Exploration efficace des data frames

Araz Rawshani

Il existe désormais plusieurs packages qui permettent d'explorer rapidement des données. Le package DataExplorer a été conçu pour produire des rapports complets, ou des parties de rapports. Il existe plusieurs packages similaires, mais DataExplorer est bien documenté et regroupe les méthodes les plus importantes. Commencez par installer et charger le package :

install.packages("DataExplorer")
library(DataExplorer)

DataExplorer peut créer un rapport mis en forme qui est enregistré sous forme de fichier PDF sur le disque dur. Pour ce faire, on utilise la fonction create_report(), dont les arguments sont output_file (le nom du fichier enregistré sur le disque dur), report_title (le titre du rapport) et l'argument facultatif y. L'argument y n'est indiqué que si les descriptions doivent être stratifiées selon une variable. Dans le code ci-dessous, le rapport est stratifié selon la colonne death, qui indique si le patient est décédé au cours de l'étude.

rhc %>%
  create_report(
    output_file="rapportfilens namn",
    report_title= "titel på rapporten",
    y="death"
  )

Le fichier (au format HTML) se trouvera ensuite dans votre working directory. Si vous ne savez pas où se trouve votre working directory, tapez la commande getwd(), qui renvoie votre working directory (il s'agit probablement du dossier dans lequel se trouve votre script R). Le début du fichier se présente comme suit :

Navigateur affichant le début du rapport DataExplorer : table des matières et tableau des statistiques de base du jeu de données

Nous montrons ensuite comment produire séparément les différentes composantes du rapport afin d'explorer les données.

Commencez par une description générale des données :

introduce(rhc)

rows	columns	discrete_columns	continuous_columns	all_missing_columns	total_missing_values	complete_rows
5735	63	21	42	0	13873	49

plot_intro(rhc)

Diagramme en barres issu de plot_intro montrant la proportion de colonnes discrètes et continues, de lignes complètes et d'observations manquantes

plot_missing(rhc)

Diagramme en barres horizontales issu de plot_missing montrant la proportion de valeurs manquantes par variable, avec un code couleur Good, OK et Bad

## Fréquences stratifiées selon une variable
plot_bar(rhc, by = "death", nrow=20, ncol=4)

Diagrammes en barres empilées issus de plot_bar montrant les fréquences de toutes les variables catégorielles réparties selon death Yes et No

## Afficher les histogrammes de toutes les variables continues
plot_histogram(rhc)

Grille d'histogrammes issus de plot_histogram, un pour chaque variable continue du jeu de données rhc

## Courbes de densité pour toutes les variables continues
plot_density(rhc, ncol=3, nrow=10)

Grille de courbes de densité issues de plot_density, une pour chaque variable continue du jeu de données rhc

## Graphiques QQ pour toutes les variables continues
plot_qq(rhc, ncol=3, nrow=10)

Grille de graphiques QQ issus de plot_qq comparant chaque variable continue à la loi normale

## Graphiques QQ stratifiés selon une colonne
plot_qq(rhc, by = "death", ncol=3, nrow=10)

Grille de graphiques QQ issus de plot_qq pour les variables continues, séparément pour death Yes et No

## Matrices de corrélation
plot_correlation(rhc)

Matrice de corrélation issue de plot_correlation sous forme de carte thermique de toutes les variables, échelle de couleurs de -1 à 1

## Distribution bivariée stratifiée selon une colonne
plot_boxplot(rhc, by = "death")

Grille de boîtes à moustaches issues de plot_boxplot montrant chaque variable continue répartie selon death Yes et No

## Scatterplot `price` with all other continuous features
plot_scatterplot(split_columns(rhc)$continuous,
                 by = "age",
                 sampled_rows = 100L,
                 ncol=3, nrow=20)

Grille de nuages de points issus de plot_scatterplot montrant chaque variable continue en fonction de l'âge

## Visualize principal component analysis
plot_prcomp(rhc, maxcat = 8L)

Diagramme en barres issu de plot_prcomp montrant le poids relatif des variables dans les composantes principales PC1 à PC18