TD4 : Manipulations de data-frames avec dplyr

1 Les packages dplyr et tidyverse

• Le package dplyr permet de manipuler facilement les données, notamment les data-frames.

• Il fait partie de l’ensemble de packages tidyverse, regroupant également le package ggplot2. Ce dernier permet de réaliser des graphiques sophistiqués à l’esthétique soignée (voir TD5).

library(tidyverse)

── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
✔ dplyr     1.1.4     ✔ readr     2.1.5
✔ forcats   1.0.0     ✔ stringr   1.5.1
✔ ggplot2   3.5.1     ✔ tibble    3.2.1
✔ lubridate 1.9.3     ✔ tidyr     1.3.1
✔ purrr     1.0.2     
── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
✖ dplyr::filter() masks stats::filter()
✖ dplyr::lag()    masks stats::lag()
ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

2 Le format tibble

• Il s’agit là d’une version plus moderne du format data.frame. N’importe quel data-frame peut naturellement être converti en format tibble.

data("iris")
class(iris)

[1] "data.frame"

iris_tibble <- as_tibble(iris)
class(iris_tibble)

[1] "tbl_df"     "tbl"        "data.frame"

• La création d’un tibble se fait assez naturellement :

Notes <- tibble("Nom"=c("Alice","Bob","Charles"),
                "Notes"=c(16,8,9))

• Contrairement au format data.frame, l’extraction d’une colonne ne renvoie pas un vecteur, mais un tibble :

class(Notes[,"Notes"])

[1] "tbl_df"     "tbl"        "data.frame"

3 Le “pipe”

• Il s’agit de la commande %>%, qui ouvre un canal d’instructions séquentielles.

• Le pipe est notamment utilisé pour effectuer une sucession d’instructions données, en particulier afin de manipuler les données.

3.1 Un exemple

• Utilisons le jeu de données diamonds, dont on affiche ici les premières lignes.

data("diamonds")
head(diamonds)

# A tibble: 6 × 10
  carat cut       color clarity depth table price     x     y     z
  <dbl> <ord>     <ord> <ord>   <dbl> <dbl> <int> <dbl> <dbl> <dbl>
1  0.23 Ideal     E     SI2      61.5    55   326  3.95  3.98  2.43
2  0.21 Premium   E     SI1      59.8    61   326  3.89  3.84  2.31
3  0.23 Good      E     VS1      56.9    65   327  4.05  4.07  2.31
4  0.29 Premium   I     VS2      62.4    58   334  4.2   4.23  2.63
5  0.31 Good      J     SI2      63.3    58   335  4.34  4.35  2.75
6  0.24 Very Good J     VVS2     62.8    57   336  3.94  3.96  2.48

• Supposons que l’on souhaite calculer le prix moyen des diamants dont la coupe satisfait cut==Good et la couleur satisfait color=="E".

On peut effectuer la succession d’instructions suivante :

cond <- diamonds$cut == "Good" & diamonds$color == "E"
sub_diamonds <- diamonds[cond,]
mean(sub_diamonds$price)

[1] 3423.644

Ce qui peut aussi s’écrire en une ligne :

mean(diamonds[diamonds$cut=="Good" & diamonds$color=="E",]$price)

[1] 3423.644

• Le “pipe” permet d’effectuer cette succesion d’instruction de façon plus lisible en utilisant les fonctions filter() et select() du package dplyr :

diamonds %>% filter(cut == "Good" & color == "E") %>%
  pull(price) %>%
  mean()

[1] 3423.644

• En résumé, pour une fonction f() :
  • x %>% f() est équivalent à f(x);
  • x %>% f(y)est équivalent à f(x,y).

3.2 Un exercice

En utilisant les fonctions select(), filter(), et rename(), créer un nouveau data-frame issu de diamonds ne contenant que les diamants dont le carat est supérieur à 0.5, la coupe égale à “Premium” et la couleur égale à “D”. On ne conservera que les colonnes carat et price, et on renommera les colonnes en Français.

diamonds_small <- diamonds %>%
  filter(carat > 0.5 & cut=="Premium") %>%
  select(carat,price) %>%
  rename(Carat=carat,Prix=price)

4 Quelques fonctions utiles

4.1 La fonction mutate()

• Elle permet de définir de nouvelles colonnes (ou de modifier des colonnes existantes) dans un data-frame, qui seront le résultat d’un calcul.

• Par exemple dans le data-frame mtcars, la consommation des voitures est exprimée en mpg (miles per galon). Si on veut l’exprimer en L/100km, alors on utilise L/100 km = 282.48/mpg :

data("mtcars")

mtcars <- mtcars %>%
  mutate("L/100km" = 282.48/mpg) %>%
  round(1)

4.2 Les fonctions group_by() et summarise()

• De façon régulière, on est amené à calculer certaines statistiques dépendant de groupes. La fonction group_by() permet ce regroupement.

• La fonction summarise() permet quant à elle de créer un tibble à partir des opérations effectuées.

Exemple

A partir du data-frame mtcars, on souhaite calculer la consommation moyenne des véhicules ainsi que l’écart-type de ces consommations, en fonction de la cylindrée et du mode de transmission des véhicules.

df <- mtcars %>%
  group_by(cyl,am) %>%
  summarise(M = mean(`L/100km`),
            SD = sd(`L/100km`)) %>%
  ungroup()

`summarise()` has grouped output by 'cyl'. You can override using the `.groups`
argument.

Remarque : Il est important de “dégrouper” le tibble une fois les manipulations effectuées avec la fonction ungroup(). Dans le cas contraire, tous les calculs suivants effectués sur le tibble se feraient selon les groupes effectués.

Exercice

A partir du jeu de données diamonds :

1. Renommer les variables x, y et z par length, width et height;
2. Convertir ces valeurs en cm, et non en mm;
3. Créer un objet diamonds_modif contenant ces trois colonnes ainsi que les colonnes color, cut, carat et price, où l’on ne conserve que les découpes Premium ou Ideal.
4. Pour chaque combinaison cut/color, calculer la moyenne des trois variables length, width et height. Stocker ce résumé dans un objet diam_summary.

diamonds_modif <- diamonds %>%
  rename(length=x,width=y,height=z) %>%
  mutate(length = length/10,width=width/10,height=height/10) %>%
  select(height,width,length,color,cut,carat,price) %>%
  filter(cut=="Premium" | cut=="Ideal")

diam_summary <- diamonds_modif %>% 
  group_by(cut,color) %>%
  summarise(mean_length = mean(length),
            mean_width = mean(width),
            mean_height = mean(height)) %>%
  ungroup()

5 Nettoyage des données

Un jeu de données peut être considéré comme “propre” s’il satisfait les 3 règles suivantes :

• chaque variable possède sa propre colonne ;
• chaque observation possède sa propre ligne ;
• chaque valeur possède sa propre cellule.

5.1 Un exemple

Considérons le jeu de données ci-dessous.

grades <- tibble(
  Name = c("Tommy", "Mary", "Gary", "Cathy"),
  Sex_Age = c("m_15", "f_15", "m_16", "f_14"),
  Test1 = c(10, 15, 16, 14),
  Test2 = c(11, 13, 10, 12),
  Test3 = c(12, 13, 17, 10)
  )

Ce jeu de données n’est pas “propre”. La colonne Sex_Age réunit deux variables. D’autre part, il y a trois colonnes tests, ce qui peut être le résultat souhaité, mais on pourrait aussi vouloir une variable Grade donnant la note obtenue, dépendant du test effectué.

Séparer les colonnes avec separate()

La colonne Sex_Age doit être séparée en deux.

grades_s_a <- grades %>%
  separate(col=Sex_Age,into=c("Sex","Age"),sep="_")

Remarque : l’inverse de la fonction separate()est la fonction unite().

Rassembler les colonnes avec pivot_longer()

Supposons que la variable d’intérêt soit la note obtenue aux différents contrôles.

Dans grades_s_a, cette variable est encodée dans trois colonnes. On préfère ici les rassembler en une seule colonne, et spécifier le numéro du test dans une autre colonne. Le jeu de données obtenu aura alors un format plus long, mais qui sera peut-être plus adapté à nos besoins.

grades_long <- grades_s_a %>%
  pivot_longer(cols=starts_with("Test"), # On sélectionne les colonnes à assembler
               names_to = "Test",        # Nom de la colonne rassemblant les anciens noms
               values_to = "Grade")      # Nom de la collone rassemblant les valeurs

Remarque : l’inverse de la fonction pivot_longer()est pivot_wider().

Un format plus long comme obtenu précédemment est souvent plus adapté pour résumer les données. Par exemple, si on veut la moyenne des notes obtenues par test et pour chaque sexe :

grades_summary <- grades_long %>%
  group_by(Sex,Test) %>%
  summarise(Mean = mean(Grade)) %>%
  ungroup()

`summarise()` has grouped output by 'Sex'. You can override using the `.groups`
argument.

5.2 Un exercice

1. Importer le data-frame contenu dans le fichier tauxchomage.csv disponible sur Connect (à télécharger, et à placer dans le bon répertoire).
2. Ce fichier contient les taux de chômage par département en 2001, 2006 et 2011. A l’aide de la fonction pivot_longer(), créer un objet taux_chomage_long avec une colonne contenant tous les taux de chômage, et une colonne précisant les années pour chaque département.

taux_chomage <- read.csv("tauxchomage.csv",
                         sep=";")
taux_chomage_long <- taux_chomage %>%
  pivot_longer(cols = starts_with("TCHOM"),
               names_to = "Année",
               values_to = "Taux_Chômage") %>%
  mutate(Année= fct_recode(Année,          # Recodage de la variable Année pour plus de lisibilité
                           "2001"="TCHOMB1T01",
                           "2006"="TCHOMB1T06",
                           "2011"="TCHOMB1T11"))

6 Traitement des données manquantes

Il arrive parfois que certaines données soient manquantes.

notes <- tibble(Nom = c("Alain", "Alain", "Benoît", "Claire"),
                Discipline = c("Maths", "Francais", "Maths", "Francais"),
                Note = c(16, 9, 17, 11),
                Present = rep("oui", 4))
notes

# A tibble: 4 × 4
  Nom    Discipline  Note Present
  <chr>  <chr>      <dbl> <chr>  
1 Alain  Maths         16 oui    
2 Alain  Francais       9 oui    
3 Benoît Maths         17 oui    
4 Claire Francais      11 oui    

Ici par exemple, Benoît n’a pas de note en Français.

6.1 Compléter un data-frame avec complete()

On peut vouloir compléter les données de manière à ce que chaque couple Nom/Discipline ait une note.

notes <- notes %>%
  complete(Nom,Discipline)

La valeur d’attribtution par défaut est alors NA, mais on peut choisir ces valeurs.

notes <- notes %>%
  complete(Nom,Discipline,
           fill = list(Note=0,Present="non"))

6.2 Remplacer les NA avec replace_na()

Considérons le tableau suivant qui possède des données manquantes, codées comme NA.

donnees_na <- tibble(Groupe = rep(c("A", "B"), each = 3),
       Nom = c("Al", "Bob", NA, "Dave", "Elle", "Fanch"),
       Note = c(NA, 8, 7, 4.5, 1, 4))
donnees_na

# A tibble: 6 × 3
  Groupe Nom    Note
  <chr>  <chr> <dbl>
1 A      Al     NA  
2 A      Bob     8  
3 A      <NA>    7  
4 B      Dave    4.5
5 B      Elle    1  
6 B      Fanch   4  

On peut utiliser la fonction replace_na()pour remplacer les données manquantes par les valeurs souhaitées.

donnees_na1 <- donnees_na %>%
  replace_na(replace = list(Nom = "Inconnu",
                            Note=0))
donnees_na1

# A tibble: 6 × 3
  Groupe Nom      Note
  <chr>  <chr>   <dbl>
1 A      Al        0  
2 A      Bob       8  
3 A      Inconnu   7  
4 B      Dave      4.5
5 B      Elle      1  
6 B      Fanch     4  

Il est à noter que la fonction replace_na() peut servir pour remplacer les NA d’une colonne spécifique. Pour les des valeurs numériques, il est assez courant de remplacer les valeurs manquantes par la moyenne de la colonne.

Reprenons l’exemple précédent.

donnees_na2 <- donnees_na %>%
  mutate(Nom=replace_na(Nom,replace="Inconnu"),
         Note=replace_na(Note,replace = mean(Note,na.rm=TRUE))) 

# On retire ici les valeurs NA pour calculer la moyenne
donnees_na2

# A tibble: 6 × 3
  Groupe Nom      Note
  <chr>  <chr>   <dbl>
1 A      Al        4.9
2 A      Bob       8  
3 A      Inconnu   7  
4 B      Dave      4.5
5 B      Elle      1  
6 B      Fanch     4  

7 Exercices

7.1 Exercice 1

Remarque : Dans la mesure du possible, on s’efforcera d’effectuer l’ensemble des manipulations ci-dessous via un seul canal d’instructions (pipe).

1. Importer le data-frame contenu dans le fichier birds_scandinavia.csv disponible sur Connect. Ce jeu de données provient de l’article Species composition and population fluctuations of alpine bird communities during 38 years in the scandinavian mountain range de S. Svensson (2006). Dans cette étude, on compte le nombre d’oiseaux migrateurs revenant chaque année à certaines locations.

birds <- read.csv("birds_scandinavia.csv")

2. Modifier le data-frame afin qu’il contienne uniquement l’année, le nombre d’oiseaux comptés, le nom de l’espèce, la latitude et la longitude des observations. On renommera l’espèce par SPECIES == GENUS_SPECIES, et avec la fonction arrange(), on triera le data-frame en fonction des années.

birds <- birds %>%
  select(YEAR,ABUNDANCE,GENUS_SPECIES,LATITUDE,LONGITUDE) %>%
  rename(SPECIES=GENUS_SPECIES) %>%
  arrange(YEAR)

3. Certaines espèces peuvent être aperçues à différents endroits. Modifier la colonne ABUNDANCE afin qu’elle contienne uniquement le nombre total d’individus observé par année pour chaque espèce.

birds <- birds %>%
  group_by(YEAR,SPECIES) %>%
  mutate(ABUNDANCE=sum(ABUNDANCE)) %>%
  ungroup() %>%
  unique()

4. Pour chaque année, créer une colonne TOTAL_ABUNDANCE donnant le nombre total d’oiseaux observés.

birds <- birds %>%
  group_by(YEAR) %>%
  mutate(TOTAL_ABUNDANCE = sum(ABUNDANCE)) %>%
  ungroup()

5. Créer ensuite une colonne ABUNDANCE_REL donnant par année l’abondance relative de chaque espèce, i.e. le pourcentage de chaque espèce dans la population totale (on arrondira à 2 chiffres après la virgule).

birds <- birds %>%
  mutate(ABUNDANCE_REL=ABUNDANCE/TOTAL_ABUNDANCE) %>%
  mutate(ABUNDANCE_REL=round(100*ABUNDANCE_REL,2))

6. Dans un obet birds_summary, donner pour chaque espèce le nombre moyen d’oiseaux observés chaque année, ainsi que l’abondance relative moyenne. On triera ce jeu de données en fonction de l’abondance relative, dans un ordre décroissant.

birds_summary <- birds %>%
  group_by(SPECIES) %>%
  summarise(MEAN_ABUNDANCE_REL = mean(ABUNDANCE_REL),
            MEAN_ABUNDANCE = mean(ABUNDANCE)) %>%
  ungroup()

7.2 Exercice 2

Remarque : Dans la mesure du possible, on s’efforcera d’effectuer l’ensemble des manipulations ci-dessous via un seul canal d’instructions (pipe).

1. Importer le data-frame contenu dans le fichier cirrhosis.csv disponible sur Connect. Il est également disponible sur cette page (Source : Fleming, Thomas R., and David P. Harrington. Counting processes and survival analysis. Vol. 625. John Wiley & Sons, 2013), où l’on trouvera une description des variables d’intérêt.

De façon générale, ce jeu de données recense des informations médicales sur 418 patients souffrant d’une cirrhose, ayant reçu un traitement expérimental, un placebo, ou n’ayant rien reçu.

Combien de valeurs manquantes le data-frame compte-t-il ?

cirr <- read.csv("cirrhosis.csv")
sum(is.na(cirr)) #Il y a 1033 valeurs manquantes

2. A l’aide des fonctions mutate()et mutate_if(), transformer toutes les colonnes nécessaires en facteurs, ainsi que la colonne Stage.

3. Remplacer les valeurs manquantes de la colonne Drug par la valeur "None". On pourra utiliser la fonction fct_na_value_to_level().

4. Remplacer toutes les valeurs manquantes des autres variables catégorielles (i.e. facteurs) par "Unknown".

5. Efectuer un résumé statistique du data-frame.

Afin d’éviter de compter des valeurs Unknown dans les variables n’en présentant aucune (par exemple Drug), on re-transformera en facteurs toutes les variables catégorielles.

Effectuer à nouveau un résumé statistique du data-frame, et comparer avec le résumé précédent.

cirr <- cirr %>%
  mutate(Stage=as.factor(Stage)) %>%
  mutate_if(.predicate = is.character,
            .funs = as.factor) %>%
  mutate(Drug = fct_na_value_to_level(Drug,level="None")) %>%
  mutate_if(.predicate = is.factor,
            .funs = fct_na_value_to_level,
            level = "Unknown") %>%
  mutate_if(.predicate = is.factor,
            .funs=factor) 
summary(cirr)

6. Remplacer ensuite les valeurs manquantes des variables numériques par les moyennes de ces variables (plus difficile, chercher des solutions sur le web si nécessaire).

cirr <- cirr %>%
  mutate_if(.predicate = is.numeric, # On force ici la conversion des entiers en réels
            .funs=as.numeric) %>%
  mutate_if(.predicate = is.numeric,
            .funs = ~replace_na(.x,mean(.x,na.rm=TRUE)))

7. Vérifier que le data-frame ne contient plus aucune valeur manquante.

sum(is.na(cirr))

8. Créer un data-frame donnant les moyennes de la concentration en Bilirubine, ainsi que la quantité quotidienne moyenne de cuivre dans les urines pour chaque type de traitement et chaque stade de la maladie.

cirr_summary <- cirr %>%
  group_by(Drug,Stage) %>%
  summarise(Mean_Bilirubin = mean(Bilirubin),
            Mean_Copper = mean(Copper)) %>%
  ungroup()

9. Commenter les effets du traitement proposé sur ces valeurs.

cirr %>% filter(Stage=="1" & Drug == "D-penicillamine") %>%
  nrow()
cirr %>% filter(Stage=="1" & Drug == "Placebo") %>%
  nrow()

Commentaire

L’effect du traitement n’est pas clair. Sur les stades très avancés ou très peu avancés, les patients suivant le traitement ant des analyses moins bonnes. En revanche, les résultats sont meilleurs pour les stades “moyens” 2 et 3. Il convient ici de préciser que les échantillons sont très faibles pour le stade 1. Les résultats sont donc peu fiables

7.3 Exercice 3

Les données sont ici inspirées de l’article Differences in soil properties among contrasting soil types in northern Borneo, de G. Sellan et al (2020). Elles ont été modifiées à des fins pédagogiques, et ne représentent donc pas de réalité biologique dans le cadre de cet exercice.

On s’intéresse ici aux caractéristiques physico-chimiques de sols tropicaux à Bornéo. On a mesuré, sur 180 sites, en 3 profondeurs différentes, des caractéristiques chimiques sur 539 échantillons (\(180 \times 3\), auquels se soustrait une mesure manquante). Les 18 caractéristiques mesurées sont les suivantes:

• Teneurs en sodium, Magnésium, Calcium, Potassium échangeables (Exc.Na, Exc.Mg, Exc.Ca, Exc.K)
• Teneur en eau (colonne MC),
• Phosphore P, Carbone C et Azote N, pH et Aluminium et Acidité échangeable Exc.Al, Exc.Ac, Saturation en bases(BS)
• Effective Cation Exchange Capacity (ECEC)
• Nitrates NO3, Ammonium NH4
• Pourcentage d’argile Clay, de limon Silt et de sable Sand.

En plus de ces caractéristiques, on connaît le type de sol (dans la colonne Soil), qui est soit Alluvial, Dunaire (heath), ou Grès (sandstone)), ainsi que la profondeur à laquelle a été faite le prélèvement (colonne Depth, à 0-5cm, 5-20 cm ou 25-30 cm).

En plus des ces colonnes sont enregistrées les noms des sites sur lesquels on a échantillonné les sols. Toutes les informations sont regroupées dans les colonnes Plot, Subplot, Block, Name1, Name et Names2.

Ces données sont disponibles sur Connect dans le fichier donnees_sols_chimie.csv.

1. Importer ce jeu de données sous le nom sol_initial.

sol_initial <- read.csv("donnees_sols_chimie.csv")

2. Parallèlement à cela, on dispose de l’abondance de 21 espèces d’arbres sur nos sites dans le fichier donnees_abondance.csv, disponible sur Connect. Dans ce tableau de 900 lignes et 21 colonnes, chaque ligne est donc associée à un site, dont le nom est renseigné dans la colonne Name. Les colonnes restantes correspondent aux 20 espèces. Pour un site et une espèce donnés, on a renseigné dans le tableau le nombre d’individus recensés.

Importer ce jeu de données sous le nom abondance_initial.

abondance_initial <- read.csv("donnees_abondance.csv",row.names = 1) 

3. A partir du jeu de données sol_initial. Effectuer les nettoyages suivants:

1. Se débarrasser des colonnes Plot, Subplot, Block, Name1, et Names2.
2. Renommer les colonnes (en utilisant la fonction rename):

• MC en Eau
• ECEC en Exc.Cations
• Soil en Sol
• Name en Site
• Depth en Profondeur
• BS en SatBase
• Clay en Argile
• Silt en Limon
• Sand en Sable

3. Transformer la nouvelle colonne Sol en facteur pour que les niveaux soient en Français, dans cet ordre (Alluvial, Grès (Sandstone) et Dunaire (Heath)).
4. Transformer la colonne Profondeur en facteur pour que les niveaux soient dans l’ordre “0-5 cm”, “5-20 cm”, “20-35 cm”.

Le résultat sera stocké dans un objet sol_avec_na.

sol_avec_na <- sol_initial %>%
  select(-c(Plot,Subplot,Block,Name1,Names2)) %>%
  rename(Eau = MC,Exc.Cations = ECEC,Sol=Soil,Site=Name,Profondeur=Depth,
         SatBase=BS,Argile=Clay,Limon=Silt,Sable=Sand) %>%
  mutate(Sol=factor(Sol,levels = c("Alluvial","Sandstone","Heath"),
                    labels=c("Alluvial","Grès","Dunaire"))) %>%
  mutate(Profondeur=as.factor(Profondeur))

4. Il existe des valeurs manquantes dans les colonnes pH et Av.P. Pour les lignes correspondantes, seules ces informations manquent. Afin d’éviter de supprimer la ligne entière (et donc toutes les autres mesures pour ce site), remplacer dans sol_avec_na chaque valeur manquante par la moyenne de sa quantité, pour le type de sol correspondant.

Stocker le résultat dans un objet sol_propre.

sol_propre <- sol_avec_na %>%
  group_by(Sol) %>%
  mutate(pH=replace_na(pH,mean(pH,na.rm=TRUE)),
         Av.P=replace_na(Av.P,mean(Av.P,na.rm=TRUE))) %>%
  ungroup()

5. On veut maintenant créer un tableau où il y a une seule ligne par site, afin de le joindre avec la table des abondances. Pour cela, plusieurs options s’offrent à nous:

• Option choix d’une profondeur: avec la fonction filter(), stocker dans un tableau sol_superficiel le tableau ne comprenant que la profondeur 0-5 cm. Dans ce tableau, on aura supprimé la colonne Profondeur (avec select(-Profondeur)).
• Option moyenne: avec les fonctions group_by() et summarise_if(), créer un tableau sol_moyen où chaque ligne est la moyenne (pour les colonnes numériques) des caractéristiques par site.

Créer ces deux tableaux à partir de sol_propre.

sol_superficiel <- sol_propre %>%
  filter(Profondeur=="0-5 cm") %>%
  select(-Profondeur)

sol_moyen <- sol_propre %>%
  group_by(Site) %>%
  summarise_if(.predicate = is.numeric,
               .funs = mean) %>%
  ungroup()

6. A partir du jeu de données abondance_initial, effectuer les nettoyages suivants, et stocker le résultat dans un jeu de données abondance_propre:

1. Renommer La colonne Name en Site.
2. Cette colonne Site contient le nom des sites, qui est commun avec le tableau sol_propre traité dans la partie précédente. Malheureusement, ici, la lettre finale est séparée des chiffres par un espace au lieu d’un _. Modifier cette colonne Site en remplaçant les espaces par des _ (on utilisera la fonction str_replace()).

abondance_propre <- abondance_initial %>%
  rename(Site = Name) %>%
  mutate(Site=str_replace(Site,pattern = " ",replacement = "_"))

7. A l’aide la fonction pivot_longer(), transformer abondance_propre en un tableau au format long (que l’on nommera abondance_long), c’est à dire comportant 3 colonnes:

• La colonne Site.
• Une nouvelle colonne Espece qui contiendra le noms de toutes les espèces présentes auparavant.
• Une nouvelle colonne NbIndividus qui contiendra, pour un site et une espèce donnée, le nombre d’individus correspondant.

abondance_long <- abondance_propre %>%
  pivot_longer(cols=-Site,names_to = "Espece",values_to = "NbIndividus")

8. A partir du tableau abondance_long, créer le tableau richesse_par_site de la manière suivante.

• Sélectionner simplement les lignes où le nombre d’individus comptés est supérieur à 0.
• De cette sélection, compter pour chaque site la densité d’arbres sur ce site, à savoir le nombre d’individus total (toutes espèces confondues), divisé par 400 (\(\mathrm{m}^2\)), la surface de chaque site. Cette information sera stockée dans une colonne densite_arbre. De plus, on veut compter le nombre d’espèces recensées pour lesquelles on a compté au moins un individu (dans une colonne richesse_specifique).

richesse_par_site <- abondance_long %>%
  filter(NbIndividus > 0) %>%
  group_by(Site) %>%
  summarise(densite_arbres = sum(NbIndividus)/400,
            richesse_specifique = n()) %>%
  ungroup()

9. Créer un tableau donnees_richesses qui, pour chaque site présent à la fois dans richesse_par_site et sol_superficiel, donne toutes les caractéristiques du site.

Faire cette jointure à l’aide des fonctions left_join() et inner_join(). Quelle jointure doit on garder? Stocker le résultat dans donnees_richesses.

# donnees_richesse <- left_join(richesse_par_site,sol_superficiel)
donnees_richesse <- inner_join(richesse_par_site,sol_superficiel)

Commentaire

• On doit garder le inner_join().left_join() conserve tous les sites de richesse_par_site, même ceux qui n’étaient pas présents dans sol_superficiel (on a donc trop de sites et plein de NA…). inner_join() conserve uniquement les sites présents dans les 2 tableaux.

10. A l’aide de la fonction save(), enregistrer les tableaux crées précédemment dans un fichier Borneo.Rdata. Ces données seront réutilisées dans le prochain TD.

# donnees_richesse <- left_join(richesse_par_site,sol_superficiel)
save(sol_propre,sol_superficiel,sol_moyen,abondance_propre,abondance_long,richesse_par_site,donnees_richesse,
     file = "Borneo.Rdata")