Nettoyer des données

Le package dplyr fournit des fonctions pour manipuler des tableaux de données. Son opérateur pipe %>% prend le résultat écrit à gauche et le transmet comme premier argument à la fonction écrite à droite. On peut ainsi lire les opérations dans l'ordre, de haut en bas. Le pipe natif |> fait de même dans R 4.1 et les versions ultérieures.

Par exemple, ces deux commandes sont équivalentes :

donnees %>% filter(age >= 18)
filter(donnees, age >= 18)

Dans la première forme, donnees est transmis à filter() ; la condition age >= 18 conserve les lignes où l'âge est au moins égal à 18. Plusieurs opérations peuvent être chaînées : le résultat de chacune devient l'entrée de la suivante.

Renommer une colonne

library(dplyr)
donnees <- donnees %>% rename(pression_systolique = PAS)

Sélectionner des colonnes

donnees %>% select(age, sexe, groupe, pression_systolique)

Filtrer des observations

donnees %>% filter(age >= 18)

Créer ou modifier une variable (mutate)

donnees <- donnees %>%
  mutate(
    classe_age = if_else(age < 40, "Moins de 40 ans", "40 ans ou plus")
  )

Attention : avant d'exclure une ligne ou de modifier une valeur, recherchez la cause : erreur de saisie, doublon réel, donnée non recueillie ou critère d'exclusion. Conservez toujours une copie brute en lecture seule.