Programmation avec R

Guide complet — Traduction française

1. Introduction
R est un langage de programmation populaire utilisé pour le calcul statistique et la présentation graphique.
Son utilisation la plus courante est l'analyse et la visualisation de données.

• Il est facile de créer des graphiques avec R : camemberts, histogrammes, boîtes à moustaches,
nuages de points, etc.
• Il fonctionne sur différentes plateformes (Windows, Mac, Linux).
• Il est open-source et gratuit.
• Il bénéficie d'un large soutien communautaire.
• Il dispose de nombreux packages (bibliothèques de fonctions) pour résoudre différents problèmes.

2. Variables en R
Une variable est une zone mémoire réservée au stockage de données spécifiques. Le nom associé à la
variable permet de manipuler ce bloc réservé.

Syntaxe — Trois façons de déclarer une variable :

Avec l'opérateur égal :
nom_variable = valeur

Avec l'opérateur d'assignation vers la gauche :

nom_variable <- valeur

Avec l'opérateur d'assignation vers la droite :

# Exemple avec opérateur vers la droite "bonjour" -> var3 print(var3)

Résultat :
[1] "bonjour"

3. Structures de données en R
Les structures de données essentielles en R comprennent : les Vecteurs, les Listes, les Data Frames et
les Facteurs.

3.1 Vecteurs
Le vecteur est l'une des structures de données de base en R. Il est homogène, ce qui signifie qu'il ne
contient que des éléments du même type de données. Les types de données peuvent être numérique,
entier, caractère, complexe ou logique.

Exemple :
# Vecteur (collection ordonnée du même type) X = c(1, 3, 5, 7, 8) # Affichage print(X)

Résultat :
[1] 1 3 5 7 8
3.2 Listes
Une liste est une structure de données non homogène, ce qui implique qu'elle peut contenir des éléments
de différents types. Elle accepte des nombres, des caractères, d'autres listes, des matrices et même des
fonctions. Elle est créée avec la fonction list().

Exemple :
empId = c(1, 2, 3, 4) empNom = c("Debi", "Sandeep", "Subham", "Shiba") nombreEmp = 4
empListe = list(empId, empNom, nombreEmp) print(empListe)

Résultat :
[[1]] [1] 1 2 3 4 [[2]] [1] "Debi" "Sandeep" "Subham" "Shiba" [[3]] [1] 4

3.3 Data Frames

Un data frame est une structure bidimensionnelle de type tableau, dans laquelle chaque colonne contient
les valeurs d'une variable et chaque ligne contient un ensemble de valeurs de chaque colonne.

Caractéristiques d'un data frame :

• Le nom des colonnes ne sera pas vide.
• Les noms des lignes seront uniques.
• Un data frame stocke des données de type numérique, facteur ou caractère.
• Chaque colonne contiendra le même nombre d'éléments.
Exemple :
# Vecteur de caractères Nom = c("Amiya", "Raj", "Asish") # Vecteur de caractères Langage
= c("R", "Python", "Java") # Vecteur numérique Age = c(22, 25, 45) # Création du data
frame df = [Link](Nom, Langage, Age)

Résultat :
Nom Langage Age 1 Amiya R 22 2 Raj Python 25 3 Asish Java 45

3.4 Facteurs
Les facteurs sont des objets de données utilisés pour catégoriser les données et les stocker sous forme
de niveaux. Les facteurs peuvent stocker des chaînes de caractères et des entiers. Ils sont très utiles dans
les colonnes ayant un nombre limité de valeurs uniques, et sont particulièrement pratiques pour la
modélisation statistique.

Exemple :
data <- c("Est","Ouest","Est","Nord","Nord","Est","Ouest","Ouest","Ouest","Est","Nord")
print(data) print([Link](data)) # Appliquer la fonction factor factor_data <-
factor(data) print(factor_data)

Résultat :
[1] "Est" "Ouest" "Est" "Nord" "Nord" "Est" "Ouest" "Ouest" "Ouest" "Est" "Nord" [1]
FALSE [1] Est Ouest Est Nord Nord Est Ouest Ouest Ouest Est Nord Niveaux : Est Nord Ouest
[1] TRUE

4. Les boucles en R
Les boucles servent à répéter un traitement tant qu'une expression (condition) est VRAIE. R utilise trois
mots-clés pour les boucles : for, while et repeat. Les instructions next et break permettent un contrôle
supplémentaire de la boucle.

L'instruction break sort du contrôle de la boucle la plus interne. L'instruction next transfère immédiatement
le contrôle au début de la boucle, et l'instruction suivant next est ignorée.

La valeur retournée par une instruction de boucle est toujours NULL et est retournée de façon invisible.

4.1 Boucle for

C'est un type d'instruction de contrôle qui permet de construire facilement une boucle devant exécuter des
instructions plusieurs fois. La boucle for est couramment utilisée pour itérer sur les éléments d'une
séquence. C'est une boucle à entrée contrôlée : la condition de test est vérifiée en premier, puis le corps
de la boucle est exécuté.

Syntaxe :
for (instruction_init ; expression_test ; instruction_maj) { // instructions dans le
corps de la boucle }

Exemple — Afficher les fruits d'une liste :

fruits <- list("pomme", "banane", "cerise") for(x in fruits) { print(x) }

Résultat :
[1] "pomme" [1] "banane" [1] "cerise"

4.2 Boucle while

C'est un type d'instruction de contrôle qui répète une instruction ou un ensemble d'instructions tant que la
condition donnée est vraie. C'est également une boucle à entrée contrôlée.

Syntaxe :
while (expression) { instruction }

5. Packages en R
Les packages R sont des collections de fonctions R, de code compilé et de données exemples. Ils sont
stockés dans un répertoire appelé « library » dans l'environnement R. Par défaut, R installe un ensemble
de packages lors de l'installation. D'autres packages sont ajoutés ultérieurement selon les besoins.
Lorsque la console R est démarrée, seuls les packages par défaut sont disponibles.

5.1 Charger des packages

Pour charger un package déjà installé sur votre système, utilisez la fonction library() :
> library()

Obtenir tous les packages chargés dans l'environnement R :

> search()

Résultat :
[1] ".GlobalEnv" "package:stats" "package:graphics" [4] "package:grDevices"
"package:utils" "package:datasets" [7] "package:methods" "Autoloads" "package:base"
5.2 Installer un nouveau package
Il existe deux façons d'ajouter de nouveaux packages R :

Directement depuis CRAN :

# Installer le package "XML" [Link]("Package Name")

Manuellement (fichier local) :

# Télécharger le package et l'installer depuis un fichier local
[Link](chemin_fichier, repos = NULL, type = "source") # Exemple
[Link]("E:/XML_3.[Link]", repos = NULL, type = "source")

5.3 Charger un package dans la bibliothèque

Avant d'utiliser un package dans le code, il doit être chargé dans l'environnement R courant :
> library("Nom_du_package", [Link] = "chemin_vers_bibliotheque")

6. Fichiers en R
Dans le langage de programmation R, nous traitons de grandes quantités de données représentées dans
des fichiers. Nous pouvons effectuer certaines opérations d'accès aux données comme créer des fichiers,
les lire, les renommer, etc.

Opérations disponibles sur les fichiers :

• Écriture dans les fichiers
• Lecture de données depuis un fichier

6.1 Écriture dans les fichiers

La fonction [Link]() en R est utilisée pour écrire un objet dans un fichier.

6.2 Lecture de données depuis un fichier

Après l'écriture des données dans un fichier, nous devons lire les informations à l'aide d'une fonction
intégrée. Nous utilisons la fonction [Link]() pour lire le contenu du fichier passé en argument.

Syntaxe :
[Link](fichier)

Paramètre — fichier : indique le nom du fichier à lire.

7. Hypothèses diagnostiques en analyse de régression
Avant d'interpréter les résultats d'une régression, les hypothèses doivent être vérifiées.

Pourquoi les hypothèses sont-elles importantes ?

Les modèles de régression nécessitent des hypothèses pour garantir la validité de l'inférence statistique.
La violation des hypothèses peut conduire à :

• des estimations biaisées

• une fausse significativité
• de mauvaises prédictions
• des conclusions scientifiques trompeuses

Principales hypothèses :
• normalité des résidus
• absence de valeurs aberrantes influentes
• linéarité
• homoscédasticité
• absence de multicolinéarité
library(ggplot2)

7.1 Normalité des résidus

Les résidus doivent suivre une distribution normale.

Méthodes utilisées :
• Histogramme
• Graphique de densité
• Graphique Q-Q
• Test de Shapiro-Wilk
Package commun :
library(ggplot2)

7.2 Valeurs aberrantes et points influents

Certaines observations peuvent affecter excessivement les performances du modèle.

Méthodes utilisées :
• Valeurs de levier
• Boîtes à moustaches
• Distance de Mahalanobis

7.3 Linéarité
La relation entre les prédicteurs et la réponse doit être linéaire.

Méthodes utilisées :
 • Nuages de points
• Graphique résidus vs valeurs ajustées
• Graphiques de résidus partiels
Packages communs :
library(ggplot2) library(car)

7.4 Multicolinéarité
Les variables prédictives ne doivent pas être fortement corrélées entre elles.

Méthodes utilisées :
• Matrice de corrélation
8. Visualisations graphiques en R
8.1 Carte de chaleur (Heatmap)
Une carte de chaleur est une représentation graphique de données numériques utilisant des couleurs pour
indiquer l'intensité des valeurs. Elle est largement utilisée en R pour les matrices de corrélation, les
tableaux d'abondance, les études d'expression génique et les jeux de données écologiques.

Les cartes de chaleur permettent d'identifier rapidement les relations positives ou négatives fortes, les
motifs cachés, les clusters et les similarités entre variables ou observations.

Pourquoi utiliser les cartes de chaleur ?

• Visualiser les matrices de corrélation
• Détecter des clusters parmi des échantillons ou des variables
• Identifier des associations fortes entre variables
• Simplifier de grands jeux de données complexes

Packages R couramment utilisés :

• ggplot2 → visualisation graphique avancée
• pheatmap → package spécialisé pour les cartes de chaleur
• ComplexHeatmap → cartes de chaleur scientifiques avancées
• corrplot → visualisation de matrices de corrélation
• reshape2 → transformation des données avant traçage
Exemple :
library(ggplot2) library(pheatmap) library(corrplot) library(reshape2)

8.2 Graphique de densité (Density Plot)

Un graphique de densité est une courbe lissée montrant la distribution d'une variable continue. Il est
considéré comme une version améliorée de l'histogramme car il illustre mieux la forme des données. Il
permet de détecter l'asymétrie, les distributions multimodales et les déviations par rapport à la normalité
avant d'effectuer des tests statistiques.

Pourquoi utiliser les graphiques de densité ?

• Évaluer la distribution des données
• Vérifier les hypothèses de normalité
• Comparer les distributions entre groupes
• Identifier des motifs inhabituels
Packages R couramment utilisés :
• ggplot2 • R de base (base R)
Exemple :
library(ggplot2)

8.3 Matrice de nuages de points (Pairplot)

Un pairplot est une matrice de nuages de points montrant simultanément les relations entre plusieurs
variables numériques. Des histogrammes ou des graphiques de densité sont affichés sur la diagonale.
C'est l'un des outils les plus utiles pour l'analyse exploratoire des données car il révèle les corrélations, les
clusters, les tendances et les valeurs aberrantes.

Pourquoi utiliser les pairplots ?

• Explorer les relations multi-variables
• Détecter des corrélations
• Identifier des clusters
• Visualiser les valeurs aberrantes potentielles
Package R couramment utilisé :
• ggplot2
Exemple :
library(ggplot2)

8.4 Analyse en Composantes Principales (ACP / PCA)

L'Analyse en Composantes Principales (ACP) est une méthode statistique multivariée utilisée pour réduire
la dimensionnalité des données tout en préservant la majeure partie de l'information. Elle transforme des
variables corrélées en nouvelles variables indépendantes appelées composantes principales.

L'ACP est extrêmement utile en écologie, biologie marine, sciences de l'environnement et biostatistiques
pour simplifier de grands jeux de données.

Pourquoi utiliser l'ACP ?

• Réduire la dimensionnalité
• Identifier les variables les plus importantes
• Détecter des similarités entre échantillons
• Visualiser le regroupement des observations
• Simplifier l'interprétation de jeux de données complexes

Packages R couramment utilisés :

• FactoMineR
• factoextra
• ggplot2