-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathindex.xml
963 lines (927 loc) · 51.4 KB
/
index.xml
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
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
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
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
<?xml version="1.0" encoding="utf-8" standalone="yes" ?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
<channel>
<title>State of The R</title>
<link>http://stateofther.github.io/</link>
<atom:link href="http://stateofther.github.io/index.xml" rel="self" type="application/rss+xml" />
<description>State of The R</description>
<generator>Wowchemy (https://wowchemy.com)</generator><language>fr-fr</language><copyright>© 2020 State of the R</copyright><lastBuildDate>Mon, 31 Aug 2020 00:00:00 +0000</lastBuildDate>
<image>
<url>http://stateofther.github.io/images/logo_hu53047fbf4f6efa69f0f91be25bd21dde_40228_300x300_fit_lanczos_2.png</url>
<title>State of The R</title>
<link>http://stateofther.github.io/</link>
</image>
<item>
<title>FinistR'20</title>
<link>http://stateofther.github.io/project/finistr20/</link>
<pubDate>Mon, 31 Aug 2020 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/project/finistr20/</guid>
<description></description>
</item>
<item>
<title>La plateforme Migale</title>
<link>http://stateofther.github.io/post/migale/</link>
<pubDate>Fri, 13 Mar 2020 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/post/migale/</guid>
<description><p>Mahendra nous offre un tour su la plateforme <a href="https://migale.inra.fr/" target="_blank" rel="noopener">Migale</a> et plus généralement sur la soumission de job sur un serveur de calcul via <code>qsub</code> et les packages purrr, future and furrr.</p>
<ul>
<li><a href="../../post/migale/2003-Rmigale.html">La présentation</a></li>
</ul>
</description>
</item>
<item>
<title>Tidyverse suite (et fin??) avec forcats, lubridate et stringr</title>
<link>http://stateofther.github.io/post/tidyverse_sequel/</link>
<pubDate>Fri, 13 Dec 2019 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/post/tidyverse_sequel/</guid>
<description><p>Antoine nous parlera de la manipulation des objets un peu particuliers de R que
sont les facteurs, les dates et les heures, et les chaines de caractères et
expressions régulières. Ceci finira notre tour du tidyverse avec forcats, lubridate
et stringr, qui permettent de manipuler très facilement et lisiblement ces objets.</p>
<ul>
<li><a href="https://abichat.github.io/slides/factors_dates_strings/" target="_blank" rel="noopener">lien vers les slides</a></li>
</ul>
</description>
</item>
<item>
<title>Développement autour du R-Markdown</title>
<link>http://stateofther.github.io/post/rmarkdown/</link>
<pubDate>Fri, 15 Nov 2019 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/post/rmarkdown/</guid>
<description><p>Le programme de l&rsquo;atelier proposé sur des développements autour de R Markdown</p>
<ul>
<li>Créer des contenus pour R Markdown et shiny
&ndash; Reporting tabulaire avec le package flextable
Les fonctionnalités du package
Les techniques utilisées pour l’intégration avec knitr
Pratiquons : Créer une méthode d’impression tabulaire avec knitr et flextable pour les documents R Markdown
&ndash; htmlwidgets : package ggiraph
Les fonctionnalités du package
Intégration dans le contexte shiny et dans le contexte R Markdown
Implémentation du htmlwidget
Pratiquons : Créer un simple htmlwidget
Personnalisation des documents R Markdown
Le triptyque CSS/JavaScript/HTML
Exemples de thèmes xaringan, pagedown, blogdown
Pratiquons : personnalisation d’un thème pagedown et d’un thème xaringan</li>
</ul>
<p>(<a href="https://github.com/davidgohel">https://github.com/davidgohel</a>)</p>
</description>
</item>
<item>
<title>R-Mxnet pour des applications du deep learning</title>
<link>http://stateofther.github.io/post/rmxnet/</link>
<pubDate>Fri, 18 Oct 2019 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/post/rmxnet/</guid>
<description><p>Christophe Botella nous a preparé un atelier pratique présentant le deep learning
et comment le mettre en application avec le package <em>R-Mxnet</em>.</p>
<p>_ <a href="https://github.com/ChrisBotella/MXNet-R" target="_blank" rel="noopener">Le code de l&rsquo;atelier</a></p>
<ul>
<li><a href="../../post/rmxnet/index.html">Et la présentation</a></li>
</ul>
</description>
</item>
<item>
<title>FinistR'19</title>
<link>http://stateofther.github.io/project/finistr19/</link>
<pubDate>Sat, 31 Aug 2019 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/project/finistr19/</guid>
<description></description>
</item>
<item>
<title>Comment Shiny peut vous aider dans vos simulations, vos collaborations et vos cours</title>
<link>http://stateofther.github.io/post/shiny/</link>
<pubDate>Tue, 11 Jun 2019 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/post/shiny/</guid>
<description><p>Pierre et Benjamin nous ont préparé &lsquo;quelque chose sur Shiny&rsquo;:</p>
<ul>
<li><a href="../../post/shiny/stateoftheR_shiny.pdf">La présentation</a></li>
</ul>
</description>
</item>
<item>
<title>Introduction à plotly</title>
<link>http://stateofther.github.io/post/plotly/</link>
<pubDate>Wed, 22 May 2019 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/post/plotly/</guid>
<description><p>Au cours d&rsquo;une séance découverte un peu spécial, donnée lors de l&rsquo;assemblée générale
du département de mathématique et informatique de l&rsquo;INRA, Mahendra nous a fait découvrir les
potentialités de {plotly,ggplotly,crosscall}</p>
<ul>
<li><a href="../../post/plotly/index.html">La présentation en full HTML</a></li>
</ul>
<p>Le chargement peut prendre du temps (googlefonts&hellip;)</p>
</description>
</item>
<item>
<title>rSTAN, un outil d'inférence bayésienne</title>
<link>http://stateofther.github.io/post/rstan/</link>
<pubDate>Fri, 19 Apr 2019 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/post/rstan/</guid>
<description><p>Matthieu et Éric nous propose une séance sur {rSTAN}, l&rsquo;interface R à la bibliothèque
C++ Stan. Il s&rsquo;agit d&rsquo;algorithme inférence b yésienne utilisant une variante du Monte-Carlo Hamiltonien.
On peut aussi faire de l&rsquo;inférence fréquentiste par optimisation.</p>
<p>Gros travail de Éric et Matthieu, et une base de document introductif très fouillé, merci!</p>
<ul>
<li><a href="../../post/rstan/WorkingWithStan_part1.html">A bit of theory to understand Hamilton Monte Carlo</a></li>
<li><a href="../../post/rstan/WorkingWithStan_part2.html">Modèle Hiérarchique avec Stan</a></li>
<li><a href="../../post/rstan/WorkingWithStan_part3.html">Modèlisation Spatiale</a></li>
</ul>
</description>
</item>
<item>
<title>Développement de package</title>
<link>http://stateofther.github.io/post/packages/</link>
<pubDate>Fri, 22 Mar 2019 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/post/packages/</guid>
<description><p>Dans la continuité de ce qui a été fait à Beg-meil](<a href="https://stateofther.github.io/finistR2018/atelier3_package_creation.html),">https://stateofther.github.io/finistR2018/atelier3_package_creation.html),</a> je vous propose un tour d&rsquo;horizon des bonnes pratiques et de l&rsquo;ensemble des outils disponibles pour réaliser le développement d&rsquo;un package R. On parlera github, travis, {pkgdown], roxygen2, déploiement, {testthat], appveor, configure, Makevars, {usethis}, {devtools}, yaml, etc. Venez avec en tête de mettre les main dans le cambouis pour votre propre package.</p>
</description>
</item>
<item>
<title>Organisation des premières satRday française à Paris du 23 février</title>
<link>http://stateofther.github.io/post/satrday/</link>
<pubDate>Fri, 22 Feb 2019 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/post/satrday/</guid>
<description><img src="https://paris2019.satrdays.org/images/satRdayLogo-square.png" align="right" width="100" style="vertical-align: top;"/>
<p>Séance dédiée à la préparation des satRday du lendemain:</p>
<ul>
<li><a href="https://paris2019.satrdays.org">https://paris2019.satrdays.org</a></li>
</ul>
<p>Avec tous les bénévoles du groupe !</p>
</description>
</item>
<item>
<title>Efficient analysis of large-scale matrices with two R packages: bigstatsr and bigsnpr</title>
<link>http://stateofther.github.io/post/bigstatsr/</link>
<pubDate>Fri, 25 Jan 2019 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/post/bigstatsr/</guid>
<description><img src="https://raw.githubusercontent.com/privefl/bigstatsr/master/bigstatsr.png" align="right" width="100"/>
<p>R package {bigstatsr} provides a special class of matrix whose data is stored on the disk instead of the RAM, but you can still access the data almost as if it were in memory. It is particularly useful is you have a large matrix to analyze but not enough RAM on your computer. It can still be useful for matrices that fit in your RAM because package {bigstatsr} provides very efficient and parallelized algorithms (have you ever found <code>cor</code> or <code>svd</code> too slow?).</p>
<p>I will present the statistical and helper functions that are provided by package {bigstatsr} for this kind of matrices. R package {bigsnpr}, on top of {bigstatsr}, provides some tools that are specific to the analysis of genetic data. We&rsquo;ll see what I can predict from your DNA using these two packages.</p>
<ul>
<li><a href="https://privefl.github.io/bigstatsr/">https://privefl.github.io/bigstatsr/</a></li>
</ul>
</description>
</item>
<item>
<title>Pimp my exam</title>
<link>http://stateofther.github.io/post/pimp-exam/</link>
<pubDate>Thu, 20 Dec 2018 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/post/pimp-exam/</guid>
<description><p>Marco et Vincent vous proposent de prendre un peu de temps pour apprendre à se servir du <a href="http://www.r-exams.org" target="_blank" rel="noopener">package exams</a> (disponible sur le CRAN) pour générer automatiquement des examens (QCM ou autres), corriger automatiquement ces examens, gérer un ensemble d&rsquo;exercices collectivement, mettre en place une plateforme de e-learning. Gros programme mais un joli cadeau de Noël, puisque tout se fait en quelques lignes de code R !</p>
<ul>
<li><a href="../../post/pimp-exam/exams.html">L&rsquo;intégrale des slides</a></li>
</ul>
</description>
</item>
<item>
<title>Modeling in the Tidyverse and applications to metagenomics data</title>
<link>http://stateofther.github.io/post/tidymodels/</link>
<pubDate>Fri, 23 Nov 2018 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/post/tidymodels/</guid>
<description><img src="https://raw.githubusercontent.com/tidymodels/tidymodels/master/tidymodels_hex.png" align="right" width="200"/>
<p>Antoine, notre fanatique du <code>tidyverse</code>, nous propose de jeter un coup d’oeil à <code>broom</code> et <code>rsample</code>, des packages de <code>tidymodels</code>, pour travailler proprement (aka en format <code>tibble</code>) avec les sorties S3 des méthodes statistiques comme <code>lm</code> ou <code>kmeans</code> et faciliter l’utilisation des méthodes de rééchantillonage.</p>
<ul>
<li><a href="https://abichat.github.io/Slides/Modeling/Modeling.html" target="_blank" rel="noopener">L&rsquo;intégrale des slides</a></li>
</ul>
</description>
</item>
<item>
<title>Fancy plotting with ggraph, gganimate</title>
<link>http://stateofther.github.io/post/fancy-plotting/</link>
<pubDate>Fri, 19 Oct 2018 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/post/fancy-plotting/</guid>
<description><img src="https://www.data-imaginist.com/post/2016-10-07-Data-driven-logo_files/figure-html/unnamed-chunk-11-1.png" align="right" width="200"/>
<p>Un duo de choc, Raphaëlle et Marie, pour une séance dense sur laquelle était posée l&rsquo;ombre du <a href="https://www.data-imaginist.com/" target="_blank" rel="noopener">data imaginist</a> &ndash; et vive Harry Potter.</p>
<ul>
<li><a href="../../post/fancy-plotting/GG.html">L&rsquo;intégrale des slides</a></li>
</ul>
</description>
</item>
<item>
<title>FinistR'18</title>
<link>http://stateofther.github.io/project/finistr18/</link>
<pubDate>Fri, 31 Aug 2018 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/project/finistr18/</guid>
<description></description>
</item>
<item>
<title>Bases en Rcpp</title>
<link>http://stateofther.github.io/post/bases-rcpp/</link>
<pubDate>Fri, 20 Jul 2018 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/post/bases-rcpp/</guid>
<description><img src="img/headers/seamless.png" align="right" width="200"/>
<p>Les trois mousquetaires Timothée, Mathieu et Félix (a.k.a riri fifi loulou) proposent une séances complète d&rsquo;introduction à <code>Rcpp</code> accompagné de travaux pratiques.</p>
<p>Les documents de la séances:</p>
<ul>
<li><a href="../../post/bases_rcpp/Introduction.html">Introduction</a></li>
<li><a href="../../post/bases_rcpp/1-Architecture.html">Rappel d&rsquo;architecture machine</a></li>
<li><a href="../../post/bases_rcpp/2-SyntaxeCpp.html">Rappel en C++</a></li>
<li><a href="../../post/bases_rcpp/3-RcppArmadillo.html">RcppArmadillo</a></li>
<li><a href="../../post/bases_rcpp/4-Rfonctions.html">Fonctions</a></li>
<li><a href="../../post/bases_rcpp/5-Astuces.html">Astuces</a></li>
</ul>
<p>Pour compléter, voir <a href="https://stateofther.github.io/finistR2018/atelier2_rcpp_modules.html" target="_blank" rel="noopener">la page du bootcamp finistR2018 dédiée aux modules Rcpp</a>.</p>
</description>
</item>
<item>
<title>Manipulation de (quasi) big data en R</title>
<link>http://stateofther.github.io/post/manipulating-half-big-data-in-r/</link>
<pubDate>Fri, 22 Jun 2018 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/post/manipulating-half-big-data-in-r/</guid>
<description>
<p><img src="img/headers/spark-logo-trademark.png" align="right" width="200"/></p>
<p>Séverine et Tristan nous proposent une introduction à quelques outils permettant de manipuler (en particulier charger) de “grosses” tables de données sous <code>R</code>.</p>
<ul>
<li><code>bigmemory</code> for loading large matrices</li>
<li><code>bigalgebra</code> provides BLAS and LAPACK linear algebra</li>
<li><code>sparklyr</code> for interfacing R with <a href="http://spark.apache.org/">Spark Apache</a></li>
</ul>
<p>Les documents de la séances</p>
<ul>
<li><a href="../../post/bigdata/Half_Big_Data_handling_with_R.pdf">Présentation des enjeux, slides</a></li>
<li><a href="../../post/bigdata/tutorial_sparklyr.pdf">travaux pratiques (PDF)</a>, <a href="../../post/bigdata/tutorial_sparklyr.Rmd">source Markdown</a></li>
<li><a href="../../post/bigdata/1_CompareClassicalAndBigdata.R">code source: R base vs bigxx</a></li>
<li><a href="../../post/bigdata/2_CompareClassicalAndSpark.R">code source: R base vs sparklyr</a></li>
</ul>
</description>
</item>
<item>
<title>Introduction au Deep Learning sous R</title>
<link>http://stateofther.github.io/post/introduction-au-deep-learning-sous-r/</link>
<pubDate>Fri, 25 May 2018 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/post/introduction-au-deep-learning-sous-r/</guid>
<description><img src="img/headers/TensorFlowLogo.png" align="right" width="200"/>
<p>Sophie et Christophe nous proposent une séance complète sur le deep-learning et l&rsquo;interfaçage existant sous R:</p>
<ul>
<li><a href="../../post/deep_learning/deep-learning-history.html">Une brève histoire du Deep-Learning</a></li>
<li><a href="../../post/deep_learning/Deep-with-R.pdf">Une introduction au Deep-Learning sous R</a></li>
<li><a href="../../post/deep_learning/cours_deeplearning_for_dummies.pdf">travaux pratiques</a></li>
</ul>
</description>
</item>
<item>
<title>Une introduction au tidyverse</title>
<link>http://stateofther.github.io/post/une-introduction-au-tidyverse/</link>
<pubDate>Wed, 02 May 2018 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/post/une-introduction-au-tidyverse/</guid>
<description>
<p>Antoine nous propose une introduction dense et déjà avancée en passant en revue l’ensemble du <a href="http://http://tidyverse.org">tidyverse</a></p>
<ul>
<li><a href="https://abichat.github.io/Slides/IntroTidyverseSOTR/IntroTidyverseSOTR.html#1">Les slides Xaringan de Antoine</a></li>
</ul>
</description>
</item>
<item>
<title>Introduction au Spatial sous R</title>
<link>http://stateofther.github.io/post/spatial/</link>
<pubDate>Fri, 23 Mar 2018 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/post/spatial/</guid>
<description><p>Éric nous présente les suites de l&rsquo;introdution de Jessica aux très nombreux outils disponibles pour les statistiques spatiales sous R, notamment autour des packages <a href="https://github.com/r-spatial/sf" target="_blank" rel="noopener">sf</a> et <a href="https://github.com/edzer/sp" target="_blank" rel="noopener">sp</a>.</p>
<ul>
<li><a href="../../post/spatial/happyR-230318_spatial_1.pdf">slides et exercices, partie 1</a></li>
<li><a href="../../post/spatial/happyR-230318_spatial_2.pdf">slides et exercices, partie 2</a></li>
</ul>
</description>
</item>
<item>
<title>Rmarkdown: tableaux interactifs et retour d'expérience</title>
<link>http://stateofther.github.io/post/rmarkdown-tableaux-interactifs-et-retour-d-experience/</link>
<pubDate>Fri, 23 Feb 2018 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/post/rmarkdown-tableaux-interactifs-et-retour-d-experience/</guid>
<description>
<p>Mahendra nous propose un retour d’expérience et quelques exercices sur le <a href="https://rstudio.github.io/DT/">package DT</a> pour la manipulation interactive de table.</p>
<ul>
<li><a href="http://genome.jouy.inra.fr/~mmariadasso/HappyR/DT_tutorial.html">Les slides de Mahendra</a></li>
</ul>
</description>
</item>
<item>
<title>Science Communication with R: Style, R Markdown & Xaringan</title>
<link>http://stateofther.github.io/post/science-communication-with-r-style-r-markdown-xaringan/</link>
<pubDate>Fri, 23 Feb 2018 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/post/science-communication-with-r-style-r-markdown-xaringan/</guid>
<description>
<p>Antoine nous propose une série de slides sur <a href="https://rmarkdown.rstudio.com/">R markdown</a> et <a href="https://slides.yihui.name/xaringan/#1">Xaringan</a></p>
<ul>
<li><a href="https://abichat.github.io/Slides/ScienceCommunicationSOTR/ScienceCommunicationSOTR.html">Les slides Xaringan de Antoine</a></li>
</ul>
</description>
</item>
<item>
<title>Exercices autour de data.table</title>
<link>http://stateofther.github.io/post/data.table/</link>
<pubDate>Mon, 23 Oct 2017 00:00:00 +0000</pubDate>
<guid>http://stateofther.github.io/post/data.table/</guid>
<description>
<p>L’atelier du jour avait pour objectif la découvert du package <a href="https://cran.r-project.org/web/packages/data.table/index.html">data.table</a> au travers d’<a href="https://user2017.sched.com/event/Aw0L/datatable-for-beginners">exercises proposés lors de la dernière édition de UseR</a>. Les slides avec les énoncés sont <a href="https://www.google.fr/url?sa=t&amp;rct=j&amp;q=&amp;esrc=s&amp;source=web&amp;cd=1&amp;cad=rja&amp;uact=8&amp;ved=0ahUKEwiZv7DE6I3XAhWCuBoKHcN5CREQFggrMAA&amp;url=https%3A%2F%2Fchannel9.msdn.com%2FEvents%2FuseR-international-R-User-conferences%2FuseR-International-R-User-2017-Conference%2Fdatatable-for-beginners&amp;usg=AOvVaw3N-q_5oW0-yMm8uz9hVisu">disponibles ici</a>.</p>
<p>L’apport de notre atelier est d’avoir systématiquement essayé de traiter les questions avec
- les fonctionalités <code>R</code> de <em>base</em>
- les fonctionalités offertes par le <em>tidyverse</em> (principalement <em>dplyr</em>)
- les fonctionnalités du package <em>data.table</em></p>
<p>Pour les animateurs : vous êtes libre de compléter le post de blog. Nous ajouteroins des comparatifs en terme de temps de calcul plus tard (peut-être).</p>
<div id="préliminaires" class="section level3">
<h3>Préliminaires</h3>
<p>C’est parti, on charge les packages requis</p>
<pre class="r"><code>library(data.table)
library(tidyverse)</code></pre>
<p>Les exercices seront traités à l’aide de deux tables jouets, dont on propose des contreparties en
- object <code>data.frame</code>
- object <code>tibble</code>
- object <code>data.table</code></p>
<pre class="r"><code>set.seed(20170703L)
DF1 = data.frame(id = sample(1:2, 9L, TRUE),
code = sample(letters[1:3], 9, TRUE),
valA = 1:9, valB = 10:18,
stringsAsFactors = FALSE)
DF2 = data.frame(id = c(3L, 1L, 1L, 2L, 3L),
code = c(&quot;b&quot;, &quot;a&quot;, &quot;c&quot;, &quot;c&quot;, &quot;d&quot;),
mul = 5:1, stringsAsFactors = FALSE)
## corresponding data tibble
TB1 &lt;- as.tibble(DF1)</code></pre>
<pre><code>## Warning: `as.tibble()` is deprecated as of tibble 2.0.0.
## Please use `as_tibble()` instead.
## The signature and semantics have changed, see `?as_tibble`.
## This warning is displayed once every 8 hours.
## Call `lifecycle::last_warnings()` to see where this warning was generated.</code></pre>
<pre class="r"><code>TB2 &lt;- as.tibble(DF2)
## corresponding data tables
DT1 &lt;- as.data.table(DF1)
DT2 &lt;- as.data.table(DF2)</code></pre>
</div>
<div id="question-1" class="section level3">
<h3>Question 1</h3>
<p><em>Subset all rows where id column equals 1 &amp; code column is not equal to “c”</em></p>
<div id="base" class="section level4">
<h4>base</h4>
<pre class="r"><code>base::subset(DF1, id == 1 &amp; code != &quot;c&quot;)</code></pre>
<pre><code>## id code valA valB
## 1 1 a 1 10
## 2 1 a 2 11
## 4 1 a 4 13</code></pre>
<pre class="r"><code>with(DF1, DF1[id == 1 &amp; code != &quot;c&quot;,])</code></pre>
<pre><code>## id code valA valB
## 1 1 a 1 10
## 2 1 a 2 11
## 4 1 a 4 13</code></pre>
</div>
<div id="dplyr" class="section level4">
<h4>dplyr</h4>
<pre class="r"><code>filter(TB1, id == 1 &amp; code != &quot;c&quot;)</code></pre>
<pre><code>## # A tibble: 3 x 4
## id code valA valB
## &lt;int&gt; &lt;chr&gt; &lt;int&gt; &lt;int&gt;
## 1 1 a 1 10
## 2 1 a 2 11
## 3 1 a 4 13</code></pre>
</div>
<div id="data.table" class="section level4">
<h4>data.table</h4>
<pre class="r"><code>DT1[id == 1 &amp; code != &quot;c&quot;] </code></pre>
<pre><code>## id code valA valB
## 1: 1 a 1 10
## 2: 1 a 2 11
## 3: 1 a 4 13</code></pre>
</div>
</div>
<div id="question-2" class="section level3">
<h3>Question 2</h3>
<p><em>Select valA and valB columns from DF1</em></p>
<div id="base-r" class="section level4">
<h4>base R</h4>
<pre class="r"><code>DF1[, c(&quot;valA&quot;, &quot;valB&quot;)]</code></pre>
<pre><code>## valA valB
## 1 1 10
## 2 2 11
## 3 3 12
## 4 4 13
## 5 5 14
## 6 6 15
## 7 7 16
## 8 8 17
## 9 9 18</code></pre>
</div>
<div id="dplyr-1" class="section level4">
<h4>dplyr</h4>
<pre class="r"><code>select(TB1, valA, valB)</code></pre>
<pre><code>## # A tibble: 9 x 2
## valA valB
## &lt;int&gt; &lt;int&gt;
## 1 1 10
## 2 2 11
## 3 3 12
## 4 4 13
## 5 5 14
## 6 6 15
## 7 7 16
## 8 8 17
## 9 9 18</code></pre>
</div>
<div id="data.table-1" class="section level4">
<h4>data.table</h4>
<pre class="r"><code>DT1[ , .(valA,valB)]</code></pre>
<pre><code>## valA valB
## 1: 1 10
## 2: 2 11
## 3: 3 12
## 4: 4 13
## 5: 5 14
## 6: 6 15
## 7: 7 16
## 8: 8 17
## 9: 9 18</code></pre>
</div>
</div>
<div id="question-3" class="section level3">
<h3>Question 3</h3>
<p><em>Get sum(valA) and sum(valB) for id &gt; 1 as a 1-row, 2-col data.frame</em></p>
<div id="base-r-1" class="section level4">
<h4>base R</h4>
<pre class="r"><code>colSums(DF1[ DF1$id &gt; 1, c(&quot;valA&quot;, &quot;valB&quot;)])</code></pre>
<pre><code>## valA valB
## 30 66</code></pre>
</div>
<div id="dplyr-2" class="section level4">
<h4>dplyr</h4>
<pre class="r"><code>TB1 %&gt;% filter(id &gt; 1) %&gt;% select(valA, valB) %&gt;% summarise_all(sum)</code></pre>
<pre><code>## # A tibble: 1 x 2
## valA valB
## &lt;int&gt; &lt;int&gt;
## 1 30 66</code></pre>
</div>
<div id="data.table-2" class="section level4">
<h4>data.table</h4>
<pre class="r"><code>DT1[id &gt; 1, .(sum(valA), sum(valB))]</code></pre>
<pre><code>## V1 V2
## 1: 30 66</code></pre>
</div>
</div>
<div id="question-4" class="section level3">
<h3>Question 4</h3>
<p><em>Replace valB with valB+1 for all rows where code == “c”</em></p>
<div id="base-r-2" class="section level4">
<h4>base R</h4>
<pre class="r"><code>DF1$valB[DF1$code==&quot;c&quot;] = DF1$valB[DF1$code==&quot;c&quot;] + 1
DF1</code></pre>
<pre><code>## id code valA valB
## 1 1 a 1 10
## 2 1 a 2 11
## 3 1 c 3 13
## 4 1 a 4 13
## 5 1 c 5 15
## 6 2 a 6 15
## 7 2 a 7 16
## 8 2 c 8 18
## 9 2 b 9 18</code></pre>
</div>
<div id="dplyr-3" class="section level4">
<h4>dplyr</h4>
<pre class="r"><code>TB1 &lt;- TB1 %&gt;% mutate(valB = ifelse(code == &quot;c&quot;, valB + 1,valB))
## TB1[TB1$code==&quot;c&quot;, ] &lt;- filter(TB1, code==&quot;c&quot;) %&gt;% mutate(valB= valB+1) # alternative solution
TB1</code></pre>
<pre><code>## # A tibble: 9 x 4
## id code valA valB
## &lt;int&gt; &lt;chr&gt; &lt;int&gt; &lt;dbl&gt;
## 1 1 a 1 10
## 2 1 a 2 11
## 3 1 c 3 13
## 4 1 a 4 13
## 5 1 c 5 15
## 6 2 a 6 15
## 7 2 a 7 16
## 8 2 c 8 18
## 9 2 b 9 18</code></pre>
</div>
<div id="data.table-3" class="section level4">
<h4>data.table</h4>
<pre class="r"><code>DT1[code == &quot;c&quot;, valB := valB + 1L]
DT1</code></pre>
<pre><code>## id code valA valB
## 1: 1 a 1 10
## 2: 1 a 2 11
## 3: 1 c 3 13
## 4: 1 a 4 13
## 5: 1 c 5 15
## 6: 2 a 6 15
## 7: 2 a 7 16
## 8: 2 c 8 18
## 9: 2 b 9 18</code></pre>
</div>
</div>
<div id="question-5" class="section level3">
<h3>Question 5</h3>
<p><em>Add a new column valC column with values equal to valB^2 - valA^2</em></p>
<div id="base-r-3" class="section level4">
<h4>base R</h4>
<pre class="r"><code>DF1 &lt;- transform(DF1, valC = valB^2 - valA^2)
## DF1$valC &lt;- DF1$valB^2 - DF1$valA^2 # alternate solution
DF1</code></pre>
<pre><code>## id code valA valB valC
## 1 1 a 1 10 99
## 2 1 a 2 11 117
## 3 1 c 3 13 160
## 4 1 a 4 13 153
## 5 1 c 5 15 200
## 6 2 a 6 15 189
## 7 2 a 7 16 207
## 8 2 c 8 18 260
## 9 2 b 9 18 243</code></pre>
</div>
<div id="dplyr-4" class="section level4">
<h4>dplyr</h4>
<pre class="r"><code>TB1 &lt;- mutate(TB1, valC = valB^2 - valA^2)
TB1</code></pre>
<pre><code>## # A tibble: 9 x 5
## id code valA valB valC
## &lt;int&gt; &lt;chr&gt; &lt;int&gt; &lt;dbl&gt; &lt;dbl&gt;
## 1 1 a 1 10 99
## 2 1 a 2 11 117
## 3 1 c 3 13 160
## 4 1 a 4 13 153
## 5 1 c 5 15 200
## 6 2 a 6 15 189
## 7 2 a 7 16 207
## 8 2 c 8 18 260
## 9 2 b 9 18 243</code></pre>
</div>
<div id="data.table-4" class="section level4">
<h4>data.table</h4>
<pre class="r"><code>DT1[, valC := valB^2 - valA^2]
DT1</code></pre>
<pre><code>## id code valA valB valC
## 1: 1 a 1 10 99
## 2: 1 a 2 11 117
## 3: 1 c 3 13 160
## 4: 1 a 4 13 153
## 5: 1 c 5 15 200
## 6: 2 a 6 15 189
## 7: 2 a 7 16 207
## 8: 2 c 8 18 260
## 9: 2 b 9 18 243</code></pre>
</div>
</div>
<div id="question-6" class="section level3">
<h3>Question 6</h3>
<p><em>Get sum(valA) and sum(valB) grouped by id and code (i.e., for each unique combination of id,code)</em></p>
<div id="base-1" class="section level4">
<h4>base</h4>
<pre class="r"><code>aggregate(.~ id + code, DF1, sum)</code></pre>
<pre><code>## id code valA valB valC
## 1 1 a 7 34 369
## 2 2 a 13 31 396
## 3 2 b 9 18 243
## 4 1 c 8 28 360
## 5 2 c 8 18 260</code></pre>
<pre class="r"><code>aggregate(DF1[, c(&quot;valA&quot;, &quot;valB&quot;)], list(DF1$id, DF1$code), sum)</code></pre>
<pre><code>## Group.1 Group.2 valA valB
## 1 1 a 7 34
## 2 2 a 13 31
## 3 2 b 9 18
## 4 1 c 8 28
## 5 2 c 8 18</code></pre>
</div>
<div id="dplyr-5" class="section level4">
<h4>dplyr</h4>
<pre class="r"><code>TB1 %&gt;% group_by(id, code) %&gt;% summarise_all(sum)</code></pre>
<pre><code>## # A tibble: 5 x 5
## # Groups: id [2]
## id code valA valB valC
## &lt;int&gt; &lt;chr&gt; &lt;int&gt; &lt;dbl&gt; &lt;dbl&gt;
## 1 1 a 7 34 369
## 2 1 c 8 28 360
## 3 2 a 13 31 396
## 4 2 b 9 18 243
## 5 2 c 8 18 260</code></pre>
</div>
<div id="data.table-5" class="section level4">
<h4>data.table</h4>
<pre class="r"><code>DT1[, .(SumA=sum(valA), SumB = sum(valB)), by=list(id,code) ] </code></pre>
<pre><code>## id code SumA SumB
## 1: 1 a 7 34
## 2: 1 c 8 28
## 3: 2 a 13 31
## 4: 2 c 8 18
## 5: 2 b 9 18</code></pre>
</div>
</div>
<div id="question-7" class="section level3">
<h3>Question 7</h3>
<p><em>Get sum(valA) and sum(valB) grouped by id for id &gt;= 2 &amp; code %in% c(“a”, “c”)</em></p>
<div id="base-2" class="section level4">
<h4>base</h4>
<pre class="r"><code>aggregate(.~ id , subset(DF1, id &gt;=2 &amp; code %in% c(&quot;a&quot;,&quot;c&quot;), -code), sum)</code></pre>
<pre><code>## id valA valB valC
## 1 2 21 49 656</code></pre>
</div>
<div id="dplyr-6" class="section level4">
<h4>dplyr</h4>
<pre class="r"><code>TB1 %&gt;%
group_by(id) %&gt;%
filter(id &gt;=2, code %in% c(&quot;a&quot;, &quot;c&quot;)) %&gt;%
select(-code, -valC) %&gt;%
summarise_all(sum)</code></pre>
<pre><code>## # A tibble: 1 x 3
## id valA valB
## &lt;int&gt; &lt;int&gt; &lt;dbl&gt;
## 1 2 21 49</code></pre>
</div>
<div id="data.table-6" class="section level4">
<h4>data.table</h4>
<pre class="r"><code>DT1[ (id&gt;=2) &amp; code %in% c(&quot;a&quot;, &quot;c&quot;) , .(SumA=sum(valA), SumB = sum(valB)), by=id ] </code></pre>
<pre><code>## id SumA SumB
## 1: 2 21 49</code></pre>
</div>
</div>
<div id="question-8" class="section level3">
<h3>Question 8</h3>
<p><em>Replace valA with max(valA)-min(valA) grouped by code</em></p>
<div id="base-3" class="section level4">
<h4>base</h4>
<pre class="r"><code>DF1 &lt;- transform(DF1, valA = rep(tapply(valA, code, function(x) diff(range(x)))[code]))
DF1</code></pre>
<pre><code>## id code valA valB valC
## 1 1 a 6 10 99
## 2 1 a 6 11 117
## 3 1 c 5 13 160
## 4 1 a 6 13 153
## 5 1 c 5 15 200
## 6 2 a 6 15 189
## 7 2 a 6 16 207
## 8 2 c 5 18 260
## 9 2 b 0 18 243</code></pre>
</div>
<div id="dplyr-7" class="section level4">
<h4>dplyr</h4>
<pre class="r"><code>TB1 &lt;- TB1 %&gt;% group_by(code) %&gt;% mutate(valA= max(valA)-min(valA))
TB1</code></pre>
<pre><code>## # A tibble: 9 x 5
## # Groups: code [3]
## id code valA valB valC
## &lt;int&gt; &lt;chr&gt; &lt;int&gt; &lt;dbl&gt; &lt;dbl&gt;
## 1 1 a 6 10 99
## 2 1 a 6 11 117
## 3 1 c 5 13 160
## 4 1 a 6 13 153
## 5 1 c 5 15 200
## 6 2 a 6 15 189
## 7 2 a 6 16 207
## 8 2 c 5 18 260
## 9 2 b 0 18 243</code></pre>
</div>
<div id="data.table-7" class="section level4">
<h4>data.table</h4>
<pre class="r"><code>DT1[, &quot;valA&quot; := max(valA)-min(valA), by=code]
DT1</code></pre>
<pre><code>## id code valA valB valC
## 1: 1 a 6 10 99
## 2: 1 a 6 11 117
## 3: 1 c 5 13 160
## 4: 1 a 6 13 153
## 5: 1 c 5 15 200
## 6: 2 a 6 15 189
## 7: 2 a 6 16 207
## 8: 2 c 5 18 260
## 9: 2 b 0 18 243</code></pre>
</div>
</div>
<div id="question-9" class="section level3">
<h3>Question 9</h3>
<p><em>Create a new col named valD with max(valB)-min(valA) grouped by code</em></p>
<div id="base-4" class="section level4">
<h4>base</h4>
<pre class="r"><code>DF1 &lt;- transform(DF1, valD = by(DF1, code, function(x) max(x$valB) - min(x$valA))[code])
DF1</code></pre>
<pre><code>## id code valA valB valC valD
## 1 1 a 6 10 99 10
## 2 1 a 6 11 117 10
## 3 1 c 5 13 160 13
## 4 1 a 6 13 153 10
## 5 1 c 5 15 200 13
## 6 2 a 6 15 189 10
## 7 2 a 6 16 207 10
## 8 2 c 5 18 260 13
## 9 2 b 0 18 243 18</code></pre>
</div>
<div id="dplyr-8" class="section level4">
<h4>dplyr</h4>
<pre class="r"><code>TB1 &lt;- TB1 %&gt;% group_by(code) %&gt;% mutate(valD= max(valB)-min(valA))
TB1</code></pre>
<pre><code>## # A tibble: 9 x 6
## # Groups: code [3]
## id code valA valB valC valD
## &lt;int&gt; &lt;chr&gt; &lt;int&gt; &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt;
## 1 1 a 6 10 99 10
## 2 1 a 6 11 117 10
## 3 1 c 5 13 160 13
## 4 1 a 6 13 153 10
## 5 1 c 5 15 200 13
## 6 2 a 6 15 189 10
## 7 2 a 6 16 207 10
## 8 2 c 5 18 260 13
## 9 2 b 0 18 243 18</code></pre>
</div>
<div id="data.table-8" class="section level4">
<h4>data.table</h4>
<pre class="r"><code>DT1[, &quot;valD&quot; := max(valB)-min(valA), by=code]
DT1</code></pre>
<pre><code>## id code valA valB valC valD
## 1: 1 a 6 10 99 10
## 2: 1 a 6 11 117 10
## 3: 1 c 5 13 160 13
## 4: 1 a 6 13 153 10
## 5: 1 c 5 15 200 13
## 6: 2 a 6 15 189 10
## 7: 2 a 6 16 207 10
## 8: 2 c 5 18 260 13
## 9: 2 b 0 18 243 18</code></pre>
</div>
</div>
<div id="question-10" class="section level3">
<h3>Question 10</h3>
<p><em>Subset DF1 by DF2 on id,code column. That is, for each row of DF2$id, DF2$code, get valA and valB cols from DF1. Include rows that have no matches as well.</em></p>
<div id="base-5" class="section level4">
<h4>base</h4>
<pre class="r"><code>merge(DF1, DF2[, c(&quot;id&quot;, &quot;code&quot;)], by = c(&quot;id&quot;, &quot;code&quot;), all.y=TRUE)</code></pre>
<pre><code>## id code valA valB valC valD
## 1 1 a 6 13 153 10
## 2 1 a 6 10 99 10
## 3 1 a 6 11 117 10
## 4 1 c 5 13 160 13
## 5 1 c 5 15 200 13
## 6 2 c 5 18 260 13
## 7 3 b NA NA NA NA
## 8 3 d NA NA NA NA</code></pre>
</div>
<div id="dplyr-9" class="section level4">
<h4>dplyr</h4>
<pre class="r"><code>right_join(TB1, TB2 %&gt;% select(id, code), by = c(&quot;id&quot;, &quot;code&quot;)) </code></pre>
<pre><code>## # A tibble: 8 x 6
## # Groups: code [4]
## id code valA valB valC valD
## &lt;int&gt; &lt;chr&gt; &lt;int&gt; &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt;
## 1 1 a 6 10 99 10
## 2 1 a 6 11 117 10
## 3 1 c 5 13 160 13
## 4 1 a 6 13 153 10
## 5 1 c 5 15 200 13
## 6 2 c 5 18 260 13
## 7 3 b NA NA NA NA
## 8 3 d NA NA NA NA</code></pre>
<pre class="r"><code>## inner_join to keep only rows present in tibbles, left_join to keep all rows from TB1
## anti_join to keep only rows from TB1 with no matching rows in TB2</code></pre>
</div>
<div id="data.table-9" class="section level4">
<h4>data.table</h4>
<pre class="r"><code>merge(DT1, DT2[ , .(id, code)], all.y = TRUE)</code></pre>
<pre><code>## id code valA valB valC valD
## 1: 1 a 6 10 99 10
## 2: 1 a 6 11 117 10
## 3: 1 a 6 13 153 10
## 4: 1 c 5 13 160 13
## 5: 1 c 5 15 200 13
## 6: 2 c 5 18 260 13
## 7: 3 b NA NA NA NA
## 8: 3 d NA NA NA NA</code></pre>
</div>
</div>
<div id="question-11" class="section level3">
<h3>Question 11</h3>
<p><em>Same as (10), but fetch just the first matching row of DF1 for each row of DF2$id, DF2$code. Exclude non-matching rows.</em></p>
<div id="base-6" class="section level4">
<h4>base</h4>
<pre class="r"><code>merge(DF1[!duplicated(DF1[, c(&quot;id&quot;, &quot;code&quot;)]), ],
DF2[, c(&quot;id&quot;, &quot;code&quot;)], by = c(&quot;id&quot;, &quot;code&quot;))</code></pre>
<pre><code>## id code valA valB valC valD
## 1 1 a 6 10 99 10
## 2 1 c 5 13 160 13
## 3 2 c 5 18 260 13</code></pre>
</div>
<div id="dplyr-10" class="section level4">
<h4>dplyr</h4>
<pre class="r"><code>TB1 %&gt;% group_by(id, code) %&gt;% slice(1) %&gt;% ## first entry in each (id, code) group
inner_join(select(TB2, id, code), by = c(&quot;id&quot;, &quot;code&quot;))</code></pre>
<pre><code>## # A tibble: 3 x 6
## # Groups: id, code [3]
## id code valA valB valC valD
## &lt;int&gt; &lt;chr&gt; &lt;int&gt; &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt;
## 1 1 a 6 10 99 10
## 2 1 c 5 13 160 13
## 3 2 c 5 18 260 13</code></pre>
</div>
<div id="data.table-10" class="section level4">
<h4>data.table</h4>
<pre class="r"><code>merge(DT1[, .SD[1], by = list(id, code)], ## first entry in each (id, code) group
DT2[ , .(id, code)])</code></pre>
<pre><code>## id code valA valB valC valD
## 1: 1 a 6 10 99 10
## 2: 1 c 5 13 160 13
## 3: 2 c 5 18 260 13</code></pre>
</div>
</div>
<div id="question-12" class="section level3">
<h3>Question 12</h3>
<p><em>For every row of DF2$id, DF2$code that matches with DF1’s, update valA with valA*mul.</em></p>
<div id="base-7" class="section level4">
<h4>base</h4>
<pre class="r"><code>transform(merge(DF1, DF2, by = c(&quot;id&quot;, &quot;code&quot;), all.y=TRUE), valA = valA * mul)</code></pre>
<pre><code>## id code valA valB valC valD mul
## 1 1 a 24 13 153 10 4
## 2 1 a 24 10 99 10 4
## 3 1 a 24 11 117 10 4
## 4 1 c 15 13 160 13 3
## 5 1 c 15 15 200 13 3
## 6 2 c 10 18 260 13 2
## 7 3 b NA NA NA NA 5
## 8 3 d NA NA NA NA 1</code></pre>
</div>
<div id="dplyr-11" class="section level4">
<h4>dplyr</h4>
<pre class="r"><code>right_join(TB1, TB2, by = c(&quot;id&quot;, &quot;code&quot;)) %&gt;% mutate(valA = valA * mul)</code></pre>
<pre><code>## # A tibble: 8 x 7
## # Groups: code [4]
## id code valA valB valC valD mul
## &lt;int&gt; &lt;chr&gt; &lt;int&gt; &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt; &lt;int&gt;
## 1 1 a 24 10 99 10 4
## 2 1 a 24 11 117 10 4
## 3 1 c 15 13 160 13 3
## 4 1 a 24 13 153 10 4
## 5 1 c 15 15 200 13 3
## 6 2 c 10 18 260 13 2
## 7 3 b NA NA NA NA 5
## 8 3 d NA NA NA NA 1</code></pre>
</div>
<div id="data.table-11" class="section level4">
<h4>data.table</h4>
<pre class="r"><code>DT3 &lt;- merge(DT1, DT2, all.y = TRUE)[ , &quot;valA&quot; := valA * mul]
show(DT3) ## je ne comprends pas pourquoi il faut utiliser show pour l&#39;affichage</code></pre>
<pre><code>## id code valA valB valC valD mul
## 1: 1 a 24 10 99 10 4
## 2: 1 a 24 11 117 10 4
## 3: 1 a 24 13 153 10 4
## 4: 1 c 15 13 160 13 3
## 5: 1 c 15 15 200 13 3
## 6: 2 c 10 18 260 13 2
## 7: 3 b NA NA NA NA 5
## 8: 3 d NA NA NA NA 1</code></pre>
</div>
</div>
<div id="question-13" class="section level3">
<h3>Question 13</h3>
<p><em>Add a new column val to DF1 with values from DF2$mul where DF2$id, DF2$code matches with DF1’s. Rows that don’t match should have NA.</em></p>
<div id="base-8" class="section level4">
<h4>base</h4>
<pre class="r"><code>transform(merge(DF1, DF2, by = c(&quot;id&quot;, &quot;code&quot;), all.x = TRUE, sort = FALSE), mul = mul)</code></pre>
<pre><code>## id code valA valB valC valD mul
## 1 1 a 6 13 153 10 4
## 2 1 a 6 10 99 10 4
## 3 1 a 6 11 117 10 4
## 4 1 c 5 13 160 13 3
## 5 1 c 5 15 200 13 3
## 6 2 c 5 18 260 13 2
## 7 2 b 0 18 243 18 NA
## 8 2 a 6 15 189 10 NA
## 9 2 a 6 16 207 10 NA</code></pre>
</div>
<div id="dplyr-12" class="section level4">
<h4>dplyr</h4>
<pre class="r"><code>left_join(TB1, TB2, by = c(&quot;id&quot;, &quot;code&quot;))</code></pre>
<pre><code>## # A tibble: 9 x 7
## # Groups: code [3]
## id code valA valB valC valD mul
## &lt;int&gt; &lt;chr&gt; &lt;int&gt; &lt;dbl&gt; &lt;dbl&gt; &lt;dbl&gt; &lt;int&gt;
## 1 1 a 6 10 99 10 4
## 2 1 a 6 11 117 10 4
## 3 1 c 5 13 160 13 3
## 4 1 a 6 13 153 10 4
## 5 1 c 5 15 200 13 3
## 6 2 a 6 15 189 10 NA
## 7 2 a 6 16 207 10 NA
## 8 2 c 5 18 260 13 2
## 9 2 b 0 18 243 18 NA</code></pre>
</div>
<div id="data.table-12" class="section level4">
<h4>data.table</h4>
<pre class="r"><code>merge(DT1, DT2, all.x = TRUE)</code></pre>
<pre><code>## id code valA valB valC valD mul
## 1: 1 a 6 10 99 10 4
## 2: 1 a 6 11 117 10 4
## 3: 1 a 6 13 153 10 4
## 4: 1 c 5 13 160 13 3
## 5: 1 c 5 15 200 13 3
## 6: 2 a 6 15 189 10 NA
## 7: 2 a 6 16 207 10 NA
## 8: 2 b 0 18 243 18 NA
## 9: 2 c 5 18 260 13 2</code></pre>
</div>
</div>
</description>
</item>
<item>
<title>FinistR'17</title>
<link>http://stateofther.github.io/project/finistr17/</link>
<pubDate>Mon, 11 Sep 2017 00:00:00 +0200</pubDate>
<guid>http://stateofther.github.io/project/finistr17/</guid>
<description></description>
</item>
</channel>
</rss>