9 Recoder des variables

9.1 Rappel sur les variables et les vecteurs

Dans R, une variable, en général une colonne d’un tableau de données, est un objet de type vecteur. Un vecteur est un ensemble d’éléments, tous du même type.

On a vu qu’on peut construire un vecteur manuellement de différentes manières :

couleur <- c("Jaune", "Jaune", "Rouge", "Vert")
nombres <- 1:10

Mais le plus souvent on manipule des vecteurs faisant partie d’une table importée dans R. Dans ce qui suit on va utiliser le jeu de données d’exemple hdv2003 de l’extension questionr.

library(questionr)
data(hdv2003)

Quand on veut accéder à un vecteur d’un tableau de données, on peut utiliser l’opérateur $ :

hdv2003$qualif

On peut facilement créer de nouvelles variables (ou colonnes) dans un tableau de données en utilisant le $ dans une assignation :

hdv2003$minutes.tv <- hdv2003$heures.tv * 60

Les vecteurs peuvent être de classes différentes, selon le type de données qu’ils contiennent.

On a ainsi des vecteurs de type integer ou double, qui contiennent respectivement des nombres entiers ou décimaux :

typeof(hdv2003$age)
#> [1] "integer"

typeof(hdv2003$heures.tv)
#> [1] "double"

Des vecteurs de type character, qui contiennent des chaînes de caractères :

vec <- c("Jaune", "Jaune", "Rouge", "Vert")
typeof(vec)
#> [1] "character"

Et des vecteurs de type logical, qui ne peuvent contenir que les valeurs vraie (TRUE) ou fausse (FALSE).

vec <- c(TRUE, FALSE, FALSE, TRUE)
typeof(vec)
#> [1] "logical"

On peut convertir un vecteur d’un type en un autre en utilisant les fonctions as.numeric, as.character ou as.logical. Les valeurs qui n’ont pas pu être converties sont automatiquement transformées en NA.

x <- c("1", "2.35", "8.2e+03", "foo")
as.numeric(x)
#> Warning: NAs introduced by coercion
#> [1]    1.00    2.35 8200.00      NA

y <- 2:6
as.character(y)
#> [1] "2" "3" "4" "5" "6"

On peut sélectionner certains éléments d’un vecteur à l’aide de l’opérateur []. La manière la plus simple est d’indiquer la position des éléments qu’on veut sélectionner :

vec <- c("Jaune", "Jaune", "Rouge", "Vert")
vec[c(1, 3)]
#> [1] "Jaune" "Rouge"

La sélection peut aussi être utilisée pour modifier certains éléments d’un vecteur, par exemple :

vec <- c("Jaune", "Jaune", "Rouge", "Vert")
vec[2] <- "Violet"
vec
#> [1] "Jaune"  "Violet" "Rouge"  "Vert"

9.2 Tests et comparaison

Un test est une opération logique de comparaison qui renvoie vrai (TRUE) ou faux (FALSE) pour chacun des éléments d’un vecteur.

Parmi les opérateurs de comparaison disponibles, on trouve notamment :

== qui teste l’égalité
!= qui teste la différence
>, <, <=, >= qui testent la supériorité ou l’infériorité
%in% qui teste l’appartenance à un ensemble de valeurs

Exemple le plus simple :

2 == 3
#> [1] FALSE

2 != 3
#> [1] TRUE

Exemple appliqué à un vecteur :

x <- 1:10
x < 5
#>  [1]  TRUE  TRUE  TRUE  TRUE FALSE FALSE FALSE FALSE FALSE FALSE

On peut combiner plusieurs tests avec les opérateurs logiques et (&) et ou (|). Ainsi, si on veut tester qu’une valeur est comprise entre 3 et 6 inclus, on peut faire :

x >= 3 & x <= 6
#>  [1] FALSE FALSE  TRUE  TRUE  TRUE  TRUE FALSE FALSE FALSE FALSE

Si on veut tester qu’une valeur est égale à “Bleu” ou à “Vert”, on peut faire :

vec <- c("Jaune", "Jaune", "Rouge", "Vert")
vec == "Jaune" | vec == "Vert"
#> [1]  TRUE  TRUE FALSE  TRUE

À noter que dans ce cas, on peut utiliser l’opérateur %in%¹, qui teste si une valeur fait partie des éléments d’un vecteur :

vec %in% c("Jaune", "Vert")
#> [1]  TRUE  TRUE FALSE  TRUE

Avertissement

Attention, si on souhaite tester si une valeur x est inconnue (ou ‘manquante’), c’est-à-dire si elle est codée NA (Not Available), faire le test x == NA ne donnera pas le résultat escompté. En effet, fidèle à sa réputation de rigueur informaticienne, pour R NA == NA ne vaut pas TRUE mais… NA (on ne sait pas si une valeur inconnue est égale à une autre valeur inconnue).

Pour tester si une valeur est inconnue (NA), il faut utiliser la fonction dédiée is.na et faire is.na(x).

Cependant, par convention, NA %in% NA vaut TRUE.

Enfin, on peut inverser un test avec l’opérateur non (!) :

!(vec %in% c("Jaune", "Vert"))
#> [1] FALSE FALSE  TRUE FALSE

Les tests sont notamment utilisés par le verbe filter de dplyr (voir Section 10.2.2) qui permet de sélectionner certaines lignes d’un tableau de données. On peut ainsi sélectionner les individus ayant entre 20 et 40 ans en filtrant sur la variable age :

filter(hdv2003, age >= 20 & age <= 40)

Ou sélectionner les personnes ayant comme catégorie socio-professionnelle Ouvrier specialise ou Ouvrier qualifie en filtrant sur la variable qualif :

filter(hdv2003, qualif %in% c("Ouvrier specialise", "Ouvrier qualifie"))

On peut utiliser les tests pour sélectionner certains éléments d’un vecteur. Si on passe un test à l’opérateur de sélection [], seuls les éléments pour lesquels ce test est vrai seront conservés :

x <- c(12, 8, 14, 7, 6, 18)
x[x > 10]
#> [1] 12 14 18

Enfin, on peut aussi utiliser les tests et la sélection pour modifier les valeurs d’un vecteur. Ainsi, si on assigne une valeur à une sélection, les éléments pour lesquels le test est vrai sont remplacés par cette valeur :

x <- c(12, 8, 14, 7, 6, 18)
x[x > 10] <- 100
x
#> [1] 100   8 100   7   6 100

En utilisant cette assignation via un test, on peut effectuer des recodages de variables. Soit le vecteur suivant :

vec <- c("Femme", "Homme", "Femme", "Garçon")

Si on souhaite recoder la modalité “Garçon” en “Homme”, on peut utiliser la syntaxe suivante :

vec[vec == "Garçon"] <- "Homme"
vec
#> [1] "Femme" "Homme" "Femme" "Homme"

Cette syntaxe est tout à fait valable et couramment utilisée. On va cependant voir dans la section suivante différentes fonctions qui facilitent ces opérations de recodage.

Pour plus d’informations sur les vecteurs et les structures de données de R, voir Chapitre 16.

9.3 Recoder une variable qualitative

Pour rappel, on appelle variable qualitative une variable pouvant prendre un nombre limité de modalités (de valeurs possibles).

9.3.1 Facteurs et `forcats`

Dans R, les variables qualitatives peuvent être de deux types : ou bien des vecteurs de type character (des chaînes de caractères), ou bien des factor (facteurs). Si vous utilisez les fonctions des extensions du tidyverse comme readr, readxl ou haven pour importer vos données, vos variables qualitatives seront importées sous forme de character. Mais dans d’autres cas elles se retrouveront parfois sous forme de factor. C’est le cas de notre jeu de données d’exemple hdv2003.

class(hdv2003$qualif)
#> [1] "factor"

Les facteurs sont un type de variable ne pouvant prendre qu’un nombre défini de modalités nommés levels.

levels(hdv2003$qualif)
#> [1] "Ouvrier specialise"       "Ouvrier qualifie"        
#> [3] "Technicien"               "Profession intermediaire"
#> [5] "Cadre"                    "Employe"                 
#> [7] "Autre"

Ceci complique les opérations de recodage car du coup l’opération suivante, qui tente de modifier une modalité de la variable, aboutit à un avertissement, et l’opération n’est pas effectuée.

hdv2003$qualif[hdv2003$qualif == "Ouvrier specialise"] <- "Ouvrier"
#> Warning in `[<-.factor`(`*tmp*`, hdv2003$qualif == "Ouvrier specialise", :
#> invalid factor level, NA generated

forcats est une extension facilitant la manipulation des variables qualitatives, qu’elles soient sous forme de vecteurs character ou de facteurs. Elle fait partie du tidyverse, et est donc automatiquement chargée par :

library(tidyverse)

9.3.2 Modifier les modalités d’une variable qualitative

Une opération courante consiste à modifier les valeurs d’une variable qualitative, que ce soit pour avoir des intitulés plus courts ou plus clairs ou pour regrouper des modalités entre elles.

Il existe plusieurs possibilités pour effectuer ce type de recodage, mais ici on va utiliser la fonction fct_recode de l’extension forcats. Celle-ci prend en argument une liste de recodages sous la forme "Nouvelle valeur" = "Ancienne valeur".

Un exemple :

f <- c("Pomme", "Poire", "Pomme", "Cerise")
f <- fct_recode(
    f,
    "Fraise" = "Pomme",
    "Ananas" = "Poire"
)
f
#> [1] Fraise Ananas Fraise Cerise
#> Levels: Cerise Ananas Fraise

Autre exemple sur une “vraie” variable :

freq(hdv2003$qualif)
#>                            n    % val%
#> Ouvrier specialise         0  0.0  0.0
#> Ouvrier qualifie         292 14.6 20.1
#> Technicien                86  4.3  5.9
#> Profession intermediaire 160  8.0 11.0
#> Cadre                    260 13.0 17.9
#> Employe                  594 29.7 41.0
#> Autre                     58  2.9  4.0
#> NA                       550 27.5   NA

hdv2003$qualif5 <- fct_recode(
    hdv2003$qualif,
    "Ouvrier" = "Ouvrier specialise",
    "Ouvrier" = "Ouvrier qualifie",
    "Interm" = "Technicien",
    "Interm" = "Profession intermediaire"
)

freq(hdv2003$qualif5)
#>           n    % val%
#> Ouvrier 292 14.6 20.1
#> Interm  246 12.3 17.0
#> Cadre   260 13.0 17.9
#> Employe 594 29.7 41.0
#> Autre    58  2.9  4.0
#> NA      550 27.5   NA

Attention, les anciennes valeurs saisies doivent être exactement égales aux valeurs des modalités de la variable recodée : toute différence d’accent ou d’espace fera que ce recodage ne sera pas pris en compte. Dans ce cas, forcats affiche un avertissement nous indiquant qu’une valeur saisie n’a pas été trouvée dans les modalités de la variable.

hdv2003$qualif_test <- fct_recode(
    hdv2003$qualif,
    "Ouvrier" = "Ouvrier spécialisé",
    "Ouvrier" = "Ouvrier qualifié"
)
#> Warning: Unknown levels in `f`: Ouvrier spécialisé, Ouvrier qualifié

Si on souhaite recoder une modalité de la variable en NA, il faut (contre intuitivement) lui assigner la valeur NULL.

hdv2003$qualif_rec <- fct_recode(
    hdv2003$qualif, 
    NULL = "Autre"
)

freq(hdv2003$qualif_rec)
#>                            n    % val%
#> Ouvrier specialise         0  0.0  0.0
#> Ouvrier qualifie         292 14.6 21.0
#> Technicien                86  4.3  6.2
#> Profession intermediaire 160  8.0 11.5
#> Cadre                    260 13.0 18.7
#> Employe                  594 29.7 42.7
#> NA                       608 30.4   NA

À l’inverse, si on souhaite recoder les NA d’une variable, on utilisera la fonction fct_explicit_na, qui convertit toutes les valeurs manquantes (NA) d’un facteur en une modalité spécifique.

hdv2003$qualif_rec <- fct_explicit_na(hdv2003$qualif, na_level = "(Manquant)")
#> Warning: `fct_explicit_na()` was deprecated in forcats 1.0.0.
#> ℹ Please use `fct_na_value_to_level()` instead.

freq(hdv2003$qualif_rec)
#>                            n    % val%
#> Ouvrier specialise         0  0.0  0.0
#> Ouvrier qualifie         292 14.6 14.6
#> Technicien                86  4.3  4.3
#> Profession intermediaire 160  8.0  8.0
#> Cadre                    260 13.0 13.0
#> Employe                  594 29.7 29.7
#> Autre                     58  2.9  2.9
#> (Manquant)               550 27.5 27.5

D’autres fonctions sont proposées par forcats pour faciliter certains recodage, comme fct_collapse, qui propose une autre syntaxe pratique quand on doit regrouper ensemble des modalités.

hdv2003$qualif_rec <- fct_collapse(
    hdv2003$qualif,
    "Ouvrier" = c("Ouvrier specialise", "Ouvrier qualifie"),
    "Interm" = c("Technicien", "Profession intermediaire")
)

freq(hdv2003$qualif_rec)
#>           n    % val%
#> Ouvrier 292 14.6 20.1
#> Interm  246 12.3 17.0
#> Cadre   260 13.0 17.9
#> Employe 594 29.7 41.0
#> Autre    58  2.9  4.0
#> NA      550 27.5   NA

fct_other, qui regroupe une liste de modalités en une seule modalité “Other”.

hdv2003$qualif_rec <- fct_other(
    hdv2003$qualif,
    drop = c("Ouvrier specialise", "Ouvrier qualifie", "Cadre", "Autre")
)

freq(hdv2003$qualif_rec)
#>                            n    % val%
#> Technicien                86  4.3  5.9
#> Profession intermediaire 160  8.0 11.0
#> Employe                  594 29.7 41.0
#> Other                    610 30.5 42.1
#> NA                       550 27.5   NA

fct_lump, qui regroupe automatiquement les modalités les moins fréquentes en une seule modalité “Other” (avec possibilité d’indiquer des seuils de regroupement).

hdv2003$qualif_rec <- fct_lump(hdv2003$qualif)

freq(hdv2003$qualif_rec)
#>                            n    % val%
#> Ouvrier qualifie         292 14.6 20.1
#> Profession intermediaire 160  8.0 11.0
#> Cadre                    260 13.0 17.9
#> Employe                  594 29.7 41.0
#> Other                    144  7.2  9.9
#> NA                       550 27.5   NA

9.3.2.1 Interface graphique de recodage

L’extension questionr propose une interface graphique facilitant le recodage des modalités d’une variable qualitative. L’objectif est de permettre à la personne qui l’utilise de saisir les nouvelles valeurs dans un formulaire, et de générer ensuite le code R correspondant au recodage indiqué.

Pour utiliser cette interface, sous RStudio vous pouvez aller dans le menu Addins (présent dans la barre d’outils principale) puis choisir Levels recoding. Sinon, vous pouvez lancer dans la console la fonction irec() en lui passant comme paramètre la variable à recoder.

L’interface se compose de trois onglets : l’onglet Variable et paramètres vous permet de sélectionner la variable à recoder, le nom de la nouvelle variable et d’autres paramètres, l’onglet Recodages vous permet de saisir les nouvelles valeurs des modalités, et l’onglet Code et résultat affiche le code R correspondant ainsi qu’un tableau permettant de vérifier les résultats.

Une fois votre recodage terminé, cliquez sur le bouton Done et le code R sera inséré dans votre script R ou affiché dans la console.

Avertissement

Attention, cette interface est prévue pour ne pas modifier vos données. C’est donc à vous d’exécuter le code généré pour que le recodage soit réellement effectif.

9.3.3 Ordonner les modalités d’une variable qualitative

L’avantage des facteurs (par rapport aux vecteurs de type character) est que leurs modalités peuvent être ordonnées, ce qui peut faciliter la lecture de tableaux ou graphiques.

On peut ordonner les modalités d’un facteur manuellement, par exemple avec la fonction fct_relevel() de l’extension forcats.

hdv2003$qualif_rec <- fct_relevel(
    hdv2003$qualif,
    "Cadre", "Profession intermediaire", "Technicien",
    "Employe", "Ouvrier qualifie", "Ouvrier specialise",
    "Autre"
)

freq(hdv2003$qualif_rec)
#>                            n    % val%
#> Cadre                    260 13.0 17.9
#> Profession intermediaire 160  8.0 11.0
#> Technicien                86  4.3  5.9
#> Employe                  594 29.7 41.0
#> Ouvrier qualifie         292 14.6 20.1
#> Ouvrier specialise         0  0.0  0.0
#> Autre                     58  2.9  4.0
#> NA                       550 27.5   NA

Une autre possibilité est d’ordonner les modalités d’un facteur selon les valeurs d’une autre variable. Par exemple, si on représente le boxplot de la répartition de l’âge selon le statut d’occupation :

library(ggplot2)
ggplot(hdv2003) +
  geom_boxplot(aes(x = occup, y = age))

Le graphique pourrait être plus lisible si les modalités étaient triées par âge median croissant. On peut dans ce cas utiliser la fonction fct_reorder. Celle-ci prend 3 arguments : le facteur à réordonner, la variable dont les valeurs doivent être utilisées pour ce réordonnancement, et enfin une fonction à appliquer à cette deuxième variable.

hdv2003$occup_age <- fct_reorder(hdv2003$occup, hdv2003$age, median)

ggplot(hdv2003) +
  geom_boxplot(aes(x = occup_age, y = age))

On peut aussi effectuer le réordonnancement directement dans l’appel à ggplot2, sans créer de nouvelle variable.

ggplot(hdv2003) +
  geom_boxplot(
    aes(
      x = fct_reorder(occup, age, median),
      y = age
    )
  )

Lorsqu’on effectue un diagramme en barres avec geom_bar, on peut aussi réordonner les modalités selon leurs effectifs à l’aide de fct_infreq.

ggplot(hdv2003) +
  geom_bar(aes(x = fct_infreq(occup)))

9.3.3.1 Interface graphique

questionr propose une interface graphique afin de faciliter les opérations de réordonnancement manuel. Pour la lancer, sélectionner le menu Addins puis Levels ordering, ou exécuter la fonction iorder() en lui passant comme paramètre le facteur à réordonner.

Le fonctionnement de l’interface est similaire à celui de l’interface de recodage. Vous pouvez réordonner les modalités en les faisant glisser avec la souris, puis récupérer et exécuter le code R généré.

9.4 Combiner plusieurs variables

Parfois, on veut créer une nouvelle variable en partant des valeurs d’une ou plusieurs autres variables. Dans ce cas on peut utiliser les fonctions ifelse pour les cas les plus simples, ou case_when pour les cas plus complexes. Cette dernière fonction est incluse dans l’extension dplyr, qu’il faut donc avoir chargé précédemment.

9.4.1 `ifelse`

ifelse prend trois arguments : un test, une valeur à renvoyer si le test est vrai, et une valeur à renvoyer si le test est faux.

Voici un exemple simple :

v <- c(12, 14, 8, 16)
ifelse(v > 10, "Supérieur à 10", "Inférieur à 10")
#> [1] "Supérieur à 10" "Supérieur à 10" "Inférieur à 10" "Supérieur à 10"

La fonction permet d’utiliser des tests combinant plusieurs variables. Par exemple, imaginons qu’on souhaite créer une nouvelle variable indiquant les hommes de plus de 60 ans :

hdv2003$statut <- ifelse(
    hdv2003$sexe == "Homme" & hdv2003$age > 60,
    "Homme de plus de 60 ans",
    "Autre"
)

freq(hdv2003$statut)
#>                            n    % val%
#> Autre                   1778 88.9 88.9
#> Homme de plus de 60 ans  222 11.1 11.1

9.4.2 `case_when`

case_when est une généralisation du ifelse qui permet d’indiquer plusieurs tests et leurs valeurs associées.

Imaginons qu’on souhaite créer une nouvelle variable permettant d’identifier les hommes de plus de 60 ans, les femmes de plus de 60 ans, et les autres. On peut utiliser la syntaxe suivante :

hdv2003$statut <- case_when(
    hdv2003$age > 60 & hdv2003$sexe == "Homme" ~ "Homme de plus de 60 ans",
    hdv2003$age > 60 & hdv2003$sexe == "Femme" ~ "Femme de plus de 60 ans",
    TRUE ~ "Autre"
)

freq(hdv2003$statut)
#>                            n    % val%
#> Autre                   1512 75.6 75.6
#> Femme de plus de 60 ans  266 13.3 13.3
#> Homme de plus de 60 ans  222 11.1 11.1

case_when prend en arguments une série d’instructions sous la forme condition ~ valeur. Il les exécute une par une, et dès qu’une condition est vraie, il renvoie la valeur associée.

La dernière clause TRUE ~ "Autre" permet d’assigner une valeur à toutes les lignes pour lesquelles aucune des conditions précédentes n’est vraie.

Avertissement

Attention : comme les conditions sont testées l’une après l’autre et que la valeur renvoyée est celle correspondant à la première condition vraie, l’ordre de ces conditions est très important. Il faut absolument aller du plus spécifique au plus général.

Pour illustrer cet avertissement, on pourra noter que le recodage suivant ne fonctionne pas :

hdv2003$statut <- case_when(
    hdv2003$sexe == "Homme" ~ "Homme",
    hdv2003$sexe == "Homme" & hdv2003$age > 60 ~ "Homme de plus de 60 ans",
    TRUE ~ "Autre"
)

freq(hdv2003$statut)
#>          n  % val%
#> Autre 1101 55   55
#> Homme  899 45   45

Comme la condition sexe == "Homme" est plus générale que sexe == "Homme" & age > 60, cette deuxième condition n’est jamais testée, et on n’obtiendra donc jamais la valeur correspondante.

Pour que ce recodage fonctionne il faut donc changer l’ordre des conditions pour aller du plus spécifique au plus général.

hdv2003$statut <- case_when(
    hdv2003$sexe == "Homme" & hdv2003$age > 60 ~ "Homme de plus de 60 ans",
    hdv2003$sexe == "Homme" ~ "Homme",
    TRUE ~ "Autre"
)

freq(hdv2003$statut)
#>                            n    % val%
#> Autre                   1101 55.0 55.0
#> Homme                    677 33.9 33.9
#> Homme de plus de 60 ans  222 11.1 11.1

9.5 Découper une variable numérique en classes

Une autre opération courante consiste à découper une variable numérique en classes. Par exemple, on voudra transformer une variable revenu contenant le revenu mensuel en une variable qualitative avec des catégories Moins de 500 euros, 501-1000 euros, etc.

On utilise pour cela la fonction cut() :

hdv2003$agecl <- cut(hdv2003$age, breaks = 5)

freq(hdv2003$agecl)
#>               n    % val%
#> (17.9,33.8] 454 22.7 22.7
#> (33.8,49.6] 628 31.4 31.4
#> (49.6,65.4] 556 27.8 27.8
#> (65.4,81.2] 319 16.0 16.0
#> (81.2,97.1]  43  2.1  2.1

Si on donne un nombre entier à l’argument breaks, un nombre correspondant de classes d’amplitudes égales sont automatiquement calculées. Comme il est souvent préférable d’avoir des limites “arrondies”, on peut aussi spécifier ces dernières manuellement en passant un vecteur à breaks.

hdv2003$agecl <- cut(
    hdv2003$age,
    breaks = c(18, 25, 35, 45, 55, 65, 97),
    include.lowest = TRUE
)

freq(hdv2003$agecl)
#>           n    % val%
#> [18,25] 191  9.6  9.6
#> (25,35] 338 16.9 16.9
#> (35,45] 390 19.5 19.5
#> (45,55] 414 20.7 20.7
#> (55,65] 305 15.2 15.2
#> (65,97] 362 18.1 18.1

Ici on a été obligé d’ajouter l’argument include.lowest = TRUE car sinon la valeur 18 n’aurait pas été incluse, et on aurait eu des valeurs manquantes.

9.5.1 Interface graphique

Comme l’utilisation des arguments de cut n’est pas toujours très intuitive, l’extension questionr propose une interface graphique facilitant cette opération de découpage en classes d’une variable numérique.

Pour lancer cette interface, sous RStudio ouvrir le menu Addins et sélectionner Numeric range dividing, ou exécuter la fonction icut() dans la console en lui passant comme argument la variable quantitative à découper.

Vous pouvez alors choisir la variable à découper dans l’onglet Variable et paramètres, indiquer les limites de vos classes ainsi que quelques options complémentaires dans l’onglet Découpage en classes, et vérifier le résultat dans l’onglet Code et résultat. Une fois le résultat satisfaisant, cliquez sur Done : si vous êtes sous RStudio le code généré sera directement inséré dans votre script actuel à l’emplacement du curseur. Sinon, ce code sera affiché dans la console et vous pourrez le copier/coller pour l’inclure dans votre script.

Avertissement

Attention, cette interface est prévue pour ne pas modifier vos données. C’est donc à vous d’exécuter le code généré pour que le découpage soit réellement effectif.

9.6 Exercices

9.6.1 Préparation

Pour la plupart de ces exercices, on a besoin des extensions forcats et questionr, et du jeu de données d’exemple hdv2003.

library(forcats)
library(questionr)
data(hdv2003)

9.6.2 Vecteurs et tests

Exercice 1.1

Construire le vecteur suivant :

x <- c("12", "3.5", "421", "2,4")

Et le convertir en vecteur numérique. Que remarquez-vous ?

as.numeric(x)

## Un nombre avec une virgule comme séparateur décimal
## renvoie NA

Exercice 1.2

Construire le vecteur suivant :

x <- c(1, 20, 21, 15.5, 14, 12, 8)

Écrire le test qui indique si les éléments du vecteur sont strictement supérieurs à 15.
Utiliser ce test pour extraire du vecteur les éléments correspondants.

x > 15
x[x > 15]

Exercice 1.3

Le code suivant génère un vecteur de 1000 nombres aléatoires compris entre 0 et 10 :

x <- runif(1000, 0, 10)

Combien d’éléments de ce vecteur sont compris entre 2 et 4 ?

## Possibilité 1
length(x[x >= 2 & x <= 4])
## Possibilité 2
table(x >= 2 & x <= 4)

9.6.3 Recodages de variable qualitative

Exercice 2.1

Construire un vecteur f à l’aide du code suivant :

f <- c("Jan", "Jan", "Fev", "Juil")

Recoder le vecteur à l’aide de la fonction fct_recode pour obtenir le résultat suivant :

#> [1] Janvier Janvier Février Juillet
#> Levels: Février Janvier Juillet

f <- fct_recode(f,
          "Janvier" = "Jan",
          "Février" = "Fev",
          "Juillet" = "Juil")

f

Exercice 2.2

À l’aide de l’interface graphique de questionr, recoder la variable relig du jeu de données hdv2003 pour obtenir le tri à plat suivant (il se peut que l’ordre des modalités dans le tri à plat soit différent) :

#>                               n    % val%
#> Pratiquant                  708 35.4 35.4
#> Appartenance                760 38.0 38.0
#> Ni croyance ni appartenance 399 20.0 20.0
#> Rejet                        93  4.7  4.7
#> NSP                          40  2.0  2.0

hdv2003$relig_rec <- fct_recode(
    hdv2003$relig,
    "Pratiquant" = "Pratiquant regulier",
    "Pratiquant" = "Pratiquant occasionnel",
    "Appartenance" = "Appartenance sans pratique",
    "NSP" = "NSP ou NVPR"
)

freq(hdv2003$relig_rec)

Exercice 2.3

À l’aide de l’interface graphique de questionr, recoder la variable nivetud pour obtenir le tri à plat suivant (il se peut que l’ordre des modalités dans le tri à plat soit différent) :

#>                                           n    % val%
#> N'a jamais fait d'etudes                 39  2.0  2.1
#> Études primaires                        427 21.3 22.6
#> 1er cycle                               204 10.2 10.8
#> 2eme cycle                              183  9.2  9.7
#> Enseignement technique ou professionnel 594 29.7 31.5
#> Enseignement superieur                  441 22.0 23.4
#> NA                                      112  5.6   NA

hdv2003$nivetud_rec <- fct_recode(
    hdv2003$nivetud,
    "Études primaires" = "A arrete ses etudes, avant la derniere annee d'etudes primaires",
    "Études primaires" = "Derniere annee d'etudes primaires",
    "Enseignement technique ou professionnel" = "Enseignement technique ou professionnel court",
    "Enseignement technique ou professionnel" = "Enseignement technique ou professionnel long",
    "Enseignement superieur" = "Enseignement superieur y compris technique superieur"
)

freq(hdv2003$nivetud_rec)

Toujours à l’aide de l’interface graphique, réordonner les modalités de cette variable recodée pour obtenir le tri à plat suivant :

#>                                           n    % val%
#> Enseignement superieur                  441 22.0 23.4
#> Enseignement technique ou professionnel 594 29.7 31.5
#> 2eme cycle                              183  9.2  9.7
#> 1er cycle                               204 10.2 10.8
#> Études primaires                        427 21.3 22.6
#> N'a jamais fait d'etudes                 39  2.0  2.1
#> NA                                      112  5.6   NA

hdv2003$nivetud_rec <- factor(
  hdv2003$nivetud_rec, 
  levels = c(
    "Enseignement superieur", "Enseignement technique ou professionnel", 
    "2eme cycle", "1er cycle", "Études primaires", "N'a jamais fait d'etudes"
  )
)

freq(hdv2003$nivetud_rec)

Exercice 2.4

À l’aide de la fonction fct_reorder, trier les modalités de la variable relig du jeu de données hdv2003 selon leur âge médian.

Vérifier en générant le boxplot suivant :

hdv2003$relig <- fct_reorder(hdv2003$relig, hdv2003$age, median)
ggplot(hdv2003) + geom_boxplot(aes(x = relig, y = age))

9.6.4 Combiner plusieurs variables

Exercice 3.1

À l’aide de la fonction ifelse, créer une nouvelle variable cinema_bd permettant d’identifier les personnes qui vont au cinéma et déclarent lire des bandes dessinées.

Vous devriez obtenir le tri à plat suivant pour cette nouvelle variable :

#>                 n    % val%
#> Autre        1971 98.6 98.6
#> Cinéma et BD   29  1.5  1.5

hdv2003$cinema_bd <- ifelse(
  hdv2003$cinema == "Oui" & hdv2003$lecture.bd == "Oui",
  "Cinéma et BD",
  "Autre"
)

freq(hdv2003$cinema_bd)

Exercice 3.2

À l’aide de la fonction case_when, créer une nouvelle variable ayant les modalités suivantes :

Homme ayant plus de 2 frères et soeurs
Femme ayant plus de 2 frères et soeurs
Autre

Vous devriez obtenir le tri à plat suivant :

#>                                           n    % val%
#> Autre                                  1001 50.0 50.0
#> Femme ayant plus de 2 frères et soeurs  546 27.3 27.3
#> Homme ayant plus de 2 frères et soeurs  453 22.7 22.7

hdv2003$groupe <- case_when(
    hdv2003$sexe == "Homme" & hdv2003$freres.soeurs > 2 ~ "Homme ayant plus de 2 frères et soeurs",
    hdv2003$sexe == "Femme" & hdv2003$freres.soeurs > 2 ~ "Femme ayant plus de 2 frères et soeurs",
    TRUE ~ "Autre"
)

freq(hdv2003$groupe)

Exercice 3.3

À l’aide de la fonction case_when, créer une nouvelle variable ayant les modalités suivantes :

Homme de plus de 30 ans
Homme de plus de 40 ans satisfait par son travail
Femme pratiquant le sport ou le bricolage
Autre

Vous devriez obtenir le tri à plat suivant :

#>                                                     n    % val%
#> Autre                                             714 35.7 35.7
#> Femme pratiquant le sport ou le bricolage         549 27.5 27.5
#> Homme de plus de 30 ans                           610 30.5 30.5
#> Homme de plus de 40 ans satisfait par son travail 127  6.3  6.3

hdv2003$groupe <- case_when(
    hdv2003$sexe == "Homme" & hdv2003$age > 40 & hdv2003$trav.satisf == "Satisfaction" ~ "Homme de plus de 40 ans satisfait par son travail",
    hdv2003$sexe == "Homme" & hdv2003$age > 30 ~ "Homme de plus de 30 ans",
    hdv2003$sexe == "Femme" & (hdv2003$sport == "Oui" | hdv2003$bricol == "Oui") ~ "Femme pratiquant le sport ou le bricolage",
    TRUE ~ "Autre"
)

freq(hdv2003$groupe)

9.6.5 Découper une variable numérique

Exercice 4.1

Dans le jeu de données hdv2003, découper la variable heures.tv en classes de manière à obtenir au final le tri à plat suivant :

#>          n    % val%
#> [0,1]  684 34.2 34.3
#> (1,2]  535 26.8 26.8
#> (2,4]  594 29.7 29.8
#> (4,6]  138  6.9  6.9
#> (6,12]  44  2.2  2.2
#> NA       5  0.2   NA

hdv2003$tv_cl <- cut(
    hdv2003$heures.tv,
    include.lowest = TRUE,
    right = TRUE,
    breaks = c(0, 1, 2, 4, 6, 12)
)

freq(hdv2003$tv_cl)

Pour accéder à la page de documentation de fonctions comme %in%, on ne peut pas utiliser ?%in%, qui renvoie une erreur. Vous pouvez faire ?"%in%", help("%in%") ou, dans ce cas, ?match, car les deux fonctions sont documentées sur la même page d’aide.↩︎

9.1 Rappel sur les variables et les vecteurs

9.2 Tests et comparaison

9.3 Recoder une variable qualitative

9.3.1 Facteurs et forcats

9.3.2 Modifier les modalités d’une variable qualitative

9.3.2.1 Interface graphique de recodage

9.3.3 Ordonner les modalités d’une variable qualitative

9.3.3.1 Interface graphique

9.4 Combiner plusieurs variables

9.4.1 ifelse

9.4.2 case_when

9.5 Découper une variable numérique en classes

9.5.1 Interface graphique

9.6 Exercices

9.6.1 Préparation

9.6.2 Vecteurs et tests

9.6.3 Recodages de variable qualitative

9.6.4 Combiner plusieurs variables

9.6.5 Découper une variable numérique

9.3.1 Facteurs et `forcats`

9.4.1 `ifelse`

9.4.2 `case_when`