Subset, selection de lignes et colonnes et transformation en NA

Bonjour,

Je travaille sur un fichier à 5000 lignes et plus de 50 colonnes et je fais des transformations dessus mais parfois je suis amenée à revenir sur le fichier de base. Jusqu'à maintenant je fais le "nettoyage" via Excel (suppression de colonnes, lignes, certaines variétés, ...) mais je me rends compte que c'est problématique car je dois revenir modifier mon fichier à chaque fois, j'aimerais donc tout faire avec R et si quelqu'un arrive à trouver une façon avec R de faire tout ça d'un coup ça serait magique :P

Admettons dans un fichier exemple que j'ai 5 colonnes : variete (3 variétés qui reviennent plus ou moins), lieu (avec 5 lieux différents possibles), annee (5 années), taille_fleurs (chiffres en cm) et temperature.

Je veux creer un subset où je réalise les 4 opérations suivantes :

R garde uniquement:
- les variétés qui ont au moins 4 valeurs de tailles de fleurs (donc où le nom de la variété va revenir au moins 4 fois sur toutes les lignes de la colonne variete)

- les lignes pour 3 lieux A, B, C (sur 5 lieux présents dans la colonne "lieu") donc je surprime les lignes correspondantes aux lieux D et E

J'ai aussi des valeurs à -9999 et j'aimerais les remplacer par des "NA" dans la colonne temperature

Finalement dans ce subset j'aimerais aussi supprimer toutes les lignes correspondant à l'année 1994 (1994 dans la colonne année)

et puis stocker ce subset dans un fichier csv.

Je joins un fichier exemple, est-ce que vous pourriez me donner des lignes de codes pour réaliser ce subset avec cet exemple afin que je puisse le faire avec mon vrai fichier de 5000 lignes?
Merci par avance.
Cordialement.

Bonjour,

Pour le principe
Si tu as une table T1 avec tes données, tu peux en extraire un sous-ensemble avec la fonction subset() en faisant par exemple
T2 <- subset(T1, V1 == A & V2 %in% B)où V1 et V2 sont des variables, A est une modalité de V1 ou une variable dont la valeur est une des modalités de V1, B est un vecteur de modalités de V2, etc.
On peut mettre autant de conditions qu'on veut, reliées par les connecteurs & ou |. Ici, les deux conditions sont reliées par le connecteur &.
À la place de %in%, tu peux utiliser is.element(V2,B). Cette seconde écriture permet de metttre des conditions négatives !is.element(V2,B).

Dans ton exemple, tu pourrais écrire par exemple :

Code:

---

1 2 3

T2 <- subset(T1, Annee != 1994 & !is.element(Lieu,c('D','E'))) T2$Temperature <- ifelse(T2$Temperature == -9999,NA,T2$Temperature) write.table(T2,file='T2.csv',sep=';',dec=',')

---

Je n'ai pas compris la 1ère condition que tu énonces. C'est pourquoi elle ne figure pas dans ce bout de programme.

Bonjour,

merci pour cette réponse rapide.

Je me perds un peu entre les variables, modalités, vecteur.. j'ai encore beaucoup à apprendre, pour être sûre d'avoir bien compris, si je reprends votre script et vos explications cela veut dire que vos lignes de script correspondent à:

Code:

---

1 2 3

123 T2 <- subset(T1, Annee != 1994 & !is.element(Lieu,c('D','E'))) T2$Temperature <- ifelse(T2$Temperature == -9999,NA,T2$Temperature) write.table(T2,file='T2.csv',sep=';',dec=',')

---

la ligne 1 de votre code --> R va garder uniquement les lignes pour 3 lieux A, B, C (sur 5 lieux présents dans la colonne "lieu") et donc avec la fonction "¨!is.element" il supprim les lignes correspondantes au lieu D et E et supprimer toutes les lignes correspondant à l'année 1994 (1994 dans la colonne année) grâce à la fonction "Annee!".

ligne 2 --> Dans la colonne température, R va remplacer les valeurs à -9999 par des "NA". Si jamais j'ai une dizaine de colonnes et que je veux que R me ramplace tous les -9999 de toutes les colonnes par NA est-ce qu'il suffit de remplacer T2$temperature par le nom du fichier de base?

ligne 3 --> R va stocker ce subset dans un fichier csv.

Pour la première condition que je veux appliquer, désolée j'avais peut-être mal expliqué, je tente de ré-expliquer:

je vais faire des regressions de la variété en fonction de la taille des fleurs pour cet exemple et j'aimerais tester et ne garder que les variétés dont le nom revient au minimum 4 fois dans le fichier donc avec au moins 4 fois le nom de chaque variété dans la colonne variété. Je ne sais pas si c'est plus clair? Donc supprimer les variétés qui n'apparaissent que 1,2 ou 3 fois dans la colonne variété.

Merci par avance.