Cours programmation R

Leçon 1 • Écrire et exécuter des scripts R

Enseigne la création de scripts, l'appel de script (sourcing) et l'interaction avec la console. Relie la syntaxe à des flux de travail reproductibles basés sur des fichiers.

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

Démontre l'utilisation de help(), ? et des ressources en ligne pour l'apprentissage autonome. Prépare les étudiants à 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 fondamentaux 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 dimensions et multidimensionnelles à l'aide de matrix() et array(). Prépare les étudiants 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 tracé.

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 des 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 vs globale et la hiérarchie des environnements R. Comprendre la portée prévient les bugs 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 de 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

Démontre write.csv(), saveRDS() et l'exportation vers Excel. Une exportation correcte garantit 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 de chaînes est une exigence fréquente dans les ensembles de données réels.

Leçon 2 • Grouper et résumer les données

Couvre group_by() et summarize() pour les statistiques agrégées. Les résumés groupés sont le socle des flux de travail exploratoires et de reporting.

Leçon 3 • Remodeler les données avec tidyr

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

Leçon 4 • Verbes fondamentaux 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 mappings aes() et le modèle de couches. Comprendre la grammaire est nécessaire 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 au niveau des groupes que les graphiques uniques masquent.

Leçon 3 • Types de graphiques courants

Couvre les nuages de points, les diagrammes en barres, les histogrammes, les boîtes à moustaches et les graphiques en lignes. Chaque geom est associé 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'axes et coord_flip(). Un dimensionnement correct garantit un encodage visuel précis des informations quantitatives.

Leçon 1 • Distributions de probabilité

Couvre les fonctions d, p, q, r pour les distributions normale, binomiale 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'hypothèse

Enseigne les tests t, le test du chi² et l'ANOVA à l'aide des fonctions de base de R. Les tests d'hypothèse 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 package R de base

Parcourt devtools, DESCRIPTION et la documentation roxygen2. Empaqueter le code permet la réutilisation, les tests et la distribution au sein des équipes.

Leçon 2 • Organisation de projet et meilleures pratiques

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

Leçon 3 • Contrôle de version avec Git et GitHub

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

Leçon 4 • Gestion des packages et renv

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