obtenir les effectifs de plusieurs variables considérées comme numériques

bonjour,
je souhaite réaliser qqchose de tout simple, mais je n'arrive pas à obtenir ce que je souhaite...
J'ai présenté plusieurs variables sur un mode "0 ou 1" : 0 : l'individu ne possède pas l'attribut, 1 : il le possède.
J'ai plusieurs variables que je souhaiterai voir présentées en tableau d'effectif, mais je n'arrive qu'à obtenir des moyennes, min, max...
il est trop long de passer une variable après l'autre car j'en ai une vingtaine.
Je vois bien que ma question est basique mais je n'arrive pas à obtenir ce simple tableau d'effectif qui se ferait tout seul avec des variable qualitatives.

cf. la fonction table.

le problème de table, c'est que je dois le faire variable par variable. Et si je le fait sur le dataframe entier il me met un message d'erreur comme quoi il y a "plus de 2^31 éléments".
Par ailleurs il me donne à chaque fois le nombre de 0 et de 1... j'aurai voulu un simple effectif des "1" (présence) pour chaque variable pour faire des tableaux de contingence ensuite en croisant avec une autre variable.
C'est ballot, à part une manip simplissime de sommes sous Excel, je n'arrive pas à la faire avec R.
Ou alors c'est un pb de présentation des données dans mon tableau de départ ?

Pourrais-tu donner un exemple car je ne comprends pas ce que tu cherches à faire. De plus les tableaux de contingence sont a minima 2x2, il nécessite donc de compter les 0 et 1.

j'ai une liste de répondants à un questionnaire. Une question concernait des "valeurs humaines", importantes ou non pour chaque répondant : par exemple la sécurité, la nature, l'éthique...
Au départ dans mon tableau de réponses, j'avais ces termes en toutes lettres : valeur 1 (entête de colonne) : sécurité... valeur 2(entête de colonne) : nature....
donc une présentation de ce type :
............................... val 1................val 2..................val 3...........val 4.....
répondant 1 ......sécurité.............sécurité...............éthique..............NA
répondant 2........nature...............bienveillance.........sécurité...........bienveillance
répondant 3 .......bienveillance.......éthique................sécurité...........sécurité

il y a des doublons car c'était une question ouverte avec 4 mots possibles et j'ai regroupé les catégories de ces mots sous ces "valeurs humaines"
Comme je ne savais pas comment réaliser ce tableau d'effectif, j'ai mis en entête l'ensemble de mes valeurs, et indiqué zéro ou 1 selon qu'elle soit citée ou non par les répondants (j'ai même une première version ou j'indique le nombre de fois ou chaque valeur est citée vu qu'elles peuvent revenir plrs fois pour un même répondant, mais si besoin pour simplifier on peut rester sur 0 ou 1). Ca donne au départ :

variables->..........Sécurité...........bienveillance.......éthique... .....nature ......
répondant 1 :..........2......................0........................1...................0
répondant 2 :..........1......................2........................0...................1
répondant 3 :..........2......................1........................1...................0

ensuite je voudrais croiser ces réponses avec différents éléments de profil (par exemple sexe, métier....) afin de voir si des typologies se dessinent.

Bonjour,

de manière rapide mais peu sexy :)

Code:

---

1 2 3 4 5 6 7 8 9 10 11 12 13

v1 <- c("sec", "nat", "bie") v2 <- c("sec", "bie", "eth") v3 <- c("eth", "sec", "sec") v4 <- c(NA, "bie", "sec") df1 <- data.frame(v1, v2, v3, v4) row.names(df1) <- c("r1", "r2", "r3") df1 df2 <- t(df1) df2 library("reshape2") df3 <- melt(df2) df3 table(df3$Var2, df3$value)

---

Pour tâcher de bien tout comprendre :
Donc de mon côté j'ai déjà toutes mes variables et données dans un dataframe, nommé par exemple df0
1 : je mets dans un nouvel objet juste les variables sur lesquelles je souhaite avoir l'effectif
df1<-ma liste de variables issues de df0
2 : la commande rownames (que je ne connais pas)
3 : je lui indique que c'est un tableau, que je mets dans un nouvel objet df2 ?
4 : je charge la library reshape2 (je regarderai quel est son usage)
5 : j'utilise cette commande melt (connais pas non plus ^^)
6 : j'utilise la fonction table sur l'objet df3 (qu'est ce que Var 2 ?)

Si votre dataframe initial est organisé comme le premier tableau (ci-après appelé T1) dans votre message du 28/08 à 11h37, il ne permet pas de facilement effectuer les traitements. Votre T1 équivaut à df1. J'ai utilisé row.names() uniquement pour éviter que les noms de lignes soient des nombres. Les 6 premières lignes servent uniquement à construire votre T1.
Le code que je fournis est un code "complet" dans le sens où quelqu'un sans vos données peut voir rapidement ce que le code donne.
Dans mon exemple, j'ai transposé df1 en df2 pour utiliser des fonctions courantes en traitement des données.

Vous semblez manquer de certaines bases en R pour bien comprendre le code fourni. Par exemple Var2 est le nom d'une colonne de df3 (df3 étant le résultat de melt()).
Il me semble important que vous sachiez lire plus en détail les sorties de la console et les aides des fonctions.

oui tout à fait, je débute sous R. J'ai juste suivi 2 moocs sur le traitement stat avec R et réalisé les exercices liés à ces moocs, mais cela est tout frais, et je commence juste à traiter mes propres données... Donc j'ai encore beaucoup de connaissances mal stabilisées et de lacunes.
J'avais le choix entre Statta et R, et j'ai finalement opté pour R. J'espère que j'ai fait le bon choix :|
Merci pour ce code et les explications additionnelles.

Citation:

---

je voudrais croiser ces réponses avec différents éléments de profil (par exemple sexe, métier....) afin de voir si des typologies se dessinent.

---

Je suis loin d'être persuadé que des tableau de contingence répondent à ton problème. Il existe des méthodes pour extraire des typologies, par exemple des analyses de profils comme celles proposées dans la package SensoMineR mais il doit en exister d'autres. Cherche de ce côté.

Je pensais m'orienter aussi vers FactomineR pour croiser mes données

SensoMineR est une extension de FactoMineR donc à voir si FactoMineR suffit ou s'il faut aller plus loin.

Une question supplémentaire : est-ce simplement la présence de l'item est suffisant ou son rang peut-il apporter d'autres choses ? Si oui, alors essayer une PCA sur les rangs. C'est facile à programmer : s'il y a plusieurs occurrences, prendre la moyenne des rangs sinon, prendre le rang lui-même puis appliquer la fonction PCA de FactoMineR. Exemple :

Code:

---

1 2 3 4 5

x <- c( 1, 2, 3, 3, 4, 2, 6, 5) # alors rank.x <- rank( x) # on peut vérifier que c'est exact à partir de sort( x)

---

Bien entendu faire cela sujet par sujet.