Introduction au logiciel R - TD/TP
Formation doctorale
Cyril Dalmasso
13 - 15 juin 2022
Vecteurs
Exercice 1
Commandes c(), seq(), rep(),
paste() et leurs options.
- Créer un vecteur contenant la suite des entiers de 1 à 12 de deux manières différentes.
1:12## [1] 1 2 3 4 5 6 7 8 9 10 11 12seq(12)## [1] 1 2 3 4 5 6 7 8 9 10 11 12seq(1,12)## [1] 1 2 3 4 5 6 7 8 9 10 11 12- Créer le vecteur
c(0.5,1.0,1.5,2.0,2.5,3.0,3.5,4.0,4.5,5.0)de trois manières différentes.
seq(from=0.5,to=5,by=0.5)## [1] 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0seq(0.5,5,length.out=10)## [1] 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0(1:10)/2## [1] 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0sort(c(0.5:5,1:5))## [1] 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0cumsum(rep(0.5,10))## [1] 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0 4.5 5.0- Créer un vecteur contenant tous les multiples de 2 compris entre 1 et 50.
cumsum(rep(2,25)) ## [1] 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50(1:25)*2## [1] 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50seq(2,50,2)## [1] 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50(1:50)[(1:50)%%2==0]## [1] 2 4 6 8 10 12 14 16 18 20 22 24 26 28 30 32 34 36 38 40 42 44 46 48 50- Créer un vecteur contenant 3 fois chacun des 10 chiffres.
sort(rep(0:9,3))## [1] 0 0 0 1 1 1 2 2 2 3 3 3 4 4 4 5 5 5 6 6 6 7 7 7 8 8 8 9 9 9rep(0:9,each=3)## [1] 0 0 0 1 1 1 2 2 2 3 3 3 4 4 4 5 5 5 6 6 6 7 7 7 8 8 8 9 9 9- Créer un vecteur contenant une fois la lettre A, deux fois la lettre
B, etc., 26 fois la lettre Z. Quelle est la longueur de cette suite ?
(Utiliser la chaîne
LETTERSprédéfinie).
x <- rep(LETTERS,1:26)
length(x) ## [1] 351- Créer le vecteur
c("individu 1", "individu 2", ..., "individu 100").
x <- 1:100
y <- rep("individu",100)
paste(y,x)## [1] "individu 1" "individu 2" "individu 3" "individu 4" "individu 5"
## [6] "individu 6" "individu 7" "individu 8" "individu 9" "individu 10"
## [11] "individu 11" "individu 12" "individu 13" "individu 14" "individu 15"
## [16] "individu 16" "individu 17" "individu 18" "individu 19" "individu 20"
## [21] "individu 21" "individu 22" "individu 23" "individu 24" "individu 25"
## [26] "individu 26" "individu 27" "individu 28" "individu 29" "individu 30"
## [31] "individu 31" "individu 32" "individu 33" "individu 34" "individu 35"
## [36] "individu 36" "individu 37" "individu 38" "individu 39" "individu 40"
## [41] "individu 41" "individu 42" "individu 43" "individu 44" "individu 45"
## [46] "individu 46" "individu 47" "individu 48" "individu 49" "individu 50"
## [51] "individu 51" "individu 52" "individu 53" "individu 54" "individu 55"
## [56] "individu 56" "individu 57" "individu 58" "individu 59" "individu 60"
## [61] "individu 61" "individu 62" "individu 63" "individu 64" "individu 65"
## [66] "individu 66" "individu 67" "individu 68" "individu 69" "individu 70"
## [71] "individu 71" "individu 72" "individu 73" "individu 74" "individu 75"
## [76] "individu 76" "individu 77" "individu 78" "individu 79" "individu 80"
## [81] "individu 81" "individu 82" "individu 83" "individu 84" "individu 85"
## [86] "individu 86" "individu 87" "individu 88" "individu 89" "individu 90"
## [91] "individu 91" "individu 92" "individu 93" "individu 94" "individu 95"
## [96] "individu 96" "individu 97" "individu 98" "individu 99" "individu 100"paste("individu",1:100)## [1] "individu 1" "individu 2" "individu 3" "individu 4" "individu 5"
## [6] "individu 6" "individu 7" "individu 8" "individu 9" "individu 10"
## [11] "individu 11" "individu 12" "individu 13" "individu 14" "individu 15"
## [16] "individu 16" "individu 17" "individu 18" "individu 19" "individu 20"
## [21] "individu 21" "individu 22" "individu 23" "individu 24" "individu 25"
## [26] "individu 26" "individu 27" "individu 28" "individu 29" "individu 30"
## [31] "individu 31" "individu 32" "individu 33" "individu 34" "individu 35"
## [36] "individu 36" "individu 37" "individu 38" "individu 39" "individu 40"
## [41] "individu 41" "individu 42" "individu 43" "individu 44" "individu 45"
## [46] "individu 46" "individu 47" "individu 48" "individu 49" "individu 50"
## [51] "individu 51" "individu 52" "individu 53" "individu 54" "individu 55"
## [56] "individu 56" "individu 57" "individu 58" "individu 59" "individu 60"
## [61] "individu 61" "individu 62" "individu 63" "individu 64" "individu 65"
## [66] "individu 66" "individu 67" "individu 68" "individu 69" "individu 70"
## [71] "individu 71" "individu 72" "individu 73" "individu 74" "individu 75"
## [76] "individu 76" "individu 77" "individu 78" "individu 79" "individu 80"
## [81] "individu 81" "individu 82" "individu 83" "individu 84" "individu 85"
## [86] "individu 86" "individu 87" "individu 88" "individu 89" "individu 90"
## [91] "individu 91" "individu 92" "individu 93" "individu 94" "individu 95"
## [96] "individu 96" "individu 97" "individu 98" "individu 99" "individu 100"paste("individu",1:100,sep=".")## [1] "individu.1" "individu.2" "individu.3" "individu.4" "individu.5"
## [6] "individu.6" "individu.7" "individu.8" "individu.9" "individu.10"
## [11] "individu.11" "individu.12" "individu.13" "individu.14" "individu.15"
## [16] "individu.16" "individu.17" "individu.18" "individu.19" "individu.20"
## [21] "individu.21" "individu.22" "individu.23" "individu.24" "individu.25"
## [26] "individu.26" "individu.27" "individu.28" "individu.29" "individu.30"
## [31] "individu.31" "individu.32" "individu.33" "individu.34" "individu.35"
## [36] "individu.36" "individu.37" "individu.38" "individu.39" "individu.40"
## [41] "individu.41" "individu.42" "individu.43" "individu.44" "individu.45"
## [46] "individu.46" "individu.47" "individu.48" "individu.49" "individu.50"
## [51] "individu.51" "individu.52" "individu.53" "individu.54" "individu.55"
## [56] "individu.56" "individu.57" "individu.58" "individu.59" "individu.60"
## [61] "individu.61" "individu.62" "individu.63" "individu.64" "individu.65"
## [66] "individu.66" "individu.67" "individu.68" "individu.69" "individu.70"
## [71] "individu.71" "individu.72" "individu.73" "individu.74" "individu.75"
## [76] "individu.76" "individu.77" "individu.78" "individu.79" "individu.80"
## [81] "individu.81" "individu.82" "individu.83" "individu.84" "individu.85"
## [86] "individu.86" "individu.87" "individu.88" "individu.89" "individu.90"
## [91] "individu.91" "individu.92" "individu.93" "individu.94" "individu.95"
## [96] "individu.96" "individu.97" "individu.98" "individu.99" "individu.100"Exercice 2
Commandes sample, length,
sort, rev, sum,
table, etc.
- Générer une séquence d’ADN de 100 bases (c’est à dire une séquence
de longueur 100 construite avec les lettre “A”, “T”, “G” et “C”).
Compter le nombre d’occurrences de chaque lettre (d’abord sans puis avec
la fonction
table). Renvoyer les indices de la séquence où l’on trouve la lettre “T”.
# Génération :
x <- sample(c("A","T","G","C"),100,replace=TRUE)
# Nombres d'occurences :
y <- (x=="T")
length(y[y])## [1] 17length(x[y==TRUE])## [1] 17sum(y)## [1] 17length(which(y))## [1] 17## ou
table(x)## x
## A C G T
## 24 32 27 17# Indices :
which(y)## [1] 3 4 5 7 9 11 21 22 24 28 30 32 36 63 78 84 93order(y,decreasing=TRUE)[1:sum(y)]## [1] 3 4 5 7 9 11 21 22 24 28 30 32 36 63 78 84 93(1:100)[x=="T"]## [1] 3 4 5 7 9 11 21 22 24 28 30 32 36 63 78 84 93- Créer un vecteur contenant les 100 premiers entiers échantillonnés
aléatoirement. Renvoyer l’emplacement de la valeur minimale et de la
valeur maximale. À partir de ce vecteur, créer les vecteurs
xetydes 100 premiers entiers ordonnés dans l’ordre croissant et décroissant. Concatenezxetyenlever le seul nombre apparaissant deux fois de suite en le repérant à l’aide de la commandediff.
## Création du vecteur
vect.ent <- sample(1:100,100,replace=FALSE)
vect.ent## [1] 99 78 35 82 15 44 93 25 75 86 96 19 91 21 1 18 90 24
## [19] 14 73 17 40 37 54 20 31 51 56 29 57 26 46 34 81 12 89
## [37] 94 27 71 84 16 48 59 67 36 53 65 63 55 87 13 22 38 8
## [55] 28 77 61 69 32 30 88 23 52 70 43 74 10 85 2 100 3 42
## [73] 79 64 97 98 50 6 45 5 60 7 72 39 62 9 33 95 4 68
## [91] 66 76 49 11 92 83 47 58 41 80## Emplacements min et max
which.min(vect.ent)## [1] 15which.max(vect.ent)## [1] 70# ou
which(vect.ent==min(vect.ent))## [1] 15which(vect.ent==max(vect.ent))## [1] 70# Création de x et y
x <- sort(vect.ent)
y <- sort(vect.ent,decreasing=TRUE)
# Concaténation de x et y et transformation
z <- c(x,y)
z[-which(diff(z)==0)]## [1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
## [19] 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36
## [37] 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54
## [55] 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72
## [73] 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90
## [91] 91 92 93 94 95 96 97 98 99 100 99 98 97 96 95 94 93 92
## [109] 91 90 89 88 87 86 85 84 83 82 81 80 79 78 77 76 75 74
## [127] 73 72 71 70 69 68 67 66 65 64 63 62 61 60 59 58 57 56
## [145] 55 54 53 52 51 50 49 48 47 46 45 44 43 42 41 40 39 38
## [163] 37 36 35 34 33 32 31 30 29 28 27 26 25 24 23 22 21 20
## [181] 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2
## [199] 1z[z!=z[diff(z)==0]]## [1] 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
## [26] 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50
## [51] 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75
## [76] 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 99
## [101] 98 97 96 95 94 93 92 91 90 89 88 87 86 85 84 83 82 81 80 79 78 77 76 75 74
## [126] 73 72 71 70 69 68 67 66 65 64 63 62 61 60 59 58 57 56 55 54 53 52 51 50 49
## [151] 48 47 46 45 44 43 42 41 40 39 38 37 36 35 34 33 32 31 30 29 28 27 26 25 24
## [176] 23 22 21 20 19 18 17 16 15 14 13 12 11 10 9 8 7 6 5 4 3 2 1Exercice 3
On mesure le taux d’insuline de deux groupes d’individus. Le premier groupe comprend des individus atteints de diabète de type 1 et le deuxième groupe des individus normaux. On observe les valeurs suivantes:
grp1 <- c(14.40 , 13.70 , 14.20 , 17.30 , 13.90 , 13.60 , 15.40 , 10.80 , 12.20 , 13.60)
grp2 <- c(14.00 , 15.90 , 16.90 , 14.10 , 13.80 , 20.30 , 16.00 , 15.30 , 16.10 , 15.90) - Calculez la moyenne, la médiane, la variance et l’écart-type pour chaque groupe.
mean(grp1); mean(grp2) # moyennes## [1] 13.91## [1] 15.83median(grp1); median(grp2) # médianes## [1] 13.8## [1] 15.9var(grp1); var(grp2) # variances## [1] 2.985444## [1] 3.553444sd(grp1); sd(grp2) # Ecarts-types## [1] 1.727844## [1] 1.885058sqrt(var(grp1)); sqrt(var(grp2)) # Ecarts-types## [1] 1.727844## [1] 1.885058# En utilisant la fonction 'summary' pour extraire moyenne et médiiane :
summary(grp1)[3:4] ## Median Mean
## 13.80 13.91restemp <- summary(grp2)
restemp[c("Median","Mean")] ## Median Mean
## 15.90 15.83restemp[c(3,4)]## Median Mean
## 15.90 15.83- Représentez les données sous forme de boîtes à moustaches.
boxplot(grp1,grp2)
Facteurs
Exercice 4
On s’intéresse au rendement de champs d’orge traités à différente dose d’engrais et appartenant à différentes variété :
variete <- c("victory", "victory", "victory", "victory", "Golden.rain", "Golden.rain",
"Golden.rain", "Golden.rain", "Marvellous", "Marvellous", "Marvellous",
"Marvellous", "victory", "victory", "victory", "victory",
"Golden.rain", "Golden.rain", "Golden.rain", "Golden.rain", "Marvellous",
"Marvellous", "Marvellous", "Marvellous", "victory", "victory",
"victory", "victory", "Golden.rain", "Golden.rain", "Golden.rain",
"Golden.rain", "Marvellous", "Marvellous", "Marvellous", "Marvellous",
"victory", "victory", "victory", "victory", "Golden.rain", "Golden.rain",
"Golden.rain", "Golden.rain", "Marvellous", "Marvellous", "Marvellous",
"Marvellous", "victory", "victory", "victory", "victory", "Golden.rain",
"Golden.rain", "Golden.rain", "Golden.rain", "Marvellous", "Marvellous",
"Marvellous", "Marvellous", "victory", "victory", "victory", "victory",
"Golden.rain", "Golden.rain", "Golden.rain", "Golden.rain", "Marvellous",
"Marvellous", "Marvellous", "Marvellous")
engrais <- c("0.0cwt", "0.2cwt", "0.4cwt", "0.6cwt", "0.0cwt", "0.2cwt", "0.4cwt",
"0.6cwt", "0.0cwt", "0.2cwt", "0.4cwt", "0.6cwt", "0.0cwt", "0.2cwt",
"0.4cwt", "0.6cwt", "0.0cwt", "0.2cwt", "0.4cwt", "0.6cwt", "0.0cwt",
"0.2cwt", "0.4cwt", "0.6cwt", "0.0cwt", "0.2cwt", "0.4cwt", "0.6cwt",
"0.0cwt", "0.2cwt", "0.4cwt", "0.6cwt", "0.0cwt", "0.2cwt", "0.4cwt",
"0.6cwt", "0.0cwt", "0.2cwt", "0.4cwt", "0.6cwt", "0.0cwt", "0.2cwt",
"0.4cwt", "0.6cwt", "0.0cwt", "0.2cwt", "0.4cwt", "0.6cwt", "0.0cwt",
"0.2cwt", "0.4cwt", "0.6cwt", "0.0cwt", "0.2cwt", "0.4cwt", "0.6cwt",
"0.0cwt", "0.2cwt", "0.4cwt", "0.6cwt", "0.0cwt", "0.2cwt", "0.4cwt",
"0.6cwt", "0.0cwt", "0.2cwt", "0.4cwt", "0.6cwt", "0.0cwt", "0.2cwt",
"0.4cwt", "0.6cwt")
rendement <- c(111, 130, 157, 174, 117, 114, 161, 141, 105, 140, 118, 156, 61, 91, 97,
100, 70, 108, 126, 149, 96, 124, 121, 144, 68, 64, 112, 86, 60, 102, 89,
96, 89, 129, 132, 124, 74, 89, 81, 122, 64, 103, 132, 133, 70, 89, 104,
117, 62, 90, 100, 116, 80, 82, 94, 126, 63, 70, 109, 99, 53, 74, 118, 113,
89, 82, 86, 104, 97, 99, 119, 121)- Tracer la répartition empirique des rendements à l’aide de la
commande
boxplot, en découpant par variété, par dose d’engrais reçu puis par couple variété/dose.
variete <- as.factor(variete)
engrais <- as.factor(engrais)
boxplot(split(rendement,variete))
boxplot(split(rendement,engrais))
boxplot(split(rendement,paste(variete,engrais)))
boxplot(split(rendement,data.frame(variete,engrais)))
boxplot(rendement~engrais+variete)
- Calculer la moyenne par variété, par dose d’engrais reçu puis par couple variété/dose. Toujours selon ces mêmes découpages, faites un résumé numérique.
tapply(rendement,variete,mean)## Golden.rain Marvellous victory
## 104.5000 109.7917 97.6250tapply(rendement,engrais,mean)## 0.0cwt 0.2cwt 0.4cwt 0.6cwt
## 79.38889 98.88889 114.22222 123.38889tapply(rendement,as.factor(paste(variete,engrais)),mean)## Golden.rain 0.0cwt Golden.rain 0.2cwt Golden.rain 0.4cwt Golden.rain 0.6cwt
## 80.00000 98.50000 114.66667 124.83333
## Marvellous 0.0cwt Marvellous 0.2cwt Marvellous 0.4cwt Marvellous 0.6cwt
## 86.66667 108.50000 117.16667 126.83333
## victory 0.0cwt victory 0.2cwt victory 0.4cwt victory 0.6cwt
## 71.50000 89.66667 110.83333 118.50000tapply(rendement,variete,summary)## $Golden.rain
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 60.0 85.0 102.5 104.5 126.0 161.0
##
## $Marvellous
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 63.00 96.75 113.00 109.79 124.00 156.00
##
## $victory
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 53.00 74.00 94.00 97.62 113.75 174.00tapply(rendement,engrais,summary)## $`0.0cwt`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 53.00 63.25 72.00 79.39 94.25 117.00
##
## $`0.2cwt`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 64.00 83.75 95.00 98.89 112.50 140.00
##
## $`0.4cwt`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 81.00 97.75 115.00 114.22 124.75 161.00
##
## $`0.6cwt`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 86.0 106.2 121.5 123.4 139.0 174.0tapply(rendement,as.factor(paste(variete,engrais)),summary)## $`Golden.rain 0.0cwt`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 60.00 65.50 75.00 80.00 86.75 117.00
##
## $`Golden.rain 0.2cwt`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 82.0 87.0 102.5 98.5 106.8 114.0
##
## $`Golden.rain 0.4cwt`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 86.00 90.25 110.00 114.67 130.50 161.00
##
## $`Golden.rain 0.6cwt`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 96.0 109.5 129.5 124.8 139.0 149.0
##
## $`Marvellous 0.0cwt`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 63.00 74.75 92.50 86.67 96.75 105.00
##
## $`Marvellous 0.2cwt`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 70.0 91.5 111.5 108.5 127.8 140.0
##
## $`Marvellous 0.4cwt`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 104.0 111.2 118.5 117.2 120.5 132.0
##
## $`Marvellous 0.6cwt`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 99.0 118.0 122.5 126.8 139.0 156.0
##
## $`victory 0.0cwt`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 53.00 61.25 65.00 71.50 72.50 111.00
##
## $`victory 0.2cwt`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 64.00 77.75 89.50 89.67 90.75 130.00
##
## $`victory 0.4cwt`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 81.00 97.75 106.00 110.83 116.50 157.00
##
## $`victory 0.6cwt`
## Min. 1st Qu. Median Mean 3rd Qu. Max.
## 86.0 103.2 114.5 118.5 120.5 174.0- Combien y a-t-il de champs au total? de champ de chaque variété ? Par dose d’engrais ? Par couple (variété,engrais)?
length(rendement)## [1] 72table(variete)## variete
## Golden.rain Marvellous victory
## 24 24 24table(engrais)## engrais
## 0.0cwt 0.2cwt 0.4cwt 0.6cwt
## 18 18 18 18# ou bien
tapply(rendement,variete,length)## Golden.rain Marvellous victory
## 24 24 24tapply(rendement,engrais,length)## 0.0cwt 0.2cwt 0.4cwt 0.6cwt
## 18 18 18 18table(as.factor(paste(variete,engrais)))##
## Golden.rain 0.0cwt Golden.rain 0.2cwt Golden.rain 0.4cwt Golden.rain 0.6cwt
## 6 6 6 6
## Marvellous 0.0cwt Marvellous 0.2cwt Marvellous 0.4cwt Marvellous 0.6cwt
## 6 6 6 6
## victory 0.0cwt victory 0.2cwt victory 0.4cwt victory 0.6cwt
## 6 6 6 6c. Même question en ne conservant que les champs dont le rendement est
supérieur au rendement moyen total.length(rendement[rendement>mean(rendement)])## [1] 35table(variete[ rendement>mean(rendement) ])##
## Golden.rain Marvellous victory
## 11 15 9table(engrais[ rendement>mean(rendement) ])##
## 0.0cwt 0.2cwt 0.4cwt 0.6cwt
## 3 6 12 14table ( as.factor(paste(variete,engrais))[ rendement>mean(rendement) ])##
## Golden.rain 0.0cwt Golden.rain 0.2cwt Golden.rain 0.4cwt Golden.rain 0.6cwt
## 1 2 3 5
## Marvellous 0.0cwt Marvellous 0.2cwt Marvellous 0.4cwt Marvellous 0.6cwt
## 1 3 6 5
## victory 0.0cwt victory 0.2cwt victory 0.4cwt victory 0.6cwt
## 1 1 3 4d. Quelle est la meilleure combinaison (engrais,variété) en terme de
rendement ? La moins bonne ?resmean <- tapply(rendement,as.factor(paste(variete,engrais)),mean)
resmean[which.max(resmean)]## Marvellous 0.6cwt
## 126.8333- Même question en ne conservant que les champs dont le rendement est supérieur au rendement moyen par groupe.
vectmean <- tapply(rendement,variete,mean)
table(variete[ (variete==names(vectmean)[1]&rendement>vectmean[1]) |
(variete==names(vectmean)[2]&rendement>vectmean[2]) |
(variete==names(vectmean)[3]&rendement>vectmean[3])])##
## Golden.rain Marvellous victory
## 10 12 11# ou bien :
table(variete[rendement>vectmean[variete]]) ##
## Golden.rain Marvellous victory
## 10 12 11Matrices, listes , tableaux de données
Exercice 5
- Charger les valeurs numériques des données iris à l’aide de la commande
data("iris")
head(iris) ## Sepal.Length Sepal.Width Petal.Length Petal.Width Species
## 1 5.1 3.5 1.4 0.2 setosa
## 2 4.9 3.0 1.4 0.2 setosa
## 3 4.7 3.2 1.3 0.2 setosa
## 4 4.6 3.1 1.5 0.2 setosa
## 5 5.0 3.6 1.4 0.2 setosa
## 6 5.4 3.9 1.7 0.4 setosaclass(iris)## [1] "data.frame"iris2 <- as.matrix(iris[,-5])
class(iris2)## [1] "matrix" "array"- Donner la dimension de la matrice ainsi construite. Trouver la plus grande valeur observée. Donner le numéro de ligne et de colonne correspondant.
# Dimension :
dim(iris2)## [1] 150 4# Plus grande valeur :
max(iris2)## [1] 7.9# Indices ligne et colonne :
which(iris2==max(iris2),arr.ind=TRUE)## row col
## [1,] 132 1- Calculer la moyenne en ligne et en colonne à l’aide de la commande
apply. Quel individu à la plus grande longueur de Sépale ? Largeur de Pétale ?
apply(iris2,1,mean)## [1] 2.550 2.375 2.350 2.350 2.550 2.850 2.425 2.525 2.225 2.400 2.700 2.500
## [13] 2.325 2.125 2.800 3.000 2.750 2.575 2.875 2.675 2.675 2.675 2.350 2.650
## [25] 2.575 2.450 2.600 2.600 2.550 2.425 2.425 2.675 2.725 2.825 2.425 2.400
## [37] 2.625 2.500 2.225 2.550 2.525 2.100 2.275 2.675 2.800 2.375 2.675 2.350
## [49] 2.675 2.475 4.075 3.900 4.100 3.275 3.850 3.575 3.975 2.900 3.850 3.300
## [61] 2.875 3.650 3.300 3.775 3.350 3.900 3.650 3.400 3.600 3.275 3.925 3.550
## [73] 3.800 3.700 3.725 3.850 3.950 4.100 3.725 3.200 3.200 3.150 3.400 3.850
## [85] 3.600 3.875 4.000 3.575 3.500 3.325 3.425 3.775 3.400 2.900 3.450 3.525
## [97] 3.525 3.675 2.925 3.475 4.525 3.875 4.525 4.150 4.375 4.825 3.400 4.575
## [109] 4.200 4.850 4.200 4.075 4.350 3.800 4.025 4.300 4.200 5.100 4.875 3.675
## [121] 4.525 3.825 4.800 3.925 4.450 4.550 3.900 3.950 4.225 4.400 4.550 5.025
## [133] 4.250 3.925 3.925 4.775 4.425 4.200 3.900 4.375 4.450 4.350 3.875 4.550
## [145] 4.550 4.300 3.925 4.175 4.325 3.950apply(iris2,2,mean)## Sepal.Length Sepal.Width Petal.Length Petal.Width
## 5.843333 3.057333 3.758000 1.199333which.max(iris2[,"Sepal.Length"])## [1] 132which.max(iris2[,"Petal.Width"])## [1] 101- Représenter le graphe des paires de variables à l’aide de la
commande
pairs.
pairs(iris2)
## ou bien :
# install.packages("GGally")
library("GGally")## Le chargement a nécessité le package : ggplot2## Registered S3 method overwritten by 'GGally':
## method from
## +.gg ggplot2
ggpairs(iris,columns=1:4,mapping=ggplot2::aes(color=Species))
Exercice 6
- Charger les valeurs numériques de données d’expression de gènes pour différents types de cancers à l’aide de la commande :
microarray <- as.matrix(read.table("https://web.stanford.edu/~hastie/ElemStatLearn/datasets/14cancer.xtrain"))- Calculer la covariance entre les échantillons. Représenter le
résultat sous forme d’image. Transformer la covariance en corrélation et
représenter à nouveau cette image. Représenter ensuite le résultat de la
fonction
heatmap.
# covariance
rescov <- cov(microarray)
dim(rescov)## [1] 144 144rescov[1:5,1:5]## V1 V2 V3 V4 V5
## V1 63334.95 48644.56 60965.23 44927.91 67595.95
## V2 48644.56 52315.24 47309.59 41267.38 48883.87
## V3 60965.23 47309.59 220798.03 66972.63 222312.36
## V4 44927.91 41267.38 66972.63 54456.16 79786.49
## V5 67595.95 48883.87 222312.36 79786.49 374021.14# correlation
rescor <- cor(microarray)
dim(rescor)## [1] 144 144rescor[1:5,1:5]## V1 V2 V3 V4 V5
## V1 1.0000000 0.8450813 0.5155406 0.7650168 0.4391884
## V2 0.8450813 1.0000000 0.4401872 0.7731599 0.3494648
## V3 0.5155406 0.4401872 1.0000000 0.6107679 0.7736026
## V4 0.7650168 0.7731599 0.6107679 1.0000000 0.5590592
## V5 0.4391884 0.3494648 0.7736026 0.5590592 1.0000000# images
image(rescor)
image(microarray)
heatmap(microarray[1:100,])
Exercice 7
On utilise un programme permettant de calculer le nombre d’occurences des 4 nucléotides “A”, “T”, “G” et “C” dans une séquence d’ADN. Celui-ci renvoie une liste comportant 4 éléments, chacun étant un vecteurs décrivant les indices des occurrences des lettres correspondantes.
- Considérons la séquence “AATTCCTCCCGTGACGAAATATA”. Créer l’objet
Rcorrespondant à l’exécution du programme ci-dessus.
- Considérons la séquence “AATTCCTCCCGTGACGAAATATA”. Créer l’objet
# Transformation de la chaîne de caractères en vecteur :
maseq <- unlist(strsplit("AATTCCTCCCGTGACGAAATATA",split=""))
# ou
maseq <- strsplit("AATTCCTCCCGTGACGAAATATA",split="")[[1]]
# Objet correspondant à l'execution du programme
resprog <- list(A=which(maseq=="A"),
T=which(maseq=="T"),
G=which(maseq=="G"),
C=which(maseq=="C"))b. Déterminer le nombre d'occurences de chaque lettre dans la séquence à partir de cette liste.sapply(resprog,length)## A T G C
## 8 6 3 6lapply(resprog,length)## $A
## [1] 8
##
## $T
## [1] 6
##
## $G
## [1] 3
##
## $C
## [1] 6- On dispose maintenant de 3 chaînes “ATTCG”“,”CCGT”” et “GCGAGG”. Créer une liste comprenant 3 entrées, chacune étant une liste comme celle décrite aux deux questions précédentes.
mafonction <- function(masequence){
maseq <- unlist(strsplit(masequence,split=""))
resprog <- list(A=which(maseq=="A"),
T=which(maseq=="T"),
G=which(maseq=="G"),
C=which(maseq=="C"))
return(resprog)
}
# test fonction : mafonction("AATTCCTCCCGTGACGAAATATA")
# Création de la liste à 3 entrées :
messequences <- c("ATTCG","CCGT","GCGAGG")
biglist <- list(mafonction("ATTCG"), mafonction("CCGT"), mafonction("GCGAGG"))
# ou bien
biglist <- lapply(messequences,mafonction)
# ou bien
biglist <- list()
for(i in 1:length(messequences)){
biglist[[i]] <- mafonction(messequences[i])
}
# ou
sapply(biglist,function(x){sum(sapply(x,length))})## [1] 5 4 6# c)b. Déterminer la longueur de chaque séquence à partir de cette listelongueur.sequences <- rep(NA,length(biglist))
for(i in (1:length(biglist))){
longueur.sequences[i] <- sum(sapply(biglist[[i]],length))
}
longueur.sequences## [1] 5 4 6# ou
sapply(biglist,function(x){sum(sapply(x,length))})## [1] 5 4 6c. Déterminer le nombre d'occurences de chaque nucléotide dans chacune des listes. Renvoyer le résultat sous forme de matrice 3 x 4 (on pourra s'aider de la fonction `sapply`).t(sapply(biglist,function(x){(sapply(x,length))}))## A T G C
## [1,] 1 2 1 1
## [2,] 0 1 1 2
## [3,] 1 0 4 1Exercice 8
- Charger le tableau de données
diamondsde la librairieggplot2(commande :library(ggplot2); data(diamonds)). Vérifier qu’il s’agit bien d’undata.frame. Déterminer les noms des variables considérées et leur nature. Faire un résumé numérique.
library(ggplot2)
data(diamonds)
?diamonds
head(diamonds)## # A tibble: 6 × 10
## carat cut color clarity depth table price x y z
## <dbl> <ord> <ord> <ord> <dbl> <dbl> <int> <dbl> <dbl> <dbl>
## 1 0.23 Ideal E SI2 61.5 55 326 3.95 3.98 2.43
## 2 0.21 Premium E SI1 59.8 61 326 3.89 3.84 2.31
## 3 0.23 Good E VS1 56.9 65 327 4.05 4.07 2.31
## 4 0.29 Premium I VS2 62.4 58 334 4.2 4.23 2.63
## 5 0.31 Good J SI2 63.3 58 335 4.34 4.35 2.75
## 6 0.24 Very Good J VVS2 62.8 57 336 3.94 3.96 2.48# Vérification data.frame
class(diamonds)## [1] "tbl_df" "tbl" "data.frame"is.data.frame((diamonds))## [1] TRUE# noms des variables et nature :
names(diamonds)## [1] "carat" "cut" "color" "clarity" "depth" "table" "price"
## [8] "x" "y" "z"colnames(diamonds)## [1] "carat" "cut" "color" "clarity" "depth" "table" "price"
## [8] "x" "y" "z"sapply(diamonds,class)## $carat
## [1] "numeric"
##
## $cut
## [1] "ordered" "factor"
##
## $color
## [1] "ordered" "factor"
##
## $clarity
## [1] "ordered" "factor"
##
## $depth
## [1] "numeric"
##
## $table
## [1] "numeric"
##
## $price
## [1] "integer"
##
## $x
## [1] "numeric"
##
## $y
## [1] "numeric"
##
## $z
## [1] "numeric"# ou
str(diamonds)## tibble [53,940 × 10] (S3: tbl_df/tbl/data.frame)
## $ carat : num [1:53940] 0.23 0.21 0.23 0.29 0.31 0.24 0.24 0.26 0.22 0.23 ...
## $ cut : Ord.factor w/ 5 levels "Fair"<"Good"<..: 5 4 2 4 2 3 3 3 1 3 ...
## $ color : Ord.factor w/ 7 levels "D"<"E"<"F"<"G"<..: 2 2 2 6 7 7 6 5 2 5 ...
## $ clarity: Ord.factor w/ 8 levels "I1"<"SI2"<"SI1"<..: 2 3 5 4 2 6 7 3 4 5 ...
## $ depth : num [1:53940] 61.5 59.8 56.9 62.4 63.3 62.8 62.3 61.9 65.1 59.4 ...
## $ table : num [1:53940] 55 61 65 58 58 57 57 55 61 61 ...
## $ price : int [1:53940] 326 326 327 334 335 336 336 337 337 338 ...
## $ x : num [1:53940] 3.95 3.89 4.05 4.2 4.34 3.94 3.95 4.07 3.87 4 ...
## $ y : num [1:53940] 3.98 3.84 4.07 4.23 4.35 3.96 3.98 4.11 3.78 4.05 ...
## $ z : num [1:53940] 2.43 2.31 2.31 2.63 2.75 2.48 2.47 2.53 2.49 2.39 ...# Résumé numérique
summary(diamonds)## carat cut color clarity depth
## Min. :0.2000 Fair : 1610 D: 6775 SI1 :13065 Min. :43.00
## 1st Qu.:0.4000 Good : 4906 E: 9797 VS2 :12258 1st Qu.:61.00
## Median :0.7000 Very Good:12082 F: 9542 SI2 : 9194 Median :61.80
## Mean :0.7979 Premium :13791 G:11292 VS1 : 8171 Mean :61.75
## 3rd Qu.:1.0400 Ideal :21551 H: 8304 VVS2 : 5066 3rd Qu.:62.50
## Max. :5.0100 I: 5422 VVS1 : 3655 Max. :79.00
## J: 2808 (Other): 2531
## table price x y
## Min. :43.00 Min. : 326 Min. : 0.000 Min. : 0.000
## 1st Qu.:56.00 1st Qu.: 950 1st Qu.: 4.710 1st Qu.: 4.720
## Median :57.00 Median : 2401 Median : 5.700 Median : 5.710
## Mean :57.46 Mean : 3933 Mean : 5.731 Mean : 5.735
## 3rd Qu.:59.00 3rd Qu.: 5324 3rd Qu.: 6.540 3rd Qu.: 6.540
## Max. :95.00 Max. :18823 Max. :10.740 Max. :58.900
##
## z
## Min. : 0.000
## 1st Qu.: 2.910
## Median : 3.530
## Mean : 3.539
## 3rd Qu.: 4.040
## Max. :31.800
## # Chemin de recherche
attach(diamonds)## Les objets suivants sont masqués _par_ .GlobalEnv:
##
## x, y, zExtraire les entrées du tableau telles que
- les diamands soient de qualité
Premium
- les diamands soient de qualité
diamonds2 <- subset(diamonds,cut=="Premium")
# ou
diamonds2 <- diamonds[diamonds$cut=="Premium",]
# ou
attach(diamonds) # !!!! A ne pas oublier avant d'exécuter les lignes qui suivent pour que 'cut' soit reconnu!!!!## Les objets suivants sont masqués _par_ .GlobalEnv:
##
## x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 3):
##
## carat, clarity, color, cut, depth, price, table, x, y, zdiamonds2 <- diamonds[cut=="Premium",]+ le carat soit supérieur à 3attach(diamonds)## Les objets suivants sont masqués _par_ .GlobalEnv:
##
## x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 3):
##
## carat, clarity, color, cut, depth, price, table, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 4):
##
## carat, clarity, color, cut, depth, price, table, x, y, zdiamonds3 <- subset(diamonds,carat>3)
diamonds3 <- diamonds[carat>3,] + le volume (approximatif) soit supérieur à \(500 mm^3\)rm(x);rm(y)
attach(diamonds)## L'objet suivant est masqué _par_ .GlobalEnv:
##
## z## Les objets suivants sont masqués depuis diamonds (pos = 3):
##
## carat, clarity, color, cut, depth, price, table, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 4):
##
## carat, clarity, color, cut, depth, price, table, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 5):
##
## carat, clarity, color, cut, depth, price, table, x, y, zdiamonds3 <- subset(diamonds,x*y*z>500)
diamonds3 <- diamonds[x*y*z>500,]## Warning in x * y * z: la taille d'un objet plus long n'est pas multiple de la
## taille d'un objet plus court#ou
diamonds$volume <- x*y*z## Warning in x * y * z: la taille d'un objet plus long n'est pas multiple de la
## taille d'un objet plus courtattach(diamonds)## L'objet suivant est masqué _par_ .GlobalEnv:
##
## z## Les objets suivants sont masqués depuis diamonds (pos = 3):
##
## carat, clarity, color, cut, depth, price, table, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 4):
##
## carat, clarity, color, cut, depth, price, table, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 5):
##
## carat, clarity, color, cut, depth, price, table, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 6):
##
## carat, clarity, color, cut, depth, price, table, x, y, zdiamonds3 <- diamonds[volume>500,]+ la qualité soit idéale, le prix inférieur à 1000 et le carat supérieur à .5. Déterminer la répartition des couleurs pour ce sous-ensembleattach(diamonds)## L'objet suivant est masqué _par_ .GlobalEnv:
##
## z## Les objets suivants sont masqués depuis diamonds (pos = 3):
##
## carat, clarity, color, cut, depth, price, table, volume, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 4):
##
## carat, clarity, color, cut, depth, price, table, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 5):
##
## carat, clarity, color, cut, depth, price, table, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 6):
##
## carat, clarity, color, cut, depth, price, table, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 7):
##
## carat, clarity, color, cut, depth, price, table, x, y, zdiamonds3 <- subset(diamonds,cut=="Ideal"&price<=1000&carat>=0.5)
diamonds3 <- diamonds[cut=="Ideal"&price<=1000&carat>=0.5,]
dim(diamonds3)## [1] 41 11# répartition des couleurs
table(diamonds3[,"color"])## color
## D E F G H I J
## 1 0 0 1 9 15 15table(diamonds3[,3])## color
## D E F G H I J
## 1 0 0 1 9 15 15table(diamonds3$color)##
## D E F G H I J
## 1 0 0 1 9 15 15table(subset(diamonds3,select=color))## color
## D E F G H I J
## 1 0 0 1 9 15 15- Déterminer le prix moyen par classe de qualité. Même question par
intervalle de carat (créer une variable factorielle composée de 6
intervalles à l’aide la fonction
cut).
attach(diamonds)## L'objet suivant est masqué _par_ .GlobalEnv:
##
## z## Les objets suivants sont masqués depuis diamonds (pos = 3):
##
## carat, clarity, color, cut, depth, price, table, volume, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 4):
##
## carat, clarity, color, cut, depth, price, table, volume, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 5):
##
## carat, clarity, color, cut, depth, price, table, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 6):
##
## carat, clarity, color, cut, depth, price, table, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 7):
##
## carat, clarity, color, cut, depth, price, table, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 8):
##
## carat, clarity, color, cut, depth, price, table, x, y, ztapply(price,cut,mean)## Fair Good Very Good Premium Ideal
## 4358.758 3928.864 3981.760 4584.258 3457.542diamonds$intervallesdecarats <- cut(carat,breaks=6)
tapply(diamonds$price,diamonds$intervallesdecarats,mean)## (0.195,1] (1,1.8] (1.8,2.6] (2.6,3.41] (3.41,4.21] (4.21,5.01]
## 1786.951 7455.363 14731.454 14390.509 15363.500 18274.500- Tracer le volume en fonction du prix, le carat en fonction du prix. Représenter les boxplot de carat, prix et profondeur par classe de qualité et par couleur.
attach(diamonds)## L'objet suivant est masqué _par_ .GlobalEnv:
##
## z## Les objets suivants sont masqués depuis diamonds (pos = 3):
##
## carat, clarity, color, cut, depth, price, table, volume, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 4):
##
## carat, clarity, color, cut, depth, price, table, volume, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 5):
##
## carat, clarity, color, cut, depth, price, table, volume, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 6):
##
## carat, clarity, color, cut, depth, price, table, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 7):
##
## carat, clarity, color, cut, depth, price, table, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 8):
##
## carat, clarity, color, cut, depth, price, table, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 9):
##
## carat, clarity, color, cut, depth, price, table, x, y, zplot(price,volume,pch=19,cex=.5,col="blue",main="volume en fonction du prix",ylim=c(0,500))
plot(volume~price)
boxplot(carat~cut)
# avec ggplot :
# install.packages("gplots")
library(ggplot2)
ggplot(diamonds, aes(x=price, y=volume)) +
geom_point()
ggplot(diamonds,
aes(x=price,y=volume,color=cut,shape=cut)) +
geom_point()## Warning: Using shapes for an ordinal variable is not advised
ggplot(diamonds, aes(x=price, y=volume, color=cut)) +
geom_point() +
geom_smooth(method=lm)## `geom_smooth()` using formula 'y ~ x'
ggplot(diamonds, aes(x=price, y=volume, color=cut)) +
geom_point() +
geom_smooth(method=lm) +
coord_cartesian( ylim = c(0, 600))## `geom_smooth()` using formula 'y ~ x'
- Pour chaque triplet (cut,color,clarity), renvoyer le prix moyen.
attach(diamonds)## L'objet suivant est masqué _par_ .GlobalEnv:
##
## z## Les objets suivants sont masqués depuis diamonds (pos = 3):
##
## carat, clarity, color, cut, depth, intervallesdecarats, price,
## table, volume, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 4):
##
## carat, clarity, color, cut, depth, price, table, volume, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 5):
##
## carat, clarity, color, cut, depth, price, table, volume, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 6):
##
## carat, clarity, color, cut, depth, price, table, volume, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 7):
##
## carat, clarity, color, cut, depth, price, table, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 8):
##
## carat, clarity, color, cut, depth, price, table, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 9):
##
## carat, clarity, color, cut, depth, price, table, x, y, z## Les objets suivants sont masqués depuis diamonds (pos = 10):
##
## carat, clarity, color, cut, depth, price, table, x, y, ztapply(price,factor(paste(cut,color,clarity)),mean)## Fair D I1 Fair D IF Fair D SI1 Fair D SI2
## 7383.000 1619.667 4273.345 4355.143
## Fair D VS1 Fair D VS2 Fair D VVS1 Fair D VVS2
## 2921.200 4512.880 4473.000 3607.000
## Fair E I1 Fair E SI1 Fair E SI2 Fair E VS1
## 2095.222 3901.154 4172.385 3307.929
## Fair E VS2 Fair E VVS1 Fair E VVS2 Fair F I1
## 3041.714 4115.333 3119.308 2543.514
## Fair F IF Fair F SI1 Fair F SI2 Fair F VS1
## 2344.000 3784.687 4520.112 4103.061
## Fair F VS2 Fair F VVS1 Fair F VVS2 Fair G I1
## 3400.472 4679.800 4018.200 3187.472
## Fair G IF Fair G SI1 Fair G SI2 Fair G VS1
## 1488.000 3579.362 5665.150 3497.622
## Fair G VS2 Fair G VVS1 Fair G VVS2 Fair H I1
## 5384.444 2216.333 3099.059 4212.962
## Fair H SI1 Fair H SI2 Fair H VS1 Fair H VS2
## 5195.800 6022.407 4604.750 5110.927
## Fair H VVS1 Fair H VVS2 Fair I I1 Fair I SI1
## 4115.000 3481.727 3501.000 4574.967
## Fair I SI2 Fair I VS1 Fair I VS2 Fair I VVS1
## 6658.022 4500.480 3856.125 4194.000
## Fair I VVS2 Fair J I1 Fair J SI1 Fair J SI2
## 2994.625 5795.043 4553.929 5131.815
## Fair J VS1 Fair J VS2 Fair J VVS1 Fair J VVS2
## 5906.188 4067.826 1691.000 2998.000
## Good D I1 Good D IF Good D SI1 Good D SI2
## 3490.750 10030.333 3021.173 3595.296
## Good D VS1 Good D VS2 Good D VVS1 Good D VVS2
## 3556.581 3588.462 2586.231 2345.640
## Good E I1 Good E IF Good E SI1 Good E SI2
## 4398.130 1519.222 3162.132 3785.490
## Good E VS1 Good E VS2 Good E VVS1 Good E VVS2
## 3712.775 3772.019 1905.953 3390.154
## Good F I1 Good F IF Good F SI1 Good F SI2
## 2569.526 3132.867 3261.454 4426.786
## Good F VS1 Good F VS2 Good F VVS1 Good F VVS2
## 2787.508 3790.543 2189.514 3192.360
## Good G I1 Good G IF Good G SI1 Good G SI2
## 3195.789 4060.136 4129.329 4776.411
## Good G VS1 Good G VS2 Good G VVS1 Good G VVS2
## 4302.428 4140.714 2705.195 3310.467
## Good H I1 Good H IF Good H SI1 Good H SI2
## 3849.714 5948.750 4179.285 5529.778
## Good H VS1 Good H VS2 Good H VVS1 Good H VVS2
## 3819.117 4433.043 1719.710 2428.000
## Good I I1 Good I IF Good I SI1 Good I SI2
## 4175.444 1749.333 4742.945 6933.012
## Good I VS1 Good I VS2 Good I VVS1 Good I VVS2
## 4597.165 5956.564 2650.955 2758.000
## Good J I1 Good J IF Good J SI1 Good J SI2
## 3794.500 2738.000 4627.625 5306.113
## Good J VS1 Good J VS2 Good J VVS1 Good J VVS2
## 3662.827 4803.167 4633.000 4371.154
## Ideal D I1 Ideal D IF Ideal D SI1 Ideal D SI2
## 3526.923 6567.179 2490.459 3142.048
## Ideal D VS1 Ideal D VS2 Ideal D VVS1 Ideal D VVS2
## 2576.040 2111.927 2705.778 3619.014
## Ideal E I1 Ideal E IF Ideal E SI1 Ideal E SI2
## 3559.389 3258.937 2883.808 3891.303
## Ideal E VS1 Ideal E VS2 Ideal E VVS1 Ideal E VVS2
## 2175.798 2163.324 2205.519 2556.335
## Ideal F I1 Ideal F IF Ideal F SI1 Ideal F SI2
## 3903.452 2153.709 3710.322 4335.508
## Ideal F VS1 Ideal F VS2 Ideal F VVS1 Ideal F VVS2
## 3504.002 3317.205 2611.234 3323.629
## Ideal G I1 Ideal G IF Ideal G SI1 Ideal G SI2
## 4044.438 2206.031 3441.108 4612.086
## Ideal G VS1 Ideal G VS2 Ideal G VVS1 Ideal G VVS2
## 4116.918 4310.035 2909.199 3795.651
## Ideal H I1 Ideal H IF Ideal H SI1 Ideal H SI2
## 5415.184 1982.765 4769.988 5589.473
## Ideal H VS1 Ideal H VS2 Ideal H VVS1 Ideal H VVS2
## 3613.325 4039.126 1915.985 2591.156
## Ideal I I1 Ideal I IF Ideal I SI1 Ideal I SI2
## 4103.294 1502.621 5178.565 7191.912
## Ideal I VS1 Ideal I VS2 Ideal I VVS1 Ideal I VVS2
## 3944.422 4663.384 2034.397 2858.680
## Ideal J I1 Ideal J IF Ideal J SI1 Ideal J SI2
## 9454.000 2489.000 5115.675 6555.173
## Ideal J VS1 Ideal J VS2 Ideal J VVS1 Ideal J VVS2
## 4734.428 4867.134 2000.172 4121.926
## Premium D I1 Premium D IF Premium D SI1 Premium D SI2
## 3818.750 9056.500 3236.378 4351.086
## Premium D VS1 Premium D VS2 Premium D VVS1 Premium D VVS2
## 4178.046 2919.357 3771.000 3888.436
## Premium E I1 Premium E IF Premium E SI1 Premium E SI2
## 3199.267 4525.444 3362.625 4489.931
## Premium E VS1 Premium E VS2 Premium E VVS1 Premium E VVS2
## 3721.695 3070.394 2699.857 2940.942
## Premium F I1 Premium F IF Premium F SI1 Premium F SI2
## 3554.559 3617.581 4040.467 4747.090
## Premium F VS1 Premium F VS2 Premium F VVS1 Premium F VVS2
## 4758.038 4221.467 3969.325 4099.466
## Premium G I1 Premium G IF Premium G SI1 Premium G SI2
## 4051.522 3311.115 4303.348 5617.205
## Premium G VS1 Premium G VS2 Premium G VVS1 Premium G VVS2
## 4435.823 4556.255 2933.655 4323.571
## Premium H I1 Premium H IF Premium H SI1 Premium H SI2
## 3904.348 3384.750 5707.722 6718.946
## Premium H VS1 Premium H VS2 Premium H VVS1 Premium H VVS2
## 3949.336 5553.876 1453.759 2651.263
## Premium I I1 Premium I IF Premium I SI1 Premium I SI2
## 5044.625 2358.565 6092.093 7148.484
## Premium I VS1 Premium I VS2 Premium I VVS1 Premium I VVS2
## 5339.367 7156.346 1831.083 3190.768
## Premium J I1 Premium J IF Premium J SI1 Premium J SI2
## 4577.231 7026.000 5726.579 7550.286
## Premium J VS1 Premium J VS2 Premium J VVS1 Premium J VVS2
## 5817.261 6175.559 7244.375 6423.353
## Very Good D I1 Very Good D IF Very Good D SI1 Very Good D SI2
## 2622.800 10298.261 3234.931 4425.459
## Very Good D VS1 Very Good D VS2 Very Good D VVS1 Very Good D VVS2
## 2955.480 3145.194 2987.731 2615.298
## Very Good E I1 Very Good E IF Very Good E SI1 Very Good E SI2
## 3443.545 4332.744 3228.176 4279.447
## Very Good E VS1 Very Good E VS2 Very Good E VVS1 Very Good E VVS2
## 3089.358 3329.497 1997.447 2041.685
## Very Good F I1 Very Good F IF Very Good F SI1 Very Good F SI2
## 4252.923 4677.075 3574.292 4249.758
## Very Good F VS1 Very Good F VS2 Very Good F VVS1 Very Good F VVS2
## 3880.802 3995.944 2826.540 3461.912
## Very Good G I1 Very Good G IF Very Good G SI1 Very Good G SI2
## 3194.812 3525.241 3481.871 4699.269
## Very Good G VS1 Very Good G VS2 Very Good G VVS1 Very Good G VVS2
## 3770.150 4426.816 2719.332 3711.785
## Very Good H I1 Very Good H IF Very Good H SI1 Very Good H SI2
## 5258.833 2647.690 4933.945 6112.414
## Very Good H VS1 Very Good H VS2 Very Good H VVS1 Very Good H VVS2
## 3750.198 4620.221 2042.191 2768.145
## Very Good I I1 Very Good I IF Very Good I SI1 Very Good I SI2
## 6045.125 4093.895 5195.302 6621.600
## Very Good I VS1 Very Good I VS2 Very Good I VVS1 Very Good I VVS2
## 5276.971 5754.642 2056.420 3059.887
## Very Good J I1 Very Good J IF Very Good J SI1 Very Good J SI2
## 4478.375 1074.125 5026.544 5992.898
## Very Good J VS1 Very Good J VS2 Very Good J VVS1 Very Good J VVS2
## 4339.592 5325.549 3175.526 5960.448Programmation
Exercice 9
- Construire une fonction qui calcule la valeur de la fonction \(f: x \mapsto sin(x)^2+\sqrt{|x-3|}\)
fonction9.1 <- function(x){
res <- sin(x)^2+sqrt(abs(x-3))
return(res)
}
fonction9.1(0) # exécution de la fonction pour x=0## [1] 1.732051- Tracer la courbe représentative de la fonction \(f\) sur le domaine \([-6,3]\)
curve(fonction9.1,-6,3)
plot(fonction9.1,xlim=c(-6,3))
- Reprendre les mêmes questions pour la fonction : $$g : x \[\begin{cases} sin(x)^2log(x) & \text{si } x> 0 sin(x)^2x & \text{si } x\leq0 \end{cases}\] $$
fonction9.3 <- function(x){
if(x>0){
res <- sin(x)^2*log(x)
} else {
res <- sin(x)^2*x
}
return(res)
}
# ou
fonction9.3 <- function(x){
res <- ifelse(x>0,sin(x)^2*log(x),sin(x)^2*x)
return(res)
}
fonction9.3(4) # Execution de la fonction pour x=4## [1] 0.7940001# Graphe :
curve(fonction9.3,-6,3) ## Warning in log(x): Production de NaN
Exercice 10
La formule du calcul de l’indice de masse corporelle (IMC) est la suivante : \[IMC=\frac{poids(kg)}{taille(m)^2}\] l’IMC permet d’évaluer les risques liés à un surpoids chez l’adulte :
## ICM (kg/m^2) Classification Risque
## [1,] "<18.5" "Poids insuffisant" "Accru"
## [2,] "18.5 à 24.9" "Poids normal" "Moindre"
## [3,] "25 à 29.9" "Surpoids" "Accru"
## [4,] ">30" "Obésité" "Elevé"- Créer une fonction qui prend en entrée le poids et la taille d’un individu et qui renvoie en sortie son \(IMC\).
calculIMC <- function(poids,taille){
res <- poids/taille^2
return(res)
}Calculer l’\(IMC\) d’une personne :
- mesurant 1.64 m et pesant 64 kg
- mesurant 1.61 m et pesant 56 kg
- mesurant 1.72 m et pesant 102 kg
- mesurant 1.65 m et pesant 51 kg
calculIMC(64,1.64) ## [1] 23.79536calculIMC(56,1.61) ## [1] 21.6041calculIMC(102,1.72) ## [1] 34.4781calculIMC(51,1.65) ## [1] 18.73278- Créer une seconde fonction qui prend en argument le poids et la taille d’un individu et qui renvoie en sortie sa classification.
classifIMC2 <- function(taille,poids){
res0 <- calculIMC(poids,taille)
if(res0 < 18.5){
res <- "Poids insuffisant"
}
if(res0 >= 18.5 & res0 <= 24.9) {
res <- "Poids normal"
}
if(res0 >=25 & res0 <= 29.9){
res <- "Surpoids"
}
if(res0 > 30){
res <- "Obésité"
}
return(res)
}
resclassification <- classifIMC2(1.64,64)- Quelle est la classification des 4 personnes de la question 2.
classifIMC2(1.64,64)## [1] "Poids normal"classifIMC2(1.61,56)## [1] "Poids normal"classifIMC2(1.72,102)## [1] "Obésité"classifIMC2(1.65,51)## [1] "Poids normal"