Partie 10 Manipuler les données avec dplyr

dplyr est une extension facilitant le traitement et la manipulation de données contenues dans une ou plusieurs tables. Elle propose une syntaxe claire et cohérente, sous formes de verbes, pour la plupart des opérations de ce type. Ses fonctions sont en général plus rapides que leur équivalent sous R de base, elles permettent donc de traiter efficacement des données de grande dimension.

dplyr part du principe que les données sont organisées selon le modèle des tidy data (voir la section 6.3). Les fonctions de l’extension peuvent s’appliquer à des tableaux de type data.frame ou tibble, et elles retournent systématiquement un tibble (voir la section 6.4).

10.1 Préparation

dplyr fait partie du coeur du tidyverse, elle est donc chargée automatiquement avec :

On peut également la charger individuellement avec :

Dans ce qui suit on va utiliser le jeu de données nycflights13, contenu dans l’extension du même nom (qu’il faut donc avoir installé). Celui-ci correspond aux données de tous les vols au départ d’un des trois aéroports de New-York en 2013. Il a la particularité d’être réparti en trois tables :

  • flights contient des informations sur les vols : date, départ, destination, horaires, retard…
  • airports contient des informations sur les aéroports
  • airlines contient des données sur les compagnies aériennes

On va charger les trois tables du jeu de données :

Trois objets correspondant aux trois tables ont dû apparaître dans votre environnement.

10.2 Les verbes de dplyr

La manipulation de données avec dplyr se fait en utilisant un nombre réduit de verbes, qui correspondent chacun à une action différente appliquée à un tableau de données.

10.2.1 slice

Le verbe slice sélectionne des lignes du tableau selon leur position. On lui passe un chiffre ou un vecteur de chiffres.

Si on souhaite sélectionner la 345e ligne du tableau airports :

# A tibble: 1 x 8
  faa   name                lat   lon   alt    tz dst   tzone            
  <chr> <chr>             <dbl> <dbl> <dbl> <dbl> <chr> <chr>            
1 CYF   Chefornak Airport  60.1 -164.    40    -9 A     America/Anchorage

Si on veut sélectionner les 5 premières lignes :

# A tibble: 5 x 8
  faa   name                          lat   lon   alt    tz dst   tzone         
  <chr> <chr>                       <dbl> <dbl> <dbl> <dbl> <chr> <chr>         
1 04G   Lansdowne Airport            41.1 -80.6  1044    -5 A     America/New_Y…
2 06A   Moton Field Municipal Airp…  32.5 -85.7   264    -6 A     America/Chica…
3 06C   Schaumburg Regional          42.0 -88.1   801    -6 A     America/Chica…
4 06N   Randall Airport              41.4 -74.4   523    -5 A     America/New_Y…
5 09J   Jekyll Island Airport        31.1 -81.4    11    -5 A     America/New_Y…

10.2.2 filter

filter sélectionne des lignes d’une table selon une condition. On lui passe en paramètre un test, et seules les lignes pour lesquelles ce test renvoie TRUE (vrai) sont conservées. Pour plus d’informations sur les tests et leur syntaxe, voir la section 9.2.

Par exemple, si on veut sélectionner les vols du mois de janvier, on peut filtrer sur la variable month de la manière suivante :

# A tibble: 27,004 x 19
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013     1     1      517            515         2      830            819
 2  2013     1     1      533            529         4      850            830
 3  2013     1     1      542            540         2      923            850
 4  2013     1     1      544            545        -1     1004           1022
 5  2013     1     1      554            600        -6      812            837
 6  2013     1     1      554            558        -4      740            728
 7  2013     1     1      555            600        -5      913            854
 8  2013     1     1      557            600        -3      709            723
 9  2013     1     1      557            600        -3      838            846
10  2013     1     1      558            600        -2      753            745
# … with 26,994 more rows, and 11 more variables: arr_delay <dbl>,
#   carrier <chr>, flight <int>, tailnum <chr>, origin <chr>, dest <chr>,
#   air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>

Si on veut uniquement les vols avec un retard au départ (variable dep_delay) compris entre 10 et 15 minutes :

# A tibble: 14,919 x 19
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013     1     1      611            600        11      945            931
 2  2013     1     1      623            610        13      920            915
 3  2013     1     1      743            730        13     1107           1100
 4  2013     1     1      743            730        13     1059           1056
 5  2013     1     1      851            840        11     1215           1206
 6  2013     1     1      912            900        12     1241           1220
 7  2013     1     1      914            900        14     1058           1043
 8  2013     1     1      920            905        15     1039           1025
 9  2013     1     1     1011           1001        10     1133           1128
10  2013     1     1     1112           1100        12     1440           1438
# … with 14,909 more rows, and 11 more variables: arr_delay <dbl>,
#   carrier <chr>, flight <int>, tailnum <chr>, origin <chr>, dest <chr>,
#   air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>

Si on passe plusieurs arguments à filter, celui-ci rajoute automatiquement une condition et entre les conditions. La commande précédente peut donc être écrite de la manière suivante, avec le même résultat :

On peut également placer des fonctions dans les tests, qui nous permettent par exemple de sélectionner les vols avec la plus grande distance :

# A tibble: 342 x 19
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013     1     1      857            900        -3     1516           1530
 2  2013     1     2      909            900         9     1525           1530
 3  2013     1     3      914            900        14     1504           1530
 4  2013     1     4      900            900         0     1516           1530
 5  2013     1     5      858            900        -2     1519           1530
 6  2013     1     6     1019            900        79     1558           1530
 7  2013     1     7     1042            900       102     1620           1530
 8  2013     1     8      901            900         1     1504           1530
 9  2013     1     9      641            900      1301     1242           1530
10  2013     1    10      859            900        -1     1449           1530
# … with 332 more rows, and 11 more variables: arr_delay <dbl>, carrier <chr>,
#   flight <int>, tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>,
#   distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>

10.2.3 select et rename

select permet de sélectionner des colonnes d’un tableau de données. Ainsi, si on veut extraire les colonnes lat et lon du tableau airports :

# A tibble: 1,458 x 2
     lat    lon
   <dbl>  <dbl>
 1  41.1  -80.6
 2  32.5  -85.7
 3  42.0  -88.1
 4  41.4  -74.4
 5  31.1  -81.4
 6  36.4  -82.2
 7  41.5  -84.5
 8  42.9  -76.8
 9  39.8  -76.6
10  48.1 -123. 
# … with 1,448 more rows

Si on fait précéder le nom d’un -, la colonne est éliminée plutôt que sélectionnée :

# A tibble: 1,458 x 6
   faa   name                             alt    tz dst   tzone              
   <chr> <chr>                          <dbl> <dbl> <chr> <chr>              
 1 04G   Lansdowne Airport               1044    -5 A     America/New_York   
 2 06A   Moton Field Municipal Airport    264    -6 A     America/Chicago    
 3 06C   Schaumburg Regional              801    -6 A     America/Chicago    
 4 06N   Randall Airport                  523    -5 A     America/New_York   
 5 09J   Jekyll Island Airport             11    -5 A     America/New_York   
 6 0A9   Elizabethton Municipal Airport  1593    -5 A     America/New_York   
 7 0G6   Williams County Airport          730    -5 A     America/New_York   
 8 0G7   Finger Lakes Regional Airport    492    -5 A     America/New_York   
 9 0P2   Shoestring Aviation Airfield    1000    -5 U     America/New_York   
10 0S9   Jefferson County Intl            108    -8 A     America/Los_Angeles
# … with 1,448 more rows

select comprend toute une série de fonctions facilitant la sélection de colonnes multiples. Par exemple, starts_with, ends_width, contains ou matches permettent d’exprimer des conditions sur les noms de variables :

# A tibble: 336,776 x 2
   dep_time dep_delay
      <int>     <dbl>
 1      517         2
 2      533         4
 3      542         2
 4      544        -1
 5      554        -6
 6      554        -4
 7      555        -5
 8      557        -3
 9      557        -3
10      558        -2
# … with 336,766 more rows

La syntaxe colonne1:colonne2 permet de sélectionner toutes les colonnes situées entre colonne1 et colonne2 incluses16 :

# A tibble: 336,776 x 3
    year month   day
   <int> <int> <int>
 1  2013     1     1
 2  2013     1     1
 3  2013     1     1
 4  2013     1     1
 5  2013     1     1
 6  2013     1     1
 7  2013     1     1
 8  2013     1     1
 9  2013     1     1
10  2013     1     1
# … with 336,766 more rows

select peut être utilisée pour réordonner les colonnes d’une table en utilisant la fonction everything(), qui sélectionne l’ensemble des colonnes non encore sélectionnées. Ainsi, si on souhaite faire passer la colonne name en première position de la table airports, on peut faire :

# A tibble: 1,458 x 8
   name                     faa     lat    lon   alt    tz dst   tzone          
   <chr>                    <chr> <dbl>  <dbl> <dbl> <dbl> <chr> <chr>          
 1 Lansdowne Airport        04G    41.1  -80.6  1044    -5 A     America/New_Yo…
 2 Moton Field Municipal A… 06A    32.5  -85.7   264    -6 A     America/Chicago
 3 Schaumburg Regional      06C    42.0  -88.1   801    -6 A     America/Chicago
 4 Randall Airport          06N    41.4  -74.4   523    -5 A     America/New_Yo…
 5 Jekyll Island Airport    09J    31.1  -81.4    11    -5 A     America/New_Yo…
 6 Elizabethton Municipal … 0A9    36.4  -82.2  1593    -5 A     America/New_Yo…
 7 Williams County Airport  0G6    41.5  -84.5   730    -5 A     America/New_Yo…
 8 Finger Lakes Regional A… 0G7    42.9  -76.8   492    -5 A     America/New_Yo…
 9 Shoestring Aviation Air… 0P2    39.8  -76.6  1000    -5 U     America/New_Yo…
10 Jefferson County Intl    0S9    48.1 -123.    108    -8 A     America/Los_An…
# … with 1,448 more rows

Une variante de select est rename17, qui permet de renommer des colonnes. On l’utilise en lui passant des paramètres de la forme nouveau_nom = ancien_nom. Ainsi, si on veut renommer les colonnes lon et lat de airports en longitude et latitude :

# A tibble: 1,458 x 8
   faa   name                 latitude longitude   alt    tz dst   tzone        
   <chr> <chr>                   <dbl>     <dbl> <dbl> <dbl> <chr> <chr>        
 1 04G   Lansdowne Airport        41.1     -80.6  1044    -5 A     America/New_…
 2 06A   Moton Field Municip…     32.5     -85.7   264    -6 A     America/Chic…
 3 06C   Schaumburg Regional      42.0     -88.1   801    -6 A     America/Chic…
 4 06N   Randall Airport          41.4     -74.4   523    -5 A     America/New_…
 5 09J   Jekyll Island Airpo…     31.1     -81.4    11    -5 A     America/New_…
 6 0A9   Elizabethton Munici…     36.4     -82.2  1593    -5 A     America/New_…
 7 0G6   Williams County Air…     41.5     -84.5   730    -5 A     America/New_…
 8 0G7   Finger Lakes Region…     42.9     -76.8   492    -5 A     America/New_…
 9 0P2   Shoestring Aviation…     39.8     -76.6  1000    -5 U     America/New_…
10 0S9   Jefferson County In…     48.1    -123.    108    -8 A     America/Los_…
# … with 1,448 more rows

Si les noms de colonnes comportent des espaces ou des caractères spéciaux, on peut les entourer de guillemets (") ou de quotes inverses (`) :

# A tibble: 336,776 x 2
   `retard départ` `retard arrivée`
             <dbl>            <dbl>
 1               2               11
 2               4               20
 3               2               33
 4              -1              -18
 5              -6              -25
 6              -4               12
 7              -5               19
 8              -3              -14
 9              -3               -8
10              -2                8
# … with 336,766 more rows

10.2.4 arrange

arrange réordonne les lignes d’un tableau selon une ou plusieurs colonnes.

Ainsi, si on veut trier le tableau flights selon le retard au départ croissant :

# A tibble: 336,776 x 19
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013    12     7     2040           2123       -43       40           2352
 2  2013     2     3     2022           2055       -33     2240           2338
 3  2013    11    10     1408           1440       -32     1549           1559
 4  2013     1    11     1900           1930       -30     2233           2243
 5  2013     1    29     1703           1730       -27     1947           1957
 6  2013     8     9      729            755       -26     1002            955
 7  2013    10    23     1907           1932       -25     2143           2143
 8  2013     3    30     2030           2055       -25     2213           2250
 9  2013     3     2     1431           1455       -24     1601           1631
10  2013     5     5      934            958       -24     1225           1309
# … with 336,766 more rows, and 11 more variables: arr_delay <dbl>,
#   carrier <chr>, flight <int>, tailnum <chr>, origin <chr>, dest <chr>,
#   air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>

On peut trier selon plusieurs colonnes. Par exemple selon le mois, puis selon le retard au départ :

# A tibble: 336,776 x 19
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013     1    11     1900           1930       -30     2233           2243
 2  2013     1    29     1703           1730       -27     1947           1957
 3  2013     1    12     1354           1416       -22     1606           1650
 4  2013     1    21     2137           2159       -22     2232           2316
 5  2013     1    20      704            725       -21     1025           1035
 6  2013     1    12     2050           2110       -20     2310           2355
 7  2013     1    12     2134           2154       -20        4             50
 8  2013     1    14     2050           2110       -20     2329           2355
 9  2013     1     4     2140           2159       -19     2241           2316
10  2013     1    11     1947           2005       -18     2209           2230
# … with 336,766 more rows, and 11 more variables: arr_delay <dbl>,
#   carrier <chr>, flight <int>, tailnum <chr>, origin <chr>, dest <chr>,
#   air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>

Si on veut trier selon une colonne par ordre décroissant, on lui applique la fonction desc() :

# A tibble: 336,776 x 19
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013     1     9      641            900      1301     1242           1530
 2  2013     6    15     1432           1935      1137     1607           2120
 3  2013     1    10     1121           1635      1126     1239           1810
 4  2013     9    20     1139           1845      1014     1457           2210
 5  2013     7    22      845           1600      1005     1044           1815
 6  2013     4    10     1100           1900       960     1342           2211
 7  2013     3    17     2321            810       911      135           1020
 8  2013     6    27      959           1900       899     1236           2226
 9  2013     7    22     2257            759       898      121           1026
10  2013    12     5      756           1700       896     1058           2020
# … with 336,766 more rows, and 11 more variables: arr_delay <dbl>,
#   carrier <chr>, flight <int>, tailnum <chr>, origin <chr>, dest <chr>,
#   air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>

Combiné avec slice, arrange permet par exemple de sélectionner les trois vols ayant eu le plus de retard :

# A tibble: 3 x 19
   year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
  <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
1  2013     1     9      641            900      1301     1242           1530
2  2013     6    15     1432           1935      1137     1607           2120
3  2013     1    10     1121           1635      1126     1239           1810
# … with 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
#   tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
#   hour <dbl>, minute <dbl>, time_hour <dttm>

10.2.5 mutate

mutate permet de créer de nouvelles colonnes dans le tableau de données, en général à partir de variables existantes.

Par exemple, la table flights contient la durée du vol en minutes.. Si on veut créer une nouvelle variable duree_h avec cette durée en heures, on peut faire :

# A tibble: 336,776 x 2
   air_time duree_h
      <dbl>   <dbl>
 1      227   3.78 
 2      227   3.78 
 3      160   2.67 
 4      183   3.05 
 5      116   1.93 
 6      150   2.5  
 7      158   2.63 
 8       53   0.883
 9      140   2.33 
10      138   2.3  
# … with 336,766 more rows

On peut créer plusieurs nouvelles colonnes en une seule commande, et les expressions successives peuvent prendre en compte les résultats des calculs précédents. L’exemple suivant convertit d’abord la durée en heures dans une variable duree_h et la distance en kilomètres dans une variable distance_km, puis utilise ces nouvelles colonnes pour calculer la vitesse en km/h.

# A tibble: 336,776 x 5
   air_time duree_h distance distance_km vitesse
      <dbl>   <dbl>    <dbl>       <dbl>   <dbl>
 1      227   3.78      1400       2253.    596.
 2      227   3.78      1416       2279.    602.
 3      160   2.67      1089       1753.    657.
 4      183   3.05      1576       2536.    832.
 5      116   1.93       762       1226.    634.
 6      150   2.5        719       1157.    463.
 7      158   2.63      1065       1714.    651.
 8       53   0.883      229        369.    417.
 9      140   2.33       944       1519.    651.
10      138   2.3        733       1180.    513.
# … with 336,766 more rows

À noter que mutate est évidemment parfaitement compatible avec les fonctions vues dans le chapitre 9 sur les recodages : fct_recode, if_else, case_when

L’avantage d’utiliser mutate est double. D’abord il permet d’éviter d’avoir à saisir le nom du tableau de données dans les conditions d’un if_else ou d’un case_when :

Ensuite, il permet aussi d’intégrer ces recodages dans un pipeline de traitement de données, concept présenté dans la section suivante.

10.3 Enchaîner les opérations avec le pipe

Quand on manipule un tableau de données, il est très fréquent d’enchaîner plusieurs opérations. On va par exemple extraire une sous-population avec filter, sélectionner des colonnes avec select puis trier selon une variable avec arrange, etc.

Quand on veut enchaîner des opérations, on peut le faire de différentes manières. La première est d’effectuer toutes les opérations en une fois en les “emboîtant” :

Cette notation a plusieurs inconvénients :

  • elle est peu lisible
  • les opérations apparaissent dans l’ordre inverse de leur réalisation. Ici on effectue d’abord le filter, puis le select, puis le arrange, alors qu’à la lecture du code c’est le arrange qui apparaît en premier.
  • Il est difficile de voir quel paramètre se rapporte à quelle fonction

Une autre manière de faire est d’effectuer les opérations les unes après les autres, en stockant les résultats intermédiaires dans un objet temporaire :

C’est nettement plus lisible, l’ordre des opérations est le bon, et les paramètres sont bien rattachés à leur fonction. Par contre, ça reste un peu “verbeux”, et on crée un objet temporaire tmp dont on n’a pas réellement besoin.

Pour simplifier et améliorer encore la lisibilité du code, on va utiliser un nouvel opérateur, baptisé pipe18. Le pipe se note %>%, et son fonctionnement est le suivant : si j’exécute expr %>% f, alors le résultat de l’expression expr, à gauche du pipe, sera passé comme premier argument à la fonction f, à droite du pipe, ce qui revient à exécuter f(expr).

Ainsi les deux expressions suivantes sont rigoureusement équivalentes :

Ce qui est intéressant dans cette histoire, c’est qu’on va pouvoir enchaîner les pipes. Plutôt que d’écrire :

On va pouvoir faire :

À chaque fois, le résultat de ce qui se trouve à gauche du pipe est passé comme premier argument à ce qui se trouve à droite : on part de l’objet flights, qu’on passe comme premier argument à la fonction filter, puis on passe le résultat de ce filter comme premier argument du select.

Le résultat final est le même avec les deux syntaxes, mais avec le pipe l’ordre des opérations correspond à l’ordre naturel de leur exécution, et on n’a pas eu besoin de créer d’objet intermédiaire.

Si la liste des fonctions enchaînées est longue, on peut les répartir sur plusieurs lignes à condition que l’opérateur %>% soit en fin de ligne :

On appelle une suite d’instructions de ce type un pipeline.

Évidemment, il est naturel de vouloir récupérer le résultat final d’un pipeline pour le stocker dans un objet. Par exemple, on peut stocker le résultat du pipeline ci-dessus dans un nouveau tableau delay_la de la manière suivante :

Dans ce cas, delay_la contiendra le tableau final, obtenu après application des trois instructions filter, select et arrange.

Cette notation n’est pas forcément très intuitive au départ. Il faut bien comprendre que c’est le résultat final, une fois application de toutes les opérations du pipeline, qui est renvoyé et stocké dans l’objet en début de ligne.

Une manière de le comprendre peut être de voir que la notation suivante :

est équivalente à :

L’utilisation du pipe n’est pas obligatoire, mais elle rend les scripts plus lisibles et plus rapides à saisir. On l’utilisera donc dans ce qui suit.

10.4 Opérations groupées

10.4.1 group_by

Un élément très important de dplyr est la fonction group_by. Elle permet de définir des groupes de lignes à partir des valeurs d’une ou plusieurs colonnes. Par exemple, on peut grouper les vols selon leur mois :

# A tibble: 336,776 x 22
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013     1     1      517            515         2      830            819
 2  2013     1     1      533            529         4      850            830
 3  2013     1     1      542            540         2      923            850
 4  2013     1     1      544            545        -1     1004           1022
 5  2013     1     1      554            600        -6      812            837
 6  2013     1     1      554            558        -4      740            728
 7  2013     1     1      555            600        -5      913            854
 8  2013     1     1      557            600        -3      709            723
 9  2013     1     1      557            600        -3      838            846
10  2013     1     1      558            600        -2      753            745
# … with 336,766 more rows, and 14 more variables: arr_delay <dbl>,
#   carrier <chr>, flight <int>, tailnum <chr>, origin <chr>, dest <chr>,
#   air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>,
#   duree_h <dbl>, distance_km <dbl>, vitesse <dbl>

Par défaut ceci ne fait rien de visible, à part l’apparition d’une mention Groups dans l’affichage du résultat. Mais à partir du moment où des groupes ont été définis, les verbes comme slice, mutate ou summarise vont en tenir compte lors de leurs opérations.

Par exemple, si on applique slice à un tableau préalablement groupé, il va sélectionner les lignes aux positions indiquées pour chaque groupe. Ainsi la commande suivante affiche le premier vol de chaque mois, selon leur ordre d’apparition dans le tableau :

# A tibble: 12 x 22
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013     1     1      517            515         2      830            819
 2  2013     2     1      456            500        -4      652            648
 3  2013     3     1        4           2159       125      318             56
 4  2013     4     1      454            500        -6      636            640
 5  2013     5     1        9           1655       434      308           2020
 6  2013     6     1        2           2359         3      341            350
 7  2013     7     1        1           2029       212      236           2359
 8  2013     8     1       12           2130       162      257             14
 9  2013     9     1        9           2359        10      343            340
10  2013    10     1      447            500       -13      614            648
11  2013    11     1        5           2359         6      352            345
12  2013    12     1       13           2359        14      446            445
# … with 14 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
#   tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
#   hour <dbl>, minute <dbl>, time_hour <dttm>, duree_h <dbl>,
#   distance_km <dbl>, vitesse <dbl>

Idem pour mutate : les opérations appliquées lors du calcul des valeurs des nouvelles colonnes sont appliquées groupe de lignes par groupe de lignes. Dans l’exemple suivant, on ajoute une nouvelle colonne qui contient le retard moyen pour chaque compagnie aérienne. Cette valeur est donc différente d’une compagnie à une autre, mais identique pour tous les vols d’une même compagnie :

Adding missing grouping variables: `carrier`
# A tibble: 336,776 x 4
   carrier dep_delay month mean_delay_carrier
   <chr>       <dbl> <int>              <dbl>
 1 UA              2     1              12.1 
 2 UA              4     1              12.1 
 3 AA              2     1               8.59
 4 B6             -1     1              13.0 
 5 DL             -6     1               9.26
 6 UA             -4     1              12.1 
 7 B6             -5     1              13.0 
 8 EV             -3     1              20.0 
 9 B6             -3     1              13.0 
10 AA             -2     1               8.59
# … with 336,766 more rows

Ceci peut permettre, par exemple, de déterminer si un retard donné est supérieur ou inférieur au retard médian de la compagnie :

Adding missing grouping variables: `carrier`
# A tibble: 336,776 x 5
   carrier dep_delay month median_delay delay_carrier    
   <chr>       <dbl> <int>        <dbl> <chr>            
 1 UA              2     1            0 Supérieur        
 2 UA              4     1            0 Supérieur        
 3 AA              2     1           -3 Supérieur        
 4 B6             -1     1           -1 Inférieur ou égal
 5 DL             -6     1           -2 Inférieur ou égal
 6 UA             -4     1            0 Inférieur ou égal
 7 B6             -5     1           -1 Inférieur ou égal
 8 EV             -3     1           -1 Inférieur ou égal
 9 B6             -3     1           -1 Inférieur ou égal
10 AA             -2     1           -3 Supérieur        
# … with 336,766 more rows

group_by peut aussi être utile avec filter, par exemple pour sélectionner les vols avec le retard au départ le plus important pour chaque mois :

# A tibble: 12 x 22
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013     1     9      641            900      1301     1242           1530
 2  2013    10    14     2042            900       702     2255           1127
 3  2013    11     3      603           1645       798      829           1913
 4  2013    12     5      756           1700       896     1058           2020
 5  2013     2    10     2243            830       853      100           1106
 6  2013     3    17     2321            810       911      135           1020
 7  2013     4    10     1100           1900       960     1342           2211
 8  2013     5     3     1133           2055       878     1250           2215
 9  2013     6    15     1432           1935      1137     1607           2120
10  2013     7    22      845           1600      1005     1044           1815
11  2013     8     8     2334           1454       520      120           1710
12  2013     9    20     1139           1845      1014     1457           2210
# … with 14 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
#   tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
#   hour <dbl>, minute <dbl>, time_hour <dttm>, duree_h <dbl>,
#   distance_km <dbl>, vitesse <dbl>

Attention : la clause group_by marche pour les verbes déjà vus précédemment, sauf pour arrange, qui par défaut trie la table sans tenir compte des groupes. Pour obtenir un tri par groupe, il faut lui ajouter l’argument .by_group = TRUE.

On peut voir la différence en comparant les deux résultats suivants :

# A tibble: 336,776 x 22
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013     1     9      641            900      1301     1242           1530
 2  2013     6    15     1432           1935      1137     1607           2120
 3  2013     1    10     1121           1635      1126     1239           1810
 4  2013     9    20     1139           1845      1014     1457           2210
 5  2013     7    22      845           1600      1005     1044           1815
 6  2013     4    10     1100           1900       960     1342           2211
 7  2013     3    17     2321            810       911      135           1020
 8  2013     6    27      959           1900       899     1236           2226
 9  2013     7    22     2257            759       898      121           1026
10  2013    12     5      756           1700       896     1058           2020
# … with 336,766 more rows, and 14 more variables: arr_delay <dbl>,
#   carrier <chr>, flight <int>, tailnum <chr>, origin <chr>, dest <chr>,
#   air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>,
#   duree_h <dbl>, distance_km <dbl>, vitesse <dbl>
# A tibble: 336,776 x 22
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013     1     9      641            900      1301     1242           1530
 2  2013     1    10     1121           1635      1126     1239           1810
 3  2013     1     1      848           1835       853     1001           1950
 4  2013     1    13     1809            810       599     2054           1042
 5  2013     1    16     1622            800       502     1911           1054
 6  2013     1    23     1551            753       478     1812           1006
 7  2013     1    10     1525            900       385     1713           1039
 8  2013     1     1     2343           1724       379      314           1938
 9  2013     1     2     2131           1512       379     2340           1741
10  2013     1     7     2021           1415       366     2332           1724
# … with 336,766 more rows, and 14 more variables: arr_delay <dbl>,
#   carrier <chr>, flight <int>, tailnum <chr>, origin <chr>, dest <chr>,
#   air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>,
#   duree_h <dbl>, distance_km <dbl>, vitesse <dbl>

10.4.2 summarise et count

summarise permet d’agréger les lignes du tableau en effectuant une opération “résumée” sur une ou plusieurs colonnes. Par exemple, si on souhaite connaître les retards moyens au départ et à l’arrivée pour l’ensemble des vols du tableau flights :

# A tibble: 1 x 2
  retard_dep retard_arr
       <dbl>      <dbl>
1       12.6       6.90

Cette fonction est en général utilisée avec group_by, puisqu’elle permet du coup d’agréger et résumer les lignes du tableau groupe par groupe. Si on souhaite calculer le délai maximum, le délai minimum et le délai moyen au départ pour chaque mois, on pourra faire :

# A tibble: 12 x 4
   month max_delay min_delay mean_delay
   <int>     <dbl>     <dbl>      <dbl>
 1     1      1301       -30      10.0 
 2     2       853       -33      10.8 
 3     3       911       -25      13.2 
 4     4       960       -21      13.9 
 5     5       878       -24      13.0 
 6     6      1137       -21      20.8 
 7     7      1005       -22      21.7 
 8     8       520       -26      12.6 
 9     9      1014       -24       6.72
10    10       702       -25       6.24
11    11       798       -32       5.44
12    12       896       -43      16.6 

summarise dispose d’un opérateur spécial, n(), qui retourne le nombre de lignes du groupe. Ainsi si on veut le nombre de vols par destination, on peut utiliser :

# A tibble: 105 x 2
   dest     nb
   <chr> <int>
 1 ABQ     254
 2 ACK     265
 3 ALB     439
 4 ANC       8
 5 ATL   17215
 6 AUS    2439
 7 AVL     275
 8 BDL     443
 9 BGR     375
10 BHM     297
# … with 95 more rows

n() peut aussi être utilisée avec filter et mutate.

À noter que quand on veut compter le nombre de lignes par groupe, on peut utiliser directement la fonction count. Ainsi le code suivant est identique au précédent :

# A tibble: 105 x 2
   dest      n
   <chr> <int>
 1 ABQ     254
 2 ACK     265
 3 ALB     439
 4 ANC       8
 5 ATL   17215
 6 AUS    2439
 7 AVL     275
 8 BDL     443
 9 BGR     375
10 BHM     297
# … with 95 more rows

Lorsque la variable de groupage est un facteur et que certaines valeurs du facteur ne sont pas présentes dans le tableau, l’argument .drop = FALSE de group_by permet de conserver ces niveaux dans le résultat d’une opération groupée.

Par exemple, si on transforme la variable origin en facteur pour conserver la liste de ses modalités, et qu’on ne garde que les vols à destination de San Francisco (code SFO) :

Par défaut, si on compte le nombre de vols selon l’aéroport de départ, La Guardia n’apparaît pas car il ne compte aucun vol :

# A tibble: 2 x 2
  origin     n
  <fct>  <int>
1 EWR     5127
2 JFK     8204

Si on souhaite faire apparaître cette information dans la sortie du summarise, on peut ajouter l’argument .drop = FALSE au group_by :

# A tibble: 3 x 2
  origin     n
  <fct>  <int>
1 EWR     5127
2 JFK     8204
3 LGA        0

Cet argument fonctionne aussi avec count :

# A tibble: 3 x 2
  origin     n
  <fct>  <int>
1 EWR     5127
2 JFK     8204
3 LGA        0

10.4.3 Grouper selon plusieurs variables

On peut grouper selon plusieurs variables à la fois, il suffit de les indiquer dans la clause du group_by. Le pipeline suivant le nombre de vols pour chaque mois et pour chaque destination, et trie le résultat par nombre de vols décroissant :

# A tibble: 1,113 x 3
   month dest     nb
   <int> <chr> <int>
 1     8 ORD    1604
 2    10 ORD    1604
 3     5 ORD    1582
 4     9 ORD    1582
 5     7 ORD    1573
 6     6 ORD    1547
 7     7 ATL    1511
 8     8 ATL    1507
 9     8 LAX    1505
10     7 LAX    1500
# … with 1,103 more rows

On peut également utiliser count sur plusieurs variables. Les commandes suivantes comptent le nombre de vols pour chaque couple aéroport de départ / aéroport d’arrivée, et trie le résultat par nombre de vols décroissant. Ici la colonne qui contient le nombre de vols, créée par count, s’appelle n par défaut :

# A tibble: 224 x 3
   origin dest      n
   <chr>  <chr> <int>
 1 JFK    LAX   11262
 2 LGA    ATL   10263
 3 LGA    ORD    8857
 4 JFK    SFO    8204
 5 LGA    CLT    6168
 6 EWR    ORD    6100
 7 JFK    BOS    5898
 8 LGA    MIA    5781
 9 JFK    MCO    5464
10 EWR    BOS    5327
# … with 214 more rows

On peut utiliser plusieurs opérations de groupage dans le même pipeline. Ainsi, si on souhaite déterminer le triplet compagnie aérienne / aéroport de départ / aéroport d’arrivée ayant le plus grand nombre de vols selon le mois de l’année, on devra procéder en deux étapes :

  • d’abord grouper selon mois, compagnie, aéroports d’origine et d’arrivée pour calculer le nombre de vols
  • puis grouper uniquement selon le mois pour sélectionner la ligne avec la valeur maximale.

Au final, on obtient le code suivant :

# A tibble: 13 x 5
   month carrier origin dest     nb
   <int> <chr>   <chr>  <chr> <int>
 1     1 AA      LGA    DFW     437
 2     1 DL      LGA    ATL     437
 3     2 DL      LGA    ATL     402
 4     3 DL      LGA    ATL     461
 5     4 AA      LGA    ORD     501
 6     5 AA      LGA    ORD     518
 7     6 AA      LGA    ORD     520
 8     7 AA      LGA    ORD     551
 9     8 AA      LGA    ORD     545
10     9 AA      LGA    ORD     492
11    10 AA      LGA    ORD     516
12    11 DL      LGA    ATL     471
13    12 DL      LGA    ATL     489

Lorsqu’on effectue un group_by suivi d’un summarise, le tableau résultat est automatiquement dégroupé de la dernière variable de regroupement. Ainsi le tableau généré par le code suivant est groupé par month et origin :

# A tibble: 2,313 x 4
   month origin dest     nb
   <int> <chr>  <chr> <int>
 1     1 EWR    ALB      64
 2     1 EWR    ATL     362
 3     1 EWR    AUS      51
 4     1 EWR    AVL       2
 5     1 EWR    BDL      37
 6     1 EWR    BNA     111
 7     1 EWR    BOS     430
 8     1 EWR    BQN      31
 9     1 EWR    BTV     100
10     1 EWR    BUF     119
# … with 2,303 more rows

Cela peut permettre “d’enchaîner” les opérations groupées. Dans l’exemple suivant on calcule le pourcentage des trajets pour chaque destination par rapport à tous les trajets du mois :

# A tibble: 1,113 x 4
   month dest     nb pourcentage
   <int> <chr> <int>       <dbl>
 1     1 ALB      64     0.237  
 2     1 ATL    1396     5.17   
 3     1 AUS     169     0.626  
 4     1 AVL       2     0.00741
 5     1 BDL      37     0.137  
 6     1 BHM      25     0.0926 
 7     1 BNA     399     1.48   
 8     1 BOS    1245     4.61   
 9     1 BQN      93     0.344  
10     1 BTV     223     0.826  
# … with 1,103 more rows

On peut à tout moment “dégrouper” un tableau à l’aide de ungroup. Ce serait par exemple nécessaire, dans l’exemple précédent, si on voulait calculer le pourcentage sur le nombre total de vols plutôt que sur le nombre de vols par mois :

# A tibble: 1,113 x 4
   month dest     nb pourcentage
   <int> <chr> <int>       <dbl>
 1     1 ALB      64    0.0190  
 2     1 ATL    1396    0.415   
 3     1 AUS     169    0.0502  
 4     1 AVL       2    0.000594
 5     1 BDL      37    0.0110  
 6     1 BHM      25    0.00742 
 7     1 BNA     399    0.118   
 8     1 BOS    1245    0.370   
 9     1 BQN      93    0.0276  
10     1 BTV     223    0.0662  
# … with 1,103 more rows

À noter que count, par contre, renvoie un tableau non groupé :

# A tibble: 1,113 x 3
   month dest      n
   <int> <chr> <int>
 1     1 ALB      64
 2     1 ATL    1396
 3     1 AUS     169
 4     1 AVL       2
 5     1 BDL      37
 6     1 BHM      25
 7     1 BNA     399
 8     1 BOS    1245
 9     1 BQN      93
10     1 BTV     223
# … with 1,103 more rows

10.5 Autres fonctions utiles

dplyr contient beaucoup d’autres fonctions utiles pour la manipulation de données.

10.5.1 sample_n, sample_frac

Ces verbes permettent de sélectionner un nombre de lignes ou une fraction des lignes d’un tableau aléatoirement. Ainsi si on veut choisir 5 lignes au hasard dans le tableau airports :

# A tibble: 5 x 8
  faa   name                         lat    lon   alt    tz dst   tzone         
  <chr> <chr>                      <dbl>  <dbl> <dbl> <dbl> <chr> <chr>         
1 GLV   Golovin Airport             64.6 -163.     59    -9 A     America/Ancho…
2 KKA   Koyuk Alfred Adams Airport  64.9 -161.    154    -9 A     America/Ancho…
3 GCC   Gillette-Campbell County …  44.3 -106.   4365    -7 A     America/Denver
4 MLC   Mc Alester Rgnl             34.9  -95.8   770    -6 A     America/Chica…
5 TOG   Togiak Airport              59.1 -160.     21    -9 A     America/Ancho…

Si on veut tirer au hasard 10% des lignes de flights :

# A tibble: 33,678 x 22
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013     7     1      924            930        -6     1046           1039
 2  2013    11    20     1852           1855        -3     2053           2035
 3  2013     6    10     2157           2015       102      132           2308
 4  2013     5    18     1921           1830        51     2224           2200
 5  2013     5    15     1326           1329        -3     1556           1618
 6  2013     2     1     1436           1430         6     1758           1815
 7  2013     8    12      557            600        -3      841            834
 8  2013     6    24      604            609        -5      848            859
 9  2013     5     3      832            833        -1     1116           1139
10  2013     3    28     1914           1915        -1     2126           2202
# … with 33,668 more rows, and 14 more variables: arr_delay <dbl>,
#   carrier <chr>, flight <int>, tailnum <chr>, origin <chr>, dest <chr>,
#   air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>,
#   duree_h <dbl>, distance_km <dbl>, vitesse <dbl>

Ces fonctions sont utiles notamment pour faire de “l’échantillonnage” en tirant au hasard un certain nombre d’observations du tableau.

10.5.2 lead et lag

lead et lag permettent de décaler les observations d’une variable d’un cran vers l’arrière (pour lead) ou vers l’avant (pour lag).

[1]  2  3  4  5 NA
[1] NA  1  2  3  4

Ceci peut être utile pour des données de type “séries temporelles”. Par exemple, on peut facilement calculer l’écart entre le retard au départ de chaque vol et celui du vol précédent :

# A tibble: 336,776 x 3
   dep_delay_prev dep_delay dep_delay_diff
            <dbl>     <dbl>          <dbl>
 1             NA         2             NA
 2              2         4              2
 3              4         2             -2
 4              2        -1             -3
 5             -1        -6             -5
 6             -6        -4              2
 7             -4        -5             -1
 8             -5        -3              2
 9             -3        -3              0
10             -3        -2              1
# … with 336,766 more rows

10.5.3 distinct

distinct filtre les lignes du tableau pour ne conserver que les lignes distinctes, en supprimant toutes les lignes en double.

# A tibble: 365 x 2
     day month
   <int> <int>
 1     1     1
 2     2     1
 3     3     1
 4     4     1
 5     5     1
 6     6     1
 7     7     1
 8     8     1
 9     9     1
10    10     1
# … with 355 more rows

On peut lui spécifier une liste de variables : dans ce cas, pour toutes les observations ayant des valeurs identiques pour les variables en question, distinct ne conservera que la première d’entre elles.

# A tibble: 365 x 2
   month   day
   <int> <int>
 1     1     1
 2     1     2
 3     1     3
 4     1     4
 5     1     5
 6     1     6
 7     1     7
 8     1     8
 9     1     9
10     1    10
# … with 355 more rows

L’option .keep_all permet, dans l’opération précédente, de conserver l’ensemble des colonnes du tableau :

# A tibble: 365 x 22
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013     1     1      517            515         2      830            819
 2  2013     1     2       42           2359        43      518            442
 3  2013     1     3       32           2359        33      504            442
 4  2013     1     4       25           2359        26      505            442
 5  2013     1     5       14           2359        15      503            445
 6  2013     1     6       16           2359        17      451            442
 7  2013     1     7       49           2359        50      531            444
 8  2013     1     8      454            500        -6      625            648
 9  2013     1     9        2           2359         3      432            444
10  2013     1    10        3           2359         4      426            437
# … with 355 more rows, and 14 more variables: arr_delay <dbl>, carrier <chr>,
#   flight <int>, tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>,
#   distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>, duree_h <dbl>,
#   distance_km <dbl>, vitesse <dbl>

10.6 Tables multiples

Le jeu de données nycflights13 est un exemple de données réparties en plusieurs tables. Ici on en a trois : les informations sur les vols dans flights, celles sur les aéroports dans airports et celles sur les compagnies aériennes dans airlines.

dplyr propose différentes fonctions permettant de travailler avec des données structurées de cette manière.

10.6.1 Concaténation : bind_rows et bind_cols

Les fonctions bind_rows et bind_cols permettent d’ajouter des lignes (respectivement des colonnes) à une table à partir d’une ou plusieurs autres tables.

L’exemple suivant (certes très artificiel) montre l’utilisation de bind_rows. On commence par créer trois tableaux t1, t2 et t3 :

# A tibble: 2 x 4
  faa   name                            lat   lon
  <chr> <chr>                         <dbl> <dbl>
1 04G   Lansdowne Airport              41.1 -80.6
2 06A   Moton Field Municipal Airport  32.5 -85.7
# A tibble: 2 x 4
  faa   name                             lat   lon
  <chr> <chr>                          <dbl> <dbl>
1 09J   Jekyll Island Airport           31.1 -81.4
2 0A9   Elizabethton Municipal Airport  36.4 -82.2
# A tibble: 2 x 2
  faa   name             
  <chr> <chr>            
1 ADW   Andrews Afb      
2 AET   Allakaket Airport

On concaténe ensuite les trois tables avec bind_rows :

# A tibble: 6 x 4
  faa   name                             lat   lon
  <chr> <chr>                          <dbl> <dbl>
1 04G   Lansdowne Airport               41.1 -80.6
2 06A   Moton Field Municipal Airport   32.5 -85.7
3 09J   Jekyll Island Airport           31.1 -81.4
4 0A9   Elizabethton Municipal Airport  36.4 -82.2
5 ADW   Andrews Afb                     NA    NA  
6 AET   Allakaket Airport               NA    NA  

On remarquera que si des colonnes sont manquantes pour certaines tables, comme les colonnes lat et lon de t3, des NA sont automatiquement insérées.

Il peut être utile, quand on concatène des lignes, de garder une trace du tableau d’origine de chacune des lignes dans le tableau final. C’est possible grâce à l’argument .id de bind_rows. On passe à cet argument le nom d’une colonne qui contiendra l’indicateur d’origine des lignes :

# A tibble: 6 x 5
  source faa   name                             lat   lon
  <chr>  <chr> <chr>                          <dbl> <dbl>
1 1      04G   Lansdowne Airport               41.1 -80.6
2 1      06A   Moton Field Municipal Airport   32.5 -85.7
3 2      09J   Jekyll Island Airport           31.1 -81.4
4 2      0A9   Elizabethton Municipal Airport  36.4 -82.2
5 3      ADW   Andrews Afb                     NA    NA  
6 3      AET   Allakaket Airport               NA    NA  

Par défaut la colonne .id ne contient qu’un nombre, différent pour chaque tableau. On peut lui spécifier des valeurs plus explicites en “nommant” les tables dans bind_rows de la manière suivante :

# A tibble: 6 x 5
  source faa   name                             lat   lon
  <chr>  <chr> <chr>                          <dbl> <dbl>
1 table1 04G   Lansdowne Airport               41.1 -80.6
2 table1 06A   Moton Field Municipal Airport   32.5 -85.7
3 table2 09J   Jekyll Island Airport           31.1 -81.4
4 table2 0A9   Elizabethton Municipal Airport  36.4 -82.2
5 table3 ADW   Andrews Afb                     NA    NA  
6 table3 AET   Allakaket Airport               NA    NA  

bind_cols permet de concaténer des colonnes et fonctionne de manière similaire :

# A tibble: 5 x 6
  dep_delay dep_time origin dest  arr_delay arr_time
      <dbl>    <int> <chr>  <chr>     <dbl>    <int>
1         2      517 EWR    IAH          11      830
2         4      533 LGA    IAH          20      850
3         2      542 JFK    MIA          33      923
4        -1      544 JFK    BQN         -18     1004
5        -6      554 LGA    ATL         -25      812

À noter que bind_cols associe les lignes uniquement par position. Les lignes des différents tableaux associés doivent donc correspondre (et leur nombre doit être identique). Pour associer des tables par valeur, on doit utiliser des jointures.

10.6.2 Jointures

10.6.2.1 Clés implicites

Très souvent, les données relatives à une analyse sont réparties dans plusieurs tables différentes. Dans notre exemple, on peut voir que la table flights contient seulement le code de la compagnie aérienne du vol dans la variable carrier :

# A tibble: 336,776 x 1
   carrier
   <chr>  
 1 UA     
 2 UA     
 3 AA     
 4 B6     
 5 DL     
 6 UA     
 7 B6     
 8 EV     
 9 B6     
10 AA     
# … with 336,766 more rows

Et que par ailleurs la table airlines contient une information supplémentaire relative à ces compagnies, à savoir le nom complet.

# A tibble: 16 x 2
   carrier name                       
   <chr>   <chr>                      
 1 9E      Endeavor Air Inc.          
 2 AA      American Airlines Inc.     
 3 AS      Alaska Airlines Inc.       
 4 B6      JetBlue Airways            
 5 DL      Delta Air Lines Inc.       
 6 EV      ExpressJet Airlines Inc.   
 7 F9      Frontier Airlines Inc.     
 8 FL      AirTran Airways Corporation
 9 HA      Hawaiian Airlines Inc.     
10 MQ      Envoy Air                  
11 OO      SkyWest Airlines Inc.      
12 UA      United Air Lines Inc.      
13 US      US Airways Inc.            
14 VX      Virgin America             
15 WN      Southwest Airlines Co.     
16 YV      Mesa Airlines Inc.         

Il est donc naturel de vouloir associer les deux, en l’occurrence pour ajouter les noms complets des compagnies à la table flights. Dans ce cas on va faire une jointure : les lignes d’une table seront associées à une autre en se basant non pas sur leur position, mais sur les valeurs d’une ou plusieurs colonnes. Ces colonnes sont appelées des clés.

Pour faire une jointure de ce type, on va utiliser la fonction left_join :

Pour faciliter la lecture, on va afficher seulement certaines colonnes du résultat :

Joining, by = "carrier"
# A tibble: 336,776 x 4
   month   day carrier name                    
   <int> <int> <chr>   <chr>                   
 1     1     1 UA      United Air Lines Inc.   
 2     1     1 UA      United Air Lines Inc.   
 3     1     1 AA      American Airlines Inc.  
 4     1     1 B6      JetBlue Airways         
 5     1     1 DL      Delta Air Lines Inc.    
 6     1     1 UA      United Air Lines Inc.   
 7     1     1 B6      JetBlue Airways         
 8     1     1 EV      ExpressJet Airlines Inc.
 9     1     1 B6      JetBlue Airways         
10     1     1 AA      American Airlines Inc.  
# … with 336,766 more rows

On voit que la table résultat est bien la fusion des deux tables d’origine selon les valeurs des deux colonnes clés carrier. On est parti de la table flights, et pour chaque ligne on a ajouté les colonnes de airlines pour lesquelles la valeur de carrier est la même. On a donc bien une nouvelle colonne name dans notre table résultat, avec le nom complet de la compagnie aérienne.

À noter qu’on peut tout à fait utiliser le pipe avec les fonctions de jointure :

flights %>% left_join(airlines).

Nous sommes ici dans le cas le plus simple concernant les clés de jointure : les deux clés sont uniques et portent le même nom dans les deux tables. Par défaut, si on ne lui spécifie pas explicitement les clés, dplyr fusionne en utilisant l’ensemble des colonnes communes aux deux tables. On peut d’ailleurs voir dans cet exemple qu’un message a été affiché précisant que la jointure s’est faite sur la variable carrier.

10.6.2.2 Clés explicites

La table airports, elle, contient des informations supplémentaires sur les aéroports : nom complet, altitude, position géographique, etc. Chaque aéroport est identifié par un code contenu dans la colonne faa.

Si on regarde la table flights, on voit que le code d’identification des aéroports apparaît à deux endroits différents : pour l’aéroport de départ dans la colonne origin, et pour celui d’arrivée dans la colonne dest. On a donc deux clés de jointure possibles, et qui portent un nom différent de la clé de airports.

On va commencer par fusionner les données concernant l’aéroport de départ. Pour simplifier l’affichage des résultats, on va se contenter d’un sous-ensemble des deux tables :

Si on se contente d’un left_join comme à l’étape précédente, on obtient un message d’erreur car aucune colonne commune ne peut être identifiée comme clé de jointure :

Error: `by` required, because the data sources have no common variables

On doit donc spécifier explicitement les clés avec l’argument by de left_join. Ici la clé est nommée origin dans la première table, et faa dans la seconde. La syntaxe est donc la suivante :

# A tibble: 336,776 x 6
   month   day origin dest    alt name               
   <int> <int> <chr>  <chr> <dbl> <chr>              
 1     1     1 EWR    IAH      18 Newark Liberty Intl
 2     1     1 LGA    IAH      22 La Guardia         
 3     1     1 JFK    MIA      13 John F Kennedy Intl
 4     1     1 JFK    BQN      13 John F Kennedy Intl
 5     1     1 LGA    ATL      22 La Guardia         
 6     1     1 EWR    ORD      18 Newark Liberty Intl
 7     1     1 EWR    FLL      18 Newark Liberty Intl
 8     1     1 LGA    IAD      22 La Guardia         
 9     1     1 JFK    MCO      13 John F Kennedy Intl
10     1     1 LGA    ORD      22 La Guardia         
# … with 336,766 more rows

On constate que les deux nouvelles colonnes name et alt contiennent bien les données correspondant à l’aéroport de départ.

On va stocker le résultat de cette jointure dans la table flights_ex :

Supposons qu’on souhaite maintenant fusionner à nouveau les informations de la table airports, mais cette fois pour les aéroports d’arrivée de notre nouvelle table flights_ex. Les deux clés sont donc désormais dest dans la première table, et faa dans la deuxième. La syntaxe est donc la suivante :

# A tibble: 336,776 x 8
   month   day origin dest  alt.x name.x           alt.y name.y                 
   <int> <int> <chr>  <chr> <dbl> <chr>            <dbl> <chr>                  
 1     1     1 EWR    IAH      18 Newark Liberty …    97 George Bush Interconti…
 2     1     1 LGA    IAH      22 La Guardia          97 George Bush Interconti…
 3     1     1 JFK    MIA      13 John F Kennedy …     8 Miami Intl             
 4     1     1 JFK    BQN      13 John F Kennedy …    NA <NA>                   
 5     1     1 LGA    ATL      22 La Guardia        1026 Hartsfield Jackson Atl…
 6     1     1 EWR    ORD      18 Newark Liberty …   668 Chicago Ohare Intl     
 7     1     1 EWR    FLL      18 Newark Liberty …     9 Fort Lauderdale Hollyw…
 8     1     1 LGA    IAD      22 La Guardia         313 Washington Dulles Intl 
 9     1     1 JFK    MCO      13 John F Kennedy …    96 Orlando Intl           
10     1     1 LGA    ORD      22 La Guardia         668 Chicago Ohare Intl     
# … with 336,766 more rows

Cela fonctionne, les informations de l’aéroport d’arrivée ont bien été ajoutées, mais on constate que les colonnes ont été renommées. En effet, ici les deux tables fusionnées contenaient toutes les deux des colonnes name et alt. Comme on ne peut pas avoir deux colonnes avec le même nom dans un tableau, dplyr a renommé les colonnes de la première table en name.x et alt.x, et celles de la deuxième en name.y et alt.y.

C’est pratique, mais pas forcément très parlant. On pourrait renommer manuellement les colonnes avec rename avant de faire la jointure pour avoir des intitulés plus explicites, mais on peut aussi utiliser l’argument suffix de left_join, qui permet d’indiquer les suffixes à ajouter aux colonnes. Ainsi, on peut faire :

# A tibble: 336,776 x 8
   month   day origin dest  alt_depart name_depart   alt_arrivee name_arrivee   
   <int> <int> <chr>  <chr>      <dbl> <chr>               <dbl> <chr>          
 1     1     1 EWR    IAH           18 Newark Liber…          97 George Bush In…
 2     1     1 LGA    IAH           22 La Guardia             97 George Bush In…
 3     1     1 JFK    MIA           13 John F Kenne…           8 Miami Intl     
 4     1     1 JFK    BQN           13 John F Kenne…          NA <NA>           
 5     1     1 LGA    ATL           22 La Guardia           1026 Hartsfield Jac…
 6     1     1 EWR    ORD           18 Newark Liber…         668 Chicago Ohare …
 7     1     1 EWR    FLL           18 Newark Liber…           9 Fort Lauderdal…
 8     1     1 LGA    IAD           22 La Guardia            313 Washington Dul…
 9     1     1 JFK    MCO           13 John F Kenne…          96 Orlando Intl   
10     1     1 LGA    ORD           22 La Guardia            668 Chicago Ohare …
# … with 336,766 more rows

On obtient ainsi directement des noms de colonnes nettement plus clairs.

10.6.3 Types de jointures

Jusqu’à présent nous avons utilisé la fonction left_join, mais il existe plusieurs types de jointures.

Partons de deux tables d’exemple, personnes et voitures :

nom voiture
Sylvie Twingo
Sylvie Ferrari
Monique Scenic
Gunter Lada
Rayan Twingo
Rayan Clio
voiture vitesse
Twingo 140
Ferrari 280
Clio 160
Lada 85
208 160

10.6.3.1 left_join

Si on fait un left_join de voitures sur personnes :

Joining, by = "voiture"
nom voiture vitesse
Sylvie Twingo 140
Sylvie Ferrari 280
Monique Scenic NA
Gunter Lada 85
Rayan Twingo 140
Rayan Clio 160

On voit que chaque ligne de personnes est bien présente, et qu’on lui a ajouté une ligne de voitures correspondante si elle existe. Dans le cas du Scenic, il n’y a avait pas de ligne dans voitures, donc vitesse a été mise à NA. Dans le cas de 208, présente dans voitures mais pas dans personnes, la ligne n’apparaît pas.

Si on fait un left_join cette fois de personnes sur voitures, c’est l’inverse :

Joining, by = "voiture"
voiture vitesse nom
Twingo 140 Sylvie
Twingo 140 Rayan
Ferrari 280 Sylvie
Clio 160 Rayan
Lada 85 Gunter
208 160 NA

La ligne 208 est là, mais nom est à NA. Par contre Monique est absente. Et on remarquera que la ligne Twingo, présente deux fois dans personnes, a été dupliquée pour être associée aux deux lignes de données de Sylvie et Rayan.

En résumé, quand on fait un left_join(x, y), toutes les lignes de x sont présentes, et dupliquées si nécessaire quand elles apparaissent plusieurs fois dans y. Les lignes de y non présentes dans x disparaissent. Les lignes de x non présentes dans y se voient attribuer des NA pour les nouvelles colonnes.

Intuitivement, on pourrait considérer que left_join(x, y) signifie “ramener l’information de la table y sur la table x”.

En général, left_join sera le type de jointures le plus fréquemment utilisé.

10.6.3.2 right_join

La jointure right_join est l’exacte symétrique de left_join, c’est-à dire que right_join(x, y) est équivalent à left_join(y, x) :

Joining, by = "voiture"
nom voiture vitesse
Sylvie Twingo 140
Rayan Twingo 140
Sylvie Ferrari 280
Rayan Clio 160
Gunter Lada 85
NA 208 160

10.6.3.3 inner_join

Dans le cas de inner_join(x, y), seules les lignes présentes à la fois dans x et y sont conservées (et si nécessaire dupliquées) dans la table résultat :

Joining, by = "voiture"
nom voiture vitesse
Sylvie Twingo 140
Sylvie Ferrari 280
Gunter Lada 85
Rayan Twingo 140
Rayan Clio 160

Ici la ligne 208 est absente, ainsi que la ligne Monique, qui dans le cas d’un left_join avait été conservée et s’était vue attribuer une vitesse à NA.

10.6.3.4 full_join

Dans le cas de full_join(x, y), toutes les lignes de x et toutes les lignes de y sont conservées (avec des NA ajoutés si nécessaire) même si elles sont absentes de l’autre table :

Joining, by = "voiture"
nom voiture vitesse
Sylvie Twingo 140
Sylvie Ferrari 280
Monique Scenic NA
Gunter Lada 85
Rayan Twingo 140
Rayan Clio 160
NA 208 160

10.6.3.5 semi_join et anti_join

semi_join et anti_join sont des jointures filtrantes, c’est-à-dire qu’elles sélectionnent les lignes de x sans ajouter les colonnes de y.

Ainsi, semi_join ne conservera que les lignes de x pour lesquelles une ligne de y existe également, et supprimera les autres. Dans notre exemple, la ligne Monique est donc supprimée :

Joining, by = "voiture"
nom voiture
Sylvie Twingo
Sylvie Ferrari
Gunter Lada
Rayan Twingo
Rayan Clio

Un anti_join fait l’inverse, il ne conserve que les lignes de x absentes de y. Dans notre exemple, on ne garde donc que la ligne Monique :

Joining, by = "voiture"
nom voiture
Monique Scenic

10.7 Ressources

Toutes les ressources ci-dessous sont en anglais…

Le livre R for data science, librement accessible en ligne, contient plusieurs chapitres très complets sur la manipulation des données, notamment :

Le site de l’extension comprend une liste des fonctions et les pages d’aide associées, mais aussi une introduction au package et plusieurs articles dont un spécifiquement sur les jointures.

Enfin, une “antisèche” très synthétique est également accessible depuis RStudio, en allant dans le menu Help puis Cheatsheets et Data Transformation with dplyr.

10.8 Exercices

On commence par charger les extensions et les données nécessaires.

10.8.1 Les verbes de base de dplyr

Exercice 1.1

Sélectionner les lignes 100 à 105 du tableau des vols (flights).

# A tibble: 6 x 19
   year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
  <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
1  2013     1     1      752            759        -7      955            959
2  2013     1     1      753            755        -2     1056           1110
3  2013     1     1      754            759        -5     1039           1041
4  2013     1     1      754            755        -1     1103           1030
5  2013     1     1      758            800        -2     1053           1054
6  2013     1     1      759            800        -1     1057           1127
# … with 11 more variables: arr_delay <dbl>, carrier <chr>, flight <int>,
#   tailnum <chr>, origin <chr>, dest <chr>, air_time <dbl>, distance <dbl>,
#   hour <dbl>, minute <dbl>, time_hour <dttm>

Exercice 1.2

Sélectionnez les vols du mois de juillet (variable month).

# A tibble: 29,425 x 19
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013     7     1        1           2029       212      236           2359
 2  2013     7     1        2           2359         3      344            344
 3  2013     7     1       29           2245       104      151              1
 4  2013     7     1       43           2130       193      322             14
 5  2013     7     1       44           2150       174      300            100
 6  2013     7     1       46           2051       235      304           2358
 7  2013     7     1       48           2001       287      308           2305
 8  2013     7     1       58           2155       183      335             43
 9  2013     7     1      100           2146       194      327             30
10  2013     7     1      100           2245       135      337            135
# … with 29,415 more rows, and 11 more variables: arr_delay <dbl>,
#   carrier <chr>, flight <int>, tailnum <chr>, origin <chr>, dest <chr>,
#   air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>

Sélectionnez les vols avec un retard à l’arrivée (variable arr_delay) compris entre 5 et 15 minutes.

# A tibble: 36,392 x 19
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013     1     1      517            515         2      830            819
 2  2013     1     1      554            558        -4      740            728
 3  2013     1     1      558            600        -2      753            745
 4  2013     1     1      558            600        -2      924            917
 5  2013     1     1      600            600         0      837            825
 6  2013     1     1      611            600        11      945            931
 7  2013     1     1      623            610        13      920            915
 8  2013     1     1      624            630        -6      840            830
 9  2013     1     1      629            630        -1      824            810
10  2013     1     1      632            608        24      740            728
# … with 36,382 more rows, and 11 more variables: arr_delay <dbl>,
#   carrier <chr>, flight <int>, tailnum <chr>, origin <chr>, dest <chr>,
#   air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>

Sélectionnez les vols des compagnies Delta, United et American (codes DL, UA et AA de la variable carrier).

# A tibble: 139,504 x 19
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013     1     1      517            515         2      830            819
 2  2013     1     1      533            529         4      850            830
 3  2013     1     1      542            540         2      923            850
 4  2013     1     1      554            600        -6      812            837
 5  2013     1     1      554            558        -4      740            728
 6  2013     1     1      558            600        -2      753            745
 7  2013     1     1      558            600        -2      924            917
 8  2013     1     1      558            600        -2      923            937
 9  2013     1     1      559            600        -1      941            910
10  2013     1     1      559            600        -1      854            902
# … with 139,494 more rows, and 11 more variables: arr_delay <dbl>,
#   carrier <chr>, flight <int>, tailnum <chr>, origin <chr>, dest <chr>,
#   air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>

Exercice 1.3

Triez la table flights par retard au départ décroissant.

# A tibble: 336,776 x 19
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013     1     9      641            900      1301     1242           1530
 2  2013     6    15     1432           1935      1137     1607           2120
 3  2013     1    10     1121           1635      1126     1239           1810
 4  2013     9    20     1139           1845      1014     1457           2210
 5  2013     7    22      845           1600      1005     1044           1815
 6  2013     4    10     1100           1900       960     1342           2211
 7  2013     3    17     2321            810       911      135           1020
 8  2013     6    27      959           1900       899     1236           2226
 9  2013     7    22     2257            759       898      121           1026
10  2013    12     5      756           1700       896     1058           2020
# … with 336,766 more rows, and 11 more variables: arr_delay <dbl>,
#   carrier <chr>, flight <int>, tailnum <chr>, origin <chr>, dest <chr>,
#   air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>

Exercice 1.4

Sélectionnez les colonnes name, lat et lon de la table airports

# A tibble: 1,458 x 3
   name                             lat    lon
   <chr>                          <dbl>  <dbl>
 1 Lansdowne Airport               41.1  -80.6
 2 Moton Field Municipal Airport   32.5  -85.7
 3 Schaumburg Regional             42.0  -88.1
 4 Randall Airport                 41.4  -74.4
 5 Jekyll Island Airport           31.1  -81.4
 6 Elizabethton Municipal Airport  36.4  -82.2
 7 Williams County Airport         41.5  -84.5
 8 Finger Lakes Regional Airport   42.9  -76.8
 9 Shoestring Aviation Airfield    39.8  -76.6
10 Jefferson County Intl           48.1 -123. 
# … with 1,448 more rows

Sélectionnez toutes les colonnes de la table airports sauf les colonnes tz et tzone

# A tibble: 1,458 x 6
   faa   name                             lat    lon   alt dst  
   <chr> <chr>                          <dbl>  <dbl> <dbl> <chr>
 1 04G   Lansdowne Airport               41.1  -80.6  1044 A    
 2 06A   Moton Field Municipal Airport   32.5  -85.7   264 A    
 3 06C   Schaumburg Regional             42.0  -88.1   801 A    
 4 06N   Randall Airport                 41.4  -74.4   523 A    
 5 09J   Jekyll Island Airport           31.1  -81.4    11 A    
 6 0A9   Elizabethton Municipal Airport  36.4  -82.2  1593 A    
 7 0G6   Williams County Airport         41.5  -84.5   730 A    
 8 0G7   Finger Lakes Regional Airport   42.9  -76.8   492 A    
 9 0P2   Shoestring Aviation Airfield    39.8  -76.6  1000 U    
10 0S9   Jefferson County Intl           48.1 -123.    108 A    
# … with 1,448 more rows

Toujours dans la table airports, renommez la colonne lat en latitude et lon en longitude.

# A tibble: 1,458 x 8
   faa   name                 latitude longitude   alt    tz dst   tzone        
   <chr> <chr>                   <dbl>     <dbl> <dbl> <dbl> <chr> <chr>        
 1 04G   Lansdowne Airport        41.1     -80.6  1044    -5 A     America/New_…
 2 06A   Moton Field Municip…     32.5     -85.7   264    -6 A     America/Chic…
 3 06C   Schaumburg Regional      42.0     -88.1   801    -6 A     America/Chic…
 4 06N   Randall Airport          41.4     -74.4   523    -5 A     America/New_…
 5 09J   Jekyll Island Airpo…     31.1     -81.4    11    -5 A     America/New_…
 6 0A9   Elizabethton Munici…     36.4     -82.2  1593    -5 A     America/New_…
 7 0G6   Williams County Air…     41.5     -84.5   730    -5 A     America/New_…
 8 0G7   Finger Lakes Region…     42.9     -76.8   492    -5 A     America/New_…
 9 0P2   Shoestring Aviation…     39.8     -76.6  1000    -5 U     America/New_…
10 0S9   Jefferson County In…     48.1    -123.    108    -8 A     America/Los_…
# … with 1,448 more rows

Exercice 1.5

Dans la table airports, la colonne alt contient l’altitude de l’aéroport en pieds. Créer une nouvelle variable alt_m contenant l’altitude en mètres (on convertit des pieds en mètres en les divisant par 3.2808). Sélectionner dans la table obtenue uniquement les deux colonnes alt et alt_m.

# A tibble: 1,458 x 2
     alt  alt_m
   <dbl>  <dbl>
 1  1044 318.  
 2   264  80.5 
 3   801 244.  
 4   523 159.  
 5    11   3.35
 6  1593 486.  
 7   730 223.  
 8   492 150.  
 9  1000 305.  
10   108  32.9 
# … with 1,448 more rows

10.8.2 Enchaîner des opérations

Exercice 2.1

Réécrire le code de l’exercice précédent en utilisant le pipe %>%.

Exercice 2.2

En utilisant le pipe, sélectionnez les vols à destination de San Francico (code SFO de la variable dest) et triez-les selon le retard au départ décroissant (variable dep_delay).

# A tibble: 13,331 x 19
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013     9    20     1139           1845      1014     1457           2210
 2  2013     7     7     2123           1030       653       17           1345
 3  2013     7     7     2059           1030       629      106           1350
 4  2013     7     6      149           1600       589      456           1935
 5  2013     7    10      133           1800       453      455           2130
 6  2013     7    10     2342           1630       432      312           1959
 7  2013     7     7     2204           1525       399      107           1823
 8  2013     7     7     2306           1630       396      250           1959
 9  2013     6    23     1833           1200       393       NA           1507
10  2013     7    10     2232           1609       383      138           1928
# … with 13,321 more rows, and 11 more variables: arr_delay <dbl>,
#   carrier <chr>, flight <int>, tailnum <chr>, origin <chr>, dest <chr>,
#   air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>

Exercice 2.3

Sélectionnez les vols des mois de septembre et octobre, conservez les colonnes dest et dep_delay, créez une nouvelle variable retard_h contenant le retard au départ en heures, triez selon retard_h par ordre décroissant et conservez uniquement les 5 premières lignes.

# A tibble: 5 x 3
  dest  dep_delay retard_h
  <chr>     <dbl>    <dbl>
1 SFO        1014    16.9 
2 ATL         702    11.7 
3 DTW         696    11.6 
4 ATL         602    10.0 
5 MSP         593     9.88

10.8.3 group_by et summarise

Exercice 3.1

Affichez le nombre de vols par mois.

# A tibble: 12 x 2
   month     n
   <int> <int>
 1     1 27004
 2     2 24951
 3     3 28834
 4     4 28330
 5     5 28796
 6     6 28243
 7     7 29425
 8     8 29327
 9     9 27574
10    10 28889
11    11 27268
12    12 28135

Triez la table résultat selon le nombre de vols croissant.

# A tibble: 12 x 2
   month     n
   <int> <int>
 1     2 24951
 2     1 27004
 3    11 27268
 4     9 27574
 5    12 28135
 6     6 28243
 7     4 28330
 8     5 28796
 9     3 28834
10    10 28889
11     8 29327
12     7 29425

Exercice 3.2

Calculer la distance moyenne des vols selon l’aéroport de départ.

# A tibble: 3 x 2
  origin distance_moyenne
  <chr>             <dbl>
1 EWR               1057.
2 JFK               1266.
3 LGA                780.

Exercice 3.3

Calculer le nombre de vols à destination de Los Angeles (code LAX) pour chaque mois de l’année.

# A tibble: 12 x 2
   month     n
   <int> <int>
 1     1  1159
 2     2  1030
 3     3  1178
 4     4  1382
 5     5  1453
 6     6  1430
 7     7  1500
 8     8  1505
 9     9  1384
10    10  1409
11    11  1336
12    12  1408

Exercice 3.4

Calculer le nombre de vols selon le mois et la destination.

# A tibble: 1,113 x 3
   month dest      n
   <int> <chr> <int>
 1     1 ALB      64
 2     1 ATL    1396
 3     1 AUS     169
 4     1 AVL       2
 5     1 BDL      37
 6     1 BHM      25
 7     1 BNA     399
 8     1 BOS    1245
 9     1 BQN      93
10     1 BTV     223
# … with 1,103 more rows

Ne conserver, pour chaque mois, que la destination avec le nombre maximal de vols.

# A tibble: 12 x 3
   month dest      n
   <int> <chr> <int>
 1     1 ATL    1396
 2     2 ATL    1267
 3     3 ATL    1448
 4     4 ATL    1490
 5     5 ORD    1582
 6     6 ORD    1547
 7     7 ORD    1573
 8     8 ORD    1604
 9     9 ORD    1582
10    10 ORD    1604
11    11 ATL    1384
12    12 ATL    1463

Exercice 3.5

Calculer le nombre de vols selon le mois. Ajouter une colonne comportant le pourcentage de vols annuels réalisés par mois.

# A tibble: 12 x 3
   month     n pourcentage
   <int> <int>       <dbl>
 1     1 27004        8.02
 2     2 24951        7.41
 3     3 28834        8.56
 4     4 28330        8.41
 5     5 28796        8.55
 6     6 28243        8.39
 7     7 29425        8.74
 8     8 29327        8.71
 9     9 27574        8.19
10    10 28889        8.58
11    11 27268        8.10
12    12 28135        8.35

Exercice 3.6

Calculer, pour chaque destination et chaque mois, le retard moyen à l’arrivée. Pour chaque mois, trier les destinations selon ce retard moyen décroissant, et (toujours pour chaque mois) ne conserver que les trois destinations avec le retard le plus important.

# A tibble: 36 x 3
   month dest  retard_moyen
   <int> <chr>        <dbl>
 1     1 TUL           68.1
 2     1 OKC           57.7
 3     1 CAE           55.9
 4     2 DSM           48.2
 5     2 TUL           33.5
 6     2 GSP           32.9
 7     3 DSM           60.6
 8     3 CAE           46.9
 9     3 PVD           44.3
10     4 CAE           71.3
# … with 26 more rows

10.8.4 Jointures

Exercice 4.1

Faire la jointure de la table airlines sur la table flights à l’aide de left_join.

# A tibble: 336,776 x 20
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013     1     1      517            515         2      830            819
 2  2013     1     1      533            529         4      850            830
 3  2013     1     1      542            540         2      923            850
 4  2013     1     1      544            545        -1     1004           1022
 5  2013     1     1      554            600        -6      812            837
 6  2013     1     1      554            558        -4      740            728
 7  2013     1     1      555            600        -5      913            854
 8  2013     1     1      557            600        -3      709            723
 9  2013     1     1      557            600        -3      838            846
10  2013     1     1      558            600        -2      753            745
# … with 336,766 more rows, and 12 more variables: arr_delay <dbl>,
#   carrier <chr>, flight <int>, tailnum <chr>, origin <chr>, dest <chr>,
#   air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>,
#   name <chr>

Exercice 4.2

À partir de la table résultat de l’exercice précédent, calculer le retard moyen au départ pour chaque compagnie, trier selon ce retard décroissant et ne conserver que le nom de la compagnie et le retard correspondant.

# A tibble: 16 x 2
   name                        retard_moyen
   <chr>                              <dbl>
 1 Frontier Airlines Inc.             20.2 
 2 ExpressJet Airlines Inc.           20.0 
 3 Mesa Airlines Inc.                 19.0 
 4 AirTran Airways Corporation        18.7 
 5 Southwest Airlines Co.             17.7 
 6 Endeavor Air Inc.                  16.7 
 7 JetBlue Airways                    13.0 
 8 Virgin America                     12.9 
 9 SkyWest Airlines Inc.              12.6 
10 United Air Lines Inc.              12.1 
11 Envoy Air                          10.6 
12 Delta Air Lines Inc.                9.26
13 American Airlines Inc.              8.59
14 Alaska Airlines Inc.                5.80
15 Hawaiian Airlines Inc.              4.90
16 US Airways Inc.                     3.78

Exercice 4.3

Faire la jointure de la table airports sur la table flights en utilisant comme clé le code de l’aéroport de destination.

# A tibble: 336,776 x 26
    year month   day dep_time sched_dep_time dep_delay arr_time sched_arr_time
   <int> <int> <int>    <int>          <int>     <dbl>    <int>          <int>
 1  2013     1     1      517            515         2      830            819
 2  2013     1     1      533            529         4      850            830
 3  2013     1     1      542            540         2      923            850
 4  2013     1     1      544            545        -1     1004           1022
 5  2013     1     1      554            600        -6      812            837
 6  2013     1     1      554            558        -4      740            728
 7  2013     1     1      555            600        -5      913            854
 8  2013     1     1      557            600        -3      709            723
 9  2013     1     1      557            600        -3      838            846
10  2013     1     1      558            600        -2      753            745
# … with 336,766 more rows, and 18 more variables: arr_delay <dbl>,
#   carrier <chr>, flight <int>, tailnum <chr>, origin <chr>, dest <chr>,
#   air_time <dbl>, distance <dbl>, hour <dbl>, minute <dbl>, time_hour <dttm>,
#   name <chr>, lat <dbl>, lon <dbl>, alt <dbl>, tz <dbl>, dst <chr>,
#   tzone <chr>

À partir de cette table, afficher pour chaque mois le nom de l’aéroport de destination ayant eu le plus petit nombre de vol.

# A tibble: 14 x 3
   month name                      n
   <int> <chr>                 <int>
 1     1 Key West Intl             1
 2     2 Jackson Hole Airport      3
 3     3 Bangor Intl               2
 4     4 Key West Intl             1
 5     4 Myrtle Beach Intl         1
 6     5 Columbia Metropolitan     9
 7     6 Myrtle Beach Intl         1
 8     7 La Guardia                1
 9     8 South Bend Rgnl           1
10     9 South Bend Rgnl           5
11    10 Albany Intl               1
12    10 South Bend Rgnl           1
13    11 Blue Grass                1
14    12 South Bend Rgnl           1

Exercice 4.4

Créer une table indiquant, pour chaque trajet, le nom de l’aéroport de départ et celui de l’aéroport d’arrivée.

# A tibble: 336,776 x 2
   orig_name           dest_name                      
   <chr>               <chr>                          
 1 Newark Liberty Intl George Bush Intercontinental   
 2 La Guardia          George Bush Intercontinental   
 3 John F Kennedy Intl Miami Intl                     
 4 John F Kennedy Intl <NA>                           
 5 La Guardia          Hartsfield Jackson Atlanta Intl
 6 Newark Liberty Intl Chicago Ohare Intl             
 7 Newark Liberty Intl Fort Lauderdale Hollywood Intl 
 8 La Guardia          Washington Dulles Intl         
 9 John F Kennedy Intl Orlando Intl                   
10 La Guardia          Chicago Ohare Intl             
# … with 336,766 more rows

10.8.5 Bonus

Exercice 5.1

Calculer le nombre de vols selon l’aéroport de destination, et fusionnez la table airports sur le résultat avec left_join. Stocker le résultat final dans un objet nommé flights_dest.

# A tibble: 105 x 9
   dest      n name                     lat    lon   alt    tz dst   tzone      
   <chr> <int> <chr>                  <dbl>  <dbl> <dbl> <dbl> <chr> <chr>      
 1 ABQ     254 Albuquerque Internati…  35.0 -107.   5355    -7 A     America/De…
 2 ACK     265 Nantucket Mem           41.3  -70.1    48    -5 A     America/Ne…
 3 ALB     439 Albany Intl             42.7  -73.8   285    -5 A     America/Ne…
 4 ANC       8 Ted Stevens Anchorage…  61.2 -150.    152    -9 A     America/An…
 5 ATL   17215 Hartsfield Jackson At…  33.6  -84.4  1026    -5 A     America/Ne…
 6 AUS    2439 Austin Bergstrom Intl   30.2  -97.7   542    -6 A     America/Ch…
 7 AVL     275 Asheville Regional Ai…  35.4  -82.5  2165    -5 A     America/Ne…
 8 BDL     443 Bradley Intl            41.9  -72.7   173    -5 A     America/Ne…
 9 BGR     375 Bangor Intl             44.8  -68.8   192    -5 A     America/Ne…
10 BHM     297 Birmingham Intl         33.6  -86.8   644    -6 A     America/Ch…
# … with 95 more rows

Créez une carte interactive des résultats avec leaflet et le code suivant :


  1. À noter que cette opération est un peu plus “fragile” que les autres, car si l’ordre des colonnes change elle peut renvoyer un résultat différent.

  2. Il est également possible de renommer des colonnes directement avec select, avec la même syntaxe que pour rename.

  3. Le pipe a été introduit à l’origine par l’extension magrittr, et repris par dplyr