08 novembre
Par
Le
Dans base indispensable
Avec 0 Commentaire

Devant les importantes possibilités de R, il est possible et utile de lancer certaines recherches en ligne de commande pour trouver des fonctions ou des paquets associés.(NB : une connexion internet est requise) Tout d’abord, pour obtenir l’aide (en anglais) d’une fonction, il y a 2 possibilités : help(LaFonction) #LaFonction = le nom de la fonction#ou?LaFonction#Exemple avec la fonction matrix() qui permet de créer une matrice?matrix Si R vous renvoie un message d’erreur disant que « LaFonction » n’existe pas, c’est que : – soit elle n’existe effectivement pas ! Dans ce cas, vous pouvez essayer de rechercher une fonction qui permet ce que vous voulez viaRead More →

08 novembre
Par
Le
Dans Uncategorized
Avec 0 Commentaire

Devant les importantes possibilités de R, il est possible et utile de lancer certaines recherches en ligne de commande pour trouver des fonctions ou des paquets associés.(NB : une connexion internet est requise) Tout d’abord, pour obtenir l’aide (en anglais) d’une fonction, il y a 2 possibilités : help(LaFonction) #LaFonction = le nom de la fonction#ou?LaFonction#Exemple avec la fonction matrix() qui permet de créer une matrice?matrix Si R vous renvoie un message d’erreur disant que "LaFonction" n’existe pas, c’est que : – soit elle n’existe effectivement pas ! Dans ce cas, vous pouvez essayer de rechercher une fonction qui permet ce que vous voulez viaRead More →

21 octobre
Par
Le
Dans base indispensable, chaines de caractères, tidyverse
Avec 0 Commentaire

Analyser des données demande de savoir manipuler aussi du texte. Ce que nous appelons texte en tant qu’humain est interprété par R comme une chaîne de caractères. Le type de donnée correspondant dans R est appelé: character. class(« abcdR ») ## [1] « character » Il est parfois nécessaire d’extraire des motifs particuliers de chaînes de caractères. Pour ce faire on peut utiliser des expressions régulières ou regex en anglais. Pour cela nous allons utiliser {stringr}, un package du tidyverse. library(stringr) Considérons un vecteur de noms de fichiers csv. noms_fichiers <- c(« pop_FRA_2019.csv », « pop_ITA_2020.csv », « pop_ESP_2019.csv ») Comment extraire le code iso3 (FRA, ITA…) ? str_extract(string = noms_fichiers, pattern = « [A-Z]{3} ») ##Read More →

23 septembre
Par
Le
Dans Uncategorized
Avec 0 Commentaire

Un raster est un fichier géographique dont les données sont stockées sous forme d’une grille régulière. Il existe plusieurs format de stockage : GeoTiff, netcdf, asc, …  Dans R, il existe 3 packages principaux qui peuvent vous permettre de lire un fichier raster : l’historique : {raster} la version remastérisée avec du C++ : {terra} un package récent avec une philosophie différente : {stars} Lecture d’un fichier raster avec une seule couche # récupération du chemin d’un Geotifftif <- system.file(« tif/L7_ETMs.tif », package = « stars ») # lecture avec {raster}r_raster <- raster(tif)# lecture avec {terra}r_terra <- rast(tif)# lecture avec {stars}r_stars <- read_stars(tif) Lecture d’un fichier raster avec plusieursRead More →

23 septembre
Par
Le
Dans importation de données, sig - cartographie
Avec 0 Commentaire

Un raster est un fichier géographique dont les données sont stockées sous forme d’une grille régulière. Il existe plusieurs format de stockage : GeoTiff, netcdf, asc, …  Dans R, il existe 3 packages principaux qui peuvent vous permettre de lire un fichier raster : l’historique : {raster} la version remastérisée avec du C++ : {terra} un package récent avec une philosophie différente : {stars} Lecture d’un fichier raster avec une seule couche # récupération du chemin d’un Geotifftif <- system.file(« tif/L7_ETMs.tif », package = « stars ») # lecture avec {raster}r_raster <- raster(tif)# lecture avec {terra}r_terra <- rast(tif)# lecture avec {stars}r_stars <- read_stars(tif) Lecture d’un fichier raster avec plusieursRead More →

30 janvier
Par
Le
Dans manipulation de données, tidyverse
Avec 0 Commentaire

Plusieurs façon de faire, à vous de choisir celle qui vous plait le plus 🙂 Fabriquons un petit jeu de données auquel nous souhaitons ajouter une colonne contenant le nombre ne NA sur chacune des lignes. library(tidyverse) dataset <- tribble(~a,~b,~c, 1,NA,NA, NA,NA,NA, 1,2,3, NA,3,NA ) A l’ancienne dataset$nb <- apply(dataset, MARGIN = 1, function(x){sum(is.na(x))}) avec du pmap et du mutate dataset %>% mutate(nb = pmap(.,function(a,b,c){sum(is.na(a),is.na(b),is.na(c))}), nb= unlist(nb)) Mais c’est dommage de devoir spécifier a, b et c. donc simplifions : dataset %>% mutate(nb = pmap_dbl(., function(…){sum(is.na(c(…)))})) Cela reste à mon goût un peu trop verbeux Avec rowSums dataset %>% mutate(nb = rowSums(is.na(.))) ça c’est propreRead More →