Importation et manipulation des données

R peut lire des données SAS au format xport, de même que des données tabulées au format txt, des données au format DBF (format DBASE utilisé pour la diffusion des données sur le site de l'insee), au format excel ou spss.

Pour importer les données dans de nombreux formats, il faut utiliser la librairie foreign.

Il faut d'abord l'installer (au moins une fois).



Une fois que cette librairie est installée (on n'a plus jamais besoin de l'installer, sauf pour la mettre à jour en cas de nouveautés), il faut appeler la librairie. L'appel de la librairie est nécessaire chaque fois que l'on ré-ouvre R.




On est alors prêt pour utiliser la commande read.xport qui lit une table SAS au format xport. Prenons comme exemple le fichier pour reproduire l'article de François Héran sur les chiens et les chats.



La commande ci-dessus signifie je crée un nouvel objet dénommé « heran » dans lequel est importe la table heran.xpt. Remarquons tout de suite que R ne connaît pas l'antislatch le « \ » utilisé habituellement pour les chemins de windows. L'assignation de valeur est marquée par le signe = ou par le signe <- .


Regardons maintenant le contenu de cette table, bref le bon vieux proc contents de sas.



La console de R affiche alors le résultat suivant :



num désigne les variables numériques, Factor les variables caractères. La commande str donne le nombre de modalités des variables caractères, liste les premières modalités et poursuit en donnant les valeurs des premières observations de la table. Le $ en début de ligne n'est pas là pour rien. En effet, les variables de l'objet heran s'intitulent heran$mavar. Ainsi heran$PONDER (ne pas confondre minuscule et majuscule) désigne la variable de pondération de ma mini-base heran.

L'on peut donc manipuler ces variables ainsi désignées dans le cadre de procédures statistiques (les étapes proc de sas) ou de manipulations des données (les étapes data de sas).

Par exemple, la commande summary nous donne quelque chose qui ressemble d'assez loin à une proc summary sous SAS.


En voici le résultat: moyenne, médiane, quartiles, extremum pour les variables numériques, distribution de fréquence pour les variables caractères.

#RESULTS

   Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 

   2074    3052    3328    3331    3624    4311



   0    1    2    3    4    5    6 

 701  938  920  802 1597  620  304 

Mais l'on peut aussi s'en servir pour créer de nouvelles variables.
Par exemple, je veux créer une nouvelle variable sexebis qui contient la variable homme et femme en toutes lettres, je peux procéder de la façon suivante.



On l'aura compris, il n'y a pas d'étape data en R ! Il n'y a pas besoin (comme dans sas) de dire quelle table on crée (data a;), laquelle on verse dedans (set z;) manipule et la fin des instructions (run;) suivant la liste des modifications de la table. C'est relativement économique. Cela ressemble de ce point de vue à STATA. La différence avec Stata, c'est qu'on lui indique la table en préfixe du nom de variable. C'est un peu plus long à écrire, mais on peut travailler sur plusieurs objets en même temps.

Revenons à notre ifelse. Il est bien pour travailler sur du dichotomique, mais pas super pratique. Si on des clauses plus complexes il faut les emboîter les uns dans les autres, ce qui est un peu casse pied. Il existe une écriture de type If instruction, Else if instruction, else if instruction, else instruction, mais elle ne fonctionne pas pour les vecteurs. Si quelqu'un a trouvé une écriture souple pour les clauses complexes dans les tables, je suis preneur.

S'il s'agit juste de donner des labels à une variable qualitative, l'on peut utiliser cette syntaxe là.



On peut faire pareil pour des variables comportant plus de modalités. C'est un peu l'équivalent d'un Proc format !



Un point particulièrement important dès qu'on manipule des données insee et même plus largement est de savoir transformer une variable numérique en variable caractère et vice-versa. Voici comment :