Apprentissage Logiciel I (R) Mr. BEZOUI

Prntation du logiciel R
R et sa documentation
Les bases du logiciel R
Apprentissage Langage R
Master Mathématique Financière 1
Partie I
A.C Guidoum M. Bezoui
USHTB
December 14, 2015
1 / 29
1 Prntation du logiciel R
2 R et sa documentation
3 Les bases du logiciel R
2 / 29
Origines?
Pourquoi utiliser R?
R et les statistiques
R et les graphiques
Présentation du logiciel R
3 / 29
Origines?
R et les graphiques
Origines?
4 / 29
Origines?
R et les graphiques
Origines?
Le logiciel R est un logiciel de statistique créé par Ross Ihaka & Robert Gentleman. Il est
à la fois un langage informatique et un environnement de travail: les commandes sont
exécutées grâce à des instructions codées dans un langage relativement simple, les
résultats sont affichés sous forme de texte et les graphiques sont visualisés directement
dans une fenêtre qui leur est propre. C’est un clone du logiciel S-plus qui est fondé sur
le langage de programmation orienté objet S, développé par AT&T Bell Laboratories
en 1984. Ce logiciel sert à manipuler des données, à tracer des graphiques et à faire
des analyses statistiques sur ces données.
5 / 29
Origines?
R et les graphiques
6 / 29
Origines?
R et les graphiques
Tout d’abord R est un logiciel gratuit et à code source ouvert (opensource). Il

fonctionne sous UNIX (et Linux), Windows et Macintosh. C’est donc un logiciel
multi-plates-formes. Tout le monde peut d’ailleurs contribuer à son amélioration en y
intégrant de nouvelles fonctionnalités ou méthodes d’analyse non encore implémentées.
Cela en fait donc un logiciel en rapide et constante évolution.
C’est aussi un outil très puissant et très complet, particulièrement bien adapté pour la
mise en oeuvre informatique de méthodes statistiques. Il est plus difficile d’accès que
certains autres logiciels du marché (comme SPSS ou Minitab par exemple), car il n’est
pas conçu pour être utilisé à l’aide de "clics" de souris dans des menus. L’avantage en
est toutefois double:
• L’approche est pédagogique puisqu’il faut maîtriser les méthodes statistiques
pour parvenir à les mettre en oeuvre.
• L’outil est très efficace lorsque l’on domine le langage R puisque l’on devient
alors capable de créer ses propres outils, ce qui permet ainsi d’opérer des analyses
très sophistiquées sur les données.
7 / 29
Origines?
R et les graphiques
8 / 29
Origines?
R et les graphiques
R est un logiciel dans lequel de nombreuses techniques statistiques modernes et

classiques ont été implémentées. Les méthodes les plus courantes permettant de
réaliser une analyse statistique telles que:
• statistique descriptive; tests d’hypothèses; analyse de la variance; méthodes de
régression linéaire (simple et multiple); ect. . .
sont enchâssées directement dans le coeur du système. Notez également que la plupart
des méthodes avancées de statistique sont aussi disponibles au travers de modules
externes appelés packages. Ceux-ci sont faciles à installer directement à partir d’un
menu du logiciel. Ils sont tous regroupés sur le site internet du Comprehensive R
Archive Network (CRAN) (http://cran.r-project.org) sur lequel vous pouvez les
consulter.
9 / 29
Origines?
R et les graphiques
R et les graphiques
10 / 29
Origines?
R et les graphiques
R et les graphiques
Une des grandes forces de R réside dans ses capacités, bien supeneures à celles des
autres logiciels courants du marché, à combiner un langage de programmation avec
la possibilité de réaliser des graphiques de qualité. Ces dernières possèdent de très
nombreux paramètres permettant par exemple d’ajouter des titres, des légendes, des
couleurs, etc. Mais il est également possible d’effectuer des graphiques plus sophistiqués
permettant de représenter des données complexes telles que des courbes de surface
ou de niveau, des volumes affichés avec un effet 3D, des courbes de densité, et bien
d’autres choses encore.
11 / 29
Origines?
R et les graphiques
R et les graphiques
Vous pouvez obtenir une démonstration des possibilités graphiques de R en tapant

successivement les commande suivantes:
demo(graphics)
demo(persp)
demo(image)
example(plot)
12 / 29
Prntation du logiciel R La commande help()
R et sa documentation Quelques commandes complntaires
Les bases du logiciel R Aide accessible sur l’Internet
13 / 29
La commande help()
14 / 29
La commande help()
R contient une aide en ligne (en anglais) très complète et très bien structurée sur
toutes les fonctions que vous pouvez utiliser ainsi que sur les différents symboles du
langage. Cette aide est accessible au moyen de plusieurs commandes dont la principale
est help(). Elle s’utilise en mode ligne de commande.
Tapez par exemple:
> help(help)
La commande help() possède un alias qui est le point d’interrogation: ?
> ?sum
> ?mean
15 / 29
La commande help()
Il peut arriver que cet alias ne fonctionne pas, et il est alors nécessaire d’utiliser la
fonction help() avec des guillemets.
> ?function # Ne fonctionne pas

> help(function) # Renvoie une erreur
> help("function") # Appel correct
16 / 29
Quelques commandes complémentaires
17 / 29
En plus de la commande principale help(), il existe quelques autres fonctions complé-

mentaires qui peuvent se révéler utiles lorsque l’on cherche de l’aide sur une commande
donnée. Nous les présentons ci-dessous:
• help.start(): cette fonction ouvre un navigateur avec plusieurs liens vers des
manuels au format HTML, de l’aide sur toutes les fonctions présentes dans tous
les packages de R .
• help.search() ou ??(): cette fonction est à utiliser lorsque l’on ne connaît pas le
nom d’une commande.
• apropos(): cette instruction renvoie une liste de toutes les fonctions dont le nom
contient le paramètre d’appel.
• library(help=package): cette commande permet de lister toutes les fonctions
présentes dans la librairie package.
• find("fonction") permet de savoir à quelle librairie appartient la fonction
"fonction".
• vignette(): les vignettes sont des petits fichiers au format PDF à visée
pédagogique qui expliquent certaines notions plus en détail.
18 / 29
Voici trois autres fonctions qui pourront également se révéler utiles:

• data(): cette commande renvoie la liste de tous les jeux de données (datasets)
présents dans R .
• example(): cette instruction donne des exemples sur l’utilisation d’une fonction.
Ainsi, example(mean) exécute les instructions présentes dans la section
Examples du fichier d’aide obtenu quand on tape help(mean).
• demo(): cette instruction est similaire à la précédente, mais n’est accessible que
pour un nombre limité de fonctions. Lorsqu’elle est disponible, elle présente un
éventail des possibilités offertes par une fonction. Essayez par exemple
demo(graphies).
19 / 29
Aide accessible sur l’Internet
20 / 29
Aide accessible sur l’Internet
Le site web officiel de R (http://www.r-projeet.org/) contient une quantité con-

sidérable d’informations sur ce logiciel. Nous vous conseillons de passer un peu de
temps à l’explorer. Il existe deux moteurs de recherche principaux sur R :
• http://search.r-project.org/nmz.html (La commande RSiteSearch()
permet de faire une requête sur ce site directement depuis R .)
• http://www.rseek.org/
21 / 29
Les concepts de base, l’organisation des donn
Les donn dans R
22 / 29
Les donn dans R
Les concepts de base, l’organisation des données
23 / 29
Les donn dans R
R est une calculatrice
R, comme beaucoup d’autres langages de ce type, remplace aisément les fonctionnalités

d’une calculatrice (très sophistiquée !). Il permet aussi, et c’est une grande force , de
faire des calculs sur des vecteurs. Voici déjà quelques exemples très simples.
> 11*12.5 # Attention, le séparateur décimal doit être un point ( . )
[1] 137.5
> sin(2*pi/3)
[1] 0.8660254
> c(1,2,3,4,5) # Crée un vecteur contenant les cinq premiers entiers.
[l] 1 2 3 4 5
24 / 29
Les donn dans R
Utilisation de fonctions
Le logiciel R contient de nombreuses autres fonctions dans sa version de base, et

on peut en ajouter des milliers d’autres (en installant des packages, ou même en les
réalisant soi-même).
> log(1)
[1] 0
> log(exp(1),base=10)
[1] 0.4342945
> factorial(10)
[l] 3628800
25 / 29
Les donn dans R
Les données dans R
26 / 29
Les donn dans R
Les données dans R
Comme la plupart des langages informatiques, R dispose des types de données classiques.
Selon la forme des données saisies, R sait d’ailleurs reconnaître automatiquement le
type de ces données. Une des grandes forces de R réside aussi dans la possibilité
d’organiser les données de façon structurée.
Les fonctions mode() et typeof(), permettent de gérer le type des données.
27 / 29
Les donn dans R
Type numérique (numeric)
Il y a deux types numériques: les entiers (integer) et les réels (real ou double).
> a <- 1
> b <- 3.4
> c <-as.integer(a)
> typeof(c)
[1] "integer"
> mode(c)
[1] "numeric"
28 / 29
Les donn dans R
Type complexe (complex)
On fabrique un nombre complexe à l’aide de la lettre i. On utilise les fonctions Re()

pour la partie réelle, lm() pour la partie imaginaire, Mod() pour le module, Arg()
pour l’argument et Conj() pour conjugué.
> z = 1+2i
> typeof(z)
[1] "complex"
> is.complex(z) # Permet de savoir si un objet est du type complexe.
[l] TRUE
> Conj(z)
[1] 1-2i
29 / 29
Les donn dans R
Type complexe (complex)
> Re(z)
[1] 1
> Im(z)
[1] 2
> Mod(z)
[1] 2.236068
> Arg(z)
[1] 1.107149
30 / 29
Les donn dans R
Type booléen ou logique (logical)
Le type logical, résultat d ’une condition logique, peut prendre les valeurs TRUE ou
FALSE. Voici quelques instructions pour créer des valeurs logiques:
> a > b
[1] FALSE
> x <- TRUE

> is.logical(x)
[l] TRUE
31 / 29
Les donn dans R
Type booléen ou logique (logical)
Lorsque cela se révèle nécessaire, ce type de données est naturellement converti en

type numérique sans qu ’il y ait à le spécifier : TRUE vaut 1 et FALSE vaut 0. Cela
est illustré par l’exemple suivant:
> TRUE + T + FALSE*F + T*FALSE + F
[1] 2
32 / 29
Les donn dans R
Données manquantes (NA)
Une donnée manquante ou non définie est indiquée par l’instruction NA (pour Non
Available = non disponible). Il ne s’agit donc pas d’un type de données à proprement
parler. Voici quelques exemples faisant intervenir l’instruction NA:
> x <- c(3,NA,6,8,9)

> is.na(x)
[1] FALSE TRUE FALSE FALSE FALSE
> mean(x)
[1] NA
33 / 29
Les donn dans R
> mean(x, na.rm=TRUE) # Le paramètre na.rm signifie enlever

# les NA (NA.remove).
[1] 6.5
Cette notion est très importante lors de la lecture de fichiers de données statistiques
et sera développée par la suite.
34 / 29
Les donn dans R
Ne pas confondre NA avec le mot réservé NaN signifiant Not a Number:
> 0/0
[1] NaN
Notez également que l’instruction sui vante ne renvoie pas NaN mais Inf
(l’infini):
> 3/0
[1] Inf
35 / 29
Les donn dans R
Type chaînes de caractères (character)
Toute information mise entre guillemets (simple ’ ou double ") correspond à une
chaîne de caractères.
> a <- "R pour Master MF"

> a
[1] "R pour Master MF"
mode(a)
[1] "character"
is.character(a)
[1] TRUE
36 / 29
Les donn dans R
Les différents types de données en R
Type des données Type sous R

réel (entier ou non) numeric
complexe complex
logique (vrai/ faux) logical
manquant logical
texte (chaîne) character
Table: Les différents types de données en R.
37 / 29
Les donn dans R
Structure des données
38 / 29
Les donn dans R
Les vecteurs (vector)
Cette structure de données est la plus simple. Elle représente une suite de données de
même type. La fonction permettant de créer ce type de structure (c’est-à-dire les
vecteurs) est la fonction c() (pour collection). D’autres fonctions comme seq() ou
bien les deux points : permettent aussi de créer des vecteurs. Notez que lors de la
création d’un vecteur, il est possible de mélanger des données de plusieurs types
différents.
39 / 29
Les donn dans R
Les vecteurs (vector)
> c(1,1,7,-2,1)
[1] 1 1 7 -2 1
> c(1,1,7,-2,1,TRUE,1,"R")
[1] "1" "1" "7" "-2" "1" "TRUE" "1" "R"
> seq(from=0,to=4,by=1)
[1] 0 1 2 3 4
> vec <- 0:4
[1] 0 1 2 3 4
40 / 29
Les donn dans R
Les matrices (matrix) et les tableaux (arrays)
Ces deux notions généralisent la notion de vecteur puisqu’elles représentent des suites
à double indice pour les matrices et à multiples indices pour les tableaux (array). Ici
aussi les éléments doivent avoir le même type.
> X <- matrix(1:12,nrow=4,ncol=3,byrow=TRUE)

> X
[,1] [,2] [,3]

[1,] 1 2 3
[2,] 4 5 6
[3,] 7 8 9
[4,] 10 11 12
permet de créer une matrice comportant quatre lignes (row signifie ligne) et
trois colonnes remplies par lignes successives (byrow=TRUE) avec les éléments
du vecteur 1:12.
41 / 29
Les donn dans R
De la même manière, il est possible de créer une matrice remplie par colonnes
successives (byrow=FALSE).
> Y <- matrix(1:12,nrow=4,ncol=3,byrow=FALSE)

> Y
[,1] [,2] [,3]

[1,] 1 5 9
[2,] 2 6 10
[3,] 3 7 11
[4,] 4 8 12
42 / 29
Les donn dans R
La fonction array permet de créer des matrices multidimensionnelles à plus de deux

dimensions comme cela est illustré (pour un array ayant trois dimensions).
> X <- array(1:12,dim=c(2,2,3))

> X
43 / 29
Les donn dans R
, , 1
[,1] [,2]
[1,] 1 3
[2,] 2 4
, , 2
[,1] [,2]
[1,] 5 7
[2,] 6 8
, , 3
[,1] [,2]
[1,] 9 11
[2,] 10 12
44 / 29
Les donn dans R
Les listes (list)
La structure du langage R la plus souple et à la fois la plus riche est celle de la liste.
Contrairement aux structures précédentes, les listes permettent de regrouper dans une
m ême structure des données de types différents.
> A <- list(TRUE,-1:3,matrix(1:4,nrow=2),"Master MF")
45 / 29
Les donn dans R
Les listes (list)
> A
[[1]]
[1] TRUE
[[2]]
[1] -1 0 1 2 3
[[3]]
[,1] [,2]
[1,] 1 3
[2,] 2 4
[[4]]
[1] "Master MF"
46 / 29
Les donn dans R
Le tableau individus × variables (data.frame)
Le tableau individus × variables est la structure par excellence en statistique. Cette

notion est exprimée dans R par le data.frame. Conceptuellement, c’est une matrice
dont les lignes correspondent aux individus et les colonnes aux variables (ou caractères)
mesurées sur ces derniers. Chaque colonne représente une variable particulière dont
tous les éléments sont du même type. Les colonnes de la matrice-données peuvent
être nommées. Voici un exemple de création d’un data.frame :
> DATA <- data.frame(Sexe=c("H","F","H","F","H","F"),

Taille=c(1.83,1.76,1.82,1.60,1.90,1.66),
Poids=c(67,58,66,48,75,55),
row.names=c("R", "L", "P", "D", "B", "C"))
47 / 29
Les donn dans R
Le tableau individus × variables (data.frame)
> DATA
Sexe Taille Poids

R H 1.83 67
L F 1.76 58
P H 1.82 66
D F 1.60 48
B H 1.90 75
C F 1.66 55
> is.data.frame(DATA)
[1] TRUE
48 / 29
Les donn dans R
Les facteurs (factor) et les variables ordinales (ordered)
R permet d’organiser les chaînes de caractères de façon plus astucieuse au moyen de

la fonction factor(), est donc celle à utiliser pour stocker des variables qualitatives.
> x <- factor(c("bleu","vert","bleu","rouge","bleu"))

> x
[1] bleu vert bleu rouge bleu

Levels: bleu rouge vert
49 / 29
Les donn dans R
Les facteurs (factor) et les variables ordinales (ordered)
Pour les variables ordinales, il est plutôt conseillé d’utiliser la fonction ordered().
> x <- ordered(c("Petit", "Grand", "Moyen", "Grand", "Moyen",

"Petit", "Petit"), levels=c("Petit", "Moyen",
"Grand"))
> x
[1] Petit Grand Moyen Grand Moyen Petit Petit

Levels: Petit < Moyen < Grand
50 / 29
Les donn dans R
Les différentes structures de données en R
Structure des données Instruction R

vecteur c()
matrice matrix()
tableau multidimensionnel array()
liste list()
tableau individus×variables data.frame()
facteur factor(), ordered()
Table: Les différentes structures de données en R.
51 / 29
Les donn dans R
Manipulation de données
52 / 29
Les donn dans R
Arithmétique vectorielle
Le logiciel R présente l’avantage de pouvoir opérer sur des vecteurs ou des matrices.
Ainsi, l’appel suivant
> x <- c(1,2,4,6,3)

> y <- c(4,7,8,1,1)
> x+y
[1] 5 9 12 7 4
R opère de la même façon pour de très nombreuses fonctions telles que: +, *, - , /,

exp, log, sin, cos, tan, sqrt...ect
53 / 29
Les donn dans R
Arithmétique vectorielle
Ainsi, l’instruction suivante calcule l’exponentielle de tous les éléments de la matrice

M:
> M <- matrix(1:9,nrow=3)
> exp(M)
[,1] [,2] [,3]

[1,] 2.718282 54.59815 1096.633
[2,] 7.389056 148.41316 2980.958
[3,] 20.085537 403.42879 8103.084
54 / 29
Les donn dans R
Le recyclage
Un point important à noter à ce stade est la façon dont R se comporte lorsque les
deux vecteurs fournis à l’une des fonctions ci-dessus ne sont pas de la même olngueur.
R va alors compléter le vecteur le plus court en réutilisant les valeurs de ce vecteur.
L’exemple suivant devrait permettre de bien comprendre ce fonctionnement:
> x <- c(1,2,3,4,5,6,7,8,9,10)

> y <- c(1,2,3,4,5)
> x + y
[1] 2 4 6 8 10 7 9 11 13 15
R a donc complété le vecteur y ainsi: c(1,2,3,4,5,1,2,3,4,5) en se resservant de ses

propres valeurs de façon circulaire.
55 / 29
Les donn dans R
Le recyclage
Voilà un autre exemple de recyclage utilisé lors de la création d’une matrice. Le vecteur
1 : 4 est ainsi réutilisée n boucle pour remplir la matrice qui est déclarée de taille 3 × 3.
> M <- matrix(1:4,ncol=3,nrow=3)

> M
[,1] [,2] [,3]

[1,] 1 4 3
[2,] 2 1 4
[3,] 3 2 1
Warning message:
In matrix(1:4, ncol = 3, nrow = 3) :
data length [4] is not a sub-multiple or multiple of the
number of rows [3]
56 / 29
Les donn dans R
Fonctions basiques
Voyons maintenant quelques fonctions basiques de manipulation de données qui sont

très souvent utilisées et qu’il est donc indispensable de connaître.
> length(c(1,3,6,2,7,4,8,1,0)) # renvoie la longueur d'un vecteur
[1] 9
> sort(c(1,3,6,2,7,4,8,1,0)) # permet d'ordonner les éléments

# d'un vecteur (croissantes)
[1] 0 1 1 2 3 4 6 7 8
> sort(c(1,3,6,2,7,4,8,1,0),decreasing=TRUE) # (décroissantes)
[1] 8 7 6 4 3 2 1 1 0
57 / 29
Les donn dans R
Fonctions basiques
> rev(c(1,3,6,2,7,4,8,1,0)) # réarrange les éléments d'un

# vecteur en sens inverse
[1] 0 1 8 4 7 2 6 3 1
> order(c(1,3,6,2,7,4,8,1,0)) # renvoie le vecteur des rangs

# de classement des éléments
[1] 9 1 8 4 2 6 3 5 7
> unique(c(l,3,6,2,7,4,8,l,0)) # enlève les doublons d'un vecteur
[1] 1 3 6 2 7 4 8 0
58 / 29
Les donn dans R
Opérations sur les matrices
Nous allons décrire ici plusieurs fonctions R spécialisées permettant d’obtenir de

l’information sur une matrice ou encore de manipuler ses lignes et ses colonnes.
• dim(): dimension de la matrice.
• nrow(): nombre de lignes.
• ncol(): nombre de colonnes.
• dimnames(): noms des lignes et des colonnes (sous la forme d’une liste).
• names(), colnames(): noms des colonnes.
• rownames(): noms des lignes.
59 / 29
Les donn dans R
> lambda <- 2 # Création du scalaire

> A <- matrix(c(2,3,5,4),nrow=2,ncol=2) # Matrice réelle.
> B <- matrix(c(1,2,2,7),nrow=2,ncol=2) # Matrice symétrique.

> B
[,1] [,2]
[1,] 1 2
[2,] 2 7
> I2 <- diag(1,2) # Matrice identité d'ordre 2.

> I2
[,1] [,2]
[1,] 1 0
[2,] 0 1
60 / 29
Les donn dans R
Nous allons nous servir de ces objets pour illustrer les différentes opérations possibles
sur les matrices.
> lambda+A # L'addition d'un scalaire
[,1] [,2]
[1,] 4 7
[2,] 5 6
> A+B # L'addition (terme à terme)
[,1] [,2]
[1,] 3 7
[2,] 5 11
61 / 29
Les donn dans R

> lambda*A # La multiplication par un scalaire
[,1] [,2]
[1,] 4 10
[2,] 6 8
> t(A) # La transposition
[,1] [,2]
[1,] 2 3
[2,] 5 4
> A*B # La multiplication terme à terme
[,1] [,2]
[1,] 2 10
[2,] 6 28
62 / 29
Les donn dans R
> A%*%B # La multiplication matricielle
[,1] [,2]
[1,] 12 39
[2,] 11 34
> A/B # La division terme à terme
[,1] [,2]
[1,] 2.0 2.5000000
[2,] 1.5 0.5714286
> A%*%solve(B) # La division matricielle
[,1] [,2]
[1,] 1.333333 0.3333333
[2,] 4.333333 -0.6666667
63 / 29
Les donn dans R

> solve(B) # L'inversion matricielle
[,1] [,2]
[1,] 2.3333333 -0.6666667
[2,] -0.6666667 0.3333333
> crossprod(A,B) # Le produit avec transposition
[,1] [,2]
[1,] 8 25
[2,] 13 38
> t(A)%*%B # Le produit avec transposition
[,1] [,2]
[1,] 8 25
[2,] 13 38
64 / 29
Les donn dans R
Produit extérieur
Le produit extérieur des vecteurs colonnes x et y est la matrice xy T d’élément général

x i yj
> x <- c(1,2,3,4)

> y <- c(4,5,6,7)
> outer(x,y,FUN="*")
[,1] [,2] [,3] [,4]

[1,] 4 5 6 7
[2,] 8 10 12 14
[3,] 12 15 18 21
[4,] 16 20 24 28
65 / 29
Les donn dans R
Produit extérieur
La fonction outer() permet des opération plus général es que le produit de termes.
Ainsi, l’appel de la commande outer(x,y,FUN=f) sur les vecteurs x = (x1 , . . . , xn )T ,
y = (y1 , . . . , yn )T via la fonction f (x, y) produit la matrice suivante:
 
f (x1 , y1 ) ... f (x1 , yn )
 .. .. 
 . f (xi , yj ) . 
f (xn , y1 ) ... f (xn , yn )
66 / 29
Les donn dans R
Produit de Kronecker
Si A est une matrice m × n et B une matrice p × q, alors le produit de Kronecker de

la matrice A par la matrice B est la matrice (mp × nq):
 
a11 B ... a1n B
 .. ..
A⊗B =

. aij B . 
am1 B ... amm B
> kronecker(A,B)
[,1] [,2] [,3] [,4]

[1,] 2 4 5 10
[2,] 4 14 10 35
[3,] 3 6 4 8
[4,] 6 21 8 28
67 / 29
Les donn dans R
Matrices triangulaires
Il est parfois utile de récupérer les sous-matrices triangulaire inférieure et supérieure

d’une matrice. Cela est possible au moyen des fonctions lower.tri et upper.tri.
> M <- matrix(1:9,nrow=3)

> lower.tri(M)
[,1] [,2] [,3]

[1,] FALSE FALSE FALSE
[2,] TRUE FALSE FALSE
[3,] TRUE TRUE FALSE
> upper.tri(M)
[,1] [,2] [,3]

[1,] FALSE TRUE TRUE
[2,] FALSE FALSE TRUE
[3,] FALSE FALSE FALSE
68 / 29
Les donn dans R
Matrices triangulaires
> M[lower.tri(M)] <- 0

> M
[,1] [,2] [,3]

[1,] 1 4 7
[2,] 0 5 8
[3,] 0 0 9
> M[upper.tri(M)] <- 0

> M
[,1] [,2] [,3]

[1,] 1 0 0
[2,] 2 5 0
[3,] 3 6 9
69 / 29
Les donn dans R
Matrice centrées-réduites
La fonction scale() permet de centrer et/ou de réduire une matrice. Le centrage

consiste à retrancher à chacune des colonnes de la matrice la moyenne de cette
colonne. La réduction consiste à diviser chacune des colonnes de la matrice par son
écart type.
> scale(A,center=TRUE,scale=FALSE) # centrée
[,1] [,2]
[1,] -0.5 0.5
[2,] 0.5 -0.5
attr(,"scaled:center")
[1] 2.5 4.5
70 / 29
Les donn dans R
Matrice centrées-réduites
> scale(A,center=FALSE,scale=apply(A,2,sd)) # réduite
[,1] [,2]
[1,] 2.828427 7.071068
[2,] 4.242641 5.656854
attr(,"scaled:scale")
[1] 0.7071068 0.7071068
> scale(A,center=TRUE,scale=apply(A,2,sd)) # centrée-réduite
[,1] [,2]
[1,] -0.7071068 0.7071068
[2,] 0.7071068 -0.7071068
attr(,"scaled:center")
[1] 2.5 4.5
attr(,"scaled:scale")
[1] 0.7071068 0.7071068
71 / 29
Les donn dans R
Déterminant, trace, nombre de conditionnement
> det(A) # le déterminant d'une matrice.
[1] -7
Il n’existe pas de fonction R permettant de calculer directement la trace d’une matrice,

mais il est très facile de la calculer ainsi:
> sum(diag(A))
[1] 6
> kappa(A,exact=TRUE) # Le nombre de conditionnement
[1] 7.582401
72 / 29
Les donn dans R
Norme matricielle
qP
n
• Norme Euclidienne (Frobenius): kAkF = i,j=1
|aij |2
Pm
• 1-Norme: kAk1 = maxj=1,...,n i=1
|aij |
P n
• ∞-Norme: kAk∞ = maxi=1,...,m j=1
|aij |
• M -Norme: kAkM = maxi,j |aij |
p
• Norme spectrale: kAk2 = max1,...,n |µi |, ou µi les valeurs propres de la
matrice AT A
> A <- matrix(0:8,nrow=3)

> norm(A,type="F") # norme euclidienne
> norm(A,type="O") # 1-norme
> norm(A,type="I") # Infty norme
> norm(A,type="M") # M-norme
> norm(A,type="2") # 2-norme (spectral)
> sqrt(max(abs(eigen(t(A)%*%A)$values)))
73 / 29
Les donn dans R
Calcul des valeurs propres et vecteurs propres
On peut obtenir les valeurs propres et les vecteurs propres d’une matrice au moyen de
la fonction eigen().
> eigen(A)
$values
[1] 7 -1
$vectors
[,1] [,2]
[1,] -0.7071068 -0.8574929
[2,] -0.7071068 0.5144958
74 / 29
Les donn dans R
Décomposition en valeurs singulières
On cherche à écrire C = UDV ∗ où D est la matrice diagonale des valeurs singulières

de C. U (respectivement V) est la matrice des vecteurs singuliers à gauche
(respectivement à droite) de C. Pour cela, il faut utiliser la fonction svd().
> C <- matrix(2:5,nrow=2)

> C
[,1] [,2]
[1,] 2 4
[2,] 3 5
75 / 29
Les donn dans R
> res <- svd(C)

> res
$d
[1] 7.285383 0.960828
$u
[,1] [,2]
[1,] -0.7337222 -0.6794496
[2,] -0.6794496 0.7337222
$v
[,1] [,2]
[1,] -0.4812092 0.8766058
[2,] -0.8766058 -0.4812092
76 / 29
Les donn dans R
> U <- res$u # U

> D <- diag(res$d) # D
> V <- res$v # V
> V <- t(Conj(V)) # V*
> C = U%*%D%*%V
> C
[,1] [,2]
[1,] 2 4
[2,] 3 5
77 / 29
Les donn dans R
Décomposition de Cholesky
Pour une matrice réelle symétrique définie positive B, on cherche à écrire

B = U T U = LLT , où U (respectivement L) est une matrice triangulaire supérieure
(respectivement inférieure). Pour obtenir cette décomposition, il faut utiliser la
fonction chol().
> B <- matrix(c(1,2,2,7),nrow=2,ncol=2)

> U <- chol(B)
> U
[,1] [,2]
[1,] 1 2.000000
[2,] 0 1.732051
78 / 29
Les donn dans R
> L <- t(U)

> L
[,1] [,2]
[1,] 1 0.000000
[2,] 2 1.732051
> all.equal(B, t(U)%*%U, L%*%t(U))
[1] TRUE
79 / 29
Les donn dans R
Notez également que vous pouvez utiliser la fonction chol2inv() pour calculer
l’inverse B−1 d’une matrice carrée symétrique définie positive B, à partir de sa
décomposition de Cholesky.
> chol2inv(U)
[,1] [,2]
[1,] 2.3333333 -0.6666667
[2,] -0.6666667 0.3333333
> all.equal(solve(B), chol2inv(U))
[1] TRUE
80 / 29
Les donn dans R
Exemple: Système Ax = b (Cholesky)
La solution d’un système d’équations linéaires Ax = LLT x = U T Ux = b, où U

(respectivement L) est une matrice triangulaire supérieure (respectivement inférieure):
• x = backsolve(U, b) =⇒ Ux = b
• x = forwardsolve(L, b) =⇒ Lx = b
> b <- c(1,3)

> y <- forwardsolve(L, b) # L y = b
> x <- backsolve(t(L),y) # t(L) x = y
> x
[1] 0.3333333 0.3333333
81 / 29
Les donn dans R
Décomposition QR
On cherche à écrire A = QR, où Q est une matrice orthogonale (QT Q = QQT = I)

et R est une matrice triangulaire supérieure.
> res <- qr(A)

> Q <- qr.Q(res)
> Q
[,1] [,2]
[1,] -0.5547002 -0.8320503
[2,] -0.8320503 0.5547002
82 / 29
Les donn dans R
Décomposition QR
> R <- qr.R(res)

> R
[,1] [,2]
[1,] -3.605551 -6.3790523
[2,] 0.000000 -0.5547002
> all.equal(A,Q%*%R)
[1] TRUE
83 / 29
Les donn dans R
Opérations sur les data.frames: Fusion de tables

Il est souvent très utile de pouvoir combiner (fusionner) plusieurs matrices ou
data.frames. Les fonctions de base permettant d’obtenir ce résultat sont cbind()
pour la fusion des colonnes et rbind() pour la fusion des lignes.
> x <- 1:4
> y <- 5:8
> cbind(x,y)
x y
[1,] 1 5
[2,] 2 6
[3,] 3 7
[4,] 4 8
> rbind(x,y)
[,1] [,2] [,3] [,4]

x 1 2 3 4
y 5 6 7 8
84 / 29
Les donn dans R
Fusion de tables
Toutefois, cette fonction n’est pas optimale, comme nous allons le voir sur l’exemple
suivant. Essayons de réunir (combiner) en colonnes les deux tables suivantes.
> X1 <- data.frame(Id=1:4, SEXE=c("H", "F", "F", "H"),

+ Poids=c(75,68,48,72))
> X2 <- data.frame(Id=1:4, SEXE=c("H", "F", "F", "H"),
+ Taille=c(182,165,160,178))
85 / 29
Les donn dans R
Fusion de tables
> X1
Id SEXE Poids
1 1 H 75
2 2 F 68
3 3 F 48
4 4 H 72
> X2
Id SEXE Taille
1 1 H 182
2 2 F 165
3 3 F 160
4 4 H 178
86 / 29
Les donn dans R
Fusion de tables
> cbind(X1,X2)
Id SEXE Poids Id SEXE Taille

1 1 H 75 1 H 182
2 2 F 68 2 F 165
3 3 F 48 3 F 160
4 4 H 72 4 H 178
Cela fonctionne, mais il est gênant que les colonnes Id et SEXE soient dupliquées.
Une fonction très utile dans ce contexte est la fonction merge().
87 / 29
Les donn dans R
Fusion de tables
> merge(X1,X2)
Id SEXE Poids Taille

1 1 H 75 182
2 2 F 68 165
3 3 F 48 160
4 4 H 72 178
Maintenant, supposons que les individus ne soient pas classés de la même manière
dans les deux tables.
> X <- data.frame(SEXE=c("F","H","H","F"),Taille=c(165,182,178,160),

+ Poids=c(50,65,67,55),Revenu=c(80,90,60,50))
> Y <- data.frame(SEXE=c("F","H","H","F"),Taille=c(165,182,178,160),
+ Poids=c(55,65,67,85),Salaire=c(70,90,40,40),row.names=4:7)
88 / 29
Les donn dans R
Fusion de tables
> X
SEXE Taille Poids Revenu

1 F 165 50 80
2 H 182 65 90
3 H 178 67 60
4 F 160 55 50
> Y
SEXE Taille Poids Salaire

4 F 165 55 70
5 H 182 65 90
6 H 178 67 40
7 F 160 85 40
89 / 29
Les donn dans R
Fusion de tables
> merge(X,Y,by=c("SEXE","Taille","Poids"),all=TRUE)
SEXE Taille Poids Revenu Salaire

1 F 160 55 50 NA
2 F 160 85 NA 40
3 F 165 50 80 NA
4 F 165 55 NA 70
5 H 178 67 60 40
6 H 182 65 90 90
90 / 29
Les donn dans R
La fonction apply()
Une fonction très utilisée est la fonction apply() qui applique une fonction donnée
(fournie comme valeur du paramètre FUN) aux lignes (MARGIN=1) ou bien aux
colonnes (MARGIN=2) d’une matrice ou d’un data.frame.
> X <- data.frame(Taille=c(182,165,160,178),Poids=c(75,68,48,72))

> X
Taille Poids
1 182 75
2 165 68
3 160 48
4 178 72
91 / 29
Les donn dans R
La fonction apply()
> apply(X,MARGIN=1, FUN=sum)
[1] 257 233 208 250
> apply(X,MARGIN=2, FUN=mean)
Taille Poids
171.25 65.75
Lorsque les opérations à effectuer consistent à sommer ou à moyenner les lignes ou les
colonnes, on peut aussi utiliser respectivement: rowSums(), colSums(),
rowMeans(), colMeans().
92 / 29
Les donn dans R
La fonction apply()
Voyons comment il est possible de calculer la somme des carrés de chacune des
colonnes d’une data.frame.
> apply(X,MARGIN=2, FUN= function(x) sum(x^2))
Taille Poids
117633 17737
> apply(X,MARGIN=2, FUN= function(x) sd(x)/mean(x))
Taille Poids
0.06094198 0.18518320
93 / 29
Les donn dans R
La fonction sweep()
La fonction sweep() est très utilisée. Elle permet de retirer d’une table (dans un sens
spécifié par la valeur d’appel du paramètre FUN), à chacune des lignes
(MARGIN=1) ou à chacune des colonnes (MARGIN=2), une statistique donnée
(par la valeur d’appel du paramètre STATS).
> # Retranche 10 à la ligne 1, 20 à la ligne 2

> # 30 à la ligne 3, 40 à la ligne 4
> sweep(X,MARGIN=1,STATS=c(10,20,30,40),FUN="-")
Taille Poids
1 172 65
2 145 48
3 130 18
4 138 32
94 / 29
Les donn dans R
La fonction stack()
La fonction stack() permet d’empiler dans un seul vecteur les valeurs de certaines
colonnes d’un data.frame.
> stack(X)
values ind
1 182 Taille
2 165 Taille
3 160 Taille
4 178 Taille
5 75 Poids
6 68 Poids
7 48 Poids
8 72 Poids
95 / 29
Les donn dans R
La fonction aggregate()
La fonction aggregate() permet de découper un data.frame en sous populations

suivant un facteur (spécifié par le paramètre by) et d’appliquer une fonction donnée
sur chacune de ces sous-populations.
> X <- data.frame(SEXE=c("F","H","H","F"),Taille=c(165,182,178,160),

+ Poids=c(50,65,67,55),Revenu=c(80,90,60,50))

1 F 165 50 80
2 H 182 65 90
3 H 178 67 60
4 F 160 55 50
> aggregate(X[,-1],by=list(SEXE=X[,1]),FUN=mean)

1 F 162.5 52.5 65
2 H 180.0 66.0 75
96 / 29
Les donn dans R
La fonction transform()
Elle permet d’opérer des transformations sur les colonnes d’un data.frame.
L’instruction suivante permet par exemple d’obtenir la taille en mètres à partir de la
taille en centimètres, et de rajouter dans le data.frame une colonne contenant l’IMC.
> X <- transform(X,Taille=Taille/100,IMC=Poids/(Taille/100)^2)

> X
SEXE Taille Poids Revenu IMC

1 F 1.65 50 80 18.36547
2 H 1.82 65 90 19.62323
3 H 1.78 67 60 21.14632
4 F 1.60 55 50 21.48437
97 / 29
Les donn dans R
Opérations sur les listes: La fonction lapply() et sapply()
Les fonctions lapply() et sapply() sont similaires à la fonction apply(), mais

appliquent une fonction à chacun des éléments d’une liste. La première renvoie le
résultat sous la forme d’une liste, la seconde sous la forme d’un vecteur dans la
mesure du possible.
> x <- list(a = 1:10, beta = exp(-3:3), logic = c(TRUE,FALSE,FALSE,TRUE)

> lapply(x,mean) # Moyenne de chaque élément de la liste.
$a
[1] 5.5
$beta
[1] 4.535125
$logic
[1] 0.5
98 / 29
Les donn dans R
La fonction lapply() et sapply()
> lapply(x,quantile)
$a
0% 25% 50% 75% 100%
1.00 3.25 5.50 7.75 10.00
$beta
0% 25% 50% 75% 100%
0.04978707 0.25160736 1.00000000 5.05366896 20.08553692
$logic
0% 25% 50% 75% 100%
0.0 0.0 0.5 1.0 1.0
99 / 29
Les donn dans R
La fonction lapply() et sapply()
> sapply(x,quantile)
a beta logic
0% 1.00 0.04978707 0.0
25% 3.25 0.25160736 0.0
50% 5.50 1.00000000 0.5
75% 7.75 5.05366896 1.0
100% 10.00 20.08553692 1.0
100 / 29
Les donn dans R
La fonction do.call()
> do.call(what="cbind",args=lapply(x,quantile))
a beta logic
0% 1.00 0.04978707 0.0
25% 3.25 0.25160736 0.0
50% 5.50 1.00000000 0.5
75% 7.75 5.05366896 1.0
100% 10.00 20.08553692 1.0
> do.call(what="rbind",args=lapply(x,quantile))
0% 25% 50% 75% 100%

a 1.00000000 3.2500000 5.5 7.750000 10.00000
beta 0.04978707 0.2516074 1.0 5.053669 20.08554
logic 0.00000000 0.0000000 0.5 1.000000 1.00000
101 / 29
Les donn dans R
Opérations logiques et relationnelles
Voir Table 3.
> help("&")
102 / 29
Les donn dans R
Opérations ensemblistes
Voir Table 4.
> help(union)
103 / 29
Importation-exportation de données
104 / 29
Importer des données
105 / 29
Importer des données depuis un fichier texte ASCII (*.txt)
Soit vous disposez déjà d’un fichier texte au format ASCII qui contient vos données ,
soit vous pouvez les entrer vous-même dans un fichier à l’aide d’un éditeur de texte
comme Wordpad sous Microsoft Windows ou bien Emacs sous Linux. Il existe trois
fonctions R principales à utiliser pour importer des données depuis un fichier texte,
présentées dans le suivant.
• read.table(): À privilégier pour des jeux de données organisés sous la forme de
tableaux, comme cela est souvent le cas en statistique.
• read.ftable(): Permet de lire des tableaux de contingence.
• scan(): Beaucoup plus flexible et puissante.
106 / 29
La fonction read.table()
> donnees <- read.table(file=file.choose(),header=T,sep=";",

+ dec=".", row.names=1)
• file=chemin/vers/fichier: Emplacement et nom du fichier à lire.

• header=TRUE: Valeur logique indiquant si le fichier contient le nom des
variables sur la première ligne.
• sep=";": Les valeurs sur chaque ligne sont séparées par ce caractère ";".
• dec=".": Séparateur décimal pour les nombres ("." ou ",").
• row.names=1: La première colonne du fichier contient le nom des
individus. Si ce n’est pas le cas, il suffit d’omettre ce paramètre.
La fonction attach() permet d’avoir accès aux variables (colonnes) du data.frame

directement en tapant leur nom tel qu’ il t écrit sur la première ligne du fichier.
> attach(donnees)
107 / 29
Importer des données depuis un fichier comma separated values (*.csv)
La fonction read.csv: Pour lire des données séparées par des virgules "," avec le "."
pour séparateur décimal.
> read.csv(file.choose())
La fonction read.csv2: Pour lire des données séparées par des points-virgules ";" avec
la "," pour séparateur décimal.
> read.csv2(file.choose())
108 / 29
Importer des données depuis un fichier Excel (*.xls) et (*.xlsx)
Il existe quelques packages permettant de lire directement des fichiers *.xls ou *.xlsx
depuis R . On peut notamment citer la fonction read.xls() du package gdata qui
fonctionne très bien dès lors qu’une version fonctionnelle de PERL (logiciel gratuit,
disponible par exemple via l’installation du fichier
http://cran.at.r-project.org/bin/windows/Rtools/Rtools31.exe) est
présente sur votre ordinateur.
> install.packages(gdata)
> library(gdata)
> help(read.xls)
> example(read.xls)
109 / 29
Importer des données depuis SPSS, Minitab, SAS ou Matlab
Le tableau suivant donne les packages et les fonctions R à utiliser pour importer
des données depuis quelques logiciels commerciaux usuels.
Logiciel Package Fonction R Extension du fichier Format du résultat

SPSS foreign read.spss() *.sav list
Minitab foreign read.mtp() *.mtp list
SAS foreign read.xport() *.xpt data.frame
Matlab R.matlab readMat() *.mat list
Table: Packages et fonctions R d’importation de données depuis quelques logiciels
usuels.
110 / 29
Exporter des données
111 / 29
Exporter des données vers un fichier texte ASCII (*.txt)
Il faut utiliser la fonction write.table(). Si vous avez dans R un data.frame nommé

data qui contient les données que vous voulez sauvegarder dans un fichier texte,
utilisez l’instruction:
> data <- data.frame(Poids=c(80.5,90.2,75.34),Taille=c(182,190,160))

> write.table(data,file = "donnees.txt", sep = ""
,dec=",",
+ row.names=FALSE)
ou l’instruction:
> sink("donnees.txt")
> data
> sink()
> getwd() # Obtenir le répertoire de travail
[1] "C:/Users/arsalane/Documents"
112 / 29
Exporter des données vers un fichier Excel (*.cvs)
Tapez par exemple dans la console de R :
> data <- data.frame(Poids=c(80.5,90.2,75.34),Taille=c(182,190,160))

> write.table(data,file="donnees.csv",sep=";",dec=",",
+ row.names=FALSE)
113 / 29
Techniques pour tracer des courbes et des graphiques
114 / 29
Les fenêtres graphiques
115 / 29
Les fenêtres graphiques
Pour ouvrir une fenêtre graphique, il faut utiliser la commande windows() ou

win.graph().
> windows()
> win.graph()
> plot.new()
Sous Linux, il faut utiliser la commande X11() à la place de windows(), et sous

Macintosh, il faut utiliser la commande quartz().
116 / 29
Découpage de la fenêtre graphique
Si vous voulez tracer plusieurs graphiques sur la même fenêtre, R vous offre la
possibilité de découper cette fenêtre en autant de cases que nécessaire.
• La fonction par():
Une première possibilité consiste à utiliser la fonction par() avec le paramètre mfrow
ou mfcol. Ainsi l’exemple ci-dessous découpe la fenêtre graphique en deux lignes et
trois colonnes. À chaque appel d’une fonction de tracé, les petites cases graphiques
ainsi créées seront remplies successivement ligne par ligne (l’utilisation de mfcol
aurait conduit à un remplissage colonne par colonne) comme on peut le visualiser sur
la figure suivante:
117 / 29
> par(mfcol=c(2,3))
Figure: La fonction par(mfcol=c(2,3))
118 / 29
• La fonction layout():
La fonction layout() permet d’obtenir un découpage plus évolué que l’utilisation de la
fonction par(). Montrons sur un exemple comment ce découpage est spécifié de façon
naturelle au moyen du paramètre mat, lorsque l’on souhaite par exemple tracer cinq
graphiques isolés les uns des autres.
> mat <- matrix(c(2,3,0,1,0,0,0,4,0,0,0,5),4,3,byrow=TRUE)

> mat
[,1] [,2] [,3]

[1,] 2 3 0
[2,] 1 0 0
[3,] 0 4 0
[4,] 0 0 5
119 / 29

> layout(mat)
> layout.show(5) # afficher la figure sous R
2 3
Figure: La fonction layout(mat)
120 / 29
Les fonctions de tracé de bas niveau
121 / 29
Les fonctions plot() et points()
La fonction plot() est la fonction générique pour tracer des graphiques. Elle prend
comme paramètre d’entrée les coordonnées des points à tracer.
> plot(1:4,c(2,3,4,1),type="b",main="Titre principal",

+sub="Sous-titre",xlab="Titre pour les x",ylab="Titre pour les y")
Titre principal
4.0
●
3.5
3.0
●
Titre pour les y
2.5
2.0
●
1.5
1.0
1.0 1.5 2.0 2.5 3.0 3.5 4.0
Titre pour les x

Sous−titre
Figure: La fonction plot()
122 / 29

> points(1:4,c(4,2,1,3),type="l",col="red")
Titre principal
4.0
●
3.5
3.0
●
Titre pour les y
2.5
2.0
●
1.5
1.0
1.0 1.5 2.0 2.5 3.0 3.5 4.0
Titre pour les x

Sous−titre
Figure: La fonction points()
> # Pour plus de détails voir:

> help(plot)
> help(points)
123 / 29
> f <- function(x) sin(x)cos(x)

> plot(f,xlim=c(-3,3))
0.4
0.2
0.0
f
−0.2
−0.4
−3 −2 −1 0 1 2 3
Figure: Le graphe de f (x) = sin(x) cos(x).
124 / 29
Les fonctions segments(), lines() et abline()
Les fonctions segments() et lines() permettent de joindre des points par des
segments de ligne qui sont ajoutés à un graphique préexistant.
> plot(0, 0, type="n")

> segments(x0=0,y0=0,x1=1,y1=1,col="blue")
> lines(x=c(1,0),y=c(0,1),col="red")
1.0
0.5
0.0
−0.5
−1.0
−1.0 −0.5 0.0 0.5 1.0
Figure: Les fonctions segments() et lines().

125 / 29
Les fonctions segments(), lines() et abline()
La fonction abline() permet soit de tracer une droite d’équation y = a + bx (spécifiée

par les paramètres a et b), soit de tracer une ligne horizontale (paramètre h) ou
verticale (paramètre v).
> plot(0, 0, type="n")

> abline(h=0,v=0,col="red")
> abline(a=0.5,b=1,col="blue")
1.0
0.5
0.0
−0.5
−1.0
−1.0 −0.5 0.0 0.5 1.0
126 / 29
Figure: La fonction abline().
La fonctions arrows()
Cette fonction permet de tracer des flèches reliant des paires de points. Elle comprend
un paramètre length permettant d’indiquer la taille de la pointe de la flèche.
> x <- runif(12); y <- runif(12)

> i <- order(x,y); x <- x[i]; y <- y[i]
> plot(x,y)
> s <- seq(length(x)-1)
> arrows(x[s], y[s], x[s+1], y[s+1], length=0.1,col="red")
1.0
●
●
0.8
●
●
●
●
0.6
y
●
0.4
●
●
●
0.2
0.0
0.2 0.3 0.4 0.5 0.6 0.7 0.8
127 / 29
La fonctions polygon()
Comme son nom l’indique, cette fonction permet de tracer des polygones et permet
aussi de remplir l’intérieur d’un polygone avec une couleur préspécifiée. Tapez la
commande suivante dans la console de R :
> example(polygon)
La commande polygon(locator(10,"l")) permet de tracer un polygone à dix côtés en

cliquant dans la fenêtre graphique aux endroits qui seront les sommets du polygone.
128 / 29
La fonctions polygon()
> plot.new()
> polygon(locator(10,"p"))
Figure: La fonction polygon().
129 / 29
La fonctions curve()
Cette fonction permet de tracer une courbe dans un repère cartésien, sur un intervalle
dont les bornes sont spécifiées par les paramètres from et to.
> curve(x^3-3*x,from=-2,to=2)
2
1
x^3 − 3 * x
0
−1
−2
−2 −1 0 1 2
Figure: La fonction curve().
130 / 29
La fonctions box()
Cette fonction permet d’ajouter une boîte autour du graphique courant. Le paramètre
bty permet de gérer le type de boîte ajouté, le paramètre lty spécifie le type de ligne
utilisé pour tracer la boîte. Notez que la fonction plot() ajoute par défaut une boîte
au graphique qu’elle trace, sauf si on lui fournit le paramètre axes=FALSE.
> plot(runif(10), type="h", axes = FALSE)

> box(lty = 2)
131 / 29
La fonctions box()
runif(10)
Index
Figure: La fonction box().
132 / 29
Gestion des couleurs, titres et legendes
133 / 29
La fonctions colors()
Cette fonction renvoie le nom des 657 couleurs que R connaît. Si vous voulez
connaître les variantes de la couleur orange, vous pouvez utiliser l’intruction suivante:
> colors()[grep("orange",colors())]
[1] "darkorange" "darkorange1" "darkorange2" "darkorange3"

[5] "darkorange4" "orange" "orange1" "orange2"
[9] "orange3" "orange4" "orangered" "orangered1"
[13] "orangered2" "orangered3" "orangered4"
134 / 29
Notez que vous pouvez utiliser la fonction rgb() pour obtenir le codage à partir de la
décomposition en rouge, vert et bleu d’une couleur.
> rgb(red=26,green=204,blue=76,maxColorValue = 255)
[1] "#1ACC4C"
La fonction co12rgb() effectue l’opération inverse:
> col2rgb("#1ACC4C")
[,1]
red 26
green 204
blue 76
135 / 29
Il est même possible d’obtenir de la transparence à l’aide du paramètre alpha de la

fonction rgb():
> curve(sin(x),lwd=30,col= rgb(0.8,0.5,0.2),xlim=c(-10,10))

> curve(cos(x),lwd=30,col= rgb(0.l,0.8,0.3,alpha=0.2),add=T)
1.0
0.5
sin(x)
0.0
−0.5
−1.0
−10 −5 0 5 10
Figure: Le paramètre alpha de la fonction rgb(). 136 / 29

Si votre carte graphique le permet, R peut donc gérer jusqu’à 2563 couleurs, soit un
peu plus de 16 millions de couleurs. L’exemple ci-dessous, utilisant la fonction
rainbow(), permet de s’en faire une petite idée.
> pie(rep(1,1000),labels ="",col=rainbow(1000),border=NA)
Figure: Un exemple utilisant la fonction rainbow(). 137 / 29

La fonctions image()
Cette fonction crée et affiche une grille de rectangles en niveaux de gris ou de couleurs.
Ces rectangles sont aussi appelés des pixels (picture elements). Elle peut donc être
utilisée pour afficher des données 3D ou des données spatiales, c’est-à-dire des images.
> X < matrix(1:12,nrow=3)

> X
[,1] [,2] [,3] [,4]

[1,] 1 4 7 10
[2,] 2 5 8 11
[3,] 3 6 9 12
138 / 29
La fonctions image()
> couleurs <- c("orange","orangered","red","lightblue","blue",
+ "white","lightgrey","grey","darkgrey","yellow",
+ "green","purple")
> image(X,col=couleurs)
> text(rep(c(0,0.5,1),4),rep(c(0,0.3,0.7,1),each=3),1:12,cex=2)
10 11 12
1.0
0.8
7 8 9
0.6
0.4
4 5 6
0.2
1 2 3
0.0
−0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2
Figure: La fonction image().

139 / 29
La fonctions text()
Cette fonction permet d’ajouter du texte sur un graphique. Elle permet aussi, ce qui
est très intéressant, d’y ajouter des formules mathématiques. Il faut donner les
coordonnées en x et en y du centre de la chaîne de caractères à afficher, et bien
entendu la chaîne elle-même. Si l’on veut écrire une expression mathématique, il faut
utiliser la fonction expression().
> plot(1:10,1:10)
> text(3,6,"du texte")
> text(4,9,expression(hat(beta)== (X^t * X)^-1 * X^t * Y),cex=2)
> demo(plotmath) # pour plus de détail
140 / 29
La fonctions text()
10
●
^
β = (XtX)−1XtY ●
8 ●
du texte ●
6
1:10
●
4
●
2
2 4 6 8 10
1:10
Figure: La fonction text().
141 / 29
La fonctions mtext()
Cette fonction permet d’ajouter du texte dans les marges de la fenêtre graphique. Elle
permet également d’y ajouter des formules mathématiques. Elle comprend un
paramètre side (valant 1=bas, 2=gauche, 3=haut ou 4=droite) qui spécifie dans
quelle marge ajouter le texte.
> plot(1:10,1:10)
> mtext("bas" , side=1)
> mtext("gauche",side=2)
> mtext("haut", side=3)
> mtext(expression(x^2+3*y+hat(beta)),side=4)
142 / 29
La fonctions mtext()
haut
10
●
8 ●
x2 + 3y + β
^
gauche
●
6
1:10
●
4
●
2
bas
2 4 6 8 10
1:10
Figure: La fonction mtext().
143 / 29
La fonctions title()
Cette fonction permet d’ajouter des titres à votre graphique: un titre principal en haut
de la figure avec le paramètre main, un sous-titre en bas de la figure avec le
paramètre sub, un titre pour l’axe des x avec le paramètre xlab, et un titre pour l’axe
des y avec le paramètre ylab. Notez que ces paramètres peuvent aussi être spécifiés
directement lors de l’appel de fonctions graphiques comme plot().
> plot.new( )
> box()
> title(main="Titre principal",sub="Sous-titre",
+ xlab ="Titre des x",ylab="Titre des y")
144 / 29
La fonctions title()
Titre principal
Titre des y
Titre des x
Sous−titre
Figure: La fonction title().
145 / 29
La fonctions legend()
Cette fonction est utilisée pour ajouter une légende à un graphique existant.
> plot(1:4,1:4,col=1:4,type="b")
> legend(x=3,y=2.5,legend=c("a","b","c","d"),col=1:4,lty=1)
> help(legend) # pour plus de détail
146 / 29
La fonctions legend()
4.0
●
3.5
3.0
●
1:4
2.5
a
b
2.0
● c
d
1.5
1.0
1.0 1.5 2.0 2.5 3.0 3.5 4.0
1:4
Figure: La fonction legend().
147 / 29
Graphiques avancés
148 / 29
La fonctions persp()
Cette fonction est utilisée pour tracer en perspective d’une surface 3D.
> x <- seq(-10, 10, length= 30)

> y <- x
> f <- function(x,y) 0.5*sin(sqrt(x^2+y^2))
> z <- outer(x, y, f)
> sin.exp <- expression(z == frac(1,2)~sin(sqrt(x^2 + y^2)))
> persp(x, y, z, theta = 30, phi = 30, expand = 0.5,
+ col = "lightblue",ltheta = 120, shade = 0.75,
+ ticktype = "detailed",xlab = "X", ylab = "Y",
+ zlab = "f(x,y)")
> title(main = sin.exp)
> demo(persp) # pour plus de détail
149 / 29
La fonctions persp()
1
z= sin( x2 + y2 )
2
0.4
0.2
f(x,y)
0.0
10
−0.2
−0.4 5
−10
0
Y
−5
0 −5
X
5
10 −10
150 / 29
Package rgl
Ce package permet d’obtenir de jolis graphiques en 3D qu’il est possible de faire

bouger à l’aide de la souris. Tapez par exemple les commandes suivantes pour en
avoir un bref aperçu:
> install.packages("rgl")
> library(rgl)
> demo(rgl)
> example(rgl)
151 / 29
Package lattice
Nous donnons un exemple qui montre que les graphiques dans le package lattice
peuvent être considérés comme des objets (au sens de la programmation objet), ce qui
plaira aux lecteurs avertis. Imaginons par exemple que vous ayez tracé le graphique
résultant des instructions suivantes, et que vous constatiez votre erreur dans le titre.
> install.packages("lattice")
> library(lattice)
> xyplot(y~x,type="l",main="Courbe de cosinus")
L’instruction suivante permet alors de modifier le titre sans retracer la courbe!
> update(trellis.last.object(),main="Courbe de sinus")
152 / 29
Package scatterplot3d
> install.packages("scatterplot3d")
> library(scatterplot3d)
> vignette("s3d") # documentation du package
> z <- seq(-10, 10, 0.01)
> x <- cos(z)
> y <- sin(z)
> scatterplot3d(x, y, z, highlight.3d=TRUE,
+ col.axis="blue",col.grid="lightblue",
+ main="scatterplot3d", pch=20)
153 / 29
Package scatterplot3d
scatterplot3d
●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●
●●
●●
●●
●●
●●
●●
●
●●
●●
●●
●●
●
●
●●
●●
●●
●●
●●
●●
●●
● ●●
●●
●
●●
●●
●
●●
●●
●
●●
●●
●●
●●
●●
●●
● ●●
●
●●
●
●●
●
●●
●
●●
●●
●●
●●
●● ●
●●
●
●●
●
●●
●
●●
●●
●●
●
●●
● ●
●●
●
●●
●
●
●
●
●●
●●
●●
●
●● ●
●●
●
●●
●●
●
●●
●● ●●
●●
●●
●
●●
●
●●
● ●
●
●
●●
●
●●
●
●●
● ●
●
●
●
●
●●
●
●
●●
● ●
●
●
●
●●
●
● ●
●
●
●●
● ●
●
●●
●
●● ●
●
●●
● ●
●
●
●
● ●
●
● ●
●
●
● ●
●
●
●●
●
●●
●●
●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●● ●
●●
●
●
10
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●● ●●
●●●
●●
●●
●●
●●
●●
●
●●
●●
●● ●
●
●
●●
●
●●
●●
●●
●●
●●
●●
●● ●
●●
●●
●
●●
●
●●
●●
● ●
●
●●
●
●
●
●●
●●
●●
●●
●●
● ●●
●
●●
●
●
●●
●
●
●●
●
●●
●●
●●
●●
●
● ●●
●
●● ●
●●
●
●●
●
●
●●
●●
●●
●
●●
●●
● ●●
●
●●
● ●
●
●●
●
●●
●
●
●●
●●
●
●● ●●
●
●● ●●
●
●
●
●●
●●
●
●●
● ●
●●
●
●● ●
●●
●
●
●●
●●
●
●● ●
●●
●
● ●
●
●●
●●
●
●
●●
●
● ●
●●
●●
● ●
●
●
●
●
●●
●
●●
● ●●
●●
●● ●
●
●
●●
●
●
● ●
●●
●●
●● ●
●
●
●●
● ●●
●
●●
● ●
●
●
●
●● ●
●●
●●
●● ●
●
●●
●
● ●●
●●
●●
● ●
●
●
● ●●
●●
●●
●● ●
●
●
●
● ●●
●●
●●
●● ●
●
●
● ●
●●
●●
●●
●● ●●
●
●● ●
●●
●●
●●
●●
● ●
●
5
●
●●
●
●● ●●
●●
●●
●●
●●
●●
● ●●
●
●
●●
●●
●
●●
●
●● ●
●●
●●
●●
●
●●
●●
●●
●●● ●
●
●
●●
●
●
●●
●
●●
●
●●
●
●●
●
●●
●
●●
●
●●
●
●●
●●
●
●●
●●
●
●●
●●
●●
●
●●
●●
●●
●
●●
●●
●●
●●
● ●●
●
●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
● ●
●
●●
●
●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
● ●
●
●●
●●
●●
●●
●●
●
●●
●●
●●
●
●● ●●
●
●●
●
●●
●●
●●
●●
●●
●●
●● ●●
●
●●
●●
●
●●
●
●●
● ●
●
●●
●
●
●●
●●
●●
●●
●●
● ●
●
●●
●
●●
●
●
●●
●
●
●
●●
●
●●
●●
●●
● ●
●●
●●
● ●
●●
●
●●
●
●●
●●
●
●●
●●
●●
● ●●
●
●● ●
●
●●
●
●
●●
●●
●●
●
●●
●● ●
●●
●●
● ●●
●●
●
●●
●
●●
●●
● ●
●●
●● ●
●●
●
●
●●
●
●●
●
● ●●
●●
●
● ●
●●
●
●
●
●●
●
●●
●
● ●
●●
●
●● ●●
●
●
●
●●
●
●● ●
●●
●●
● ●
●
●
●●
●
● ●
●●
●●
●
● ●
●
●
●●
●
● ●
●●
●●
● ●
●
●
●
●
● ●●
●●
●●
● ●
●
● ●
●● ●
0
●● ●●
●●
●●
● ●
●
z
●
● ●●
●●
●●
●● ●●
●
●
● ●
●●
●●
●●
●● ●
●
●
● ●
●●
●●
●●
●●
● ●
●
●
● ●
●
●
● ●●
●●
●●
●● ●
● 1.0
y
●●
●
●●
●●
● ●●
●●
●●
●●
●●
●●
●● ●●
●●
●●
●
●●
●
●
●●
●
●
●●
●
●●
● ●
●●
●●
●
●●
●●
●●
●●
●●
●●
●●
●● ●●
●
●●
●
●●
●
●●
●
●●
●
●●
●●
●
●●
●●
●
●●
●●
●
●●
●●
●●
●
●●
● ●
●
●●
●
●●
●
●
●
●●
●
●
●●
●●
●
●●
●
●
●●
●
●
●●
●
●●
●●
●
●●
●●
●●
●
●●
●●
●●
●●
●
●●
●
●●
●●
●●
●
●●
●
●●
●●
●
●●
0.5
●
●
●●
●
●●
●● ●
●●
●●
●
●
●
●●
●
● ●●
●
●
−5
●
●
●●
●
●●
●
● ●●
●●
●●
●●
●
●●
●
●● ●
●●
●●
●
●●
● ●●
●●
●
●
●
●
●
●
●
●
●
●
●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
●●
0.0
●
● ●●
●●
●●
●●
●
●
● ●
●●
●●
●●
●●
●
● ●
●●
●●
●●
●●
●
●●
●
●● ●●
●●
●●
●●
●●
●
●
●
●● ●
●●
●●
●●
●●
●
●●
●●
●
●●
●
●
●●
●
●●
●
●
●●
●
●●
●
●●
●
●●
●
●●
●●
●
●●
●
●●
●●
●
●●
●●
●●
●
●●
●●
●●
●
●●
●●
●●
●●
●●
●●
●
●●
●●
●●
●●
●●
●●
●●
●
−0.5
−10
−1.0
−1.0 −0.5 0.0 0.5 1.0
154 / 29
I
Appendix
155 / 29
Installation du logiciel R et des packages R
Commencez par télécharger le logiciel R (fichier R-x-win32.exe ou x est le numéro

de la dernière version disponible) à l’aide de votre navigateur web usuel à l’adresse
suivante: http://cran.r-project.org/bin/windows/base/ Enregistrez ensuite ce
fichier exécutable sur le Bureau de Windows puis double–cliquez sur le fichier R-x-
win32.exe.
Le logiciel s’installe alors et vous n’avez plus qu’à suivre les instructions qui s’affichent
et à conserver les options proposées par défaut.
156 / 29
Installation du logiciel R et des packages R
De nombreux modules (packages ou librairies) supplémentaires sont disponibles sur le

site internet: http://cran.at.r-project.org/web/packages/ ou bien encore ici:
http://cran.r-project.org/bin/windows/contrib/, dans le dossier correspon-
dant au numéro x de votre version de R.
L’installation depuis la ligne de commande:
install.packages()
157 / 29

Apprentissage Logiciel I (R) Mr. BEZOUI

Transféré par

Droits d'auteur :

Formats disponibles

Apprentissage Logiciel I (R) Mr. BEZOUI

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Apprentissage Logiciel I (R) Mr. BEZOUI

Transféré par

Droits d'auteur :

Formats disponibles

Prntation du logiciel R

A.C Guidoum M. Bezoui

December 14, 2015

3 Les bases du logiciel R

Tout d’abord R est un logiciel gratuit et à code source ouvert (opensource). Il

R est un logiciel dans lequel de nombreuses techniques statistiques modernes et

Vous pouvez obtenir une démonstration des possibilités graphiques de R en tapant

La commande help() possède un alias qui est le point d’interrogation: ?

> ?function # Ne fonctionne pas

Quelques commandes complémentaires

Quelques commandes complémentaires

En plus de la commande principale help(), il existe quelques autres fonctions complé-

Quelques commandes complémentaires

Voici trois autres fonctions qui pourront également se révéler utiles:

Aide accessible sur l’Internet

Aide accessible sur l’Internet

Le site web officiel de R (http://www.r-projeet.org/) contient une quantité con-

Les bases du logiciel R

Les concepts de base, l’organisation des données

R est une calculatrice

R, comme beaucoup d’autres langages de ce type, remplace aisément les fonctionnalités

> c(1,2,3,4,5) # Crée un vecteur contenant les cinq premiers entiers.

Le logiciel R contient de nombreuses autres fonctions dans sa version de base, et

Les données dans R

Les données dans R

Les fonctions mode() et typeof(), permettent de gérer le type des données.

Type numérique (numeric)

Type complexe (complex)

On fabrique un nombre complexe à l’aide de la lettre i. On utilise les fonctions Re()

> is.complex(z) # Permet de savoir si un objet est du type complexe.

Type complexe (complex)

Type booléen ou logique (logical)

> x <- TRUE

Type booléen ou logique (logical)

Lorsque cela se révèle nécessaire, ce type de données est naturellement converti en

> TRUE + T + FALSE*F + T*FALSE + F

Données manquantes (NA)

> x <- c(3,NA,6,8,9)

[1] FALSE TRUE FALSE FALSE FALSE

Données manquantes (NA)

> mean(x, na.rm=TRUE) # Le paramètre na.rm signifie enlever

Données manquantes (NA)

Ne pas confondre NA avec le mot réservé NaN signifiant Not a Number:

Type chaînes de caractères (character)

> a <- "R pour Master MF"

[1] "R pour Master MF"

Les différents types de données en R

Type des données Type sous R

Structure des données

Les vecteurs (vector)

Les vecteurs (vector)

[1] "1" "1" "7" "-2" "1" "TRUE" "1" "R"

> vec <- 0:4

Les matrices (matrix) et les tableaux (arrays)

> X <- matrix(1:12,nrow=4,ncol=3,byrow=TRUE)

[,1] [,2] [,3]

Les matrices (matrix) et les tableaux (arrays)

> Y <- matrix(1:12,nrow=4,ncol=3,byrow=FALSE)

[,1] [,2] [,3]

Les matrices (matrix) et les tableaux (arrays)

> TRUE + T + FALSEF + TFALSE + F