CHAÎNES DE CARACTÈRES ER DATES EN R
CHAÎNES DE CARACTÈRES ER DATES EN R
Programming, R · course
Voir tous les documents en programmation
Fiche de révisionFiche de cours
Rédigée à partir de ce document, puis vérifiée avant publication.
Ce matériel couvre les manipulations de chaînes de caractères et la gestion des dates dans le langage de programmation R. Il s'adresse aux étudiants et chercheurs souhaitant maîtriser les opérations de base sur les chaînes, le formatage et la conversion des dates, ainsi que l'utilisation des expressions régulières pour l'analyse et le traitement de données textuelles.
Pour manipuler des chaînes de caractères en R, plusieurs fonctions de base sont disponibles. On peut commencer par lire un texte depuis un fichier avec la fonction readLines, qui retourne un vecteur de chaînes, chaque élément correspondant à une ligne du fichier.
summary <- readLines("/file_path/The_Artist.txt")
summary
nchar retourne la longueur d'une chaîne.nchar(summary[1])
# [1] 450
toupper transforme tous les caractères en majuscules.toupper(summary[1])
tolower transforme tous les caractères en minuscules.tolower(summary[1])
chartr remplace un ensemble de caractères par un autre dans une chaîne.chartr(" ", "-", summary[1])
Dans cet exemple, tous les espaces sont remplacés par des traits d'union.
strsplit divise une chaîne selon un séparateur donné, ici un espace.char_list <- strsplit(summary[1], " ")
word_list <- unlist(char_list)
word_list
Le résultat est un vecteur où chaque élément est un mot extrait de la chaîne.
sort classe les éléments par ordre alphabétique.sorted_list <- sort(word_list)
sorted_list
paste avec l'argument collapse permet de recomposer une chaîne à partir d'un vecteur, séparant les éléments par un délimiteur.paste(sorted_list, collapse = " ")
substr extrait une portion d'une chaîne en précisant les indices de début et de fin.sub_string <- substr(summary[1], start = 4, stop = 50)
sub_string
# [1] " Artist is a 2011 French romantic comedy-drama "
Pour supprimer les espaces en début et fin de chaîne, on utilise trimws :
trimws(sub_string)
# [1] "Artist is a 2011 French romantic comedy-drama"
str_sub du package stringr permet d'extraire des caractères en utilisant des indices négatifs.library(stringr)
str_sub(summary[1], -8, -1)
# [1] "talkies."
Les indices négatifs indiquent la position à partir de la fin de la chaîne.
Les dates sont des données essentielles pour les analyses temporelles. R dispose d'une classe spécialisée Date qui représente les dates comme le nombre de jours écoulés depuis le 1er janvier 1970, selon le calendrier grégorien.
Les données peuvent provenir de formats variés, comme le format UNIX qui compte les secondes depuis le 1er janvier 1970. Par exemple, une colonne de dates au format UNIX peut être convertie en date R avec :
actors.birthday <- as.POSIXct(bestActors$Date.of.Birth, origin = "1970-01-01")
Cette conversion produit un horodatage complet (YYYY-MM-DD HH:MM:SS). Pour obtenir uniquement la date, on applique :
actors.birthday <- as.Date(actors.birthday)
Dans le cas où les dates sont stockées en facteur avec un format spécifique, on peut convertir avec un format personnalisé :
actresses.birthday <- as.Date(actresses.birthday, "%Y/%m/%d")
Exemple de conversion d'une chaîne en date avec un format jour/mois/année :
as.Date("27/06/94", "%d/%m/%y")
# "1994-06-27"
%Y : année sur 4 chiffres%y : année sur 2 chiffres%m : mois sur 2 chiffres%d : jour sur 2 chiffresPar défaut, R attend un format "année-mois-jour" séparé par des tirets ou barres obliques.
as.Date("1994/06/27") - as.Date("1959/01/01")
# Time difference of 12961 days
as.Date("1994/06/27") > as.Date("1959/01/01")
# TRUE
as.Date("1994/06/27") - 14
# "1994-06-13"
Sys.Date()
# "2020-08-10"
date()
# "Mon Aug 10 15:51:48 2020"
Sys.time()
# "2020-08-10 19:48:11 UTC"
weekdays(Sys.Date())
# "Monday"
months(Sys.Date())
# "August"
quarters(Sys.Date())
# "Q3"
Les expressions régulières permettent de rechercher et manipuler des motifs dans des chaînes de caractères. Elles sont particulièrement utiles pour extraire ou valider des données textuelles.
Supposons que l'on souhaite extraire le domaine d'une adresse e-mail, c'est-à-dire la partie entre le signe @ et le point .. Les domaines peuvent varier en longueur et en caractères, ce qui rend les expressions régulières adaptées.
Une expression régulière simple pour un e-mail est :
.+@.+
Elle signifie : un ou plusieurs caractères, suivis de @, suivis d'un ou plusieurs caractères.
Pour isoler le texte entre @ et le point, on utilise :
@.+\\.
Les doubles backslash \\. échappent le point, qui est un caractère spécial signifiant "n'importe quel caractère".
grep("@.*", c("[email protected]", "not an email", "[email protected]"))
# [1] 1 3
value=TRUE, grep retourne les chaînes correspondantes :grep("@.*", c("[email protected]", "not an email", "[email protected]"), value=TRUE)
# [1] "[email protected]" "[email protected]"
gsub("@.*", "@new.com", c("[email protected]", "not an email", "[email protected]"))
# [1] "[email protected]" "not an email" "[email protected]"
matches <- regexpr("@.*", c("[email protected]", "not an email", "[email protected]"))
regmatches(c("[email protected]", "not an email", "[email protected]"), matches)
# [1] "testing.com" "testing.com"
Pour extraire les domaines d'une colonne d'adresses e-mail dans un data frame email_df :
matches <- regexpr("@.*\\.", email_df[, 'Email'])
email_df[, 'Domain'] <- regmatches(email_df[, 'Email'], matches)
Cette nouvelle colonne Domain contient les domaines extraits, facilitant ainsi l'analyse des données.
grep, gsub, regexpr et regmatches facilitent l'utilisation des expressions régulières en R.