Chapitre 13 S’entrainer

13.1 TP1

Difficulté 🏆

Ce TP reprend les notions évoquées dans les chapitres 2 et 3. On utilise le dataset mtcars qui décrit les statistiques de voitures. Le dataset est présent dans le package datasets automatiquement installé sur R. Voici une description des données :

mpg : Miles/(US) gallon
cyl : Number of cylinders
disp : Displacement (cu.in.)
hp : Gross horsepower
drat : Rear axle ratio
wt : Weight (1000 lbs)
qsec : 1/4 mile time
vs : Engine (0 = V-shaped, 1 = straight)
am : Transmission (0 = automatic, 1 = manual)
gear : Number of forward gears
carb : Number of carburetors

	mpg	cyl	disp	hp	drat	wt	qsec	vs	am	gear	carb
Mazda RX4	21.0	6	160.0	110	3.90	2.620	16.46	0	1	4	4
Mazda RX4 Wag	21.0	6	160.0	110	3.90	2.875	17.02	0	1	4	4
Datsun 710	22.8	4	108.0	93	3.85	2.320	18.61	1	1	4	1
Hornet 4 Drive	21.4	6	258.0	110	3.08	3.215	19.44	1	0	3	1
Hornet Sportabout	18.7	8	360.0	175	3.15	3.440	17.02	0	0	3	2
Valiant	18.1	6	225.0	105	2.76	3.460	20.22	1	0	3	1
Duster 360	14.3	8	360.0	245	3.21	3.570	15.84	0	0	3	4
Merc 240D	24.4	4	146.7	62	3.69	3.190	20.00	1	0	4	2
Merc 230	22.8	4	140.8	95	3.92	3.150	22.90	1	0	4	2
Merc 280	19.2	6	167.6	123	3.92	3.440	18.30	1	0	4	4

Exercice 1 : Préparer son environnement de travail

Dupliquer le dataset dans un nouvel objet appelé df.
Combien de lignes, colonnes sont présentes dans ce dataset (utilisez les fonctions adaptées) ?
Affichez le nom des colonnes
Affichez le type des colonnes avec la fonction adaptée.
On souhaite analyser les variables cyl, vs, am, gear et carb en tant que variables qualitatives. Modifier le type de ces variables pour les transformer en type factor.
Combien de niveaux (levels) sont présents dans ces variables ?
Affichez un résumé des données avec la fonction adaptée.

Exercice 2 : Statistiques descriptives

Déterminer la moyenne de la variable mpg
Déterminer le maximum la variable wt.
Déterminer la médiane de la variable hp.
Déterminer les quartiles de la variable qsec.
Déterminer les déciles de la variable qsec.
Déterminer la variance et l’écart-type de la variable qsec.
Déterminer un tri à plat pour compter les effectifs des modalités de chaque variables factor.

Exercice 3 : Quelques graphiques

Contruire un histogramme de la distribution de la variable qsec.
Constuire une boîte à moustache de la distribution de la variable qsec.
Construire un diagramme en barre de répartition de la variable carb.
Construire un diagramme circulaire de la répartition de la variable vs.

Exercice 4 : Création de nouvelles colonnes

La colonne mpg correspond au nombre de miles parcouru en 1 gallon (US). Cette mesure correspond en quelques sortes à la mesure de consommation de litres aux 100 km utilisée en France. Créer une colonne supplémentaire appelée litres_au_100km qui correspond à la conversion de la variable mpg(Miles/(US) gallon) en nombre de litres aux 100 kilomètres. Aidez-vous du guide des conversion disponible sur ce lien.
Construire une nouvelle colonne appelée qsec_cut qui est un découpage de la variable qsec en 3 groupes (pas de restriction sur le nombre de classe).
Construire une nouvelle colonne appelée litres100km_group pour distinguer deux groupes de voiture : celles qui consomment plus que la moyenne et celles qui consomment moins que la moyenne.

13.2 TP2

Difficulté 🏆🏆

Pokemon

Ce TP reprend les notions évoquées dans les chapitres 2 à 5. On utilise le fichier pokemon.xlsx qui décrit les statistiques des pokemon des deux premières générations. Le fichier est issu du site Kaggle. Il a été adapté pour ce TP. Pour réaliser ce TP, télécharger le fichier en cliquant ici.Voici une description des données :

pokedex_number : numéro du pokemon
nom : nom du pokemon
generation : le numéro de génération dont est issu le pokemon
is_legendary : Oui / Non si le pokemon est légendaire
type : le type du pokemon
weight_kg : le poids du pokemon en kg
height_m : la taille du pokemon en mètre
attack : la puissance d’attaque du pokemon
defense : la puissance de défense du pokemon
speed : la vitesse du pokemon

pokedex_number	nom	generation	is_legendary	type	weight_kg	height_m	attack	defense	speed
1	Bulbizarre	1	Non	grass	6.9	0.7	49	49	45
2	Herbizarre	1	Non	grass	13.0	1.0	62	63	60
3	Florizarre	1	Non	grass	100.0	2.0	100	123	80
4	Salameche	1	Non	fire	8.5	0.6	52	43	65
5	Reptincel	1	Non	fire	19.0	1.1	64	58	80
6	Dracaufeu	1	Non	fire	90.5	1.7	104	78	100
7	Carapuce	1	Non	water	9.0	0.5	48	65	43
8	Carabaffe	1	Non	water	22.5	1.0	63	80	58
9	Tortank	1	Non	water	85.5	1.6	103	120	78
10	Chenipan	1	Non	bug	2.9	0.3	30	35	45
11	Chrysacier	1	Non	bug	9.9	0.7	20	55	30
12	Papilusion	1	Non	bug	32.0	1.1	45	50	70
13	Aspicot	1	Non	bug	3.2	0.3	35	30	50
14	Coconfort	1	Non	bug	10.0	0.6	25	50	35
15	Dardargnan	1	Non	bug	29.5	1.0	150	40	145
16	Roucool	1	Non	normal	1.8	0.3	45	40	56
17	Roucoups	1	Non	normal	30.0	1.1	60	55	71
18	Roucarnage	1	Non	normal	39.5	1.5	80	80	121
19	Rattata	1	Non	normal	NA	NA	56	35	72
20	Rattatac	1	Non	normal	NA	NA	71	70	77

Exercice 1 : Importer les données

Importez le jeu de données pokemon.xlsx à l’aide du package readxl.
Combien de lignes, colonnes sont présentes dans ce dataset (utilisez les fonctions adaptées) ?
Affichez le nom des colonnes.
Affichez le type des colonnes avec la fonction adaptée.
On souhaite analyser les variables generation, is_legendary, et type en tant que variables qualitatives. Modifier le type de ces variables pour les transformer en type factor.
Combien de niveaux (levels) sont présents dans ces variables ?
Affichez un résumé des données avec la fonction adaptée.

Exercice 2 : Statistiques descriptives

Déterminer la moyenne de la variable weight_kg.
Déterminer la médiane de la variable weight_kg.
Déterminer les quartiles de la variable height_m.
Déterminer les déciles de la variable height_m.
Déterminer la variance et l’écart-type de la variable weight_kg.
Déterminer un tri à plat pour compter les effectifs des modalités de chaque variable factor en triant chaque sortie par ordre décroissant.

Exercice 3 : Tris et Selections

Pour chaque question suivante, affectez le résultat de la requête dans un objet puis calculez sa dimension. Exemple :

#Selectionnez les deux premières colonnes du data frame
requete_0 <- pokemon[,1:2]
dim(requete_0)

## [1] 251   2

Sélectionnez la colonne nom et is_legendary.
Sélectionnez les 50 premières lignes et les deux premières colonnes.
Sélectionnez les 10 premières lignes et toutes les colonnes.
Sélectionnez toutes les colonnes sauf la dernière.
Sélectionnez les colonnes 2,8,9 et 10.
Sélectionnez les lignes 20 à 30 et 80 à 100.
Triez le dataset par ordre alphabétique et afficher le nom du pokemon dela première ligne.
Triez le dataset par weight_kg en ordre décroissant, et afficher le nomdu pokemon de la première ligne
Triez le dataset par attack en ordre décroissant puis par speed en ordre croissant, et afficher le nom des pokemons des 10 premières lignes.

Exercice 4 : Tris et Filtres

Pour chaque question suivante, affectez le résultat de la requête dans un objet puis calculez sa dimension. Pour faciliter la lecture, sélectionnez la colonne nomet les colonnes concernées par le filtre. Exemple :

#Selectionnez les pokemons de type feu
requete_0 <- pokemon[ pokemon$type == "fire", c("nom","type")]
dim(requete_0)

## [1] 20  2

Filtrez sur les pokemons qui ont 150 ou plus d’attack puis trier le résultat par ordre décroissant d’attack.
Filtrez sur les pokemons de type dragon,ghost,psychic et dark
Filtrez sur les pokemons de type fire avec plus de 100 d’attack, puis trier le résultat par ordre décroissant d’attack.
Filtrez sur les pokemons qui ont entre 100 et 150 de speed. Les trier par speed décroissant.
Filtrez sur les pokemons pesant plus de 250 kg et affichez le résultat pour vérifier.
Filtrez sur les pokémons qui ont des valeurs manquantes sur la variable height_m.
Filtrez sur les pokemons qui ont des valeurs renseignées à la fois pour la variable weight_kg et la variable height.

Exercice 5 : Agregations

Pour chaque question suivante, affectez le résultat de la requête dans un objet puis calculez sa dimension. Exemple :

#Calculez la vitesse moyenne par generation
requete_0 <- aggregate(x = speed ~ generation, data = pokemon , FUN = mean)
dim(requete_0)

## [1] 2 2

generation	speed
1	70.15232
2	61.61000

Calculez l’attack moyenne en fonction de la variable type, puis filtrez sur les 3 types avec les moyennes les plus élevées.
Calculez le nombre de pokemon par type , puis triez par ordre décroissant ces effectifs.
Calculez la médiane de weight_kg par type.
Calculez le nombre de pokemon par type et generation
Calculez la moyenne de chaque critère (weight_kg, height_m, attack, defense et speed) en fonction de chaque type.

13.3 TP3

Difficulté 🏆🏆🏆

Among us

Ce TP reprend les notions évoquées dans les chapitres 6,7 et 10. On utilise le fichier compressé AmongUs.7z où l’ensemble des fichiers décrivent les statistiques des parties jouées sur le jeu Among Us. Il y a un fichier par joueur nommé UserX.csv. Les données sont issues du site Kaggle. Pour réaliser ce TP, télécharger le fichier en cliquant ici. Les fichiers csv ont tous la même structure avec :

Game.Completed.Date : Date de la partie
Team : l’équipe attribuée
Outcome : résultat de la partie
Task.Completed : le nombre de tâches effectuées
All.Tasks.Completed : si toutes les tâches ont été effectuées
Murdered : si le joueur a été tué
Imposter.Kills : le nombre de joueurs tués par l’imposteur
Game.Length : durée de la partie
Ejected : si le joueur a été éliminé par les autres au cours de la partie
Sabotages.Fixed : nombre de sabotages réparés
Time.to.complete.all.tasks : temps pour compléter les toutes les tâches
Rank.Change : Non renseigné
Region.Game.Code : la région du serveur de jeu

Game.Completed.Date	Team	Outcome	Task.Completed	All.Tasks.Completed	Murdered	Imposter.Kills	Game.Length	Ejected	Sabotages.Fixed	Time.to.complete.all.tasks	Rank.Change	Region.Game.Code
12/13/2020 at 1:26:56 am EST	Crewmate	Win	3	No	Yes		07m 04s	No	2		++	NA / WYMSBF
12/13/2020 at 1:17:42 am EST	Crewmate	Loss	7	Yes	No		16m 21s	No	1	09m 48s	–	NA / WYMSBF
12/13/2020 at 12:57:47 am EST	Crewmate	Win	3	No	No		11m 33s	No	0		++	NA / WYMSBF
12/13/2020 at 12:41:55 am EST	Imposter	Win				2	08m 05s	No	N/A		+++	Europe / QIRTNF
12/13/2020 at 12:30:37 am EST	Crewmate	Loss	4	No	No		05m 10s	No	0		—	Europe / QIRTNF
12/13/2020 at 12:24:20 am EST	Crewmate	Loss	7	Yes	Yes		16m 22s	No	0	12m 16s	–	Europe / QIRTNF
12/13/2020 at 12:00:39 am EST	Crewmate	Loss	8	Yes	Yes		21m 41s	No	1	18m 38s	–	Europe / MTKPVF
12/11/2020 at 4:15:08 pm EST	Crewmate	Win	8	Yes	No		18m 43s	Yes	0	07m 48s	++	Europe / BFRJCF
12/11/2020 at 3:49:33 pm EST	Crewmate	Win	7	Yes	Yes		13m 15s	No	0	13m 15s	++	Europe / BFRJCF
12/11/2020 at 3:30:36 pm EST	Crewmate	Loss	7	Yes	Yes		12m 43s	No	0	12m 43s	–	Europe / BFRJCF
12/11/2020 at 3:10:58 pm EST	Crewmate	Win	4	No	Yes		11m 00s	No	0		++	Europe / BFRJCF
12/11/2020 at 2:53:28 pm EST	Crewmate	Win	7	Yes	No		17m 43s	No	0	11m 59s	++	Europe / BFRJCF
12/11/2020 at 2:20:38 pm EST	Crewmate	Loss	6	No	Yes		13m 46s	No	0		—	Europe / ONSJWQ
12/11/2020 at 2:04:26 pm EST	Imposter	Loss				3	15m 52s	Yes	N/A			Europe / ONSJWQ
12/11/2020 at 1:46:30 pm EST	Crewmate	Win	7	Yes	Yes		18m 54s	No	1	11m 09s	++	Europe / ONSJWQ
12/11/2020 at 2:09:32 am EST	Crewmate	Loss	7	Yes	Yes		08m 00s	No	0	01m 41s	–	NA / EYNONF
12/11/2020 at 2:00:26 am EST	Crewmate	Win	7	Yes	Yes		18m 06s	No	0	09m 34s	++	NA / EYNONF
12/11/2020 at 1:26:11 am EST	Crewmate	Win	7	Yes	Yes		12m 58s	No	1	09m 03s	++	NA / EYNONF
12/11/2020 at 1:03:05 am EST	Crewmate	Win	7	Yes	Yes		14m 57s	No	0	14m 50s	++	NA / EYNONF
12/11/2020 at 12:45:34 am EST	Crewmate	Loss	7	Yes	Yes		11m 03s	No	0	10m 34s	–	NA / EYNONF

Exercice 1 : Créer le jeu de données

Télécharger le fichier compressé AmongUs.7z et le déziper. La fonction list.files() devrait vous aider à extraire l’ensemble des noms de fichiers présents dans un répertoire (voir l’exemple ci-dessous).

list.files(path = "dataset/", pattern="*.csv", full.names=FALSE)

##  [1] "AmongUs.csv"          "flights.csv"          "google.csv"          
##  [4] "Hotdogs.csv"          "NBA.csv"              "planes.csv"          
##  [7] "starwars.csv"         "students_results.csv" "Titanic.csv"         
## [10] "tv_shows.csv"

Compiler l’ensemble des fichiers UserX.csv présents dans le fichier zip dans un seul et même data frame. Utiliser une boucle qui parcourt chaque fichier csv utilisateur. La fonction rbind() devrait vous aider à compiler les différents csv dans un seul data frame (voir l’exemple ci-dessous).
📢 Attention, pour le bon déroulement du TP, intégrer l’argument stringsAsFactors = FALSE dans votre fonction read.csv(). Cet argument permet de ne pas typer par défaut les variables character en factor lors de l’importation.

df <- data.frame()
dim(df)

## [1] 0 0

df <- rbind(df, mtcars)
dim(df)

## [1] 32 11

df <- rbind(df, mtcars)
dim(df)

## [1] 64 11

Modifier votre boucle afin d’ajouter une colonne dans le data frame final qui renseigne le numéro d’utilisateur disponible dans le nom de chaque fichier csv.
💡 indice : Il est plus simple d’ajouter une colonne avec le nom du fichier juste avant la fonction rbind().
Stocker le data frame final dans un objet appelé AmongUs.
Supprimer la colonne Rank.Change qui est inutile.
On observe des valeurs manquantes dans le dataset à travers les champs - et N/A, on souhaite remplacer ces valeurs textuelles par la véritable valeur NA permettant d’indiquer à R que la valeur est manquante. Construire une fonction appelée manage_na() qui prend en entrée :

un vecteur x correspondra à une colonne d’un dataset.
un vecteur string_to_na correspondant à la liste des chaînes de caractères qu’on souhaite transformer en NA.

La fonction retournera le vecteur modifié.
💡 indice : voici ci-dessous la tête que doit avoir votre fonction :

manage_na <- function(x, string_to_na) {
  
  ...
  ...
  ...
  
  return(x_modif)
}

Construire une boucle qui parcourt toutes les colonnes du data frame AmongUs et qui remplace les champs avec des - et N/A par des valeurs manquantes NA. Utilisez la fonction manage_na() créée précédemment.

Exercice 2 : Manipuler le texte et les dates

À partir de la colonne Game.Completed.Date, construire une colonne appelée Date avec la date de la partie au format yyyy-mm-dd uniquement. Veiller à ce que le type de cette colonne soit Date.
À partir de la colonne Game.Completed.Date, construire une colonne appelée Heure avec l’heure uniquement de la partie. Attention au format am et pm.
À partir de la colonne Game Length, construire une colonne appelée Game.Length.sec correspondant à la durée de la partie en secondes.
À partir de la colonne Time.to.complete.all.tasks, construire une colonne appelée Complete.all.tasks.sec correspondant à la durée en secondes pour compléter toutes les tâches.
À partir de la colonne Region.Game.Code construire une colonne appelée Region correspondant au nom du continent uniquement.

Exercice 3 : Type des variables

Combien de lignes, colonnes sont présentes dans ce dataset (Utiliser la fonction adaptée) ?
Afficher un résumé des données avec la fonction adaptée.
Veiller à ce que les types de chaque colonne du dataset correspondent aux types ci-dessous. Sinon, convertir les variables dans leur type approprié.

Variable	Type souhaité
Game.Completed.Date	character
Team	factor
Outcome	factor
Task.Completed	numeric
All.Tasks.Completed	factor
Murdered	factor
Imposter.Kills	numeric
Game.Length	character
Ejected	factor
Sabotages.Fixed	numeric
Time.to.complete.all.tasks	character
Region.Game.Code	character
Date	Date
Heure	numeric
Game.Length.sec	numeric
Complete.all.tasks.sec	numeric
Region	factor

📢 Attention, lorsqu’on convertit un vecteur de type factor en type numeric, il est recommandé de passer d’abord par le type character (voir exemple ci-dessous). Ce ne sera peu être pas utile pour ce TP, mais c’est bien de le savoir !

Ce qu’il ne faut pas faire ⛔

x <- factor(c(7,7,8,7,9,6,6))
levels(x)

## [1] "6" "7" "8" "9"

x <- as.numeric(x)
x

## [1] 2 2 3 2 4 1 1

Ce qu’il faut faire ✅

x <- factor(c(7,7,8,7,9,6,6))
levels(x)

## [1] "6" "7" "8" "9"

x <- as.numeric(as.character(x))
x

## [1] 7 7 8 7 9 6 6

Vérifier si cela a fonctionné en affichant le type de chaque variable du data frame.

Exercice 4 : Analyses statistiques

La plupart des questions de cet exercice demandent un peu de réflexion.
📢 Ne partez pas à l’abordage, les solutions peuvent se coder en plusieurs étapes (tris,filtres, agregations, etc.).

Quelle est la durée moyenne d’une partie ?
Combien y-a-t-il de régions serveurs différentes ?.
Combien de tâche maximum un Crewmate peut-il réaliser ?
Quel est le taux de parties remportées par les imposteurs ?
Construire un graphique adapté permettant de visualiser la répartition du nombre de parties jouées selon laRegion.
Construire un graphique adapté permettant de visualiser la répartition des joueurs qui termine ou pas leurs tâches selon s’ils se font tuer ou pas.
Construire un graphique adapté permettant de visualiser la distribution du nombre de tâches complétées par les joueurs.
Construire un graphique adapté permettant de visualiser pour chaque partie jouée, la durée de la partie et le temps pour compléter toutes les tâches.
Construire un graphique adapté permettant de visualiser la distribution du temps des parties selon la Region.
Construire un graphique adapté permettant de visualiser l’évolution du nombre de parties jouées selon l’heure de la journée.
Construire un graphique adapté permettant de visualiser les variations du taux de succès des imposteurs selon les régions serveurs.
Construire un graphique adapté permettant de visualiser les taux de succès des 5 meilleurs utilisateurs.

13.4 TP4

Difficulté 🏆🏆

NBA

Ce TP reprend les notions évoquées dans les chapitres 2 à 7. On utilise le fichier NBA.csv qui décrit les tirs effectués au cours de la saison 2014-2015 de NBA. Le fichier est issu du site Kaggle. Il a été adapté et modifié pour ce cours. Les données sont accessibles en cliquant ici.

Voici la présentation du jeu de données :

GAME_ID : ID du match
LOCATION : Lieu du match (Home / Away)
GAME_RESULT : Résultat du match (Won / Lost)
PERIOD : Numéro de quart-temps et prolongations éventuelles
SHOT_CLOCK : Durée de la possession de l’équipe au moment du tir
DRIBBLES : Nombre de dribbles avant le tir
TOUCH_TIME : Durée de la possession du joueur avant le tir
SHOT_DIST : Distance de tir en foot (1 foot = 0,30 mètre)
PTS_TYPE : Tentative à 2 ou 3 points (les lancers francs à 1 point ne sont pas répertoriés)
SHOT_RESULT : Résultat du tir (made / missed)
CLOSE_DEF_DIST : Distance entre le tireur et le défenseur le plus proche en foot (1 foot = 0,30 mètre)
SHOOTER : Nom du tireur

GAME_ID	LOCATION	GAME_RESULT	PERIOD	SHOT_CLOCK	DRIBBLES	TOUCH_TIME	SHOT_DIST	PTS_TYPE	SHOT_RESULT	CLOSE_DEF_DIST	SHOOTER
21400899	A	W	1	10.8	2	1.9	7.7	2	made	1.3	brian roberts
21400899	A	W	1	3.4	0	0.8	28.2	3	missed	6.1	brian roberts
21400899	A	W	1	NA	3	2.7	10.1	2	missed	0.9	brian roberts
21400899	A	W	2	10.3	2	1.9	17.2	2	missed	3.4	brian roberts
21400899	A	W	2	10.9	2	2.7	3.7	2	missed	1.1	brian roberts
21400899	A	W	2	9.1	2	4.4	18.4	2	missed	2.6	brian roberts
21400899	A	W	4	14.5	11	9.0	20.7	2	missed	6.1	brian roberts
21400899	A	W	4	3.4	3	2.5	3.5	2	made	2.1	brian roberts
21400899	A	W	4	12.4	0	0.8	24.6	3	missed	7.3	brian roberts
21400890	H	W	2	17.4	0	1.1	22.4	3	missed	19.8	brian roberts
21400890	H	W	2	16.0	8	7.5	24.5	3	missed	4.7	brian roberts
21400890	H	W	4	12.1	14	11.9	14.6	2	made	1.8	brian roberts
21400890	H	W	4	4.3	2	2.9	5.9	2	made	5.4	brian roberts
21400882	A	W	4	4.4	0	0.8	26.4	3	missed	4.4	brian roberts
21400859	A	L	1	6.8	0	0.5	22.8	3	missed	5.3	brian roberts
21400859	A	L	2	6.4	3	2.7	24.7	3	made	5.6	brian roberts
21400859	A	L	2	17.6	6	5.1	25.0	3	missed	5.4	brian roberts
21400859	A	L	4	8.7	1	0.9	25.6	3	missed	5.1	brian roberts
21400859	A	L	4	20.8	0	1.2	24.2	3	made	11.1	brian roberts
21400845	A	W	1	17.5	2	2.2	25.4	3	missed	3.5	brian roberts

Exercice 1 : Importer les données

Importer le jeu de données NBA.csv avec la fonction read.csv().
Combien de lignes, colonnes sont présentes dans ce dataset (utilisez les fonctions adaptées) ?
Afficher le nom des colonnes.
Afficher le type des colonnes avec la fonction adaptée.
On souhaite analyser les variables PERIOD, PTS_TYPE, et SHOOTER en tant que variables qualitatives. Modifier le type de ces variables pour les transformer en type factor.
Combien de niveaux (levels) sont présents dans ces variables ?
Afficher un résumé des données avec la fonction adaptée.

Exercice 2 : Statistiques descriptives

Calculer l’écart-type de la variable présentant la distance de tir (SHOT_DIST).
Calculer l’écart-type de la variable présentant la durée de la possession de l’équipe au moment du tir (SHOT_CLOCK).
Calculer la répartition du nombre de tirs manqués et réussis (SHOT_RESULT).
Calculer les quartiles de la variable présentant le nombre de dribbles avant un tir (DRIBBLES).
Calculer les déciles de la variable présentant la distance entre le tireur et le défenseur le plus proche (CLOSE_DEF_DIST).
Combien de matchs se sont déroulés lors de cette saison de basket ?
Combien y-a-t-il de SHOOTER différents ?

Exercice 3 : Modifier le jeu de données

Créer une variable SHOT_DIST_METRE qui affiche la variable SHOT_DIST convertit en mètre (1 foot = 0,30 mètre).
Créer une variable PTS_MARQUES qui prend la valeur 0, 2 ou 3 en fonction de l’issue du tir.
Supprimer la variable GAME_RESULT car elle est inutile.

Exercice 4 : Interroger les données

Attention, certaines questions peuvent nécessiter plusieurs étapes. Penser à vérifier vos requêtes avec la fonction dim() ou View().Pour chaque question, affecter le résultat ddans un objet comme dans l’exemple ci-dessous.

#Selectionnez les deux premières colonnes du data frame
requete_0 <- NBA[, c(1,2)]

On souhaite extraire uniquement la colonne SHOOTER , SHOT_RESULT et PTS_TYPE dans cet ordre.
On souhaite extraire uniquement les 50 premières lignes.
On souhaite extraire toutes les colonnes sauf la première.
On souhaite extraire uniquement les 100 tirs tentés avec les SHOT_DIST les plus loin.
On souhaite extraire uniquement les 100 tirs réussis avec les SHOT_DIST les plus loin.
On souhaite extraire uniquement les tirs réussis à 3 points de kobe bryant.
On souhaite construire un data frame avec les 5 SHOOTER qui ont inscrit le plus de points.

Bonus

On souhaite construire un programme permettant de parcourir l’ensemble des colonnes du data frame :

Si la colonne est numeric,on souhaite construire un boxplot.
Si la colonne est factor, on souhaite construire un barplot.
Sinon, on ne fait rien.
Pensez à ajouter un titre sur les graphiques afin de savoir à quelle variable on a à faire.
Dans une boucle,lorsqu’on souhaite affcher un graphique ou une sortie dans la console, il faut utiliser la fonction print().

13.5 TP5 - Chercher l’erreur

Difficulté 🏆🏆

mistake

Ce TP reprend les notions évoquées dans les chapitres 2 à 7. Dans ce TP, vous incarnez un data analyst travaillant dans le service statistique de la NBA. Un de vos collègues est parti en vacances vendredi dernier et a envoyer à votre manager quelques statistiques sur les tirs effectués au cours de la saison 2014-2015.
Le problème c’est que le script est bourré de fautes ! Rien ne fonctionne, à tous les coups, votre collègue était pressé de partir en vacance. Votre manager fait donc appel à vous pour corriger les erreurs de ce script. Attention, votre manager aimerait également comprendre ce que vous programmez dans votre script alors n’oubliez pas de commenter chaque ligne de code pour qu’il la comprenne. Le fichier de données (NBA.csv) et le script de votre collègue (nba_stats.R) sont disponibles en cliquant ici.
🎯 Votre manager a déjà passé beaucoup de temps pour comprendre ce script et aimerait que votre correction garde la même philosophie que le script de votre collègue, cela signifie qu’il ne faut pas écrire d’autres commandes R et simplement faire en sorte que celles déjà présentes fonctionnent.

script1

script2

script3

script4

13.6 TP6 - Analyses statistiques

Difficulté 🏆🏆

Students

Ce TP reprend les notions évoquées dans les chapitres 2 à 5. On utilise le fichier students_results.csv qui décrit les notes d’étudiants sur différentes épreuves. Pour réaliser ce TP, télécharger le fichier en cliquant ici. Voici une description des données :

ID_etudiant : Le matricule des étudiants
Genre : Le genre des étudiants
Groupe.TP : Le groupe de travaux pratiques
Groupe.TD : Le groupe de travaux dirigés
QUIZ# : Le score du quiz numéro #
TP# : La note au TP numéro #

ID_etudiant	Genre	Groupe.TP	Groupe.TD	QUIZ1	QUIZ2	TP1	TP2	TP4
42247	F	1	1	39774	25587	0.8095238	0.6470588	14.00
84675	F	1	1	27029	16083	0.9523810	0.6470588	14.50
93817	F	1	1	24839	20601	0.9523810	NA	13.00
22886	H	1	1	33835	22853	0.7619048	0.7794118	13.50
49060	H	1	1	31817	21322	0.8095238	0.8823529	16.00
66756	H	1	1	NA	NA	NA	NA	NA
48147	H	1	1	30572	18889	0.9523810	0.6470588	15.00
86478	H	1	1	26072	16057	0.8095238	NA	7.25
9082	H	1	1	32028	25880	0.8095238	0.6470588	13.00
2851	H	1	1	32945	25293	0.8095238	NA	11.00
94187	H	1	1	NA	NA	NA	NA	NA
2060	H	1	1	31588	17365	0.7619048	0.7794118	12.50
79464	H	1	1	34180	32996	0.8809524	NA	7.00
42086	H	1	1	36817	21302	0.9523810	1.0000000	19.00
4921	F	2	1	27838	20305	0.9523810	1.0000000	13.50
23653	H	2	1	33856	18854	0.9047619	0.9117647	16.50
26956	H	2	1	33375	18970	1.0000000	1.0000000	19.00
10702	H	2	1	34778	15677	1.0000000	1.0000000	13.50
22	H	2	1	36265	22377	1.0000000	1.0000000	17.50
3179	H	2	1	32809	23123	0.9047619	0.9117647	18.50

Exercice 1 : Importer les données

Importer le jeu de données students_results.csv avec la fonction read.csv().
Combien de lignes, colonnes sont présentes dans ce dataset (utilisez les fonctions adaptées) ?
Afficher le nom des colonnes.
Afficher le type des colonnes avec la fonction adaptée.
Afficher un résumé des données avec la fonction adaptée.
On souhaite analyser les variables Groupe.TP et Groupe.TD en tant que variables qualitatives. Modifier le type de ces variables pour les transformer en type factor.

Exercice 2 : Statistiques descriptives

Ajouter une colonne appelée TOTAL_QUIZ qui correspond à la somme des notes des quiz.
Déterminer la moyenne du score total des quiz. Proposez un graphique adapté pour visualiser la distribution de tous les scores totaux des étudiants
Déterminer les déciles des notes du TP4. Proposez un autre graphique pour visualiser la distribution des notes des étudiants au TP4.
Déterminer le nombre d’étudiants par groupe de TP. Proposez un graphique adapté pour visualiser cette répartition par groupe.
Déterminer le nombre d’étudiants par genre. Proposez un autre graphique pour visualiser cette répartition par genre.

Exercice 3 : Qui sont les meilleurs ?

Proposer un graphique adapté pour visualiser la distribution du score total aux quiz par genre.
Calculer la moyenne du score total aux quiz par genre
Proposer un graphique adapté pour visualiser la distribution du score total aux quiz par groupe de TP.
Calculer la moyenne du score total aux quiz par groupe de TP.
On souhaite visualiser avec un graphique adapté le score total aux quiz uniquement des 5 meilleurs étudiants.
On souhaite conserver les lignes uniquement des 3 meilleur(e)s étudiant(e)s du groupe de TP 1.

Exercice 4 : Allez plus loin

Dans cet exercice, nous allons aller plus loin sur des notions qu’on peut retrouver en analyses statistiques comme des corrélations et des régressions linéaires. On va déterminer quelle variable est la plus corrélée avec la note du TP4 qui a été réalisé en condition d’examen. Puis nous modéliserons cette relation.

Y-a-t-il une corrélation entre la note au TP4 et le score total aux quiz ? Pour cela, utiliser la fonction cor(). Voici un exemple d’utilisation avec le dataset iris ci-dessous:

help("cor")

cor(x = iris$Sepal.Length, y = iris$Sepal.Width)

## [1] -0.1175698

On peut aussi utiliser la fonction cor() où l’argument x est un data frame avec uniquement les variables quantitatives qu’on souhaite analyser. Cela permet d’obtenir ce qu’on appelle une matrice de corrélation. Voici ci-dessous un exemple d’utilisation avec le dataset iris. Construire la matrice de corrélation des scores aux quiz et des notes des TP.

#On construit la matrice de corrélation sur le dataset iris en excluant la colonne 5 qui est qualitative
cor(iris[ , -5])

##              Sepal.Length Sepal.Width Petal.Length Petal.Width
## Sepal.Length    1.0000000  -0.1175698    0.8717538   0.8179411
## Sepal.Width    -0.1175698   1.0000000   -0.4284401  -0.3661259
## Petal.Length    0.8717538  -0.4284401    1.0000000   0.9628654
## Petal.Width     0.8179411  -0.3661259    0.9628654   1.0000000

La fonction corrplot() du package corrplot du même nom permet de visualiser une matrice de corrélation. Ce graphique s’appelle aussi un corrélogramme. Construire un corrplot de la matrice de corrélation calculée précédemment. Consulter cette page pour plus d’information. En le personnalisant, on peut obtenir le corrélogramme ci-dessous :
Quelle est la variable la plus corrélée avec la note au TP4 ?
Pour illustrer cette corrélation, construire un nuage de points des notes du TP4 en fonction de la variable la plus corrélée comme ci-dessous :

On observe une relation linéaire entre ces deux variables. On va calculer la droite qui permet de modéliser cette relation On parle alors de droite de régression. Cette méthode permet d’établir une relation mathématique entre une variable explicative \(x\) et une variable à expliquer \(y\) telles que \(y = ax + b\) où :

\(a\) est le coefficient directeur aussi appelé la pente.
\(b\) est la constante où la valeur de l’ordonnée \(y\) lorsque l’abscisse \(x\) vaut 0.

Voici un exemple :

Calculer ces deux indicateurs sachant que :

\(a = \frac{s_{xy}}{s^2_x}\) où \(s_{xy}\) est la covariance entre \(x\) et \(y\) et \(s^2_x\) est la variance de la variable explicative. On peut la calculer avec la fonction cov().
\(b=\bar{y}-a\bar{x}\) où \(\bar{x}\) et \(\bar{y}\) correspondent respectivement à la moyenne de la variable explicative et la variable à expliquer.

📢 Il est recommandé de calculer ces indicateurs sur un tableau filtré avec uniquement les lignes ne présentant pas de valeurs manquantes sur la variable explicative et la note au TP4.

## [1] "Le coefficient directeur a vaut 14.2"

## [1] "La constante b vaut 2.79"

Après avoir calculé \(a\) et \(b\), Tracer la droite de régression sur le nuage de points avec la fonction abline().

help("abline")

En réalité, pour éviter tous ces calculs, on peut directement utiliser la fonction lm() qui gère déjà les valeurs manquantes.

help("lm")

modele <- lm(TP4 ~ TP2, data = df)
modele$coefficients

## (Intercept)         TP2 
##    2.789817   14.203363

plot(x = df$TP2, y = df$TP4,
     xlim = c(0,1), ylim = c(0,20),
     xlab = "TP2", ylab = "TP4",
     main = "Note du TP4 en fonction de la note du TP2")

abline(modele)

13.7 TP7 - Analyse de film

Difficulté 🏆🏆

Streaming

Ce TP reprend les notions évoquées dans les chapitres 2 à 6. On utilise le fichier tv_shows.csv qui décrit les notes d’évaluation des films et séries disponibles sur diverses plateformes de diffusion en continu. Le fichier est issu du site Kaggle. Il a été adapté pour ce TP. Pour réaliser ce TP, télécharger le fichier en cliquant ici.Voici une description des données :

Title : titre de la série ou du film
Year : Année de sortie ou première diffusion
Age : Type de public conseillé
IMDb : Notes des utilisateurs enregistrés sur le site L’Internet Movie Database
Rotten.Tomatoes : Notes basées sur les opinions de centaines de critiques de cinéma et de télévision du site du même nom
Netflix : si le film ou la série est disponible sur cette plateforme
Hulu : si le film ou la série est disponible sur cette plateforme
Prime.Video : si le film ou la série est disponible sur cette plateforme
Disney. : si le film ou la série est disponible sur cette plateforme

Exercice 1 : Importer les données

Importer le jeu de données tv_shows.csv avec la fonction read.csv.
Combien de lignes, colonnes sont présentes dans ce dataset (utilisez la ou les fonctions adaptées) ?
Afficher le nom des colonnes.
Afficher un résumé des données avec la fonction adaptée.
On souhaite analyser les variables Yearen tant que variable qualitative. Modifier le type de cette variable pour la transformer en type factor.
Afficher le type de chaque variable avec la fonction adaptée.
Construire une colonne appelée Total_plateforme avec le nombre de plateforme où est disponible le film ou la série.

Exercice 2 : Statistiques descriptives

👨🏻‍🏫 Ne pas oublier de mettre des titres sur vos graphiques !

Déterminer la moyenne des notes IMDb.
Déterminer le nombre de modalités de type de public conseillé (variable Age).
Déterminer les centiles des notes Rotten.Tomatoes.
Déterminer l’écart-type des notes IMDb puis Rotten.Tomatoes.
Représenter graphiquement la distribution des notes utilisateurs (variable IMDb).
Déterminer un tri à plat pour compter les effectifs des modalités de type de public conseillé (variable Age).
Représenter graphiquement ce tri à plat de la modalité la plus représentée à la moins représentée.
Calculer la répartition en pourcentage du nombre de films ou séries présents sur la plateforme Netflix.
Représenter graphiquement cette répartition dans un diagramme circulaire.
Représenter graphiquement la distribution des notes utilisateurs (variable IMDb) selon le type de public conseillé (variable Age).

Exercice 3 : Tris, filtres et agrégations

💡 On peut vérifier si la question est correcte en affichant le résultat dans une vue.

Construire un objet requete_a avec uniquement les films grands public (variable Age : all). Puis les trier de la note utilisateur (variable IMDb) de la plus élevée à la plus basse.
Construire un objet requete_b avec uniquement les films ayant une note utilisateur (variable IMDb) supérieure ou égale à 9. Puis les trier par année de sortie de la plus ancienne à la plus récente
Construire un objet requete_c avec uniquement les films ayant une note utilisateur (variable IMDb) et une note critique (variable Rotten.Tomatoes) qui soient renseignées. Puis les trier par ordre alphabétique (de A à Z)
Construire un objet requete_d avec la moyenne des notes utilisateurs (variable IMDb) selon le type de public conseillé (variable Age). Puis les trier de la note utilisateur (variable IMDb) de la plus élevée à la plus basse.

Bonus

Représenter grahiquement le lien entre les notes utilisateurs et les notes des critiques.
Calculer le coefficient de corrélation entre les notes utilisateurs et les notes des critiques. Attention, les NA pourraient vous poser des problèmes mais avec use = "complete.obs" dans la fonction cela devrait fonctionner.

13.8 TP8 - Algo

Pour réaliser ce TP, vous aurez besoin des ressources suivantes :

13.8.1 Salaire net

Dans cet exercice, vous allez devoir programmer plusieurs fonctions pour calculer le salaire net à partir d’un salaire brut. Cette page web vous sera utile pour comprendre les éléments qui interviennent dans le calcul. Pour faciliter le développement, utilisez uniquement le salaire brut mensuel.

Exercice 1 : Brut vers Net avant impôt pour les non-cadres uniquement

Programmez une fonction appelée brutToNet1 qui prend en entrée un salaire brut mensuel. La fonction retourne le salaire net avant impôt pour les non cadres. Nous souhaitons également que la fonction gère les erreurs si les arguments donnés à la fonction ne sont pas du bon type (ex : le salaire brut doit-être numeric). En cas d’erreur, la fonction doit renvoyer “ERROR : type not expected”. Pour information, les non-cadres ont un 22% de cotisations salariales. Pensez à tester votre fonction pour vous autocorriger.

Exercice 2 : Brut vers Net après impôt pour cadres et non-cadres

Programmez une fonction appelée brutToNet2 qui prend en entrée un salaire brut mensuel et le statut du contrat (cadre/non-cadres). Le taux de prélèvement à la source est fixe à 7,5%. La fonction retourne le salaire net après impôt. Pour information, les non-cadres ont un 22% de cotisations salariales contre 25% pour les cadres. Nous souhaitons également que la fonction gère les erreurs si l’argument contrat n’est pas correct. Pour cette erreur, la fonction doit renvoyer “ERROR : contract unknown”. Pensez à tester votre fonction pour vous autocorriger.

Exercice 3 : Brut vers Net après impôt pour cadres et non-cadres

Programmez une fonction appelée brutToNet3 qui prend en entrée :

un salaire brut mensuel (obligatoire)
le statut du contrat cadre/non-cadres (obligatoire)
le taux de prélèvement à la source (par défaut 7,5%)
le temps de travail entre 0 et 100% (par défaut 100%)

La fonction retourne une liste avec deux objets :

le salaire net avant impôt
le salaire net après impôt

Nous souhaitons également que la fonction gère les erreurs si taux de prélèvement et le temps de travail ne sont pas compris entre 0 et 100%. En cas d’erreur, la fonction doit renvoyer “ERROR : rate and time must be in range(0,100)”. Pensez à tester votre fonction pour vous autocorriger.

13.8.2 Relevé d’imposition

Qui dit alternance, dit impôt sur le revenu ! Cet exercice n’a aucun lien avec le précédent. Programmez une fonction appelée netAnnuelToImpot qui prend en entrée un salaire net annuel imposable. La fonction doit retourner le montant total de l’impôt. Voici comment calculer le montant total de l’impôt :

13.8.3 Juste prix

Dans cet exercice, vous allez coder le jeu du juste prix.

Le joueur doit deviner un prix (entier), il fait des propositions en saisissant au clavier et à chaque proposition le programme lui dit si “c’est plus” ou si “c’est moins. Il gagne lorsqu’il a trouvé le juste prix.

Le joueur choisit le mode du jeu entre :

Mode facile : le joueur a autant de tentatives qu’il souhaite et le jeu doit s’arrêter lorsque le joueur a trouvé le prix
Mode difficile : le joueur n’a que 10 essais pour trouver le nombre mystère ; si le joueur trouve en moins de 10 essais il gagne et la partie s’arrête, sinon il perd.

Voici la ligne de commande pour demander à l’utilisateur de saisir une valeur :

user_choice <- readline(prompt = "Saisissez une valeur textuelle : ")

Pour simuler le choix de l’ordinateur, vous pouvez utiliser la fonction suivante :

ai_choice <- sample(x = 1:100,size = 1)

13.8.4 Pierre, feuille, ciseaux

Dans ce jeu, l’utilisateur peut jouer plusieurs parties. La fonction prend en entrée le nombre de parties que le joueur souhaite faire. Pour chaque partie l’utilisateur saisit son choix au clavier et le programme retourne ensuite une liste avec :

le choix du programme
si l’utilisateur a gagné, perdu, ou fait match nul

La fonction doit retourner le nombre de partie gagnante pour l’utilisateur lorsque toutes les parties ont été jouées.

Pour simuler le choix de l’ordinateur, vous pouvez utiliser la fonction suivante :

ai_choice <- sample(x = c("Pierre","Feuille","Ciseaux"),size = 1)

13.9 TP Formation

Complétez les exercices suivants en utilisant. Créez les vecteurs demandés et répondez aux questions en sélectionnant les éléments appropriés dans les vecteurs.

13.9.1 Création de vecteur

Créer un vecteur appelé “nombres” contenant les chiffres de 1 à 10.
Créer un vecteur appelé “mois” contenant les noms des mois de l’année.
Créer un vecteur appelé “notes” contenant les notes [8, 12, 15, 17, 20].
Créer un vecteur appelé “contrats” contenant les contrat “CDI”, “CDD”, “Alternance”, “Intérim”.
Créer un vecteur appelé “voyelles” contenant les lettres “a”, “e”, “i”, “o”, et “u”.

13.9.2 Manipulation de vecteur

Pour répondre à ces questions, utilisez la syntaxe [ ].

Sélectionner la première voyelle du vecteur.
Sélectionner la dernière voyelle du vecteur.
Sélectionner les deux premières voyelles du vecteur.
Sélectionner toutes les voyelles du vecteur sauf la dernière.
Sélectionnez les deux premières notes du vecteur “notes” et créez un nouveau vecteur avec ces notes.
Sélectionner les voyelles “e” et “o” du vecteur “voyelles”.
Créer un vecteur appelé “t1” à partir de “mois” contenant les mois du premier trimestre (janvier, février, mars).
Sélectionner les contrats “CDI” et “Intérim” du vecteur “contrats”.
Sélectionner les éléments du vecteur “nombres” qui sont inférieurs à 5.
Sélectionner les éléments du vecteur “nombres” qui sont supérieurs ou égaux à 5.
Sélectionner les éléments du vecteur “nombres” qui sont égaux à 17.
Sélectionner les éléments du vecteur “nombres” qui sont différents de 17.

13.9.3 Simulation de vecteur

La fonction sample() permet de générer un échantillon aléatoire à partir d’une liste de modalités

sample(x = c("football","basket","tennis"),
       size = 10, replace = TRUE)

##  [1] "basket"   "tennis"   "basket"   "basket"   "basket"   "football"
##  [7] "football" "tennis"   "tennis"   "tennis"

Créer un vecteur appelé “sample_contrat” avec un échantillonnage d’une centaine de contrat tiré au sort dans le vecteur “contrats”.
Créer un vecteur appelé “sample_age” avec une centaine d’âge tiré au sort entre 17 et 70 ans.
Créer un vecteur appelé “sample_genre” avec un échantillonnage d’une centaine de genre tiré au sort parmi “homme”, “femme” où la probabilité de tomber sur un homme est de 35%.

13.9.4 Statistique sur les vecteurs

Calculer la moyenne d’âge.
Calculer l’âge minimum.
Calculer l’âge maximum.
Calculer l’âge médian.
Calculer la variance de l’âge.
Calculer l’écart-type de l’âge.
Calculer les quantiles de l’âge.
Compter la répartition du nombre de contrat.
Compter la répartition du nombre de genre en pourcentage.

Simulation de loi statistique :

La fonction runif() permet de simuler des échantillons aléatoires selon une loi uniforme.

test  = runif(n = 1000, min = 0, max = 5)
hist(test)

Créer un vecteur appelé “sample_anciennete” avec une centaine d’anciennete en mois basée sur une loi uniforme de 0 à 120.
Modifier ce vecteur pour obtenir des mois entier avec la fonction trunc()
Construire un histogramme avec la fonction hist().

La fonction rnorm() permet de simuler des échantillons aléatoires selon une loi normale où l’argument mean est la moyenne théorique.

test  = rnorm(n = 1000, mean = 50)
hist(test)

L’argument sd est l’écart-type et traduit l’homogénéité de la distribution.

par(mfrow=c(2,2))
hist(rnorm(n = 1000, mean = 50, sd = 1),
     main = "mean = 50 et sd = 1)", xlim = c(0,100))

hist(rnorm(n = 1000, mean = 50, sd = 5),
     main = "mean = 50 et sd = 5)", xlim = c(0,100))

hist(rnorm(n = 1000, mean = 50, sd = 10),
     main = "mean = 50 et sd = 10)", xlim = c(0,100))

hist(rnorm(n = 1000, mean = 50, sd = 20),
     main = "mean = 50 et sd = 20)", xlim = c(0,100))

par(mfrow=c(1,1))

Créer un vecteur appelé “sample_salaire” avec une centaine de salaire basée sur une loi normale avec une moyenne théorique de 1700 € et un ecart-type de 200€
Calculer le salaire moyen.
Calculer le salaire médian.
Calculer l’écart-type.
Calculer la masse salariale.
Calculer les déciles de la distribution des salaires.
Modifier ce vecteur pour obtenir des salaire avec une décimale disponible avec la fonction round()
Construire un histogramme avec la fonction hist().

13.9.5 Représentation graphique

Construire un diagramme en barre de la répartition du genre avec la fonction barplot().
Construire un diagramme circulaire de la répartition des contrats avec la fonction pie().
Construire une boîte à moustache de la distribution du salaire avec la fonction boxplot().
Construire des boîtes à moustache de la distribution du salaire en fonction du genre.
Construire une nuage de points du salaire en fonction de l’ancienneté avec la fonction plot().

13.9.6 Construire un dataframe

La fonction data.frame() permet de créer un tableau à partir de vecteur de même longueur.

a <- c(1,2,3)
b <- c("Luca","Madeleine","François")
df <- data.frame(a,b)
df

##   a         b
## 1 1      Luca
## 2 2 Madeleine
## 3 3  François

Construire un data frame appelé “df” à partir des vecteurs sample_genre sample_anciennete, sample_contrat, sample_age et sample_salaire.
Compter le nombre de lignes avec la fonction nrow().
Compter le nombre de colonnes avec la fonction ncol().
Afficher les 3 premières lignes avec la fonction head().
Afficher un résumé des données avec la fonction summary().
Afficher le nom des colonnnes avec la fonction colnames().
Renommer les colonnes en supprimant le préfixe “sample_”.
Supprimer la colonne “anciennete”
Créer une colonne appelé “salaire_net” qui correspond à 80% du salaire brut.
Créer une colonne appelé “anciennete_annee” qui correspond au nombre d’année d’ancienneté.
Avec la fonction cut(), créer une colonne appelé “tranche_salaire” qui est un découpage en tranche de 500€.
Créer une colonne appelé “anciennete_annee” qui correspond au nombre d’année d’ancienneté.
Avec la fonction ifelse(), créer une colonne appelé “prime” qui prend la valeur “oui” si le salarié à plus de 3 ans d’ancienneté, sinon “non”.
Exporter ce data frame en fichier df.csv avec la fonction write.csv().
Supprimer l’objet “df” avec la fonction rm().
Importer le fichier df.csv dans un objet appelé “df” avec la fonction read_csv().

13.9.7 Manipuler un dataframe

Pour répondre à ces questions, utilisez la syntaxe [ ].

Créer un nouveau data frame appelé “dfTest” avec uniquement les deux premières colonnes.
Créer un nouveau data frame appelé “dfTest” avec uniquement la colonne “contrat” et “age”.
Créer un nouveau data frame appelé “dfTest” avec uniquement toutes les colonnes sauf la dernière.
Créer un nouveau data frame appelé “dfTest” avec uniquement les 25 premières lignes.
Créer un nouveau data frame appelé “dfTest” avec uniquement les lignes 10 à 20 et 50 à 100.
Créer un nouveau data frame appelé “dfTest” avec uniquement les 25 premières lignes et les colonnes “genre”, “age”, “contrat” dans ce sens.

Même exercice mais avec le package dplyr avec ses fonctions slice() et select().

13.9.8 Filtrer un dataframe

Pour répondre à ces questions, utilisez la fonction subset().

Créer un nouveau data frame appelé “dfTest” avec uniquement les personnes de plus de 40 ans.
Créer un nouveau data frame appelé “dfTest” avec uniquement les personnes de 30 ans plus.
Créer un nouveau data frame appelé “dfTest” avec uniquement les personnes en CDD.
Créer un nouveau data frame appelé “dfTest” avec uniquement les personnes en CDD qui gagne plus de 1500€.
Créer un nouveau data frame appelé “dfTest” avec uniquement les personnes en CDD qui gagne plus de 1500€.
Créer un nouveau data frame appelé “dfTest” avec uniquement les personnes qui gagne entre 1500 et 1900€.
Créer un nouveau data frame appelé “dfTest” avec uniquement toutes les personnes sauf celles en CDI
Créer un nouveau data frame appelé “dfTest” avec uniquement toutes les personnes sauf celles de 50 ans.
Créer un nouveau data frame appelé “dfTest” avec uniquement les personnes en CDD OU en alternance.

Même exercice mais avec le package dplyr et sa foncton filter().

13.9.9 Trier un dataframe

Pour répondre à ces questions, utilisez le package dplyr et sa foncton arrange().

Créer un nouveau data frame appelé “dfTest” trié par âge croissant.
Créer un nouveau data frame appelé “dfTest” trié par salaire décroissant.
Créer un nouveau data frame appelé “dfTest” trié par contrat puis par salaire décroissant.
Créer un nouveau data frame appelé “dfTest” trié par âge décroissant puis par salaire décroissant.
Créer un nouveau data frame appelé “dfTest” trié par genre, puis âge croissant puis par salaire décroissant.

13.9.10 Agréger les données

Pour répondre à ces questions, utilisez le package dplyr et ses fonction group_by() et summarise().

Créer un nouveau data frame appelé “dfAgg” avec l’âge moyen par type de contrat.
Créer un nouveau data frame appelé “dfAgg” avec le salaire moyen ET l’ancienneté moyenne par type de genre.
Créer un nouveau data frame appelé “dfAgg” avec le salaire moyen par type de contrat ET le genre.
Créer un nouveau data frame appelé “dfAgg” avec le salaire min/max ET l’ancienneté min/max par type contrat.
Créer un nouveau data frame appelé “dfAgg” avec le nombre de salarié par genre ET type de contrat.
Créer un nouveau data frame appelé “dfAgg” avec le nombre de salarié par genre.

13.9.11 L’usage du pipe %>%

Pour répondre à ces questions, utilisez le raccourci %>%.

a <- c("CDD","CDI","Alternance","Intérim")
a %>% 
  sample(size = 10, replace = TRUE) %>% 
  table()

## .
##     CDD     CDI Intérim 
##       2       3       5

Créer un nouveau data frame appelé “dfTest” avec les personnes de plus de 30 ans.
Calculer ensuite le salaire moyen et l’ancienneté moyenne selon le genre et le type de contrat.
Trier ensuite par moyenne de salaire décroissante.
Filtrer ensuite sur les salaire moyens de plus de 1500€.
Exporter cet objet R avec la fonction save().

13.9.12 Tests Statistiques

Test entre deux quantitatives :

Importer le jeu de données pokemon.xlsx à l’aide du package readxl.
1. Analyser les coefficients de corrélations des variables quantitatives weight_kg, height_m, attack, defense, speed. Il est conseillé d’utiliser la matrice des corrélations et la visualisation adaptée.
Représenter graphiquement les 3 couples de variables avec les coefficients de corrélations les plus élevés.
Effectuer un test d’indépendance sur le couple de variables avec le coefficient de corrélation le plus bas. N’oubliez pas de poser les hypothèses.
Effectuez un test d’indépendance sur le couple de variables avec le coefficient de corrélation le plus élevé. N’oubliez pas de poser les hypothèses.

Test entre deux qualitatives :

Créer un nouveau dataframe avec avec uniquement les pokemons de type water, fire, et grass.
Déterminer s’il y a indépendance entre ces type et la generation.
Découper la variable attack en 3 classes avec la fonction cut.
Déterminer s’il y a indépendance entre ces type et la attack.

Test entre qualitative et quantitative(s) :

Créer un nouveau dataframe avec avec uniquement les pokemons de type water, fire, et grass.
Déterminer s’il y a indépendance entre ces type et l’ attack.
Déterminer s’il y a indépendance entre ces type et l’ speed.
Déterminer s’il y a indépendance entre ces type et l’ weight_kg.
Déterminer s’il y a indépendance entre ces type et l’ height_m.
Déterminer s’il y a indépendance entre ces type et l’ defense.
Le type et la generation ont-il une influence sur l’attack ?