Atelier Statistique avec R

Ce matériel couvre une introduction complète au logiciel R, destiné aux étudiants ayant déjà des notions en statistique descriptive, variables aléatoires et statistique mathématique. Il présente les bases de la programmation R, son histoire, son environnement, ainsi que les ressources pour débuter et progresser dans l'utilisation de ce logiciel libre d’analyse statistique.

Introduction à la programmation R

Le langage R est un outil puissant pour la statistique, combinant programmation et analyse de données. Cette section présente les bases du langage R, les types de données, les structures algorithmiques telles que les branchements conditionnels et les boucles, ainsi que la manipulation des vecteurs.

Les bases du langage R

R est un langage interprété, interactif, conçu pour l’analyse statistique. Il permet de créer des objets, manipuler des données et réaliser des calculs statistiques.

Types de données et structures algorithmiques

• Types de données : vecteurs, matrices, listes, facteurs, etc.
• Structures algorithmiques : conditions (if, else), boucles (for, while).

Manipulation des vecteurs sous R

Les vecteurs sont des structures de données fondamentales en R. On peut les créer, les manipuler et effectuer des calculs récapitulatifs.

# Exemple de création d'un vecteur et calcul de la moyenne
x <- c(1, 2, 3, 4, 5)
mean(x)

Tableaux et matrices avec R

R permet de créer des matrices à partir de vecteurs et de modifier dynamiquement leurs dimensions. La fonction apply() facilite les calculs sur les lignes ou colonnes.

# Création d'une matrice 2x3 à partir d'un vecteur
m <- matrix(1:6, nrow=2, ncol=3)
# Calcul de la somme par ligne
apply(m, 1, sum)

Programmation à partir des objets statistiques sous R

Il est possible de récupérer les propriétés des objets statistiques issus des calculs, notamment grâce à la commande attributes(). Cela permet de programmer de nouvelles méthodes sous forme de fonctions adaptées aux besoins spécifiques.

# Exemple d'utilisation de attributes()
mod <- lm(y ~ x, data=mydata)
attributes(mod)

Programmation MapReduce sous R

Une introduction au système Hadoop est proposée, avec le système de fichiers HDFS et le modèle de programmation MapReduce. Le package RHadoop permet d’utiliser ces concepts directement depuis R.

Aperçu et histoire de R

R est un dialecte du langage S, développé initialement chez Bell Labs. Il a été conçu pour offrir un environnement interactif d’analyse statistique, évoluant vers un langage complet et libre.

Origines du langage S

• Créé par John Chambers et son équipe chez Bell Labs en 1976.
• Initialement basé sur des bibliothèques Fortran, sans fonctions de modélisation statistique.
• Réécrit en C en 1988, version 3 du langage.
• Version 4 lancée en 1998, base du système actuel.

« Nous voulions que les utilisateurs puissent commencer dans un environnement interactif, sans se percevoir comme des programmeurs. Puis, à mesure que leurs besoins et leur sophistication augmentaient, ils pourraient progressivement s’initier à la programmation, où les aspects du langage et du système deviendraient plus importants. »
John Chambers

Développement de R

• 1991 : R développé en Nouvelle-Zélande par Ihaka et Gentleman.
• 1993 : première annonce publique.
• 1995 : adoption de la licence GNU GPL pour en faire un logiciel libre.
• 1996 : création des listes de diffusion publiques R-help et R-devel.
• 1997 : formation du groupe de base R, contrôle du code source.
• 2000 : sortie de la version 1.0.0.
• 2018 : version 3.5.1 disponible.

Logiciel libre et design de R

R est un logiciel libre, ce qui signifie que les utilisateurs ont plusieurs libertés essentielles :

• Exécuter le programme pour tout usage.
• Étudier et adapter le code source à leurs besoins.
• Redistribuer des copies pour aider d’autres utilisateurs.
• Améliorer le programme et diffuser ces améliorations.

Le système R est divisé en deux parties conceptuelles :

1. Le système R de base, téléchargeable depuis CRAN.
2. Tout le reste, constitué de packages additionnels.

Le système de base comprend des packages fondamentaux comme base, utils, stats, graphics, etc. D’autres packages recommandés incluent boot, cluster, survival, MASS, etc.

En plus, environ 4 000 packages sont disponibles sur CRAN, développés par la communauté mondiale, ainsi que des packages spécifiques au projet Bioconductor pour la bioinformatique.

RStudio : un environnement de développement intégré

L’interface de base de R est simple et rudimentaire. RStudio est un environnement de développement intégré (IDE) libre et gratuit qui facilite grandement l’utilisation de R.

• Fonctionne sous Windows, Mac OS X et Linux.
• Éditeur de script avec coloration syntaxique.
• Fonctionnalités d’édition et d’exécution du code.
• Affichage simultané du code, console, fichiers, graphiques et aide.
• Gestion des extensions et intégration avec des systèmes de contrôle de versions comme git.
• Production de rapports au format Rmarkdown.

RStudio est en développement actif avec des mises à jour régulières. Son principal inconvénient est que son interface est uniquement en anglais.

Ressources et aides pour apprendre R

La communauté R est très dynamique et offre de nombreuses ressources :

• Listes de diffusion publiques : R-help, R-devel.
• Forums comme Stack Overflow.
• Site officiel du projet CRAN : https://cran.r-project.org.
• Bibliographie de livres disponibles sur le site officiel : https://www.r-project.org/doc/bib/R-books.html.

Installation de R et RStudio

Pour installer R et RStudio :

• Windows : aller sur https://cran.r-project.org/bin/windows/base/, télécharger le programme d’installation et suivre les options par défaut.
• Mac OS X : aller sur https://cran.r-project.org/bin/macosx/ pour installer R.
• Ensuite, télécharger RStudio (édition Open Source) depuis https://www.rstudio.com/products/rstudio/download/ et suivre les instructions d’installation adaptées à votre système.

Glossaire des termes clés

• R : langage et environnement libre pour l’analyse statistique et la programmation.
• S : langage statistique développé chez Bell Labs, ancêtre de R.
• CRAN : Comprehensive R Archive Network, dépôt officiel des packages R.
• Package : module complémentaire contenant des fonctions, données et documentation pour R.
• Vecteur : structure de données fondamentale en R, séquence d’éléments du même type.
• Matrice : tableau à deux dimensions, extension des vecteurs.
• apply() : fonction R permettant d’appliquer une fonction à des marges (lignes ou colonnes) d’une matrice ou d’un tableau.
• MapReduce : modèle de programmation pour le traitement distribué de grandes données, utilisable via RHadoop dans R.
• RStudio : environnement de développement intégré pour R, facilitant la programmation et l’analyse.
• GNU GPL : licence publique générale garantissant la liberté d’utilisation, modification et redistribution d’un logiciel.

Points clés à retenir

• R est un langage libre et puissant pour la statistique, issu du langage S.
• Il combine programmation, manipulation de données et calculs statistiques.
• Le système R est modulaire, basé sur un noyau et de nombreux packages.
• RStudio améliore considérablement l’expérience utilisateur avec des outils intégrés.
• La communauté R est active et offre de nombreuses ressources et packages.
• R s’installe facilement sur Windows et Mac OS X, avec des instructions claires.
• Les notions de base incluent la manipulation des vecteurs, matrices, structures conditionnelles et boucles.