Debuter avec R

Pourquoi R ?

R est un langage de programmation et d'environnement statistique open source qui a été créé pour les statisticiens et les scientifiques des données. Il est utilisé dans tous les domaines, que ce soit la recherche académique, l'analyse de données, le développement de modèles prédictifs, ou même le graphisme statistique.

Un cas d'utilisation concret de R est son utilisation pour analyser des données sur les tendances de vente d'un magasin. En utilisant des fonctions spécifiques à R pour le traitement et l'analyse des données, on peut identifier les meilleures heures de vente, les articles les plus populaires, et même les clients les plus fidèles.

Prerequis

• Connaissance de base en programmation (variables, structures de contrôle)
• Installation de R : https://cran.r-project.org/
• Installation de RStudio : https://www.rstudio.com/products/rstudio/download/

Concepts fondamentaux

Variables et Types de Données

Dans R, les variables stockent des valeurs. Chaque variable a un type de donnée associé.

## Variable numérique (integer)
a <- 5

## Variable réelle (numeric)
b <- 3.14

## Variable chaîne de caractères (character)
c <- "Bonjour"

## Variable booléenne (logical)
d <- TRUE

Structures de Contrôle

Les structures de contrôle permettent d'exécuter des blocs de code conditionnellement ou en boucle.

## Condition if-else
if(a > 3) {
    print("a est plus grand que 3")
} else {
    print("a n'est pas plus grand que 3")
}

## Boucle for
for(i in 1:5) {
    print(paste("Nombre :", i))
}

## Boucle while
while(a < 10) {
    a <- a + 1
    print(paste("a =", a))
}

Fonctions

Les fonctions permettent de regrouper du code réutilisable et de le rendre plus modulaire.

## Définition d'une fonction
addition <- function(x, y) {
    return(x + y)
}

## Appel à la fonction
resultat <- addition(3, 4)
print(resultat)

Mise en pratique : projet fil rouge

Dans ce projet, nous allons créer un simple gestionnaire de tâches en R. Le gestionnaire va permettre d'ajouter des tâches, de les afficher et de les marquer comme terminées.

## Création d'une liste vide pour stocker les tâches
taches <- list()

## Fonction pour ajouter une tâche
ajouter_tache <- function(tache) {
    taches <<- append(taches, tache)
}

## Fonction pour afficher toutes les tâches
afficher_taches <- function() {
    print("Liste des tâches :")
    for(i in seq_along(taches)) {
        print(paste("[", i, "] ", taches[[i]], sep = ""))
    }
}

## Fonction pour marquer une tâche comme terminée
marquer_tache_comme_terminee <- function(index) {
    if(index > 0 && index <= length(taches)) {
        taches[[index]] <<- paste("[X] ", taches[[index]])
    } else {
        print("Index invalide")
    }
}

## Ajout de quelques tâches
ajouter_tache("Faire la vaisselle")
ajouter_tache("Nettoyer le salon")

## Affichage des tâches
afficher_taches()

## Marquage de la première tâche comme terminée
marquer_tache_comme_terminee(1)

## Nouvel affichage des tâches
afficher_taches()

Erreurs frequentes et debugging

Erreur 1 : Variable non définie

## ❌ Mauvais
print(bonjour)  # Erreur : object 'bonjour' not found

## ✅ Correct
message <- "Bonjour"
print(message)

Erreur 2 : Syntaxe incorrecte dans une fonction

## ❌ Mauvais
addition(x, y) {
    return(x + y)
}

## ✅ Correct
addition <- function(x, y) {
    return(x + y)
}

Erreur 3 : Accès à un élément de liste invalide

## ❌ Mauvais
taches <- list("Faire la vaisselle", "Nettoyer le salon")
print(taches[2])  # Correct

## ✅ Correct
taches <- list("Faire la vaisselle", "Nettoyer le salon")
print(taches[[2]])

Pour aller plus loin

Piste 1 : Apprendre les graphiques statistiques en R

Pour approfondir vos compétences, vous pouvez étudier les différents packages de graphique statistique disponibles en R comme ggplot2 ou lattice.

ggplot2 Documentation

Piste 2 : Utiliser des packages pour l'analyse de données

L'apprentissage de packages spécifiques à la manipulation et à l'analyse de données est essentiel. Des exemples populaires sont dplyr, tidyr, et readr.

dplyr Documentation

Piste 3 : Développer des packages R

Si vous êtes avancé, apprendre à créer vos propres packages R peut être une excellente expérience. Les concepts de structures de données complexes et de programmation orientée objet sont essentiels.

Creating Packages

Défi pratique : Créer un scraper web en R

Pour vous entraîner à utiliser R pour des tâches réelles, essayez de créer un simple scraper web qui récupère les informations d'un site web et les stocke dans une base de données.

Prise en main du web scraping avec R

En suivant ce tutoriel, vous devriez être capable de commencer à utiliser R pour des projets pratiques et d'améliorer vos compétences en programmation statistique. N'oubliez pas que la pratique est la clé du succès, alors n'hésitez pas à expérimenter avec différents exemples et à travailler sur des projets personnels pour renforcer votre apprentissage.