Ateliers R Trucs et Astuces

Réduction du temps de travail sous R

Raphaël Royauté, Lucie Martin, Pierre-Antoine Précigout, Sébastien Saint-Jean

INRAE UMR EcoSys

7/4/23

R vs. Excel : Histoire de trois corrections

Génétique

R vs. Excel : Histoire de trois corrections

Economie¹

R vs. Excel : Histoire de trois corrections

Ecologie¹

R vs. Excel : Histoire de trois corrections

Ecologie¹

Origines

Objectifs (1/2)

Se former à l’utilisation du logiciel R
Favoriser les échanges pour :
- Traitement des données
- Analyses statistiques / modélisation
- Représentation des données
- Débuggage

Objectifs (2/2)

Former une communauté dédiée aux pratiques de science reproductible
- Revue de code
- Conseils
- Progression en groupe

Pourquoi R ?

Avantages :

Reproductibilité et automatisation des analyses
Langage de programmation très puissant
Customisation des analyses et graphiques
Soutien actif par la communauté de statisticiens
Open source
Agnostique
Rstudio

Pourquoi R ?

Inconvénients :

Prise en main peu intuitive (au début surtout !)
“Débuggages” fréquents

Exemples d’utilisation (1/6)

Analyse des données

Code

library(tidyverse); library(palmerpenguins); library(skimr); library(questionr) # Import package & données

r <- skim(penguins)
print(r)

── Data Summary ────────────────────────
                           Values  
Name                       penguins
Number of rows             344     
Number of columns          8       
_______________________            
Column type frequency:             
  factor                   3       
  numeric                  5       
________________________           
Group variables            None    

── Variable type: factor ───────────────────────────────────────────────────────
  skim_variable n_missing complete_rate ordered n_unique
1 species               0         1     FALSE          3
2 island                0         1     FALSE          3
3 sex                  11         0.968 FALSE          2
  top_counts                 
1 Ade: 152, Gen: 124, Chi: 68
2 Bis: 168, Dre: 124, Tor: 52
3 mal: 168, fem: 165         

── Variable type: numeric ──────────────────────────────────────────────────────
  skim_variable     n_missing complete_rate   mean      sd     p0    p25    p50
1 bill_length_mm            2         0.994   43.9   5.46    32.1   39.2   44.4
2 bill_depth_mm             2         0.994   17.2   1.97    13.1   15.6   17.3
3 flipper_length_mm         2         0.994  201.   14.1    172    190    197  
4 body_mass_g               2         0.994 4202.  802.    2700   3550   4050  
5 year                      0         1     2008.    0.818 2007   2007   2008  
     p75   p100 hist 
1   48.5   59.6 ▃▇▇▆▁
2   18.7   21.5 ▅▅▇▇▂
3  213    231   ▂▇▃▅▂
4 4750   6300   ▃▇▆▃▂
5 2009   2009   ▇▁▇▁▇

Exemples d’utilisation (1/6)

Analyse des données

Code

library(tidyverse); library(palmerpenguins); library(report) # Import package & données

fit <- lm(body_mass_g ~ flipper_length_mm * species, # Régression ailes x masse
          data = penguins)
ggplot(penguins, # Représentation graphique
       aes(y = body_mass_g, x = flipper_length_mm, color = species)) +
  geom_point() +
  geom_smooth(method = "lm", se = F) +
  labs(x = "Poids (g)", y = "Taille des ailes (mm)", colour = "Espèce") +
  theme_bw(18)

Exemples d’utilisation (1/6)

Analyse des données

\[\small{ Masse \sim \begin{aligned} \beta_0 + \beta_1 Aile + \beta_2 Esp._{[Chinstrap]} + \beta_3 Esp._{[Gentoo]} + \\ \beta_4 Aile \times Esp._{[Chinstrap]} + \beta_5 Aile \times Esp._{[Gentoo]} \end{aligned} } \]

Code

library(knitr); library(kableExtra); library(tidyverse)
report_table(fit, include_effectsize = F) %>% 
  select(-Fit) %>% 
  slice(1:6) %>% 
  kable(digits = 2) %>% 
  kable_styling(font_size = 22)

Parameter	Coefficient	CI	CI_low	CI_high	t	df_error	p
(Intercept)	-2535.84	0.95	-4265.79	-805.88	-2.88	336	0.00
flipper length mm	32.83	0.95	23.73	41.93	7.10	336	0.00
species [Chinstrap]	-501.36	0.95	-3498.08	2495.36	-0.33	336	0.74
species [Gentoo]	-4251.44	0.95	-7059.08	-1443.81	-2.98	336	0.00
flipper length mm × species [Chinstrap]	1.74	0.95	-13.71	17.19	0.22	336	0.82
flipper length mm × species [Gentoo]	21.79	0.95	8.14	35.44	3.14	336	0.00

Exemples d’utilisation (2/6)

Représentation des données avec `ggplot2`

Exploration de données -> figures pour publications

Exemples d’utilisation (3/6)

Infographie¹

Exemples d’utilisation (4/6)

Graphiques animés avec `gganimate`

Dynamiques prédateurs-proies Lotka-Volterra

\[\small{ \begin{align} \frac{dH}{dt}=H_t(b_H-L_tm_H)\\ \frac{dL}{dt}=L_t(H_tb_L-m_L)\\ \end{align}}\]

Code

library(deSolve); library(tidyverse); library(gganimate)

# Full example: https://strimas.com/post/lotka-volterra/
# parameters
pars <- c(bH = 1, mH = 0.2, bL = 0.1, mL = 0.2)
# initial state 
init <- c(H = 1, L = 2)
# times
t <- seq(0, 100, by = 1)

deriv <- function(t, state, pars) {
  with(as.list(c(state, pars)), {
    dHdt <- H*(bH - L*mH)
    dLdt <- L*(H*bL - mL)
    return(list(c(H = dHdt, L = dLdt)))
  })
}
lv_results <- ode(init, t, deriv, pars)

p <- lv_results %>% 
  data.frame() %>% 
  pivot_longer(cols = c(H,L), values_to = "Nb", names_to = "pop") %>%
  mutate(pop = if_else(pop == "H", "Prey", "Predator")) %>% 
  ggplot(aes(x = time, y = Nb, color = pop, group = pop)) +
  geom_line(linewidth = 1) +
  geom_point(size = 3, alpha = .8) +
  scale_color_brewer(NULL, palette = "Set1") +
  labs(title = "Lotka-Volterra predator prey model",
       subtitle = paste(names(pars), pars, sep = " = ", collapse = "; "),
       x = "Time", y = "Population density") +
  theme_bw(16)
anim <- p + transition_reveal(time)
anim_save("images/anim.gif", anim, width = 800, height = 400)

Exemples d’utilisation (4/6)

Graphiques animés avec `gganimate`

Exemples d’utilisation (4/6)

Graphiques interactifs avec `ggiraph`

Code

library(tibble) ; library(ggiraph) ; library(magrittr)

gg_point <- ggplot(
  data = mtcars,
  mapping = aes(x = wt, y = mpg, size = disp, color = as.factor(carb))
) +
  geom_point_interactive(aes(tooltip = row.names(mtcars), data_id = row.names(mtcars))) +
  scale_color_brewer(palette = "Set1", name = "carb") +
  scale_size(range = c(1, 15), name = "disp") +
  scale_x_continuous(limits = c(1, 6)) +
  scale_y_continuous(limits = c(7, 36)) +
  theme_minimal() +
  theme(legend.position = "bottom")

girafe_obj <- girafe(ggobj = gg_point, width_svg = 5.9, 
                     height_svg = 3) %>%
  girafe_options(
    opts_tooltip(opacity = .7),
    opts_zoom(min = .5, max = 4),
    opts_hover(css = "fill:red;stroke:white;stroke-width:2px;")
  )

girafe_obj

Exemples d’utilisation (4/6)

Exemples d’utilisation (5/6)

Créer des cartes interactives avec `leaflet`

Code

library(leaflet); library(raster) ; library(htmlwidgets)

usa <- getData("GADM", country="FRANCE", level=2)
usa$randomData <- rnorm(n=nrow(usa), 150, 30)

#create a color palette to fill the polygons
pal <- colorQuantile("Greens", NULL, n = 5)

#create a pop up (onClick)
polygon_popup <- paste0("<strong>Name: </strong>", usa$NAME_1, "<br>",
                        "<strong>Indicator: </strong>", round(usa$randomData,2))

#create leaflet map
map = leaflet(width = "100%") %>%
  addProviderTiles("CartoDB.Positron", group = "Positron") %>%
  addTiles(urlTemplate = "https://mt1.google.com/vt/lyrs=s&x={x}&y={y}&z={z}", "© Google", group = "Satellite") %>%
  addTiles(urlTemplate = "https://wxs.ign.fr/choisirgeoportail/geoportail/wmts?REQUEST=GetTile&SERVICE=WMTS&VERSION=1.0.0&STYLE=PCI vecteur&TILEMATRIXSET=PM&FORMAT=image/png&LAYER=CADASTRALPARCELS.PARCELLAIRE_EXPRESS&TILEMATRIX={z}&TILEROW={y}&TILECOL={x}", "© IGN", group = "Cadastre") %>%
  addPolygons(data = usa,
              fillColor= ~pal(randomData),
              fillOpacity = 0.4,
              weight = 2,
              color = "white",
              popup = polygon_popup) %>%
  addLayersControl(baseGroups = c("Positron", "Satellite", "Cadastre"), options = layersControlOptions(collapsed = FALSE)) %>%
  addScaleBar(position = "bottomleft",
      options = scaleBarOptions(metric = TRUE, imperial = FALSE)) %>%
  addMeasure(
    position = "topright",
    primaryLengthUnit = "meters",
    primaryAreaUnit = "hectares",
    localization = "fr",
    activeColor = "red",
    completedColor = "#7D4479"
  )
map

Ateliers R Trucs et Astuces

R vs. Excel : Histoire de trois corrections

R vs. Excel : Histoire de trois corrections

R vs. Excel : Histoire de trois corrections

R vs. Excel : Histoire de trois corrections

Origines

Objectifs (1/2)

Objectifs (2/2)

Pourquoi R ?

Avantages :

Pourquoi R ?

Inconvénients :

Exemples d’utilisation (1/6)

Analyse des données

Exemples d’utilisation (1/6)

Analyse des données

Exemples d’utilisation (1/6)

Analyse des données

Exemples d’utilisation (2/6)

Représentation des données avec ggplot2

Exemples d’utilisation (3/6)

Infographie1

Exemples d’utilisation (4/6)

Graphiques animés avec gganimate

Exemples d’utilisation (4/6)

Graphiques animés avec gganimate

Exemples d’utilisation (4/6)

Graphiques interactifs avec ggiraph

Exemples d’utilisation (4/6)

Exemples d’utilisation (5/6)

Créer des cartes interactives avec leaflet

Représentation des données avec `ggplot2`

Infographie¹

Graphiques animés avec `gganimate`

Graphiques animés avec `gganimate`

Graphiques interactifs avec `ggiraph`

Créer des cartes interactives avec `leaflet`