Module 4 - Plan d’apprentissage

STT-1100 Introduction à la science des données

Objectifs du module

À la fin de ce module, vous devriez être capable de

• Importer des données de différents formats (txt, csv, excel, json).
• Nettoyer et recoder des données pour assurer leur qualité.
• Utiliser les librairies forcats et stringr pour manipuler des facteurs et des chaînes de caractères.
• Créer et utiliser des listes.

Lectures initiales

📘 Lectures à faire avant l’aventure

Dans ce module, nous allons explorer les concepts de base de l’importation et du nettoyage de données. Voici quelques lectures initiales pour vous préparer :

• R for Data Science – Data import
  Ce chapitre vous introduit à l’importation de données avec le package readr.
  

• R for Data Science – Data tidying
  Ce chapitre vous introduit à la manipulation de données avec le package dplyr.
  

• R for Data Science – Factors
  Ce chapitre vous introduit aux facteurs en R, qui sont des variables catégoriques.
  > 📝 Note : Bien que ce chapitre soit plus largement utilisé au module 4, certaines fonctions utiles comme factor() ou fct_reorder() peuvent déjà vous aider pour manipuler des variables catégoriques (module 3).

• R for Data Science – Import spreadsheets
  Ce chapitre vous introduit à l’importation de données à partir de fichiers Excel.
  

• R for Data Science – Lists
  Cette section vous introduit au concept de liste en programmation.
  

Aventure

Aventure 4

Défi

A la fin de l’aventure, vous devez être en mesure d’avoir déposer dans votre dossier Github les éléments suivants :

• le script .qmd de votre aventure, c’est à dire un document ou vous faites vos tests et construisez votre liste journal_nettoyage ;

• la liste journal_nettoyage dans un objet .Rdata ;

• la base de données nettoyée au format .csv.

📝 Exercices de consolidation

Exercice 1 – Lecture contrôlée d’un CSV (Data import, § readr)

Importez policies.csv en :

• forçant policy_id en character ;

• laissant premium_amount en double

puis affichez la structure de l’objet.

✅ Réponse

library(readr)

policies <- read_csv(
  "policies.csv",
  col_types = cols(
    policy_id      = col_character(),
    premium_amount = col_double()
  )
)
glimpse(policies)

Exercice 2 – Nettoyage des valeurs manquantes (Data import, ex. 4)

Le fichier contient la chaîne "missing" pour indiquer une absence dans vehicle_type.
Ré-importez le fichier en la convertissant en NA.

✅ Réponse

policies <- read_csv("policies.csv", na = "missing")

Exercice 3 – Passage long ↔︎ large (Data tidy, § pivot)

Les colonnes q1_claims:q4_claims représentent le nombre de réclamations par trimestre.

1. Mettez-les en long (quarter, claims).

2. Revenez ensuite en wide.

✅ Réponse

library(tidyr)
library(dplyr)

pol_long <- policies %>% 
  pivot_longer(
    cols = q1_claims:q4_claims,
    names_to  = "quarter",
    values_to = "claims"
  )

pol_wide <- pol_long %>% 
  pivot_wider(names_from = quarter, values_from = claims)

Exercice 5 – Lire une feuille Excel précise (Import spreadsheets, ex. 3)

Le classeur quotes_2024.xlsx possède une feuille « Q3 » où les libellés commencent à la 2ᵉ ligne.
Importez-la et vérifiez les types.

✅ Réponse

library(readxl)

q3 <- read_excel(
  "resources/quotes_2024.xlsx",
  sheet = "Q3",
  skip  = 1   # on saute la première ligne
)
glimpse(q3)

Exercice 6 – Parse de nombres avec locale (Data import, ex. 5)

La colonne euro_premium contient « 1 234,56 » (virgule décimale, espace 000).
Parsez-la correctement en double.

✅ Réponse

library(readr)

parse_number("1 234,56", locale = locale(decimal_mark = ",", grouping_mark = " "))

Exercice 7 – Rectangling d’une liste JSON (Lists, ex. 1-2)

Vous disposez d’une liste lst <- jsonlite::read_json("coverage.json").

1. Récupérez lst$collision$limit.

2. Transformez lst en tibble rectangulaire.

✅ Réponse

library(jsonlite)
library(tidyr)
library(dplyr)

lst   <- read_json("coverage.json")
limit <- lst$collision$limit

tbl <- tibble(row = lst) %>% 
  unnest_wider(row)

Exercice 8 – Pipeline express (Synthèse)

En trois lignes :

1. importez policies.csv ;

2. nettoyez les noms (janitor::clean_names) ;

3. renvoyez les 5 plus grosses claim_amount par vehicle_type.

✅ Réponse```r

library(readr); library(dplyr); library(janitor)

read_csv(“policies.csv”) %>% clean_names() %>% slice_max(claim_amount, n = 5, by = vehicle_type) ```