr<\/code> permettaient de faire toutes sortes d’op\u00e9rations sur les tableaux de donn\u00e9es. Il est bien entendu possible de les combiner<\/strong> pour r\u00e9aliser des op\u00e9rations complexes…<\/p>\n\n
data1=select(catdata, sex,haircolor,weight,foodtype)\ndata2=filter(data1, haircolor==\"red\",foodtype==\"dry\")\ndata3=filter(data2, weight==max(weight))\n\nprint(data3)\n\n## sex haircolor weight foodtype\n## 1 female red 6.6 dry\n<\/code><\/pre>\nfilter(\n filter(\n select(\n catdata, sex,haircolor,weight,foodtype\n ),\n haircolor==\"red\",foodtype==\"dry\"\n ),\n weight==max(weight)\n)\n\n## sex haircolor weight foodtype\n## 1 female red 6.6 dry\n<\/code><\/pre>\ndplyr<\/code> permet de se rapprocher de cette \u00ab\u00a0syntaxe humaine\u00a0\u00bb en permettant d’utiliser un op\u00e9rateur (l’op\u00e9rateur \u00ab\u00a0pipe\u00a0\u00bb) qui s’\u00e9crit de la mani\u00e8re suivante : %>%<\/code> et que l’on pourrait (en gros) traduire par \u00ab\u00a0puis\u00a0\u00bb…<\/p>\nselect(catdata, sex,haircolor,weight,foodtype) %>%\n filter(haircolor==\"red\",foodtype==\"dry\") %>%\n filter(weight==max(weight))\n\n## sex haircolor weight foodtype\n## 1 female red 6.6 dry\n<\/code><\/pre>\nfilter<\/code> et arrange<\/code>. En effet, le pipe envoie le r\u00e9sultat de la ligne pr\u00e9c\u00e9dente comme premier argument de la ligne suivante (i.e. le r\u00e9sultat de select()<\/code> est envoy\u00e9 comme premier argument de filter(..., haircolor==\"red\",foodtype==\"dry\")<\/code> puis le r\u00e9sultat de filter(...,haircolor==\"red\",foodtype==\"dry\")<\/code>est envoy\u00e9 comme premier argument de filter(..., weight==max(weight))<\/code>.<\/p>\n%>%<\/code> qui pourrait bien devenir votre nouveau meilleur ami provient d’un autre package R, magrittR<\/a>, qui lui m\u00eame fait partie de la suite de packages tidyverse<\/code> que j’\u00e9voquais au tout d\u00e9but de ce billet…<\/p>\n","protected":false},"excerpt":{"rendered":"
![Bertrand<\/a> s’\u00e9tonneraient de ce r\u00e9sultat je pr\u00e9cise \u00e0 nouveau qu’il s’agit d’un jeu de donn\u00e9es fictif…)<\/p>\nSi je souhaitais r\u00e9aliser cet encha\u00eenement de commandes en une seule op\u00e9ration, et ainsi \u00e9viter la cr\u00e9ation d’objets interm\u00e9diaires data1, data2, etc., voici (classiquement) comment il faudrait proc\u00e9der:<\/p>\nfilter(\n filter(\n select(\n catdata, sex,haircolor,weight,foodtype\n ),\n haircolor==\"red\",foodtype==\"dry\"\n ),\n weight==max(weight)\n)\n\n## sex haircolor weight foodtype\n## 1 female red 6.6 dry\n<\/code><\/pre>\nIl faut avouer que ce n’est ni tr\u00e8s pratique \u00e0 \u00e9crire, ni tr\u00e8s facile \u00e0 relire, car il faut faire un petit effort mental pour retracer l’ordre des op\u00e9rations (de l’int\u00e9rieur vers l’ext\u00e9rieur) l\u00e0 o\u00f9 en \u00ab\u00a0syntaxe humaine\u00a0\u00bb on envisageait plut\u00f4t le cha\u00eenage de ces op\u00e9rations de mani\u00e8re lin\u00e9aire (on fait \u00e7a<\/em> puis \u00e7a<\/em> puis \u00e7a<\/em>).<\/p>\nEh bien, dplyr<\/code> permet de se rapprocher de cette \u00ab\u00a0syntaxe humaine\u00a0\u00bb en permettant d’utiliser un op\u00e9rateur (l’op\u00e9rateur \u00ab\u00a0pipe\u00a0\u00bb) qui s’\u00e9crit de la mani\u00e8re suivante : %>%<\/code> et que l’on pourrait (en gros) traduire par \u00ab\u00a0puis\u00a0\u00bb…<\/p>\nVoyez plut\u00f4t comment le code ci-dessus peut \u00eatre simplifi\u00e9 par l’usage de cet op\u00e9rateur:<\/p>\nselect(catdata, sex,haircolor,weight,foodtype) %>%\n filter(haircolor==\"red\",foodtype==\"dry\") %>%\n filter(weight==max(weight))\n\n## sex haircolor weight foodtype\n## 1 female red 6.6 dry\n<\/code><\/pre>\nLes 3 lignes ci-dessus forment une seule commande, qui ex\u00e9cute exactement les m\u00eames op\u00e9rations que les 9 lignes de la commande pr\u00e9c\u00e9dente, mais de mani\u00e8re beaucoup plus concise et claire…<\/p>\nRemarquez qu’avec l’usage du pipe, le premier argument -qui devrait \u00eatre une table- dispara\u00eet de l’appel aux fonctions filter<\/code> et arrange<\/code>. En effet, le pipe envoie le r\u00e9sultat de la ligne pr\u00e9c\u00e9dente comme premier argument de la ligne suivante (i.e. le r\u00e9sultat de select()<\/code> est envoy\u00e9 comme premier argument de filter(..., haircolor==\"red\",foodtype==\"dry\")<\/code> puis le r\u00e9sultat de filter(...,haircolor==\"red\",foodtype==\"dry\")<\/code>est envoy\u00e9 comme premier argument de filter(..., weight==max(weight))<\/code>.<\/p>\nSi au tout d\u00e9but la syntaxe que permet le pipe est un peu d\u00e9stabilisante (une fois qu’on a appris la syntaxe de R \u00ab\u00a0classique\u00a0\u00bb) elle devient vite addictive tant elle permet de faire en deux coups de cuill\u00e8re \u00e0 pot des cha\u00eenes d’op\u00e9rations complexes…<\/p>\nPour votre culture personnelle, sachez que cet op\u00e9rateur pipe %>%<\/code> qui pourrait bien devenir votre nouveau meilleur ami provient d’un autre package R, magrittR<\/a>, qui lui m\u00eame fait partie de la suite de packages tidyverse<\/code> que j’\u00e9voquais au tout d\u00e9but de ce billet…<\/p>\n","protected":false},"excerpt":{"rendered":"Ah, la joie de vous parler d’un package qui va me\/vous simplifier la vie!… Aujourd’hui, il s’agit de dplyr, qui fait partie de la suite de packages tidyverse (qui comprend ggplot2, tidyr, stringr, lubridate et tellement d’autres) qui fait grand bruit en ce moment dans l’univ-R. dplyr vise \u00e0 simplifier la manipulation de tables de donn\u00e9es \u00e0 travers l’usage de cinq \u00ab\u00a0verbes\u00a0\u00bb (ou fonctions): select, qui permet de s\u00e9lectionner des.. Read More<\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[5],"tags":[],"class_list":["post-664","post","type-post","status-publish","format-standard","hentry","category-tous-les-posts"],"_links":{"self":[{"href":"https:\/\/perso.ens-lyon.fr\/lise.vaudor\/wp-json\/wp\/v2\/posts\/664","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/perso.ens-lyon.fr\/lise.vaudor\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/perso.ens-lyon.fr\/lise.vaudor\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/perso.ens-lyon.fr\/lise.vaudor\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/perso.ens-lyon.fr\/lise.vaudor\/wp-json\/wp\/v2\/comments?post=664"}],"version-history":[{"count":14,"href":"https:\/\/perso.ens-lyon.fr\/lise.vaudor\/wp-json\/wp\/v2\/posts\/664\/revisions"}],"predecessor-version":[{"id":679,"href":"https:\/\/perso.ens-lyon.fr\/lise.vaudor\/wp-json\/wp\/v2\/posts\/664\/revisions\/679"}],"wp:attachment":[{"href":"https:\/\/perso.ens-lyon.fr\/lise.vaudor\/wp-json\/wp\/v2\/media?parent=664"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/perso.ens-lyon.fr\/lise.vaudor\/wp-json\/wp\/v2\/categories?post=664"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/perso.ens-lyon.fr\/lise.vaudor\/wp-json\/wp\/v2\/tags?post=664"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}](\"..\/..\/lise.vaudor\/Rfigures\/dplyr\/PBvignette.png\"){kind=link}