Autodiagnostic des bases de R

Test non noté pour vérifier les bases de R nécessaires avant STT-4230 / STT-6230

La description officielle du cours précise qu’une connaissance minimale de R est nécessaire avant l’inscription. Cet autodiagnostic permet de vérifier ces bases avant la première séance. Il ne vérifie pas Git, GitHub, Quarto ou la structuration d’un projet, qui font partie de la progression du cours.

Modalités

Durée indicative: 20 minutes pour le questionnaire, puis 10 minutes pour la vérification pratique.
Première tentative: sans documentation, sans exécuter le code et sans outil d’IA.
Le test n’est pas noté et ne constitue pas une décision d’admission.
Les réponses et le résultat restent dans le navigateur. Aucune donnée n’est transmise ni enregistrée.

Les seuils d’interprétation sont des repères pédagogiques propres à ce cours. Ils n’ont pas fait l’objet d’une validation psychométrique. Une réponse exacte peut résulter d’un hasard: la vérification pratique demeure donc importante.

18 questions, 6 domaines

Questionnaire autocorrigé

Répondez à toutes les questions, puis sélectionnez « Calculer mon bilan ». La correction détaillée et les ressources ciblées apparaîtront après le calcul.

0 question répondue sur 18

Objets et vecteurs

Question 1 Quel résultat produit ce code?

x <- c(3, 5, 8)
x * 2

6 c(6, 10, 16) c(3, 5, 8, 3, 5, 8) Une erreur

La multiplication est vectorisée: chaque élément de x est multiplié par 2.

Question 2 Quelle valeur est retournée?

x <- c(10, 20, 30)
x[2]

10 30 20 NA

Question 3 Quelle instruction remplace toutes les valeurs négatives de x par 0?

x[x < 0] <- 0 x < 0 <- 0 x[x > 0] <- 0 x[0] <- x

Le vecteur logique x < 0 sélectionne les positions à modifier dans x.

Sous-ensembles et valeurs manquantes

Question 4 Quel résultat produit ce code?

is.na(c(2, NA, 5))

TRUE c(TRUE, FALSE, TRUE) c(2, 5) c(FALSE, TRUE, FALSE)

is.na() teste chaque position et retourne TRUE seulement pour la valeur manquante.

Question 5 Quelle valeur est retournée?

mean(c(4, NA, 8), na.rm = TRUE)

NA 6 4 Une erreur

na.rm = TRUE retire la valeur manquante avant de calculer la moyenne de 4 et 8.

Question 6 Quel vecteur logique est retourné?

x <- c(-1, NA, 3)
!is.na(x) & x > 0

c(FALSE, NA, TRUE) c(TRUE, FALSE, TRUE) c(FALSE, FALSE, TRUE) c(-1, 3)

Une position doit être non manquante et strictement positive. À la deuxième position, !is.na(x) vaut FALSE, x > 0 vaut NA, et FALSE & NA donne FALSE.

Tableaux et transformations

Question 7 Quelle valeur est retournée?

donnees <- data.frame(
  station = c("Québec", "Lévis", "Saguenay"),
  temperature = c(18.4, 17.1, 16.8)
)
nrow(donnees)

3 2 5 Une erreur

Question 8 Quelle expression extrait la colonne temperature sous forme de vecteur?

donnees(temperature) temperature$donnees donnees[temperature] donnees$temperature

L’opérateur $ accède à une colonne nommée d’un tableau et retourne ici son vecteur de valeurs.

Question 9 Que fait cette chaîne de transformation avec dplyr?

donnees |>
  filter(valeur >= 10) |>
  arrange(desc(valeur))

Elle remplace les valeurs inférieures à 10 par 0. Elle conserve les lignes où valeur >= 10, puis les trie par valeur décroissante. Elle conserve la colonne valeur et supprime toutes les autres. Elle calcule la moyenne de valeur.

filter() conserve les lignes qui satisfont la condition, puis arrange(desc()) les ordonne en décroissant.

Fonctions et contrôle

Question 10 Quel résultat produit cet appel?

ajouter <- function(x, k = 1) {
  x + k
}

ajouter(c(2, 5), k = 3)

c(2, 5, 3) c(3, 6) c(5, 8) Une erreur, car k a déjà une valeur par défaut.

L’argument fourni k = 3 remplace la valeur par défaut, puis 3 est ajouté à chaque élément de x.

Question 11 Quelle expression classe chaque valeur de x dans un vecteur?

ifelse(x >= 10, "élevée", "faible") if (x >= 10) "élevée" else "faible" x >= 10 <- c("élevée", "faible") switch(x, "élevée", "faible")

ifelse() évalue une condition pour chaque position du vecteur. Un bloc if ordinaire attend une seule condition.

Question 12 Quelle est la valeur finale de total?

total <- 0
for (i in 1:4) {
  total <- total + i
}

4 6 24 10

Scripts, importation et aide

Question 13 Quel appel importe le fichier CSV avec readr en utilisant un chemin relatif?

readr::write_csv("data/mesures.csv") readr::read_csv("data/mesures.csv") readr::read_csv(data/mesures.csv) library("data/mesures.csv")

read_csv() lit un CSV. Le chemin est une chaîne de caractères et il est relatif au dossier de travail courant.

Question 14 Quelle commande exécute le script R/nettoyage.R?

run("R/nettoyage.R") library("R/nettoyage.R") source("R/nettoyage.R") readLines(R/nettoyage.R)

source() lit et évalue les expressions contenues dans un fichier R.

Question 15 Quelle commande ouvre la page d’aide de la fonction mean()?

?mean mean? search(mean) library(mean)

?mean, qui équivaut à help(mean), ouvre la documentation de la fonction.

Lecture d’erreurs et vérification

Question 16 Que signifie principalement le message object 'ventes' not found?

Le package ventes doit être installé. Le fichier de données contient nécessairement une erreur. Aucun objet accessible ne porte exactement le nom ventes à cet endroit du programme. R manque de mémoire.

Question 17 La console affiche un symbole + après cette ligne. Quelle est la cause la plus probable?

moyenne <- mean(c(4, 6, 8)

La moyenne ne peut pas être calculée sur des entiers. Une parenthèse fermante manque, donc l’expression est incomplète. L’opérateur <- est interdit avec mean(). Le symbole + indique que le calcul est terminé.

Le symbole de continuation + indique que R attend la suite d’une expression incomplète. Il manque ici une parenthèse.

Question 18 Que se passe-t-il lors de l’exécution de cette vérification?

stopifnot(all(c(2, 5, 8) >= 0))

La commande retourne le vecteur c(2, 5, 8). La commande remplace les valeurs positives par TRUE. La commande provoque toujours une erreur. La condition est vraie, donc le programme continue sans erreur.

all() retourne TRUE, car les trois valeurs sont non négatives. stopifnot() n’interrompt donc pas le programme.

Votre bilan

Résultats par domaine

Domaine	Résultat	Suite

Prochaines étapes

Repères: 15 à 18 avec au moins 2 sur 3 dans chaque domaine, bases prêtes; 11 à 14, consolidation; 0 à 10, remise à niveau prioritaire.

Vérification pratique

Cette partie vérifie la capacité à écrire et à exécuter un court script, et non seulement à reconnaître une réponse. Les données ci-dessous sont fictives et servent uniquement à l’exercice.

Copiez le code suivant dans un nouveau script R:

mesures <- data.frame(
  station = c("Québec", "Québec", "Lévis", "Lévis", "Saguenay"),
  temperature = c(18.4, NA, 17.1, 19.3, 16.8),
  valide = c(TRUE, FALSE, TRUE, TRUE, TRUE)
)

Sans consulter la solution:

conservez seulement les lignes valides dont la température n’est pas manquante;
calculez la température moyenne par station;
écrivez une fonction ecart_reference(x, reference = 18) qui retourne x - reference, puis appliquez-la aux températures conservées;
relancez le script depuis une session R propre.

Le résultat attendu contient quatre lignes valides. Les moyennes sont 18,4 pour Québec, 18,2 pour Lévis et 16,8 pour Saguenay.

Afficher une solution possible

Avec tidyverse

# Charger les bibliothèques
library(tidyverse)

# Créer les données fictives de l’exercice
mesures <- tibble(
  station = c("Québec", "Québec", "Lévis", "Lévis", "Saguenay"),
  temperature = c(18.4, NA, 17.1, 19.3, 16.8),
  valide = c(TRUE, FALSE, TRUE, TRUE, TRUE)
)

# Conserver les mesures valides et observées
mesures_valides <- mesures |>
  filter(valide, !is.na(temperature))

# Calculer les moyennes par station
moyennes_station <- mesures_valides |>
  group_by(station) |>
  summarise(
    temperature_moyenne = mean(temperature),
    .groups = "drop"
  )

# Définir et appliquer une fonction
ecart_reference <- function(x, reference = 18) {
  x - reference
}

mesures_valides <- mesures_valides |>
  mutate(ecart = ecart_reference(temperature))

# Vérifier les principaux résultats
stopifnot(nrow(mesures_valides) == 4)
stopifnot(isTRUE(all.equal(
  sort(moyennes_station$temperature_moyenne),
  sort(c(18.4, 18.2, 16.8))
)))

mesures_valides
moyennes_station

Avec R de base

# Créer les données fictives de l’exercice
mesures <- data.frame(
  station = c("Québec", "Québec", "Lévis", "Lévis", "Saguenay"),
  temperature = c(18.4, NA, 17.1, 19.3, 16.8),
  valide = c(TRUE, FALSE, TRUE, TRUE, TRUE)
)

# Conserver les mesures valides et observées
mesures_valides <- mesures[
  mesures$valide & !is.na(mesures$temperature),
]

# Calculer les moyennes par station
moyennes_station <- aggregate(
  temperature ~ station,
  data = mesures_valides,
  FUN = mean
)

# Définir et appliquer une fonction
ecart_reference <- function(x, reference = 18) {
  x - reference
}

mesures_valides$ecart <- ecart_reference(
  mesures_valides$temperature
)

# Vérifier les principaux résultats
stopifnot(nrow(mesures_valides) == 4)
stopifnot(isTRUE(all.equal(
  sort(moyennes_station$temperature),
  sort(c(18.4, 18.2, 16.8))
)))

mesures_valides
moyennes_station

Si vous n’avez pas pu terminer cette tâche sans la solution, suivez au minimum les sections signalées dans votre bilan, même si votre résultat au questionnaire est élevé.

Ressources et fondement du contenu

Les questions couvrent les éléments introductifs documentés dans les références suivantes:

R Core Team (2026), An Introduction to R, version 4.6.1: objets, vecteurs, valeurs manquantes, sous-ensembles, tableaux, contrôle, fonctions, importation et aide;
Wickham, Çetinkaya-Rundel et Grolemund (2023), R for Data Science, 2e édition: transformations de données et flux de travail avec tidyverse;
Posit, documentation officielle de dplyr et documentation officielle de readr, consultées le 14 juillet 2026.

Pour travailler les domaines faibles, utilisez le parcours de mise à niveau en R. La formulation du prérequis provient de la fiche officielle de STT-4230, Université Laval, version affichée du 13 mai 2025 et consultée le 14 juillet 2026.