Problèmes techniques?

Problèmes généraux

L’installation de tidyverse ne fonctionne pas. C’est le problème le plus important, vu qu’on utilise cette extension pendant le cours. Lisez attentivement le message d’erreur dans la console. Collez le message sur Google ou sur ChatGPT et expliquez-lui le problème. Si vous utilisez Windows, l’installation de RTools peut être nécessaire. C’est nécessaire d’installer tidyverse pour compléter le cours. Donc, il faut régler le problème. Sinon, vous devrez utiliser la version en ligne de RStudio.
Je ne peux pas trouver les fichiers de données. C’est le deuxième problème le plus important. Voilà pourquoi vous devez téléchargez les fichiers à partir du dépôt Git, qui vous donnera déjà la structure correcte de dossiers et de données. Le reste dépend de votre propre organisation, d’où vous enregistrez les fichiers que vous créez, etc.
Le code ne marche pas! Voici quelques origines de ce type de problème :
- lisez le message d’erreur attentivement et collez-le sur Google/ChatGPT s’il n’est pas clair;
- R n’est pas capable de trouver les objets ou les fichiers que votre code utilise. Dans ce cas-là, il faut s’assurer que vous avez créé l’objet pertinent avant de l’utiliser dans votre code;
- votre code n’est pas correct. Vérifier les lettres majuscule/minuscule, les parenthèses, les noms des variables, etc. Si vous utilisez un code de référence (p. ex., nos pages supplémentaires), comparez attentivement les codes; cherchez des fautes de frappe, etc.;
- Si vous êtes 100% certain que votre code est correct, vous pouvez essayer de redémarrer R (Session > Restart R);
- vous pouvez certainement coller votre code sur ChatGPT pour trouver le problème. C’est la dernière option : vous devez essayer de trouver les problèmes vous même (c’est une compétence très importante). Il faut également garder à l’esprit que certains types de problèmes dépendent de votre structure de fichiers. Donc, ChatGPT ne sera pas capable de vous aider dans ce type de situation.
Mes références ne sont pas affichées dans le document (Quarto). Vérifiez votre préambule et assurez-vous que votre fichier de références bib est correct, notamment sans guillemets, et que sa localisation est correcte aussi. Si vous utilisez le modèle dans notre dépôt Git, vous n’aurez pas ce type de problème.
Une erreur qui n’existait pas auparavant. Par exemple : Error in select(...). Si on charge plus d’une extension qui contient des fonctions de noms identiques, on peut arriver à ce type de problème. C’est le cas ici : tidyverse a une fonction appelée select() (c’est une fonction de l’extension dplyr, chargée avec tidyverse). Quand on parle des modèles logistiques, on utilise souvent la fonction invlogit() de l’extension arm. Cette extension contient aussi une fonction select() (!), qui sera priorisée par R. C’est pourquoi vous avez ce type de problème. Pour régler le problème, il y a deux options : déchargez arm en exécutant detach("package:arm", unload = TRUE) ou ajoutez le préfixe dplyr:: à la fonction select() : dplyr::select(). Cela clarifie que vous voulez utilisez la fonction select() de l’extension dplyr.
J’ai un problème pour importer un fichier csv. Si vous avez un fichier csv, il faut vérifier quel type de séparation de colonnes le fichier utilise. S’il utilise une virgule, on utilise la fonction read_csv(); s’il utilise un point-virgule, read_csv2(). N’utilisez jamais Excel pour visualiser votre fichier csv avant de l’importer dans RStudio pour éviter des problèmes.
Mes tableaux ne marchent pas dans le document PDF produit avec Quarto. Bien que Quarto nous permette de créer plusieurs formats de fichiers, il faut dire que chaque format a ses propres particularités. Un document HTML, par exemple, est dynamique, tandis qu’un document PDF sera toujours statique. Il y a donc des extensions qui ne marcheront pas dans les deux. Des tableaux en sont un example : les tableaux utilisés dans un document Quarto HTML peuvent ne pas fonctionner correctement si vous décider de créer un document PDF en changeant le format dans le préambule de votre document. Encore une fois, utilisez le modèle fourni tel quel et vous n’aurez pas de problèmes.

Raccourcis utiles

Voici une petite liste des raccourcis qui seront utilisés pendant le cours. Vous pouvez également profiter des snippets dans RStudio si vous voulez.

Fonction	Raccourci Mac	Raccourci Windows
Exécuter une ligne	`Cmd` + `Entrée`	`Ctrl` + `Entrée`
Ajouter le pipe	`Cmd` + `Shift` + `M`	`Ctrl` + `Shift` + `M`
Enregistrer le document	`Cmd` + `S`	`Ctrl` + `S`
Exécuter tout le script	`Cmd` + `Shift` + `Entrée`	`Ctrl` + `Shift` + `Entrée`
Nettoyer la console	`^` + `L`	`Ctrl` + `L`
Compiler un doc `Qmd`	`Cmd` + `Shift` + `K`	`Ctrl` + `Shift` + `K`

Consultez la liste complète ici.

Aides-mémoire

dplyr : exploration et manipulation
ggplot2 : visualisation
Quarto : composition

Fonctions

Voici les principales fonctions utilisées dans le cours — ces fonctions viennent de l’extension tidyverse.

Exploration

read_csv() ou read_csv2() : importer les fichiers csv qui utilisent , ou ; pour séparer les colonnes. La classe de l’objet en question sera tibble (un type spécifique de tableau en R)
glimpse() : visualiser toutes les colonnes d’un tableau en format de liste
mutate() : ajouter ou modifier des colonnes
select() : sélectionner ou enlever des colonnes
arrange() : ordonner les données en fonction d’une ou plusieurs variables
rename() : renommer des colonnes
filter() : filtrer les données (c’est-à-dire sélectionner des lignes)
pivot_longer() : transformer le tableau (wide-to-long transformation)
summarize() : créer des résumés à partir des données
group_by() : grouper les données en fonction des variables
.by() : alternative à group_by(). On utilise .by comme un argument dans quelques fonctions (mutate(), summarize(), etc.)
ntile(v, k) : catégoriser une variable continue v dans k niveaux

Visualisation

ggplot() : la première couche d’une figure
geom_boxplot() : des boîtes à moustaches
stat_summary() : les moyennes + les barres d’erreurs standard
geom_point() : un nuage des points
labs() : la couche des étiquettes dans une figure
theme_classic() : un thème plus minimal pour vos figures (il y en a beaucoup qui commencent par theme_...())

Analyse

lm() : une régression linéaire
glm() : une régression logistique
emmeans() : fonctions pour générer des comparaisons multiples pour une variable v
P. ex., emmeans(fit, pairwise ~ v, adjust = "tukey")$contrasts
summary() : le résumé d’un modèle¹

Opérateurs relationnels

== (deux =) : indique si deux valeurs sont identiques
!= (! = sans espace) : indique si deux valeurs sont différentes
= ou <- (< - sans espace) : attribue des valeurs à un objet
|> (| > sans espace) ou %>% : le pipe enchaîne des opérations
%in% : vérifie la présence des valeurs dans un objet. Par exemple, 5 %in% c(1, 3, 5) renvoie TRUE
! : la négation d’une opération. Par exemple, !5 %in% c(1, 3, 5) renvoie FALSE, vu que ce n’est pas vrai que 5 n’est pas dans le vecteur
& : utilisé pour évaluer deux éléments (c’est-à-dire le « et » logique). L’opérateur est vrai si les deux opérandes de chaque côté sont vrai : 5 > 3 & 3 > 4 renvoi FALSE
| : utilisé pour évaluer deux éléments (c’est-à-dire le « ou » logique). L’opérateur est vrai si au moins un des opérandes de chaque côté sont vrai : 5 > 3 | 3 > 4 renvoie TRUE

Bonus

if_else() : une expression conditionnelle
as_factor() : transformer un vecteur (une colonne) en facteur fct
str_c() : combiner des caractères (texte)
clean_names() : standardiser les noms des colonnes dans un tableau (il faut charger l’extension janitor)

On peut utiliser la fonction summary() avec plusieurs types d’objet en R : c’est une fonction polymorphe.↩︎