Chapitre 5 Manipuler des données
5.1 Les principes des fonctions de {dplyr}
Le but de {dplyr} est d’identifier et de rassembler dans un seul package les outils de manipulation de données les plus importantes pour l’analyse des données. Ce package rassemble donc des fonctions correspondant à un ensemble d’opérations élémentaires (ou verbes) qui permettent de :
- Sélectionner un ensemble de variables :
select()
- Sélectionner un ensemble de lignes :
filter()
- Ajouter/modifier/renommer des variables :
mutate()ourename()
- Produire des statistiques agrégées sur les dimensions d’une table :
summarise()
- Trier une table :
arrange()
- Manipuler plusieurs tables :
left_join(),right_join(),full_join(),inner_join()…
D’appliquer cela sur des données, quel que soit leur format : dataframes, data.table, couche spatiale, base de données sql, big data…
D’appliquer cela en articulation avec group_by() qui change la façon d’interpréter chaque fonction : d’une interprétation globale sur l’ensemble d’une table, on passe alors à une approche groupe par groupe : chaque groupe étant défini par un ensemble des modalités des variables définies dans l’instruction group_by().
5.2 Présentation des données
On va travailler sur ce module principalement à partir des données sitadel en date réelle estimée (permis de construire) et à partir des données de qualité des eaux de surface.
5.4 Les verbes clefs de {dplyr} pour manipuler une table
5.4.1 Sélectionner des variables : select()
Nous allons ici sélectionner un ensemble de variables de la table des prélèvements.
prelevementb <- select(
prelevement, date_prelevement, code_prelevement,
code_reseau, code_station
)
datatable(head(prelevementb))## [1] "code_prelevement" "code_intervenant" "code_reseau" "code_station"
## [5] "date_prelevement"select() possède ce qu’on appelle des helpers qui permettent de gagner du temps dans l’écriture de notre sélection.
A partir du moment où les conventions de nommage sont correctement effectuées, cela permet de gagner également en reproductibilité d’une année sur l’autre.
Exemple : sélectionner toutes les variables qui commencent par “code_” :
Exemple : sélectionner les variables dont les noms sont contenus dans un vecteur de chaînes de caractères :
5.4.3 Renommer une variable : rename()
On peut aussi directement renommer une variable dans l’opération select()
5.4.4 Filtrer une table : filter()
On va ici récupérer les analyses produites par l’ARS
L’exemple ci-dessus n’exerce un filtre que sur une condition unique.
Pour des conditions cumulatives (toutes les conditions doivent être remplies), le "&" ou la ","
Pour des conditions non cumulatives (au moins une des conditions doit être remplie), le “|”
Si une condition non cumulative s’applique sur une même variable, privilégier un test de sélection dans une liste avec le %in%
Pour sélectionner des observations qui ne répondent pas à la condition, le ! (la négation d’un test)
Toutes les observations ayant été réalisées par un autre réseau que l’ARS :
Toutes les observations ayant été réalisées par un autre réseau que l’ARS ou FREDON :
5.4.5 Modifier/ajouter une variable : mutate()
mutate() est le verbe qui permet la transformation d’une variable existante ou la création d’une nouvelle variable dans le jeu de données.
Création de nouvelles variables :
prelevementb <- mutate(prelevementb,
code_prelevement_caract = as.character(code_prelevement),
code_reseau_fact = as.factor(code_reseau)
)Modification de variables existantes :
prelevementb <- mutate(prelevementb,
code_prelevement = as.character(code_prelevement),
code_reseau = as.factor(code_reseau)
)mutate() possède une variante, transmute(), qui fonctionne de la même façon, mais ne conserve que les variables modifiées ou créées par le verbe.
5.5 La boîte à outils pour créer et modifier des variables avec R
5.5.1 Manipuler des variables numériques
Vous pouvez utiliser beaucoup de fonctions pour créer des variables avec mutate() :
les opérations arithmétiques :
+,-,*,/,^;arithmétique modulaire :
%/%(division entière) et%%(le reste), oùx == y * (x %/% y) + (x %% y);logarithmes :
log(),log2(),log10();navigations entre les lignes :
lead()etlag()qui permettent d’avoir accès à la valeur suivante et précédente d’une variable.
a <- data.frame(x=sample(1:10))
b <- mutate(a, lagx = lag(x),
leadx = lead(x),
lag2x = lag(x, n = 2),
lead2x = lead(x, n = 2))
datatable(b)opérations cumulatives ou glissantes :
R fournit des fonctions pour obtenir des opérations cumulatives les somme, produit, minimum et maximum cumulés, dplyr fournit l’équivalent pour les moyennes :
cumsum(),cumprod(),cummin(),cummax(),cummean()Pour appliquer des opérations glissantes, on peut soit créer l’opération avec l’instruction
lag(), soit exploiter le packageRcppRollqui permet d’exploiter des fonctions prédéfinies.
Exemple de somme glissante sur un pas de 2 observations.
a <- data.frame(x = sample(1:10))
b <- mutate(a, cumsumx = cumsum(x),
rollsumrx = roll_sumr(x, n = 2))
datatable(b)Attention aux différences entre roll_sum() et roll_sumr(). Contrairement à roll_sum(), la fonction roll_sumr() fait en sorte d’obtenir un vecteur de même dimension que l’entrée :
## [1] 6 2 8 10 7 4 1 9 5 3## [1] TRUE## [1] FALSEAussi dans le cadre d’opérations sur les dataframes, roll_sum() ne fonctionnera pas.
Comparaisons logiques :
<,<=,>,>=,!=Rangs :
min_rank()devrait être la plus utile, il existe aussi notammentrow_number(),dense_rank(),percent_rank(),cume_dist(),ntile().coalesce(x, y): permet de remplacer les valeurs manquantes de x par celle de yvariable = ifelse(condition(x), valeursioui, valeursinon)permet d’affecter valeursi ou valeursinon à variable en fonction du fait que x répond à condition. Exemple : création d’une variable résultat pour savoir si les résultats de nos analyses sont bons, ou non.
analyseb <- mutate(analyse, resultat_ok = ifelse(code_remarque %in% c(1, 2, 7, 10),
yes = TRUE, no = FALSE))qui peut se résumer, lorsque yes = TRUE et no = FALSE, à :
case_when()permet d’étendre la logique deifelse()à des cas plus complexes. Les conditions mises dans uncase_when()ne sont pas exclusives. De ce fait, il faut pouvoir déterminer l’ordre d’évaluation des conditions qui y sont posées. Cet ordre s’effectue de bas en haut, c’est à dire que la dernière condition évaluée (celle qui primera sur toutes les autres) sera la première à écrire. Exemple: On va ici calculer des seuils fictifs sur les analyses.
5.5.2 Exercice 1 : Les données mensuelles sitadel
cf. package d’exercices {savoirfR}
À partir du fichier sitadel de février 2017 (ROES_201702.xls), produire un dataframe ‘sit_pdl_ind’ contenant pour la région Pays-de-la-Loire (code région 52), pour chaque mois et pour les logements individuels (définis par la somme des logements individuels purs et individuels groupés : i_AUT = ip_AUT + ig_AUT) :
- le cumul des autorisations sur 12 mois glissants (i_AUT_cum12),
- le taux d’évolution du cumul sur 12 mois (i_AUT_cum_evo, en %),
- la part de ce cumul dans celui de l’ensemble des logements autorisés (log_AUT), en pourcentage.
Résultat attendu :
solution sans le pipe (apercu des premières lignes) %>%
## # A tibble: 6 × 12
## date REG log_AUT ip_AUT ig_AUT colres_AUT i_AUT i_AUT_cum12
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 200001 52 1789 1266 245 278 1511 NA
## 2 200002 52 2022 1529 175 318 1704 NA
## 3 200003 52 2270 1466 205 599 1671 NA
## 4 200004 52 2040 1237 162 641 1399 NA
## 5 200005 52 2361 1357 357 647 1714 NA
## 6 200006 52 2504 1436 250 818 1686 NA
## # ℹ 4 more variables: i_AUT_cum12_lag12 <dbl>, i_AUT_cum_evo <dbl>,
## # log_AUT_cum12 <dbl>, part_i_AU <dbl>solution avec le pipe (apercu des premières lignes) %>%
## # A tibble: 6 × 12
## date REG log_AUT ip_AUT ig_AUT colres_AUT i_AUT i_AUT_cum12
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 200001 52 1789 1266 245 278 1511 NA
## 2 200002 52 2022 1529 175 318 1704 NA
## 3 200003 52 2270 1466 205 599 1671 NA
## 4 200004 52 2040 1237 162 641 1399 NA
## 5 200005 52 2361 1357 357 647 1714 NA
## 6 200006 52 2504 1436 250 818 1686 NA
## # ℹ 4 more variables: i_AUT_cum12_lag12 <dbl>, i_AUT_cum_evo <dbl>,
## # log_AUT_cum12 <dbl>, part_i_AU <dbl>
5.5.3 Manipuler des dates
Parmi l’ensemble des manipulations de variables, celle des dates et des heures est toujours une affaire complexe.
Le framework tidyverse propose le package {lubridate} qui permet de gérer ces informations de façon cohérente.
- gestion des dates :
- gestion des dates/heures :
- combien de jours avant Noël ?
annee_en_cours <- year(today())
prochain_noel <- paste("25 décembre", annee_en_cours)
prochain_noel
dmy(prochain_noel) - today()- le jour de la semaine d’une date :
Les fonctions make_date() et make_datetime() vous permettent de transformer un ensemble de variables en un format date ou date - heure. C’est par exemple utile lorsque l’on a des variables séparées pour l’année, le mois et le jour.
5.5.3.1 Exercice 2 : les dates
Convertir les colonnes de la table exercice au format date (quand c’est pertinent). La table exercice est issue de FormationPreparationDesDonnees.RData.
Résultat attendu :
## Rows: 153,497
## Columns: 22
## $ code_analyse <int> 5186581, 280131, 1576225, 799894, 472800, 27671…
## $ code_laboratoire <dbl> NA, 292, NA, NA, 292, NA, NA, NA, NA, NA, NA, N…
## $ code_prelevement <int> 37593, 7715, 15517, 9566, 8332, 26792, 35625, 1…
## $ code_parametre <dbl> 1216, 1668, 1185, 1217, 1907, 1945, 1673, 1234,…
## $ code_fraction_analysee <int> 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23, 23,…
## $ resultat_analyse <dbl> 0.007, 0.050, 0.040, 0.050, 0.260, 0.020, 0.010…
## $ code_remarque <int> 10, 2, 2, 2, 1, 10, 10, 10, 10, 10, 10, 10, 2, …
## $ limite_detection <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
## $ limite_quantification <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
## $ code_intervenant <fct> NA, 104, NA, NA, 104, NA, NA, 53, NA, 44, 49, 4…
## $ code_reseau <fct> OSUR, OSUR, FREDON, OSUR, OSUR, OSUR, OSUR, ARS…
## $ code_station <chr> "04153800", "04130000", "04132500", "04214000",…
## $ date_prelevement <date> 2014-09-16, 2003-08-05, 2008-09-01, 2007-05-02…
## $ code_support <int> NA, 3, NA, NA, 3, NA, NA, 3, NA, 3, 3, 3, NA, N…
## $ libelle_station <chr> "MOZEE à CHANTONNAY", "MAYENNE à DAON", "MAYENN…
## $ date_creation <date> 1900-01-01, 1900-01-01, 1900-01-01, 1900-01-01…
## $ source <chr> "AELB", "AELB", "AELB", "AELB", "AELB", "AELB",…
## $ code_masse_eau <chr> "GR1950", "GR0460c", "GR0460c", "GR0121", "GR04…
## $ code_entite_hydro <chr> "N3036200", "M---0090", "M---0090", "J78-0300",…
## $ code_troncon_hydro <chr> "N3036200", "M3620090", "M3910090", "J7800300",…
## $ code_commune <chr> "85051", "53089", "49214", "44036", "53017", "5…
## $ date_formatee <chr> "16/09/2014", "05/08/2003", "01/09/2008", "02/0…5.5.4 Manipuler des chaînes de caractères
Le package {stringr} compile l’ensemble des fonctions de manipulation de chaînes de caractère utiles sur ce type de données.
On peut diviser les manipulations de chaînes de caractères en 4 catégories :
- manipulations des caractères eux-mêmes,
- gestion des espaces,
- opérations liées à la langue,
- manipulations de “pattern”, notamment des expressions régulières.
5.5.4.1 Manipulations sur les caractères
Obtenir la longueur d’une chaîne avec str_length() :
## [1] 3Extraire une chaîne de caractères avec str_sub()
str_sub() prend 3 arguments : une chaîne de caractère, une position de début, une position de fin.
Les positions peuvent être positives, et dans ce cas, on compte à partir de la gauche, ou négatives, et dans ce cas on compte à partir de la droite.
a <- data.frame(x = c(" libeatg", "delivo y"))
b <- mutate(a, pos3a4 = str_sub(string = x, start = 3, end = 4),
pos3a2avtlafin = str_sub(string = x, start = 3, end = -2))
datatable(b)str_sub() peut être utilisé pour remplacer un caractère
## [1] " liberer" "delivrer"Si on souhaite réaliser ce genre d’opération dans le cadre d’un mutate, il faut utiliser
une fonction dite “pipe-operator-friendly”, par exemple stri_sub_replace() du package {stringi}
5.5.4.2 Gestion des espaces
La fonction str_pad() permet de compléter une chaîne de caractère pour qu’elle atteigne une taille fixe. Le cas typique d’usage est la gestion des codes communes Insee.
## [1] "01001"On peut choisir de compléter à gauche, à droite, et on peut choisir le “pad”. Par défaut, celui-ci est l’espace.
La fonction inverse de str_pad() est str_trim() qui permet de supprimer les espaces aux extrémités de notre chaîne de caractères.
## [1] "Les paradoxes d'aujourd'hui sont les préjugés de demain."## [1] "Les paradoxes d'aujourd'hui sont les préjugés de demain. "Les expressions régulières permettent la détection de “patterns” sur des chaînes de caractères. Par exemple “^” sert à indiquer que la chaîne de caractère recherchée doit se trouver au début de la chaîne examinée. Au contraire, “$” sert à indiquer que la chaîne de caractère recherchée doit se trouver à la fin.
a <- data.frame(txt = c("vélo", "train", "voilier", "bus", "avion", "tram", "trottinette"))
b <- mutate(a, tr_au_debut = str_detect(string = txt, pattern = "^tr"))
b## txt tr_au_debut
## 1 vélo FALSE
## 2 train TRUE
## 3 voilier FALSE
## 4 bus FALSE
## 5 avion FALSE
## 6 tram TRUE
## 7 trottinette TRUE## txt tr_au_debut
## 1 train TRUE
## 2 tram TRUE
## 3 trottinette TRUE## txt
## 1 train
## 2 avion5.5.4.3 Opérations liées à la langue
Ces différentes fonctions ne donneront pas le même résultat en fonction de la langue par défaut utilisée. La gestion des majuscules/minuscules :
## [1] "LES PARADOXES D'AUJOURD'HUI SONT LES PRÉJUGÉS DE DEMAIN."## [1] "les paradoxes d'aujourd'hui sont les préjugés de demain."## [1] "Les Paradoxes D'aujourd'hui Sont Les Préjugés De Demain."La gestion de l’ordre, str_sort() et str_order() :
a <- data.frame(x = c("y", "i", "k"))
mutate(a, en_ordre = str_sort(x),
selon_position = str_order(x))## x en_ordre selon_position
## 1 y i 2
## 2 i k 3
## 3 k y 1Suppression des accents (base::iconv) :
proust2 <- "Les paradoxes d'aujourd'hui sont les préjugés de demain ; et ça c'est embêtant"
iconv(proust2, to = "ASCII//TRANSLIT")## [1] "Les paradoxes d'aujourd'hui sont les prejuges de demain ; et ca c'est embetant"Avec humour, un petit aide-mémoire illustré, très visuel, est proposé par Lise Vaudor ici.
5.5.5 Manipuler des variables factorielles ( = qualitatives ou catégorielles)
Les facteurs (ou factors, an anglais) sont un type de vecteur géré nativement par R qui permettent de gérer les variables qualitatives ou catégorielles. Les facteurs sont souvent mis en regard des données labellisées utilisées dans d’autres logiciels statistiques. Les facteurs possèdent un attribut appelé niveaux (levels, en anglais) qui contient l’ensemble des valeurs qui peuvent être prises par les éléments du vecteur.
Les fonctions du module {forcats} permettent de modifier les modalités d’une variable factorielle, notamment :
changer les modalités des facteurs et/ou leur ordre,
regrouper des modalités.
On va ici utiliser la fonction fct_infreq(), pour modifier le tri des stations en fonction de leur fréquence d’apparition dans la table “prelevement”.
{forcats} permet beaucoup d’autres possibilités de tri :
tri manuel des facteurs avec
fct_relevel();en fonction de la valeur d’une autre variable avec
fct_reorder();en fonction de l’ordre d’apparition des modalités avec
fct_inorder().
Consulter la documentation du package {forcats} pour voir toutes les possibilités très riches de ce module.
En quoi ces fonctions sont utiles ?
Elles permettent notamment :
lorsqu’on fait des graphiques, d’afficher les occurences les plus importantes d’abord ;
de lier l’ordre d’une variable en fonction d’une autre (par exemple les code Insee des communes en fonction des régions).
Exemple : ordonner les modalités d’un facteur pour améliorer l’aspect d’un graphique
library(ggplot2)
library(forcats)
data <- data.frame(num = c(1, 8, 4, 3, 6, 7, 5, 2, 11, 3),
cat = c(letters[1:10]))
ggplot(data, aes(x = cat, num)) +
geom_bar(stat = "identity") +
xlab(label = "Facteur") + ylab(label = "Valeur")
ggplot(data, aes(x = fct_reorder(cat, -num), num)) +
geom_bar (stat = "identity") +
xlab(label = "Facteur ordonné") + ylab(label = "Valeur")
5.6 Agréger des données : summarise()
La fonction summarise() permet d’agréger des données, en appliquant une fonction sur les variables pour construire une statistique sur les observations de la table.
summarise() est une fonction dite de “résumé”. À l’inverse de mutate(), quand une fonction summarise est appelée, elle retourne une seule information. La moyenne, la variance, l’effectif… sont des informations qui condensent la variable étudiée en une seule information.
La syntaxe de summarise est classique. Le résultat est un dataframe.
On peut calculer plusieurs statistiques sur une agrégation
summarise(exercice,
mesure_moyenne = mean(resultat_analyse, na.rm = TRUE),
mesure_total = sum(resultat_analyse, na.rm = TRUE)
)5.6.1 Quelques fonctions d’agrégations utiles
- compter :
n() - sommer :
sum() - compter des valeurs non manquantes
sum(!is.na()) - moyenne :
mean(), moyenne pondérée :weighted.mean() - écart-type :
sd() - médiane :
median(), quantile :quantile(.,quantile) - minimum :
min(), maximum :max() - position :
first(),nth(., position),last()
La plupart de ces fonctions d’agrégation sont paramétrables pour indiquer comment traiter les valeurs manquantes (NA) grâce à l’argument na.rm.
Si on ne souhaite pas tenir compte des valeurs manquantes pour effectuer notre synthèse, il faut indiquer na.rm = TRUE pour évacuer les valeurs manquantes du calcul, sinon, le résultat apparaîtra comme lui même manquant, car il manque des observations pour pouvoir calculer correctement notre résultat.
C’est la connaissance de votre source de données et du travail en court qui déterminera comment vous souhaitez que les valeurs manquantes soit traitées.
5.7 Agréger des données par dimension : group_by()
La fonction summarise() est utile, mais la plupart du temps, nous avons besoin non pas d’agréger des données d’une table entière, mais de construire des agrégations sur des sous-ensembles : par année, département…
La fonction group_by() va permettre d’éclater notre table en fonction de dimensions de celle-ci.
Ainsi, si on veut construire des statistiques agrégées non sur l’ensemble de la table, mais pour chacune des modalités d’une ou de plusieurs variables de la table. Il faut deux étapes :
utiliser préalablement la fonction
group_by()pour définir la ou les variables sur lesquelles on souhaite agréger les données,utiliser
summarise()sur la table en sortie de l’étape précédente.
Découper un jeu de données pour réaliser des opérations sur chacun des sous-ensembles afin de les restituer ensuite de façon organisée est appelée stratégie du split – apply – combine schématiquement, c’est cette opération qui est réalisée par dplyr dès qu’un group_by() est introduit sur une table.
Exemple pour calculer les statistiques précédentes par année :
exercice <- mutate(exercice, annee = year(date_prelevement))
paran <- group_by(exercice, annee)
summarise(paran,
mesure_moyenne = mean(resultat_analyse, na.rm = TRUE),
mesure_total = sum(resultat_analyse, na.rm = TRUE))## # A tibble: 26 × 3
## annee mesure_moyenne mesure_total
## <dbl> <dbl> <dbl>
## 1 1991 0.0724 1.38
## 2 1992 0.192 4.42
## 3 1993 0.137 2.46
## 4 1994 0.07 2.24
## 5 1995 0.0687 2.06
## 6 1996 0.0867 3.99
## 7 1997 0.0520 2.50
## 8 1998 0.145 22.8
## 9 1999 0.0672 44.6
## 10 2000 0.0586 36.9
## # ℹ 16 more rowsPour reprendre des traitements “table entière”, il faut mettre fin au group_by() par un ungroup().
La fonction summarise() accepte désormais un argument .groups qui permet d’indiquer directement comment nous souhaitons voir ré-assemblé ou non notre jeu de données.
paran <- group_by(exercice, annee, code_reseau)
resultat <- summarise(paran, mesure_moyenne = mean(resultat_analyse, na.rm = TRUE),
mesure_total = sum(resultat_analyse, na.rm = TRUE))## `summarise()` has regrouped the output.
## ℹ Summaries were computed grouped by annee and code_reseau.
## ℹ Output is grouped by annee.
## ℹ Use `summarise(.groups = "drop_last")` to silence this message.
## ℹ Use `summarise(.by = c(annee, code_reseau))` for per-operation grouping
## (`?dplyr::dplyr_by`) instead.Si on omet de lui déclarer comment traiter les groupes en sortie, summarise() nous informe des éventuels groupes résiduels, ici resultat est toujours groupé par annee.
Pour remédier à ce message ou changer le comportement de summarise(), .groups peut prendre plusieurs valeurs :
"drop_last": va supprimer le dernier niveau de groupement de notre jeu de données. Dans notre exemple le groupe seloncode_reseauva disparaître et celui lié àanneeva rester. C’est le comportement par défaut."drop": supprime tous les niveaux de groupement"keep": conserve tous les niveaux de groupement."rowwise": chaque ligne devient son propre groupe.
5.8 Le pipe
Le pipe est la fonction qui va vous permettre d’écrire votre code de façon plus lisible pour vous et les utilisateurs.
Comment ?
En se rapprochant de l’usage usuel en grammaire.
verbe(sujet, complement) devient sujet %>% verbe(complement)
Quand on enchaîne plusieurs verbes, l’avantage devient encore plus évident :
verbe2(verbe1(sujet, complement1), complement2) devient sujet %>% verbe1(complement1) %>% verbe2(complement2)
En reprenant l’exemple précédent, sans passer par les étapes intermédiaires, le code aurait cette tête :
summarise (
group_by (
mutate (
exercice,
annee = year(date_prelevement)
),
annee
),
mesure_moyenne = mean(resultat_analyse, na.rm = TRUE),
mesure_total = sum(resultat_analyse, na.rm = TRUE)
)## # A tibble: 26 × 3
## annee mesure_moyenne mesure_total
## <dbl> <dbl> <dbl>
## 1 1991 0.0724 1.38
## 2 1992 0.192 4.42
## 3 1993 0.137 2.46
## 4 1994 0.07 2.24
## 5 1995 0.0687 2.06
## 6 1996 0.0867 3.99
## 7 1997 0.0520 2.50
## 8 1998 0.145 22.8
## 9 1999 0.0672 44.6
## 10 2000 0.0586 36.9
## # ℹ 16 more rowsAvec l’utilisation du pipe (raccourci clavier CTrl + Maj + M), il devient :
exercice %>%
mutate(annee = year(date_prelevement)) %>%
group_by(annee) %>%
summarise(mesure_moyenne = mean(resultat_analyse, na.rm = TRUE),
mesure_total = sum(resultat_analyse, na.rm = TRUE))## # A tibble: 26 × 3
## annee mesure_moyenne mesure_total
## <dbl> <dbl> <dbl>
## 1 1991 0.0724 1.38
## 2 1992 0.192 4.42
## 3 1993 0.137 2.46
## 4 1994 0.07 2.24
## 5 1995 0.0687 2.06
## 6 1996 0.0867 3.99
## 7 1997 0.0520 2.50
## 8 1998 0.145 22.8
## 9 1999 0.0672 44.6
## 10 2000 0.0586 36.9
## # ℹ 16 more rows5.9 La magie des opérations groupées
L’opération group_by() que nous venons de voir est très utile pour les agrégations, mais elle peut aussi servir pour créer des variables ou filtrer une table, puisque group_by() permet de traiter notre table en entrée comme autant de tables séparées par les modalités des variables de regroupement.
5.9.1 Exercice 3
A partir des données “sitadel” chargées dans l’exercice 1, effectuer les opérations suivantes en utilisant l’opérateur %>% :
- effectuer les mêmes calculs que ceux réalisés sur la région 52, mais sur chacune des régions –> à stocker dans ‘sit_ind’
- calculer les agrégations par année civile pour chacune des régions, puis leur taux d’évolution d’une année sur l’autre (exemple : (val2015-val2014)/val2014) –> à stocker dans ‘sit_annuel’
Résultat attendu pour sit_ind :
## # A tibble: 5,356 × 12
## date REG log_AUT ip_AUT ig_AUT colres_AUT i_AUT i_AUT_cum12
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 200001 01 440 194 12 234 206 NA
## 2 200001 02 372 189 14 169 203 NA
## 3 200001 03 172 25 3 144 28 NA
## 4 200001 04 473 325 84 64 409 NA
## 5 200001 11 3029 754 318 1957 1072 NA
## 6 200001 21 547 274 94 179 368 NA
## 7 200001 22 475 328 16 131 344 NA
## 8 200001 23 569 445 35 89 480 NA
## 9 200001 24 1057 714 88 255 802 NA
## 10 200001 25 708 410 206 92 616 NA
## # ℹ 5,346 more rows
## # ℹ 4 more variables: i_AUT_cum12_lag12 <dbl>, i_AUT_cum_evo <dbl>,
## # log_AUT_cum12 <dbl>, part_i_AU <dbl>Résultat attendu pour sit_annuel :
## # A tibble: 468 × 10
## REG annee log_AUT ip_AUT ig_AUT colres_AUT evol_an_log_AUT evol_an_ip_AUT
## <chr> <chr> <dbl> <dbl> <dbl> <dbl> <dbl> <dbl>
## 1 01 2000 6625 2776 674 3175 NA NA
## 2 02 2000 3956 1805 270 1881 NA NA
## 3 03 2000 1501 363 363 775 NA NA
## 4 04 2000 9749 4580 1246 3923 NA NA
## 5 11 2000 44443 8843 4836 30764 NA NA
## 6 21 2000 5519 3164 890 1465 NA NA
## 7 22 2000 6363 3819 721 1823 NA NA
## 8 23 2000 8803 4712 1256 2835 NA NA
## 9 24 2000 13386 7770 1867 3749 NA NA
## 10 25 2000 8678 5288 1401 1989 NA NA
## # ℹ 458 more rows
## # ℹ 2 more variables: evol_an_ig_AUT <dbl>, evol_an_colres_AUT <dbl>5.9.2 Exercice 4
Sur les données FormationPreparationDesDonnees.RData, table exercice :
1/ calculer le taux de quantification pour chaque molécule et chacune des années : chaque molécule est identifiée par son code_parametre,
le taux de quantification est le nombre de fois qu’une molécule est retrouvée (càd si code_remarque = 1) sur le nombre de fois où elle a été
cherchée (càd si code_remarque = 1, 2, 7 ou 10). Pour cela :
- créer la variable
annee - créer la variable de comptage des présences pour chaque analyse (1=présent, 0=absent)
- créer la variable de comptage des recherches pour chaque analyse (1=recherchée, 0=non recherchée)
- pour chaque combinaison
anneexcode_parametre, calculer le taux de quantification
2/ trouver pour chaque station, sur l’année 2016, le prélèvement pour lequel la concentration cumulée, toutes substances confondues, est la plus élevée (~ le prélèvement le plus pollué). Pour cela :
- filtrer les concentrations quantifiées (
code_remarque=1) et l’année 2016 - sommer les concentrations (
resultat_analyse) par combinaisoncode_stationxcode_prelevement - ne conserver que le prélèvement avec le concentration maximale
Résultats attendus :
Résultat attendu pour le taux de quantification par molécule et année :
## # A tibble: 6,538 × 3
## annee code_parametre taux_quantif
## <dbl> <dbl> <dbl>
## 1 1991 1129 0
## 2 1991 1130 0
## 3 1991 1176 0
## 4 1991 1199 0
## 5 1991 1212 0
## 6 1991 1259 0
## 7 1991 1263 100
## 8 1991 1267 0
## 9 1992 1101 0
## 10 1992 1107 100
## # ℹ 6,528 more rowsRésultat attendu pour prélèvement le plus pollué de chaque station en 2016 :
## # A tibble: 176 × 3
## libelle_station code_prelevement concentration_cumulee
## <chr> <int> <dbl>
## 1 ANGLE GUIGNARD-RETENUE 43003 0.04
## 2 ANXURE À SAINT-GERMAIN-D'ANXURE 42228 0.02
## 3 APREMONT-RETENUE 42895 0.035
## 4 ARAIZE à CHATELAIS 41451 0.006
## 5 ARON à MOULAY 41359 0.008
## 6 AUBANCE À LOUERRE 41571 0.08
## 7 AUBANCE à MURS-ERIGNE 41542 0.317
## 8 AUBANCE à SAINT-SATURNIN-SUR-LOIRE 41584 0.167
## 9 AUTHION à LES PONTS-DE-CE 42532 0.27
## 10 AUTISE À SAINT-HILAIRE-DES-LOGES 41998 0.048
## # ℹ 166 more rows5.10 Les armes non conventionnelles de la préparation des donnéees
Nous venons de voir les principaux verbes de manipulation d’une table de dplyr. Ces verbes acquièrent encore plus de puissance quand ils sont appelés avec les fonctions across() et/ou where().
5.10.1 Les select helpers
Répéter des opérations de nettoyage ou de typage sur les différentes variables d’un jeu de données peut s’avérer fastidieux lorsque l’on a à écrire les opérations variable par variable.
La fonction select() propose cinq manières différentes de désigner les variables à sélectionner.
Nous avons vu la première et la plus intuitive, qui est de nommer les variables une à une.
On peut également utiliser les : qui permettent de sélectionner une liste de variables consécutives.
On peut également désigner les variables à sélectionner en fonction de leur position :
select(exercice, code_analyse, code_laboratoire, code_prelevement, code_parametre,
code_fraction_analysee, resultat_analyse, code_remarque) %>%
names()## [1] "code_analyse" "code_laboratoire" "code_prelevement"
## [4] "code_parametre" "code_fraction_analysee" "resultat_analyse"
## [7] "code_remarque"## [1] "code_analyse" "code_laboratoire" "code_prelevement"
## [4] "code_parametre" "code_fraction_analysee" "resultat_analyse"
## [7] "code_remarque"## [1] "limite_detection" "limite_quantification" "code_intervenant"
## [4] "code_reseau" "code_station" "date_prelevement"
## [7] "code_support" "libelle_station" "date_creation"
## [10] "source" "code_masse_eau" "code_entite_hydro"
## [13] "code_troncon_hydro" "code_commune"## [1] "code_analyse" "code_laboratoire" "code_prelevement"
## [4] "code_parametre" "code_fraction_analysee" "resultat_analyse"
## [7] "code_remarque"## [1] "limite_detection" "limite_quantification" "code_intervenant"
## [4] "code_reseau" "code_station" "date_prelevement"
## [7] "code_support" "libelle_station" "date_creation"
## [10] "source" "code_masse_eau" "code_entite_hydro"
## [13] "code_troncon_hydro" "code_commune"Sélectionner les variables en fonction de leur position peut sembler séduisant, mais attention aux problèmes de reproductibilité que cela peut poser si le jeu de données en entrée bouge un peu entre deux millésimes.
On peut également sélectionner des variables selon des conditions sur leur nom. Par exemple, on peut sélectionner les variables dont le nom commence par “date”, ou se termine par “station”, ou contient “prel” ou en fonction d’une expression régulière comme “m.n” (le nom contient un “m” suivi d’un caractère suivi d’un “n”.
## [1] "date_prelevement" "date_creation"## [1] "code_station" "libelle_station"## [1] "code_prelevement" "date_prelevement"## [1] "code_prelevement" "date_prelevement" "code_commune"On peut également sélectionner des variables selon des conditions sur leur type, avec la fonction where(). Par exemple, sélectionner toutes les variables numériques ou toutes les variables de type caractère.
## [1] "code_analyse" "code_laboratoire" "code_prelevement"
## [4] "code_parametre" "code_fraction_analysee" "resultat_analyse"
## [7] "code_remarque" "limite_detection" "limite_quantification"
## [10] "code_support"## [1] "code_station" "date_prelevement" "libelle_station"
## [4] "date_creation" "source" "code_masse_eau"
## [7] "code_entite_hydro" "code_troncon_hydro" "code_commune"On peut enfin sélectionner des variables en combinant les moyens détaillés ci-avant et en recourant aux opérateurs booléens : ! (négation), & (et), | (ou).
## [1] "code_analyse" "code_laboratoire" "code_prelevement"
## [4] "code_parametre" "code_fraction_analysee" "code_remarque"## [1] "date_prelevement" "date_creation"5.10.2 Utiliser les select helpers avec les autres verbes du tidyverse
5.10.2.1 rename() et rename_with()
Lorsqu’on souhaite renommer les variable une à une, la fonction rename() fonctionne de la même manière que select() :
mon_df_renomme <- rename(mon_dataframe, nouveau_nom1 = ancien_nom1, nouveau_nom2 = ancien_nom2)
Si l’on souhaite recourir aux select helpers, il faut utiliser rename_with(), avec la syntaxe rename_with(.data= mon_df, .fn= ma_fonction_de_renommage, .cols= les_variables_a_renommer). Exemple avec la fonction toupper() qui passe les chaînes de caractères en majuscules.
## [1] "CODE_STATION" "libelle_station" "date_creation"
## [4] "source" "CODE_MASSE_EAU" "CODE_ENTITE_HYDRO"
## [7] "CODE_TRONCON_HYDRO" "CODE_COMMUNE"Si la fonction de renommage est plus complexe qu’un simple mot, il faut recourir au pronom .x et au ~ pour la définir. Exemple avec la fonction str_sub() de {stringr} vue précédemment :
rename_with(exercice, ~ str_sub(.x, start = 6, end = str_length(.x)),
starts_with("code")) %>% names()## [1] "analyse" "laboratoire" "prelevement"
## [4] "parametre" "fraction_analysee" "resultat_analyse"
## [7] "remarque" "limite_detection" "limite_quantification"
## [10] "intervenant" "reseau" "station"
## [13] "date_prelevement" "support" "libelle_station"
## [16] "date_creation" "source" "masse_eau"
## [19] "entite_hydro" "troncon_hydro" "commune"5.10.3 filter(), mutate(), group_by(), summarise(), arrange(), transmute()…
Les autres verbes de {dplyr} ont besoin de la fonction across() pour fonctionner avec les select helpers. Comme pour rename_with(), les fonctions complexes sont à déclarer avec le ~ et le pronom .x. On peut en désigner plusieurs ou leur fournir un nom qui servira de suffixe aux noms des variables calculées, en passant la ou les fonctions dans une liste : .fn=list(suffixe1 = ma_fonction1, suffixe2 = ma_fonction2).
La syntaxe générale devient :
monverbe(.data, across(mesvariables, malistedefonctions),
across(mesvariables2, malistedefonctions2))mutate(exercice, across(starts_with("code") & where(is.numeric), as.factor),
across(starts_with("date"), as.Date)) %>%
head() %>%
datatable()## code_parametre
## 1 435group_by(prelevement, across(code_intervenant:code_station)) %>%
summarise(across(everything(), list(nb = n_distinct)), .groups = "drop")## # A tibble: 766 × 6
## code_intervenant code_reseau code_station code_prelevement_nb
## <fct> <fct> <chr> <int>
## 1 44 ARS 044000001 51
## 2 44 ARS 044000044 7
## 3 44 ARS 044000045 5
## 4 44 ARS 044000046 4
## 5 44 ARS 044000047 3
## 6 44 ARS 044000048 4
## 7 44 ARS 044000070 6
## 8 44 ARS 044000071 5
## 9 44 ARS 044000076 4
## 10 44 ARS 044000077 5
## # ℹ 756 more rows
## # ℹ 2 more variables: date_prelevement_nb <int>, code_support_nb <int>Exemple sur l’exercice sur les données sitadel.
sitadel <- read_excel("extdata/ROES_201702.xls", "AUT_REG") %>%
group_by(REG) %>%
mutate(across(where(is.numeric), list(cumul12 = ~ roll_sumr(.x, n = 12))),
across(ends_with("cumul12"), list(evo = ~ 100 * .x / lag (.x, 12) - 100,
part = ~ 100 *.x / log_AUT_cumul12)))
datatable(sitadel)Dans une opération de filtre, on n’utilise pas (plus !) across() mais, if_all ou if_any pour préciser si l’on souhaite que le critère de filtre s’applique à toutes les colonnes qui remplissent la condition de sélection de colonnes, ou si seulement une colonne suffit :
## code_parametre nom_parametre statut_parametre
## 1 1473 Chlorothalonil Validé
## 2 1268 Terbuthylazine Validé
## 3 1749 Heptachlore époxyde endo trans Validé
## 4 1200 Hexachlorocyclohexane alpha Validé
## 5 1132 Chlordane Validé
## 6 2092 Fentine acetate Validé
## 7 1211 Mancozèbe Validé
## 8 1669 Norflurazone Validé
## 9 2020 Famoxadone Validé
## 10 1157 Diazinon Validé
## 11 1107 Atrazine Validé
## 12 1456 Dichloroéthylène-1,2 cis Validé
## 13 1914 Triasulfuron Validé
## 14 5682 Perméthrine cis Validé
## 15 1129 Carbendazime Validé
## 16 1939 Flazasulfuron Validé
## 17 1405 Hexaconazole Validé
## 18 1813 Chlorthiamide Validé
## 19 2742 Fénazaquin Validé
## 20 1847 Phosphate de tributyle Validé
## 21 1179 Endosulfan bêta Validé
## 22 1850 Oxamyl Validé
## 23 7587 Phtalimide Validé
## 24 2731 Glufosinate-ammonium Gelé
## 25 1264 2,4,5-T Validé
## 26 3268 DDT (Dichlorodiphényltrichloréthane) Validé
## 27 1217 Méthidathion Validé
## 28 1260 Pyrimiphos-éthyl Validé
## 29 1665 Phoxime Validé
## 30 1678 Diméthénamide Validé
## 31 7782 Desméthyl-chlortoluron Validé
## 32 1227 Monolinuron Validé
## 33 3342 Di-n-octyl phtalate Validé
## 34 1907 AMPA Validé
## 35 1511 Méthoxychlore Validé
## 36 1170 Dichlorvos Validé
## 37 1744 Epoxiconazole Validé
## 38 1216 Méthabenzthiazuron Validé
## 39 2009 Fipronil Validé
## 40 2017 Clomazone Validé
## 41 1232 Parathion éthyl Validé
## 42 1100 Acéphate Validé
## 43 1657 Triazophos Validé
## 44 6389 Clothianidine Validé
## 45 1172 Dicofol Validé
## 46 1474 Chlorprophame Validé
## 47 1253 Prochloraz Validé
## 48 1695 Imazaméthabenz Validé
## 49 1187 Fénitrothion Validé
## 50 1146 DDE 44' Validé
## 51 1537 Pyrène Validé
## 52 1175 Diméthoate Validé
## 53 1815 Décabromodiphényl éther Validé
## 54 1661 Tébutame Validé
## 55 1472 Chloropicrine Validé
## 56 1519 Napropamide Validé
## 57 1414 Propyzamide Validé
## 58 1667 Oxadiazon Validé
## 59 1105 Aminotriazole Validé
## 60 1967 Fenoxycarbe Validé
## 61 1517 Naphtalène Validé
## 62 1630 Trichlorobenzène-1,2,3 Validé
## 63 1403 Diméthomorphe Validé
## 64 1120 Bifenthrine Validé
## 65 2904 Octylphenol Validé
## 66 1524 Phénanthrène Validé
## 67 1406 Lénacile Validé
## 68 1904 Diclobutrazol Validé
## 69 1796 Métaldéhyde Validé
## 70 1528 Pirimicarbe Validé
## 71 1169 Dichlorprop Validé
## 72 2981 Dichlorophène Validé
## 73 1178 Endosulfan alpha Validé
## 74 1140 Cyperméthrine Validé
## 75 1463 Carbaryl Validé
## 76 1083 Chlorpyriphos-éthyl Validé
## 77 1491 Dinosèbe Validé
## 78 1859 Bromadiolone Validé
## 79 1143 DDD 24' Validé
## 80 2576 Pyraclostrobine Validé
## 81 1704 Imazalil Validé
## 82 1310 Acrinathrine Validé
## 83 1529 Bitertanol Validé
## 84 1108 Atrazine déséthyl Validé
## 85 2071 Thiométon Validé
## 86 1201 Hexachlorocyclohexane bêta Validé
## 87 1226 Mévinphos Validé
## 88 2879 Tributyletain cation Validé
## 89 1263 Simazine Validé
## 90 1882 Nicosulfuron Validé
## 91 1495 Ethoprophos Validé
## 92 2897 Cyromazine Validé
## 93 2736 Trinitrotoluène Validé
## 94 1834 Dichloropropène-1,3 cis Validé
## 95 1407 Bénomyl Validé
## 96 1480 Dicamba Validé
## 97 1333 Carbétamide Validé
## 98 1520 Néburon Validé
## 99 1198 Somme Heptachlore époxyde cis/trans Validé
## 100 1532 Propanil Validé
## 101 2056 Fluquinconazole Validé
## 102 1197 Heptachlore Validé
## 103 1898 Téméphos Validé
## 104 2076 Mésotrione Validé
## 105 1190 Fenthion Validé
## 106 1756 Chlordane alpha Gelé
## 107 1353 Chlorsulfuron Validé
## 108 2860 Imazaquine Validé
## 109 5474 4-n-nonylphénol Validé
## 110 1082 Benzo(a)anthracène Validé
## 111 1237 Phosalone Validé
## 112 1748 Heptachlore époxyde exo cis Validé
## 113 1145 DDE 24' Validé
## 114 1133 Chloridazone Validé
## 115 1656 Hexachloroéthane Validé
## 116 1476 Chrysène Validé
## 117 1879 Metconazole Validé
## 118 2045 Terbuthylazine désethyl Validé
## 119 1329 Bendiocarbe Validé
## 120 1183 Ethion Validé
## 121 1952 Oxyfluorfène Validé
## 122 1205 Ioxynil Validé
## 123 1184 Ethofumésate Validé
## 124 1111 Azinphos méthyl Validé
## 125 1404 Fluazifop-P-butyl Validé
## 126 7543 Benzotriazole Validé
## 127 1706 Métalaxyl Validé
## 128 1191 Fluoranthène Validé
## 129 1892 Rimsulfuron Validé
## 130 1771 Dihydrure de dibutylétain Gelé
## 131 6262 Fipronil desulfinyl Validé
## 132 1498 Dibromoéthane-1,2 Validé
## 133 1267 Terbuphos Validé
## 134 1631 Tetrachlorobenzène-1,2,4,5 Validé
## 135 1137 Cyanazine Validé
## 136 1871 Diniconazole Validé
## 137 1144 DDD 44' Validé
## 138 2542 Monobutylétain cation Validé
## 139 1862 Buprofézine Validé
## 140 1584 Biphényle Validé
## 141 1258 Pyrazophos Validé
## 142 1835 Dichloropropène-1,3 trans Validé
## 143 5438 mirex Validé
## 144 1513 Dibromométhane Validé
## 145 1113 Bentazone Validé
## 146 1958 4-nonylphenols ramifiés Validé
## 147 1202 Hexachlorocyclohexane delta Validé
## 148 1492 Disulfoton Validé
## 149 1212 2,4-MCPA Validé
## 150 2008 Flurtamone Validé
## 151 1515 Métobromuron Validé
## 152 1758 Chlordane gamma Validé
## 153 7801 Cyprosulfamide Validé
## 154 1192 Folpel Validé
## 155 2966 Chlorthal-diméthyl Validé
## 156 2013 Anthraquinone Validé
## 157 1207 Isodrine Validé
## 158 1203 Hexachlorocyclohexane gamma Validé
## 159 1128 Captane Validé
## 160 1360 Dichlofluanide Validé
## 161 1204 Indéno(1,2,3-cd)pyrène Validé
## 162 1920 p-(n-octyl) phénol Validé
## 163 1222 Métoxuron Validé
## 164 1262 Secbuméton Validé
## 165 1672 Isoxaben Validé
## 166 1829 Isofenphos Validé
## 167 2544 Dichlorprop-P Validé
## 168 1277 Tétrachlorvinphos Validé
## 169 1935 Irgarol Validé
## 170 1185 Fénarimol Validé
## 171 1141 2,4-D Validé
## 172 1177 Diuron Validé
## 173 1679 Dichlobenil Validé
## 174 1906 Fenbuconazole Validé
## 175 1131 Carbophénothion Validé
## 176 1500 Fénuron Validé
## 177 1683 Chloroxuron Validé
## 178 1265 Isobenzan Validé
## 179 1721 Zinèbe Validé
## 180 1110 Azinphos éthyl Validé
## 181 1681 Cyfluthrine Validé
## 182 1863 Cadusafos Validé
## 183 1123 Bromophos éthyl Validé
## 184 1467 Chlorobenzene Validé
## 185 1765 Fluroxypyr Validé
## 186 1660 Tetraconazole Validé
## 187 1652 Hexachlorobutadiène Validé
## 188 6616 Di(2-ethylhexyl)phtalate Validé
## 189 1279 Toxaphène Validé
## 190 2029 Roténone Validé
## 191 1308 Amitraze Validé
## 192 1093 Thiodicarbe Validé
## 193 1092 Prosulfocarbe Validé
## 194 1291 Vinclozoline Validé
## 195 7340 Pyroxsulam Validé
## 196 1671 Methamidophos Validé
## 197 1909 Haloxyfop-P-methyl Validé
## 198 1881 Myclobutanil Validé
## 199 1453 Acénaphtène Validé
## 200 1654 Dichloropropane-1,3 Validé
## 201 1255 Propargite Validé
## 202 1122 Bromoforme Validé
## 203 1138 Cyhalothrine Validé
## 204 1712 Propachlore Validé
## 205 7783 Haloxyfop méthyl Validé
## 206 2085 Sulfosulfuron Validé
## 207 1685 Bromopropylate Validé
## 208 1713 Thiabendazole Validé
## 209 1181 Endrine Validé
## 210 1659 Terbacil Validé
## 211 1516 Naled Validé
## 212 1864 Carbosulfan Validé
## 213 1134 Chlorméphos Validé
## 214 1488 Diflubenzuron Validé
## 215 1797 Metsulfuron méthyle Validé
## 216 1722 Zirame Validé
## 217 1186 Fenchlorphos Validé
## 218 1359 Cyprodinil Validé
## 219 1221 Métolachlore total Validé
## 220 5683 Perméthrine trans Validé
## 221 7588 1,2,3,6-Tetrahydrophtalimide Validé
## 222 1687 Benalaxyl Validé
## 223 1868 Clofentézine Validé
## 224 1861 Bupirimate Validé
## 225 7748 cyflufénamide Validé
## 226 1668 Oryzalin Validé
## 227 1188 Fenpropathrine Validé
## 228 1125 Bromoxynil Validé
## 229 1269 Terbutryne Validé
## 230 2610 4-tert-butylphénol Validé
## 231 1288 Triclopyr Validé
## 232 7010 Chlordane alpha Validé
## 233 1688 Aclonifène Validé
## date_creation_parametre date_maj_parametre
## 1 1996-10-17 2016-07-05
## 2 1994-05-10 2016-07-05
## 3 1998-03-16 2016-07-05
## 4 1994-05-10 2016-07-05
## 5 1994-05-10 2016-07-05
## 6 2002-10-17 2016-07-05
## 7 1994-01-01 2015-07-29
## 8 1997-03-26 2016-07-05
## 9 2001-12-12 2015-07-29
## 10 1994-01-01 2016-07-05
## 11 1994-05-10 2016-07-05
## 12 1996-10-17 2016-07-05
## 13 2000-02-09 2015-07-29
## 14 2008-01-30 2016-07-05
## 15 1994-01-01 2016-07-05
## 16 2001-02-01 2016-07-05
## 17 1997-10-23 2016-07-05
## 18 1999-06-30 2015-07-29
## 19 2005-01-04 2016-07-05
## 20 1999-12-07 2017-01-24
## 21 1994-05-10 2016-07-05
## 22 1999-12-07 2015-07-29
## 23 2014-05-26 2015-08-18
## 24 2004-09-08 2016-05-04
## 25 1994-05-10 2016-07-05
## 26 2006-09-12 2016-07-05
## 27 1994-01-01 2016-07-05
## 28 1994-01-01 2016-07-05
## 29 1997-03-26 2016-07-05
## 30 1997-03-26 2016-07-05
## 31 2015-03-10 2015-03-27
## 32 1994-01-01 2016-07-05
## 33 2006-11-10 2015-07-15
## 34 2000-02-09 2015-07-29
## 35 1996-10-17 2016-07-05
## 36 1994-01-01 2016-07-05
## 37 1998-03-16 2016-07-05
## 38 1994-01-01 2016-07-05
## 39 2001-09-24 2016-07-05
## 40 2001-12-12 2016-07-05
## 41 1994-05-10 2016-07-05
## 42 1994-01-01 2015-08-18
## 43 1997-03-26 2015-07-29
## 44 2009-02-19 2015-08-18
## 45 1994-01-01 2016-07-05
## 46 1996-10-17 2016-07-05
## 47 1994-01-01 2016-07-05
## 48 1997-10-13 2016-07-05
## 49 1994-01-01 2016-07-05
## 50 1994-05-10 2016-07-05
## 51 1996-10-17 2016-07-05
## 52 1994-01-01 2016-07-05
## 53 1999-07-05 2016-07-05
## 54 1997-03-26 2016-07-05
## 55 1996-10-17 2015-07-29
## 56 1996-10-17 2016-07-05
## 57 1997-10-23 2016-07-05
## 58 1997-03-26 2016-07-05
## 59 1994-01-01 2015-07-29
## 60 2001-07-30 2016-07-05
## 61 1996-10-17 2016-07-05
## 62 1997-03-26 2016-07-05
## 63 1997-10-23 2016-07-05
## 64 1994-01-01 2015-07-29
## 65 2005-06-16 2016-07-05
## 66 1996-10-17 2016-07-05
## 67 1997-10-23 2016-07-05
## 68 2000-02-03 2015-07-29
## 69 1998-09-23 2016-07-05
## 70 1996-10-17 2016-07-05
## 71 1994-01-01 2015-07-29
## 72 2006-07-18 2015-09-03
## 73 1994-05-10 2016-07-05
## 74 1994-01-01 2017-02-07
## 75 1996-10-17 2016-07-05
## 76 1997-05-21 2016-07-05
## 77 1996-10-17 2015-07-29
## 78 1999-12-07 2015-07-29
## 79 1994-05-10 2016-07-05
## 80 2004-04-08 2016-07-05
## 81 1997-12-15 2016-07-05
## 82 1997-10-23 2015-07-29
## 83 1997-12-15 2015-07-29
## 84 1994-01-01 2016-07-05
## 85 2002-05-21 2016-07-05
## 86 1994-05-10 2016-07-05
## 87 1994-01-01 2016-07-05
## 88 2005-06-16 2016-07-05
## 89 1994-05-10 2016-07-05
## 90 1999-12-08 2016-07-05
## 91 1996-10-17 2016-07-05
## 92 2005-06-23 2016-07-05
## 93 2004-09-08 2015-07-29
## 94 1999-09-09 2016-07-05
## 95 1997-12-15 2015-07-29
## 96 1996-10-17 2016-07-05
## 97 1997-10-23 2016-07-05
## 98 1996-10-17 2016-07-05
## 99 1994-05-10 2016-07-05
## 100 1996-10-17 2016-07-05
## 101 2002-05-16 2016-07-05
## 102 1994-05-10 2016-07-05
## 103 1999-12-08 2015-07-29
## 104 2002-07-08 2016-07-05
## 105 1994-01-01 2016-07-05
## 106 1998-03-24 2016-07-05
## 107 1997-10-23 2016-07-05
## 108 2005-03-11 2016-07-05
## 109 2007-10-26 2016-07-05
## 110 1997-05-21 2016-07-05
## 111 1994-01-01 2016-07-05
## 112 1998-03-16 2016-07-05
## 113 1994-05-10 2016-07-05
## 114 1994-01-01 2016-07-05
## 115 1997-03-26 2016-07-05
## 116 1996-10-17 2016-07-05
## 117 1999-12-08 2016-07-05
## 118 2002-03-04 2016-07-05
## 119 1997-10-23 2015-07-29
## 120 1994-01-01 2016-07-05
## 121 2001-06-20 2017-02-07
## 122 1994-01-01 2016-07-05
## 123 1994-01-01 2016-07-05
## 124 1994-01-01 2016-07-05
## 125 1997-10-23 2016-07-05
## 126 2014-02-24 2015-08-18
## 127 1997-12-15 2016-07-05
## 128 1994-05-10 2016-07-05
## 129 1999-12-08 2016-07-05
## 130 1998-06-04 2016-07-05
## 131 2008-09-18 2016-07-05
## 132 1997-03-26 2016-07-05
## 133 1994-01-01 2016-07-05
## 134 1997-03-26 2016-07-05
## 135 1994-01-01 2016-07-05
## 136 1999-12-07 2015-07-29
## 137 1994-05-10 2016-07-05
## 138 2003-07-28 2017-02-07
## 139 1999-12-07 2015-07-29
## 140 1997-03-26 2016-07-05
## 141 1994-01-01 2016-07-05
## 142 1999-09-09 2016-07-05
## 143 2007-10-24 2016-07-05
## 144 1996-10-17 2016-07-05
## 145 1994-01-01 2016-07-05
## 146 2001-06-21 2016-07-05
## 147 1994-05-10 2016-07-05
## 148 1996-10-17 2015-07-29
## 149 1994-01-01 2016-07-05
## 150 2001-09-24 2016-07-05
## 151 1996-10-17 2016-07-05
## 152 1998-03-24 2016-07-05
## 153 2015-04-30 2015-06-10
## 154 1994-01-01 2016-07-05
## 155 2006-06-16 2016-07-05
## 156 2001-12-12 2016-07-05
## 157 1994-01-01 2016-07-05
## 158 1994-05-10 2016-07-05
## 159 1994-01-01 2016-07-05
## 160 1997-10-23 2015-07-29
## 161 1994-05-10 2016-07-05
## 162 2000-02-23 2016-07-05
## 163 1994-01-01 2016-07-05
## 164 1994-01-01 2016-07-05
## 165 1997-03-26 2016-07-05
## 166 1999-09-09 2017-04-06
## 167 2003-10-22 2016-07-05
## 168 1994-01-01 2016-07-05
## 169 2000-04-13 2015-07-29
## 170 1994-01-01 2016-07-05
## 171 1994-01-01 2016-07-05
## 172 1994-01-01 2016-07-05
## 173 1997-03-26 2016-07-05
## 174 2000-02-03 2015-07-29
## 175 1994-05-10 2016-07-05
## 176 1996-10-17 2016-07-05
## 177 1997-03-26 2015-07-29
## 178 1994-01-01 2016-07-05
## 179 1997-12-15 2015-07-29
## 180 1994-05-10 2016-07-05
## 181 1997-03-26 2015-08-18
## 182 1999-12-07 2016-07-05
## 183 1994-01-01 2016-07-05
## 184 1996-10-17 2016-07-05
## 185 1998-06-04 2016-07-05
## 186 1997-03-26 2016-07-05
## 187 1997-03-26 2016-07-05
## 188 2010-06-04 2016-07-05
## 189 1994-01-01 2015-07-29
## 190 2001-12-12 2015-07-29
## 191 1997-12-15 2015-07-29
## 192 1997-05-21 2016-07-05
## 193 1997-05-21 2016-07-05
## 194 1994-01-01 2016-07-05
## 195 2012-10-26 2015-01-13
## 196 1997-03-26 2016-07-05
## 197 2000-02-09 2016-07-05
## 198 1999-12-08 2016-07-05
## 199 1996-10-17 2016-07-05
## 200 1997-03-26 2016-07-05
## 201 1994-01-01 2016-07-05
## 202 1994-01-01 2016-07-05
## 203 1994-05-10 2015-07-29
## 204 1997-12-15 2016-07-05
## 205 2015-03-10 2015-03-27
## 206 2002-09-18 2016-07-05
## 207 1997-03-26 2016-07-05
## 208 1997-12-15 2016-07-05
## 209 1994-05-10 2016-07-05
## 210 1997-03-26 2016-07-05
## 211 1996-10-17 2015-07-29
## 212 1999-12-07 2016-07-05
## 213 1994-01-01 2016-07-05
## 214 1996-10-17 2016-07-05
## 215 1998-09-23 2016-07-05
## 216 1997-12-15 2016-03-21
## 217 1994-01-01 2016-07-05
## 218 1997-10-23 2016-07-05
## 219 1994-01-01 2017-02-07
## 220 2008-01-30 2016-07-05
## 221 2014-05-26 2015-07-15
## 222 1997-03-26 2016-07-05
## 223 1999-12-07 2015-07-29
## 224 1999-12-07 2015-07-29
## 225 2015-02-13 2015-02-13
## 226 1997-03-26 2016-07-05
## 227 1994-01-01 2016-07-05
## 228 1994-01-01 2016-07-05
## 229 1994-01-01 2016-07-05
## 230 2004-03-17 2016-07-05
## 231 1994-01-01 2016-07-05
## 232 2011-03-18 2017-05-10
## 233 1997-03-26 2016-07-05
## auteur_parametre parametre_calcule
## 1 Ministère de la Santé FALSE
## 2 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 3 Ministère de la Santé FALSE
## 4 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 5 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 6 IFEN FALSE
## 7 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 8 Agence de l'Eau Rhône-Méditerranée-Corse FALSE
## 9 Milcent Jean-Pascal (FREDEC) FALSE
## 10 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 11 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 12 Ministère de la Santé FALSE
## 13 IFEN FALSE
## 14 Centre d'Analyses et de Recherches - CAR FALSE
## 15 Agence de l'Eau Rhin-Meuse FALSE
## 16 SANDRE FALSE
## 17 Agence de l'Eau RMC FALSE
## 18 IFEN FALSE
## 19 F. MASSAT FALSE
## 20 Ministère de la Santé FALSE
## 21 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 22 Ministère de la Santé FALSE
## 23 ARS de Basse Normandie FALSE
## 24 REPELLINI Franck TRUE
## 25 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 26 Ifremer (Antoine Huguet) FALSE
## 27 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 28 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 29 Agence de l'Eau Rhône-Méditerranée-Corse FALSE
## 30 Agence de l'Eau Rhône-Méditerranée-Corse FALSE
## 31 INOVALYS Nantes FALSE
## 32 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 33 Laurence CHERY (BRGM Orléans) FALSE
## 34 IFEN / Agence de l'Eau Seine Normandie FALSE
## 35 Ministère de la Santé FALSE
## 36 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 37 Ministère de la Santé FALSE
## 38 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 39 Cedric Le Quellenec FALSE
## 40 Milcent Jean-Pascal (FREDEC) FALSE
## 41 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 42 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 43 Agence de l'Eau Rhône-Méditerranée-Corse FALSE
## 44 CG 72 FALSE
## 45 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 46 Ministère de la Santé FALSE
## 47 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 48 Agence de l'Eau Adour-Garonne FALSE
## 49 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 50 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 51 Agence de l'Eau Rhin-Meuse FALSE
## 52 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 53 SANDRE FALSE
## 54 Agence de l'Eau Rhône-Méditerranée-Corse FALSE
## 55 Ministère de la Santé FALSE
## 56 Ministère de la Santé FALSE
## 57 Agence de l'Eau RMC FALSE
## 58 Agence de l'Eau Rhône-Méditerranée-Corse FALSE
## 59 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 60 SANDRE FALSE
## 61 Ministère de la Santé FALSE
## 62 Agence de l'Eau Rhône-Médit.-Corse et Rhin-Meuse FALSE
## 63 Agence de l'Eau RMC FALSE
## 64 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 65 SANDRE FALSE
## 66 Agence de l'Eau Rhin-Meuse FALSE
## 67 Agence de l'Eau RMC FALSE
## 68 IFEN FALSE
## 69 Agence de l'Eau Loire-Bretagne FALSE
## 70 Ministère de la Santé FALSE
## 71 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 72 Claire RIOU (Agence de l'Eau Rhin-Meuse) FALSE
## 73 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 74 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 75 Ministère de la Santé FALSE
## 76 Agence de l'Eau Rhin-Meuse FALSE
## 77 Ministère de la Santé FALSE
## 78 Ministère de la Santé FALSE
## 79 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 80 Vorbeck Jean Paul FALSE
## 81 SANDRE FALSE
## 82 Agence de l'Eau RMC FALSE
## 83 SANDRE FALSE
## 84 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 85 DUROCHER Jacky AELB FALSE
## 86 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 87 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 88 Claire RIOU FALSE
## 89 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 90 Ministère de la Santé FALSE
## 91 Ministère de la Santé FALSE
## 92 CHOISNARD Gilles FALSE
## 93 REPELLINI Franck FALSE
## 94 IFEN FALSE
## 95 SANDRE FALSE
## 96 Ministère de la Santé FALSE
## 97 Agence de l'Eau RMC FALSE
## 98 Agence de l'Eau Loire-Bretagne FALSE
## 99 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 100 Ministère de la Santé FALSE
## 101 Gilles CHOISNARD FALSE
## 102 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 103 Ministère de la Santé FALSE
## 104 Gilles CHOISNARD FALSE
## 105 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 106 Ministère de la Santé FALSE
## 107 Agence de l'Eau RMC FALSE
## 108 Agence de l'Eau Rhin Meuse FALSE
## 109 Centre d'Analyses et de Recherches - CAR FALSE
## 110 Agence de l'Eau Rhin-Meuse FALSE
## 111 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 112 Ministère de la Santé FALSE
## 113 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 114 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 115 Agence de l'Eau Rhône-Méditerranée-Corse FALSE
## 116 Agence de l'Eau Rhin-Meuse FALSE
## 117 Ministère de la Santé FALSE
## 118 Jean-Pascal MILCENT FALSE
## 119 Agence de l'Eau RMC FALSE
## 120 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 121 Laurence DUCOURTY FALSE
## 122 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 123 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 124 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 125 Agence de l'Eau RMC FALSE
## 126 BRGM FALSE
## 127 SANDRE FALSE
## 128 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 129 Ministère de la Santé FALSE
## 130 Agence de l'Eau Rhin-Meuse FALSE
## 131 Laboratoire de Rouen FALSE
## 132 Agence de l'Eau Rhône-Méditerranée-Corse FALSE
## 133 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 134 Agence de l'Eau Rhône-Méditerranée-Corse FALSE
## 135 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 136 Ministère de la Santé FALSE
## 137 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 138 Théarin MAO FALSE
## 139 Ministère de la Santé FALSE
## 140 Agence de l'Eau Rhône-Méditerranée-Corse FALSE
## 141 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 142 IFEN FALSE
## 143 MASSAT FALSE
## 144 Ministère de la Santé FALSE
## 145 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 146 SANDRE FALSE
## 147 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 148 Ministère de la Santé FALSE
## 149 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 150 Cedric Le Quellenec FALSE
## 151 Ministère de la Santé FALSE
## 152 Ministère de la Santé FALSE
## 153 AERM FALSE
## 154 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 155 Mme Michèle JARRET (L.S.E.H.L.) FALSE
## 156 Milcent Jean-Pascal (FREDEC) FALSE
## 157 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 158 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 159 SANDRE FALSE
## 160 Agence de l'Eau RMC FALSE
## 161 SANDRE FALSE
## 162 SANDRE FALSE
## 163 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 164 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 165 Agence de l'Eau Rhône-Méditerranée-Corse FALSE
## 166 IFEN FALSE
## 167 Valérie ANTOINE (DIREN Lorraine) FALSE
## 168 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 169 Communauté Urbaine de Brest FALSE
## 170 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 171 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 172 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 173 Agence de l'Eau Rhône-Méditerranée-Corse FALSE
## 174 IFEN FALSE
## 175 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 176 Ministère de la Santé FALSE
## 177 Agence de l'Eau Rhône-Méditerranée-Corse FALSE
## 178 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 179 SANDRE FALSE
## 180 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 181 Agence de l'Eau Rhône-Méditerranée-Corse FALSE
## 182 Ministère de la Santé FALSE
## 183 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 184 Ministère de la Santé FALSE
## 185 SANDRE FALSE
## 186 Agence de l'Eau Rhône-Méditerranée-Corse FALSE
## 187 Agences de l'Eau Rhône-Médit.-Corse et Rhin-Meuse FALSE
## 188 Ministère de la Santé FALSE
## 189 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 190 Milcent Jean-Pascal (FREDEC) FALSE
## 191 SANDRE FALSE
## 192 Agence de l'Eau Rhin-Meuse FALSE
## 193 Agence de l'Eau Rhin-Meuse FALSE
## 194 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 195 LABORATOIRE DU DEPARTEMENT DE GEOCHIMIE DU BRGM, FALSE
## 196 Agence de l'Eau Rhône-Méditerranée-Corse FALSE
## 197 IFEN FALSE
## 198 Ministère de la Santé FALSE
## 199 Agence de l'Eau Rhin-Meuse FALSE
## 200 Agence de l'Eau Rhône-Méditerranée-Corse FALSE
## 201 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 202 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 203 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 204 SANDRE FALSE
## 205 INOVALYS FALSE
## 206 Franck PRIOUL FALSE
## 207 Agence de l'Eau Rhône-Méditerranée-Corse FALSE
## 208 SANDRE FALSE
## 209 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 210 Agence de l'Eau Rhône-Méditerranée-Corse FALSE
## 211 Ministère de la Santé FALSE
## 212 Ministère de la Santé FALSE
## 213 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 214 Ministère de la Santé FALSE
## 215 Agence de l'Eau Loire-Bretagne FALSE
## 216 SANDRE FALSE
## 217 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 218 Agence de l'Eau RMC FALSE
## 219 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 220 Centre d'Analyses et de Recherches - CAR FALSE
## 221 ARS de Basse Normandie FALSE
## 222 Agence de l'Eau Rhône-Méditerranée-Corse FALSE
## 223 Ministère de la Santé FALSE
## 224 Ministère de la Santé FALSE
## 225 CARSO-LSEHL FALSE
## 226 Agence de l'Eau Rhône-Méditerranée-Corse FALSE
## 227 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 228 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 229 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 230 Laurianne GREAUD FALSE
## 231 Agences de l'Eau R.M.C. et Seine-Normandie FALSE
## 232 SANDRE FALSE
## 233 Agence de l'Eau Rhône-Méditerranée-Corse FALSEréférence : https://dplyr.tidyverse.org/reference/across.html