Fonctions pour inspecter les données brutes
Base R (l'installation de base de R) comprend des fonctions permettant d'inspecter les données brutes. La fonction View() affiche les données dans un tableau triable dans lequel on peut effectuer des recherches. C'est utile pour effectuer des contrôles manuels des données brutes.
Dans ce chapitre, nous travaillons avec les données rhc, présentées au chapitre précédent. Si vous ne les avez pas encore téléchargées, vous pouvez le faire en suivant les instructions du chapitre précédent.
View(rhc)Voici la fenêtre qui s'ouvre lorsque vous utilisez View() :
En haut de la fenêtre se trouvent des fonctions qui permettent de filtrer le jeu de données, de parcourir les colonnes et d'effectuer une recherche dans l'ensemble du jeu de données. Ces fonctions sont indiquées sur l'image ci-dessous.
Nous poursuivons avec head() et tail(), qui affichent respectivement les 5 premières et les 5 dernières lignes de notre data frame. Vous pouvez modifier ce nombre en indiquant le nombre de lignes souhaité comme deuxième argument de ces fonctions.
## 3 premières lignes
head(rhc, 3)
## 2 dernières lignes
tail(rhc, 3)Résultat de head() :
| 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 |
Résultat de tail() :
| adld3p <int> | age <dbl> | alb1 <dbl> | amihx <int> | aps1 <int> | bili1 <dbl> | ca <chr> | card <chr> | cardiohx <int> |
|---|---|---|---|---|---|---|---|---|
| 1 | 80.48499 | 4.099609 | 0 | 43 | 1.000000 | No | No | 1 |
| NA | 67.37897 | 3.500000 | 0 | 51 | 1.009766 | No | No | 0 |
| NA | 54.66397 | 3.000000 | 0 | 101 | 21.796875 | No | No | 0 |
Le package dplyr propose la fonction glimpse(), qui donne une vue d'ensemble des données. Appliquons maintenant glimpse() à rhc :
glimpse(rhc)
La fonction glimpse() donne ainsi un aperçu rapide des variables présentes dans le data frame, de leur type et des valeurs des premières variables.
La fonction summary() permet de même de produire une description de toutes les variables. Par rapport à glimpse(), summary() fournit des mesures de tendance centrale et de dispersion pour chaque variable, comme le montre l'exemple suivant :
summary(rhc)
La fonction summary() peut être appliquée à une seule colonne en y faisant référence avec $ après le nom de notre data frame :
summary(rhc$age)
Pour afficher les valeurs d'une seule colonne, on utilise la même méthode que ci-dessus. Le nom de la colonne est précédé de $, comme suit :
rhc$age [1] 70.25098 78.17896 46.09198 75.33197 67.90997 86.07794 54.96799 43.63898 18.04199 48.42398 34.44199 68.34796 74.70996 42.23700 81.97095 78.30499
[17] 88.42200 69.00195 41.42899 67.50397 50.59000 62.68900 42.05298 23.11299 62.10797 39.82999 47.75598 36.70099 71.20099 95.53699 67.27997 73.49194
[33] 71.49597 54.79300 36.13397 61.43997 55.97299 51.39999 54.31097 67.74298 59.90399 21.09200 94.07495 41.33899 80.38300 58.04199 32.07397 80.58295
[49] 70.61200 80.18896 56.76898 85.29498 63.91498 78.08600 83.37000 61.86697 85.31995 42.92398 47.97498 58.03400 49.82898 69.19098 25.40999 68.40198
[65] 63.54797 38.91599 77.32495 58.80099 66.32196 60.65399 66.89398 63.48297 25.51399 83.35895 42.28598 57.46997 76.43500 80.03796 49.52798 40.78000
[81] 69.15295 68.70099 45.57397 59.29099 81.24597 72.81897 53.52197 39.73199 93.02399 54.08600 43.99500 64.11200 70.51599 87.13995 79.79199 46.58698
[97] 87.70996 83.56195 86.17096 49.99899 30.56499 65.08099 63.88498 47.82498 41.83698 49.68698 57.09198 55.13797 44.31998 56.30899 75.12897 76.84900
[113] 57.98999 69.40198 65.39600 79.93195 71.90997 77.19397 66.08398 20.58899 60.27100 54.08398 81.93597 36.18100 86.26996 74.68298 28.19399 86.14899
[129] 80.60498 42.01498 34.11600 82.24799 78.70795 53.31400 71.98395 67.73700 80.45697 82.41998 88.17200 76.21399Sélection des colonnes à inspecter
Les fonctions de dplyr sont précieuses pour sélectionner et transformer des colonnes. Voici plusieurs exemples, expliqués dans les commentaires du code :
## Inspecte les 3 premières colonnes, hema, renalhx et
## toutes les colonnes entre transhx:trauma et trauma
rhc %>%
select(1:3, hema, renalhx, transhx:trauma)| adld3p <int> | age <dbl> | alb1 <dbl> | hema <chr> | renalhx <int> | transhx <int> | trauma <chr> |
|---|---|---|---|---|---|---|
| 0 | 70.25098 | 3.5000000 | No | 0 | 0 | No |
| NA | 78.17896 | 2.5996094 | No | 0 | 1 | No |
| NA | 46.09198 | 3.5000000 | No | 0 | 0 | No |
| NA | 75.33197 | 3.5000000 | No | 0 | 0 | No |
| NA | 67.90997 | 3.5000000 | No | 0 | 0 | No |
| 0 | 86.07794 | 3.0996094 | No | 0 | 0 | No |
| NA | 54.96799 | 3.5000000 | No | 0 | 0 | No |
| NA | 43.63898 | 2.6997070 | No | 0 | 1 | No |
| NA | 18.04199 | 3.0000000 | Yes | 0 | 0 | No |
| NA | 48.42398 | 2.5000000 | No | 0 | 0 | No |
Vous pouvez ajouter un View() tout à la fin pour inspecter l'ensemble des données brutes, comme suit :
rhc %>%
select(1:3, hema, renalhx, transhx:trauma) %>%
View()Lorsque le code ci-dessus est exécuté, une fenêtre contenant les données brutes s'affiche.
Vous pouvez restreindre les patients inspectés en utilisant d'autres fonctions de dplyr :
rhc %>%
# Ne conserve que les patients âgés de plus de 50 ans avec card==Yes
filter(age>50, card=="Yes") |>
# Sélectionne les variables
select(1:3, hema, renalhx, transhx:trauma) |>
# Conserve les 100 premières lignes
slice(1:100) |>
# Ouvre la fenêtre
View()Lorsque le code ci-dessus est exécuté, une fenêtre contenant les données brutes s'affiche.