coursData
DownloadTélécharger
Actions
Vote :
ScreenshotAperçu
Informations
Catégorie :Category: nCreator TI-Nspire
Auteur Author: TAB91
Type : Classeur 3.0.1
Page(s) : 1
Taille Size: 11.06 Ko KB
Mis en ligne Uploaded: 08/01/2025 - 20:16:46
Uploadeur Uploader: TAB91 (Profil)
Téléchargements Downloads: 3
Visibilité Visibility: Archive publique
Shortlink : http://ti-pla.net/a4440456
Type : Classeur 3.0.1
Page(s) : 1
Taille Size: 11.06 Ko KB
Mis en ligne Uploaded: 08/01/2025 - 20:16:46
Uploadeur Uploader: TAB91 (Profil)
Téléchargements Downloads: 3
Visibilité Visibility: Archive publique
Shortlink : http://ti-pla.net/a4440456
Description
Fichier Nspire généré sur TI-Planet.org.
Compatible OS 3.0 et ultérieurs.
<<
### Fiche de Révision : Data Analysis avec R et Tidyverse -#### **Cours 1 : Introduction à R, RStudio et Notions de Base** **1. Concepts de base** - **Installation :** - **R :** Langage pour le calcul statistique. - **RStudio :** Interface utilisateur pour faciliter lusage de R. - **R comme calculatrice :** Utiliser R pour des calculs simples. ```R 5 + 3 # Addition, résultat : 8 10 / 2 # Division, résultat : 5 sqrt(16) # Racine carrée, résultat : 4 ``` - **Types de données :** - Numérique : `x <- 5` (Crée une variable numérique). - Chaîne de caractères : `y <- "Bonjour"` (Crée une variable texte). - Logique : `z <- TRUE` (Variable booléenne). - **Création de variables :** Assigner des valeurs à une variable. ```R var <- 10 print(var) # Affiche la valeur : 10 ``` - **Précision des concepts de base :** - R diffère dautres langages comme Python à travers ses structures natives comme les data frames, ce qui facilite le traitement de données tabulaires complexes. **2. Structures de données** - * *Vecteurs :** Stocke une liste de valeurs du même type. ```R v <- c(1, 2, 3) # Création d'un vecteur v[1] # Accès au 1er élément : 1 length(v) # Longueur du vecteur : 3 ``` - ** Matrices :** Structure 2D avec des données homogènes. ```R mat <- matrix(c(1, 2, 3, 4), nrow = 2) print(mat) # Affiche une matrice 2x2 nrow=2 veut dire 2 lignes ``` - ** Dataframes :** Structure tabulaire pour des données hétérogènes (colonnes de types différents). ```R df <- data.frame(Nom = c("Alice", "Bob"), Age = c(25, 30)) print(df) # Affiche un tableau de deux colonnes Accéder aux éléments dun dataframe: 1- Accès par indice : df[1, 2] Syntaxe générale : df[ligne, colonne] Exemple : df[1, 2] renvoie la valeur dans la première ligne et deuxième colonne : 25. 2- Accéder à une ligne entière : df[1, ] Renvoie toute la première ligne. 3- Accéder à une colonne entière : df[, 1] Renvoie la première colonne sous forme de vecteur. Résultat : [1] "Alice" "Bob" 4- Accéder à une colonne en tant que dataframe : df[1] Renvoie la première colonne comme un dataframe (pas un vecteur). 5- Accéder à une colonne avec $ : df$Nom Plus intuitif pour accéder à une colonne spécifique. Résultat : [1] "Alice" "Bob" 6- Ajouter une nouvelle colonne : df$Ville <- c("Paris", "Lyon") Ajoute une colonne Ville. 7- Filtrer des lignes : df[df$Age > 25, ] Sélectionne uniquement les lignes où lâge est supérieur à 25. 8- upprimer une colonne : df$Ville <- NULL Supprime la colonne Ville. ``` - **Contrôle de flux :** Gère les itérations et les conditions. ```R for (i in 1:5) { print(i) # Affiche les nombres de 1 à 5 } ``` --- #### **Cours 2 : Transformation des Données avec Tidyverse** **1. Dataframes et Tibbles** - ** Tibbles :** Amélioration des dataframes avec affichage limité à 10 lignes. ```R library(tibble) tib <- tibble(Nom = c("Alice", "Bob"), Age = c(25, 30)) print(tib) # Affiche une vue concise du tibble ``` - **Différences détaillées entre tibbles et dataframes :** - Impression limitée à 10 lignes avec description des types de colonnes. - Gestion stricte du recyclage des valeurs pour réduire les erreurs. - Pas de noms de lignes. - Prise en charge des noms de colonnes non syntaxiques (ex. noms avec espaces). **2. Transformation avec dplyr** - **Filtrer les lignes : ** Extraire des sous-ensembles basés sur des conditions. ```R library(dplyr) flights <- nycflights13::flights jan_flights <- filter(flights, month == 1, day == 1) # Vols du 1er janvier ``` - Fonctionnement détaillé des filtres et comparaisons multiples : - Utilisation des opérateurs logiques `|`, `&` et `%in%` pour des critères complexes. ```R filter(flights, month == 11 | month == 12) filter(flights, carrier %in% c("AA", "DL", "UA")) ``` | signifie "OU". carrier %in% c("AA", "DL", "UA") : Sélectionne les lignes où carrier (compagnie aérienne) correspond à lune des valeurs dans la liste. %in% vérifie si une valeur appartient à un ensemble. Logique avec filter: Conditions simples : filter(flights, month == 1) : Sélectionne les lignes où le mois est 1 (janvier). Conditions multiples : & ( ET ) : Les deux conditions doivent être vraies. | ( OU ) : Une des deux conditions doit être vraie. Négation : ! : Négation dune condition. Exemple : filter(flights, !is.na(dep_time)) sélectionne les lignes où dep_time nest pas manquant. Résumé des opérateurs dans filter Égalité : == Différence : != Plus grand : > ou < Appartenance : %in% NA (valeurs manquantes) : is.na() et !is.na() - ** Trier les lignes :** Changer lordre des observations. ```R sorted_flights <- arrange(flights, year, month, day) # Trie par date ``` - ** Sélectionner des colonnes :** Gérer les colonnes utiles. ```R selected_cols <- select(flights, yea
[...]
>>
Compatible OS 3.0 et ultérieurs.
<<
### Fiche de Révision : Data Analysis avec R et Tidyverse -#### **Cours 1 : Introduction à R, RStudio et Notions de Base** **1. Concepts de base** - **Installation :** - **R :** Langage pour le calcul statistique. - **RStudio :** Interface utilisateur pour faciliter lusage de R. - **R comme calculatrice :** Utiliser R pour des calculs simples. ```R 5 + 3 # Addition, résultat : 8 10 / 2 # Division, résultat : 5 sqrt(16) # Racine carrée, résultat : 4 ``` - **Types de données :** - Numérique : `x <- 5` (Crée une variable numérique). - Chaîne de caractères : `y <- "Bonjour"` (Crée une variable texte). - Logique : `z <- TRUE` (Variable booléenne). - **Création de variables :** Assigner des valeurs à une variable. ```R var <- 10 print(var) # Affiche la valeur : 10 ``` - **Précision des concepts de base :** - R diffère dautres langages comme Python à travers ses structures natives comme les data frames, ce qui facilite le traitement de données tabulaires complexes. **2. Structures de données** - * *Vecteurs :** Stocke une liste de valeurs du même type. ```R v <- c(1, 2, 3) # Création d'un vecteur v[1] # Accès au 1er élément : 1 length(v) # Longueur du vecteur : 3 ``` - ** Matrices :** Structure 2D avec des données homogènes. ```R mat <- matrix(c(1, 2, 3, 4), nrow = 2) print(mat) # Affiche une matrice 2x2 nrow=2 veut dire 2 lignes ``` - ** Dataframes :** Structure tabulaire pour des données hétérogènes (colonnes de types différents). ```R df <- data.frame(Nom = c("Alice", "Bob"), Age = c(25, 30)) print(df) # Affiche un tableau de deux colonnes Accéder aux éléments dun dataframe: 1- Accès par indice : df[1, 2] Syntaxe générale : df[ligne, colonne] Exemple : df[1, 2] renvoie la valeur dans la première ligne et deuxième colonne : 25. 2- Accéder à une ligne entière : df[1, ] Renvoie toute la première ligne. 3- Accéder à une colonne entière : df[, 1] Renvoie la première colonne sous forme de vecteur. Résultat : [1] "Alice" "Bob" 4- Accéder à une colonne en tant que dataframe : df[1] Renvoie la première colonne comme un dataframe (pas un vecteur). 5- Accéder à une colonne avec $ : df$Nom Plus intuitif pour accéder à une colonne spécifique. Résultat : [1] "Alice" "Bob" 6- Ajouter une nouvelle colonne : df$Ville <- c("Paris", "Lyon") Ajoute une colonne Ville. 7- Filtrer des lignes : df[df$Age > 25, ] Sélectionne uniquement les lignes où lâge est supérieur à 25. 8- upprimer une colonne : df$Ville <- NULL Supprime la colonne Ville. ``` - **Contrôle de flux :** Gère les itérations et les conditions. ```R for (i in 1:5) { print(i) # Affiche les nombres de 1 à 5 } ``` --- #### **Cours 2 : Transformation des Données avec Tidyverse** **1. Dataframes et Tibbles** - ** Tibbles :** Amélioration des dataframes avec affichage limité à 10 lignes. ```R library(tibble) tib <- tibble(Nom = c("Alice", "Bob"), Age = c(25, 30)) print(tib) # Affiche une vue concise du tibble ``` - **Différences détaillées entre tibbles et dataframes :** - Impression limitée à 10 lignes avec description des types de colonnes. - Gestion stricte du recyclage des valeurs pour réduire les erreurs. - Pas de noms de lignes. - Prise en charge des noms de colonnes non syntaxiques (ex. noms avec espaces). **2. Transformation avec dplyr** - **Filtrer les lignes : ** Extraire des sous-ensembles basés sur des conditions. ```R library(dplyr) flights <- nycflights13::flights jan_flights <- filter(flights, month == 1, day == 1) # Vols du 1er janvier ``` - Fonctionnement détaillé des filtres et comparaisons multiples : - Utilisation des opérateurs logiques `|`, `&` et `%in%` pour des critères complexes. ```R filter(flights, month == 11 | month == 12) filter(flights, carrier %in% c("AA", "DL", "UA")) ``` | signifie "OU". carrier %in% c("AA", "DL", "UA") : Sélectionne les lignes où carrier (compagnie aérienne) correspond à lune des valeurs dans la liste. %in% vérifie si une valeur appartient à un ensemble. Logique avec filter: Conditions simples : filter(flights, month == 1) : Sélectionne les lignes où le mois est 1 (janvier). Conditions multiples : & ( ET ) : Les deux conditions doivent être vraies. | ( OU ) : Une des deux conditions doit être vraie. Négation : ! : Négation dune condition. Exemple : filter(flights, !is.na(dep_time)) sélectionne les lignes où dep_time nest pas manquant. Résumé des opérateurs dans filter Égalité : == Différence : != Plus grand : > ou < Appartenance : %in% NA (valeurs manquantes) : is.na() et !is.na() - ** Trier les lignes :** Changer lordre des observations. ```R sorted_flights <- arrange(flights, year, month, day) # Trie par date ``` - ** Sélectionner des colonnes :** Gérer les colonnes utiles. ```R selected_cols <- select(flights, yea
[...]
>>
