Cours programmation R

Leçon 1 • Écrire et exécuter des scripts R

Enseigne la création de scripts, leur provenance et l'interaction avec la console. Établit un lien entre la syntaxe et les flux de travail reproductibles basés sur les fichiers.

Leçon 2 • Obtenir de l'aide et utiliser la documentation

Montre help(), ? et les ressources en ligne pour l'apprentissage autonome. Donne aux étudiants et étudiantes les moyens de résoudre les problèmes de manière indépendante tout au long du cours.

Leçon 3 • Installer et configurer R

Installez R et RStudio sur les principaux systèmes d'exploitation. Établit la base technique dont dépend chaque chapitre suivant.

Leçon 4 • Syntaxe et opérateurs de base de R

Couvre les opérateurs d'affectation, arithmétiques, logiques et de comparaison. Fournit le vocabulaire syntaxique utilisé dans chaque expression R.

Leçon 1 • Matrices et tableaux

Construit des structures à deux et plusieurs dimensions à l'aide de matrix() et array(). Prépare les étudiants et étudiantes au calcul numérique et aux opérations tabulaires.

Leçon 2 • Data frames : la structure tabulaire de base

Enseigne la création de data.frame(), l'accès aux colonnes et le filtrage des lignes. Les data frames sont le format standard pour tous les flux de travail d'analyse de données.

Leçon 3 • Listes et structures imbriquées

Présente les conteneurs hétérogènes via list() et l'indexation imbriquée. Les listes sont essentielles pour stocker des sorties de types mixtes et des résultats de modèles.

Leçon 4 • Facteurs et catégories ordonnées

Explique factor() pour les données catégorielles et les facteurs ordonnés pour les variables ordinales. Une utilisation correcte des facteurs est essentielle pour la modélisation et le traçage.

Leçon 1 • Instructions conditionnelles

Couvre if, else if, else et ifelse() pour la logique de branchement. Le contrôle conditionnel est le fondement de tous les programmes R pilotés par les décisions.

Leçon 2 • Écrire des fonctions personnalisées

Définit des fonctions avec des arguments, des valeurs par défaut et des valeurs de retour. Les fonctions personnalisées sont l'outil principal pour un code réutilisable et testable.

Leçon 3 • Portée et environnements

Explique la portée locale et globale ainsi que la hiérarchie des environnements R. Comprendre la portée prévient les bogues subtils dans les scripts riches en fonctions.

Leçon 4 • Boucles : for, while et repeat

Enseigne les modèles d'itération et le contrôle de boucle avec next et break. Les boucles automatisent les opérations répétitives sur les structures de données.

Leçon 1 • Gérer les données manquantes et incohérentes

Enseigne la détection des NA, les stratégies d'imputation et la suppression des doublons. Des données propres sont un prérequis pour des sorties statistiques et visuelles valides.

Leçon 2 • Exporter et enregistrer les résultats

Montre write.csv(), saveRDS() et l'exportation vers Excel. Une exportation appropriée assure la reproductibilité et la partageabilité des résultats analytiques.

Leçon 3 • Conversion et validation des types de données

Couvre as.numeric(), as.Date() et les modèles de validation d'entrée. Les incompatibilités de type sont une cause majeure d'erreurs silencieuses dans les pipelines R.

Leçon 4 • Se connecter aux bases de données et aux API

Présente DBI, RODBC et httr pour l'accès aux bases de données et aux données Web. Étend l'approvisionnement en données au-delà des fichiers locaux vers les systèmes en direct.

Leçon 1 • Manipulation de chaînes de caractères avec stringr

Présente str_detect(), str_replace() et str_extract() pour les colonnes de texte. Le nettoyage des chaînes de caractères est une exigence fréquente dans les ensembles de données du monde réel.

Leçon 2 • Grouper et résumer les données

Couvre group_by() et summarize() pour les statistiques agrégées. Les résumés groupés sont l'épine dorsale des flux de travail exploratoires et de rapport.

Leçon 3 • Remodeler les données avec tidyr

Couvre pivot_longer(), pivot_wider() et separate(). Le remodelage convertit les données entre les formats larges et longs requis par différentes fonctions.

Leçon 4 • Verbes de base de dplyr

Enseigne filter(), select(), mutate(), arrange() et rename(). Ces cinq verbes gèrent la majorité des transformations de lignes et de colonnes.

Leçon 1 • Grammaire et esthétique de ggplot2

Explique l'appel ggplot(), les mappages aes() et le modèle de couches. La compréhension de la grammaire est requise avant de construire tout type de graphique spécifique.

Leçon 2 • Facettage et graphiques multi-panneaux

Présente facet_wrap() et facet_grid() pour les affichages en petits multiples. Le facettage révèle des modèles de groupe que les graphiques uniques occultent.

Leçon 3 • Types de graphiques courants

Couvre les nuages de points, les diagrammes à barres, les histogrammes, les boîtes à moustaches et les graphiques linéaires. Chaque geom est adapté au type de données et à la question analytique à laquelle il répond le mieux.

Leçon 4 • Échelles, axes et systèmes de coordonnées

Enseigne les fonctions scale_*(), les étiquettes d'axe et coord_flip(). Une mise à l'échelle appropriée assure un encodage visuel précis des informations quantitatives.

Leçon 1 • Distributions de probabilité

Couvre les fonctions d, p, q, r pour les distributions normales, binomiales et autres. Les fonctions de distribution sous-tendent la simulation, les tests et la modélisation.

Leçon 2 • Régression linéaire

Construit et interprète des modèles linéaires simples et multiples avec lm(). La régression est la technique prédictive et explicative la plus utilisée.

Leçon 3 • Tests d'hypothèses

Enseigne les tests t, les tests du chi carré et l'ANOVA à l'aide des fonctions de base de R. Les tests d'hypothèses fournissent des réponses fondées sur des preuves aux questions analytiques.

Leçon 4 • Statistiques descriptives

Calcule la tendance centrale, la dispersion et la forme de la distribution à l'aide de R de base. Les résumés descriptifs sont la première étape de tout flux de travail analytique.

Leçon 1 • Construire un paquet R de base

Parcourt devtools, DESCRIPTION et la documentation roxygen2. L'empaquetage du code permet la réutilisation, les tests et la distribution au sein des équipes.

Leçon 2 • Organisation du projet et meilleures pratiques

Couvre les projets RStudio, la structure des répertoires et les conventions de nommage. Une organisation cohérente rend le code navigable pour les collaborateurs et soi-même.

Leçon 3 • Contrôle de version avec Git et GitHub

Intègre les commits Git, les branches et les demandes de tirage dans les flux de travail R. Le contrôle de version est la norme de l'industrie pour un code collaboratif et vérifiable.

Leçon 4 • Gestion des paquets et renv

Enseigne library(), install.packages() et renv pour le verrouillage des dépendances. Les environnements reproductibles garantissent que le code s'exécute de manière identique sur différentes machines.