Au commencement était Hadley Wickham

En parallèle il développa également :

• des packages “utilitaires” : lubridate, stringr
• des packages pour faciliter le développement : devtools, testthat, roxygen2…

(Plus précisément entre 2007 et 2012)

Le tidyverse est un ensemble de packages développés depuis une dizaine d’années, qui ont évolué au fil du temps pour former un ensemble d’outils relativement cohérents.

Il s’agit évidemment d’un travail collectif (139 contributeurs pour ggplot2, 144 contributeurs pour dplyr, etc.)

import de données tabulaires au format texte (CSV, TSV…)

import de données depuis Excel

readr et readxl permettent d’importer des données tabulaires depuis des fichiers texte ou Excel.

Une interface intégrée à RStudio facilite leur usage en permettant de modifier les options d’importation et d’avoir un aperçu en temps réel.

Aperçu

À la différence des data.frame, les tibbles :

• n’ont pas de noms de lignes (rownames)
• autorisent des noms de colonnes invalides pour les data frames (espaces, caractères spéciaux…)
• s’affichent plus intelligemment que les data frames
• ne font pas de partial matching sur les noms de colonnes
• affichent un avertissement si on essaie d’accéder à une colonne qui n’existe pas

Aperçu

Données tidy :

Données tidy :

Données tidy :

ggplot2 propose une implémentation d’une grammaire des graphiques (Grammar of Graphics, Leland Wilkinson, 2005).

Il fournit une syntaxe cohérente, qui peut sembler complexe à première vue mais qui est très “efficace”.

Aperçu

dplyr propose des outils de manipulation et transformation de données au format tidy.

Ces outils se présentent sous la forme de “verbes” qu’on peut assembler grâce à un opérateur de type pipe.

Aperçu

tidyr propose des outils pour mettre en forme des données (les passer au format tidy).

Comme pour dplyr, ce sont des verbes qui peuvent s’utiliser avec le pipe.

Aperçu (?)

• modélisation (chantier en cours : modelr)
• graphiques interactifs (ggvis)

Traduction française : “ordocosme”, “organivers”… ?

• syntaxe pas totalement cohérente
• programmation plus compliquée
• les fonctions déjà existantes ne renvoient pas forcément des résultats tidy (broom)
• certaines fonctions déjà existantes s’attendent à avoir des data frames plutôt que des tibbles

Plus d’informations : https://www.tidytextmining.com/

Avant, avec sp :

## Formal class 'SpatialPointsDataFrame' [package "sp"] with 5 slots
##   ..@ data       :'data.frame':  606 obs. of  4 variables:
##   .. ..$ NAME      : Factor w/ 602 levels "Abidjan","Abu Zaby",..: 368 33 472 322 419 593 390 194 263 115 ...
##   .. ..$ COUNTRY   : Factor w/ 165 levels "Afghanistan",..: 124 124 124 124 124 124 124 153 124 124 ...
##   .. ..$ POPULATION: num [1:606] 468000 416000 5825000 152000 1160000 ...
##   .. ..$ CAPITAL   : Factor w/ 2 levels "N","Y": 1 1 1 1 1 1 1 1 1 1 ...
##   ..@ coords.nrs : num(0) 
##   ..@ coords     : num [1:606, 1:2] 33.1 40.6 30.5 150.8 56.2 ...
##   .. ..- attr(*, "dimnames")=List of 2
##   .. .. ..$ : NULL
##   .. .. ..$ : chr [1:2] "coords.x1" "coords.x2"
##   ..@ bbox       : num [1:2, 1:2] -165.3 -53.2 177.1 78.2
##   .. ..- attr(*, "dimnames")=List of 2
##   .. .. ..$ : chr [1:2] "coords.x1" "coords.x2"
##   .. .. ..$ : chr [1:2] "min" "max"
##   ..@ proj4string:Formal class 'CRS' [package "sp"] with 1 slot
##   .. .. ..@ projargs: chr "+proj=longlat +datum=WGS84 +no_defs +ellps=WGS84 +towgs84=0,0,0"

## Simple feature collection with 6 features and 3 fields
## geometry type:  POINT
## dimension:      XY
## bbox:           xmin: 30.45333 ymin: 56.84654 xmax: 150.78 ymax: 68.96355
## epsg (SRID):    4326
## proj4string:    +proj=longlat +datum=WGS84 +no_defs
## # A tibble: 6 x 4
##   NAME             COUNTRY POPULATION                  geometry
##   <fct>            <fct>        <dbl>    <sf_geometry [degree]>
## 1 Murmansk         Russia      468000 POINT (33.08604 68.96355)
## 2 Arkhangelsk      Russia      416000 POINT (40.64616 64.52067)
## 3 Saint Petersburg Russia     5825000 POINT (30.45333 59.95189)
## 4 Magadan          Russia      152000     POINT (150.78 59.571)
## 5 Perm'            Russia     1160000 POINT (56.23246 58.00024)
## 6 Yekaterinburg    Russia     1620000 POINT (60.61013 56.84654)

Compatible avec les verbes de dplyr et (bientôt) avec ggplot2.

Avantages du tidyverse

• syntaxes cohérentes
• incitation à aborder la question de l’organisation et de la manipulation des données
• dissociation remise en forme / manipulation

Inconvénients

• réapprendre un “nouveau” R
• syntaxes spécifiques, complexité supplémentaire (surtout pour ggplot2)
• nécessité de revenir à “l’ancienne” syntaxe de temps en temps : coexistence qui peut être source de confusion

• premier jour : concepts de base du langage, statistique univariée et bivariée (R de base)
• deuxième jour : ggplot2 puis recodages de variables
• troisième jour: dplyr et rmarkdown
• quatrième jour : rappels et mise en pratique sur un jeu de données d’exemple