Une fois les données préparées, l'exploration et la description doivent être réalisées avec le plus grand soin. La connaissance de la nature des données est fondamentale pour obtenir un bon résultat final. L'analyste doit bien connaître la nature des variables, leurs distributions, les données manquantes (missingness, ou missing data), les corrélations, etc. Pour explorer les données, on a besoin à la fois de fonctions de R de base (base R) et de fonctions issues d'autres packages. Ces packages sont essentiels pour une exploration et une description adéquates et efficaces. Nous n'utiliserons pas les jeux de données d'exercice classiques (par exemple gapminder ou mpg), car il leur manque plusieurs types de variables importants (notamment des données de survie, des variables de date, etc.). Nous utiliserons plutôt les données d'une étude clinique appelée Right Heart Catetherization (RHC), que l'on peut télécharger avec le code ci-dessous.
Nous commençons par télécharger RHC sur le disque dur (l'ordinateur), puis nous trions les variables par ordre alphabétique. Ce tri n'a aucune importance et sert uniquement à ce que les variables apparaissent dans notre data frame dans le même ordre que dans le Tableau 1, où elles sont expliquées. Heureusement, vous n'avez pas besoin de connaître les détails des variables de RHC, mais il peut être agréable de consacrer une minute à la liste des variables pour se faire une idée des données avec lesquelles nous travaillons.
## Importer les données
rhc <- read.csv("https://hbiostat.org/data/repo/rhc.csv", header = TRUE)
## Trier les colonnes par ordre alphabétique
rhc <- select(rhc, sort(names(rhc)))
## Inspecter les données
head(rhc)| adld3p <int> | age <dbl> | alb1 <dbl> | amihx <int> | aps1 <int> | bili1 <dbl> | ca <chr> | card <chr> | cardiohx <int> |
|---|---|---|---|---|---|---|---|---|
| 0 | 70.25098 | 3.500000 | 0 | 46 | 1.0097656 | Yes | Yes | 0 |
| NA | 78.17896 | 2.599609 | 0 | 50 | 0.6999512 | No | No | 1 |
| NA | 46.09198 | 3.500000 | 0 | 82 | 1.0097656 | Yes | Yes | 0 |
| NA | 75.33197 | 3.500000 | 0 | 48 | 0.3999634 | No | No | 0 |
| NA | 67.90997 | 3.500000 | 0 | 72 | 1.0097656 | No | Yes | 0 |
| 0 | 86.07794 | 3.099609 | 0 | 38 | 1.0097656 | No | No | 0 |
Extrait des données RHC. L'explication des variables figure dans le Tableau 1.
Tableau 1. Explications des variables des données RHC.
| Variable | Définition |
|---|---|
| Adld3p | ADL (activity of daily living) |
| Age | Age |
| Alb1 | Albumin |
| Amihx | Definite Myocardial Infarction |
| Aps1 | APACHE score |
| Bili1 | Bilirubin |
| Ca | Cancer |
| Card | Cardiovascular Diagnosis |
| Cardiohx | Acute MI, Peripheral Vascular Disease, Severe Cardiovascular Symptoms (NYHA-Class III), Very Severe Cardiovascular Symptoms (NYHA-Class IV) |
| Cat1 | Primary disease category |
| Cat2 | Secondary disease category |
| Chfhx | Congestive Heart Failure |
| Chrpulhx | Chronic Pulmonary Disease, Severe Pulmonary Disease, Very Severe Pulmonary Disease |
| Crea1 | Creatinine |
| Das2d3pc | DASI ( Duke Activity Status Index) |
| Death | Death at any time up to 180 Days |
| Dementhx | Dementia, Stroke or Cerebral Infarct, Parkinson’s Disease |
| Dnr1 | DNR status on day1 |
| Dschdte | Hospital Discharge Date |
| Dthdte | Date of Death |
| Edu | Years of education |
| Gastr | Gastrointestinal Diagnosis |
| Gibledhx | Upper GI Bleeding |
| Hema | Hematologic Diagnosis |
| Hema1 | Hematocrit |
| Hrt1 | Heart rate |
| Immunhx | Immunosupperssion, Organ Transplant, HIV Positivity, Diabetes Mellitus Without End Organ Damage, Diabetes Mellitus With End Organ Damage, Connective Tissue Disease |
| Income | Income |
| Liverhx | Cirrhosis, Hepatic Failure |
| Lstctdte | Date of Last Contact |
| Malighx | Solid Tumor, Metastatic Disease, Chronic Leukemia/Myeloma, Acute Leukemia, Lymphoma |
| Meanbp1 | Mean blood pressure |
| Meta | Metabolic Diagnosis |
| Neuro | Neurological Diagnosis |
| Ninsclas | Medical insurance |
| Ortho | Orthopedic Diagnosis |
| Paco21 | PaCo2 |
| Pafi1 | PaO2/FIO2 ratio |
| Ph1 | PH |
| Pot1 | Potassium |
| Psychhx | Psychiatric History, Active Psychosis or Severe Depression |
| Ptid | Patient ID |
| Race | Race |
| Renal | Renal Diagnosis |
| Renalhx | Chronic Renal Disease, Chronic Hemodialysis or Peritoneal Dialysis |
| Resp | Respiratory Diagnosis |
| Resp1 | Respiratory rate |
| Sadmdte | Study Admission Date |
| Scoma1 | Glasgow Coma Score |
| Seps | Sepsis Diagnosis |
| Sex | Sex |
| Sod1 | Sodium |
| Surv2md1 | Support model estimate of the prob. of surviving 2 months |
| Swang1 | Right Heart Catheterization (RHC) |
| Temp1 | Temperature |
| Transhx | Transfer (> 24 Hours) from Another Hospital |
| Trauma | Trauma Diagnosis |
| Urin1 | Urine output |
| Wblc1 | WBC |
| Wtkilo1 | Weight |
Explication des variables de RHC.
Les chapitres suivants abordent différents types d'exploration et de description.