cours_R.r

rm(list=ls())

Eleve1 = c(17, 18.5, 14, 17.5, 13)
Eleve2 = c(8, 19.5, 20, 6.5, 18.5)
Eleve3 = c(14, 15.5, 12.5, 15.5, 13)

Matiere = c("Maths", "Anglais", "Chimie", "Sport", "Dessin")
Eleves = c("Eleve4", "Eleve5", "Eleve6", "Eleve7", "Eleve8", "Eleve9", "Eleve10", "Eleve1", "Eleve2", "Eleve3")


Eleve1 = Eleve1[-2]
Eleve2 = Eleve2[-2]
Eleve3 = Eleve3[-2]
Matiere = Matiere[-2]

data = read.table('/home/louis/Cours/R/Notes.txt', h=T, sep=';', row.names = 1)
rownames(data[rowMeans(data) == max(rowMeans(data)),])

data = rbind(data, Eleve1)
data = rbind(data, Eleve2)
data = rbind(data, Eleve3)

row.names(data) = Eleves

write.table(data, file = "bdd.txt", sep = ",")

data.frame(taille=c(168, 175, 172, 182), poids=c(67, 75, 69, 81))

matrix(data=c(168, 67, 175, 75, 172, 69, 182, 81), nr=4, nc=2, byrow=TRUE)

seq(1, 8, 0.33)

rep(42, 3)

rnorm(4, mean=2, sd=1)
rchisq(2, 5)

summary(data)

# A partir de data2, créer les 4 objets max_chim, max_sport, max_dessin, max_maths qui renseignent la note
# maximale dans chacune des matières.
max_chim = max(data['Chimie'])
max_sport = max(data$Sport)
max_dessin = max(data$Dessin)
max_maths = max(data$Maths)

# Déterminer l’élève qui a la meilleure moyenne à partir d’une seule fonction
max(rowMeans(data))
rownames(data[rowMeans(data) == max(rowMeans(data)),])

# Afficher la médiane de chacune des matières (med_chim, med_maths, med_sport med_dessin)
apply(data, 2, median)

# Calculer la moyenne pondérée des élèves 2 et 3 en tenant compte des coefficients suivant :
# Math => 5 ; Sport => 1 ; Chimie => 3 ; Dessin => 1
weighted.mean(data['Eleve1',], c(5,1,3,1))
weighted.mean(data['Eleve2',], c(5,1,3,1))

# Identifier la note la plus répétée sur toute les matières = mode
names(sort(table(as.vector(t(data))), decreasing = TRUE)[1])

# Utiliser le fichier « disciplines.txt » et représenter la distribution des variables : disciplines en histogramme
discipline = table(read.table('/home/louis/Cours/R/disciplines.txt', h=T, sep=';'))
barplot(discipline, col = 'grey')

# Utiliser le fichier « disciplines.txt » et représenter la distribution des variables : disciplines en secteur.
pie(discipline)

# Utiliser le fichier « IRIS.txt » et représenter la corrélation des longueurs avec les largeurs de pétale.
# Définir le nom de l’axe des x: longueur de pétale. L’axe de y: largeur de pétale.
# Et le titre du graphique : nuage de point.
iris = read.table('/home/louis/Cours/R/IRIS.txt', h=T, sep='\t')
plot(iris$Long, iris$Larg, xlab = 'longueur de pétale', ylab = 'largeur de pétale',  pch = 20, main = 'Nuage de points', col = 'red')

# transposer le graph précédent avec la fonction
sunflowerplot(iris$Long, iris$Larg, xlab = 'longueur de pétale', ylab = 'largeur de pétale',  pch = 20, main = 'Nuage de points', col = 'red')

# Utiliser le fichier « Deparpays.txt » et représenter un graphe à moustache pour la variable : Dep_publiques.
dp = read.table('/home/louis/Cours/R/Deparpays.txt', h=T, sep='\t')
boxplot(c(dp$Dep_publiques))

# A l’aide de R, renseigner le vecteur S ci-dessus et déterminer les quantiles à l’aide de la fonction adaptée.
S = c(11, 12, 13, 15, 16, 16, 17, 17, 18, 19, 20, 22)
quantile(S)

# Calculer la variance et l’écart type des notes des Eleves 1,2 et 3 (Eleve1, Eleve2, Eleve3)
mean(Eleve1^2)-mean(Eleve1)^2
sqrt(mean(Eleve1^2)-mean(Eleve1)^2)

mean(Eleve2^2)-mean(Eleve2)^2
sqrt(mean(Eleve2^2)-mean(Eleve2)^2)

mean(Eleve3^2)-mean(Eleve3)^2
sqrt(mean(Eleve3^2)-mean(Eleve3)^2)

txHemo = read.table('/home/louis/Cours/R/TxHemo.txt', h=T, sep=',')
table(txHemo)
plot(txHemo)


# https://openclassrooms.com/fr/courses/1393696-effectuez-vos-etudes-statistiques-avec-r

# Créer un vecteur
a = vector('numeric', 4)
# Combiner des vecteurs
c(1:10, rep(5,3))

# Sélectionner des élements dans un vecteur
names = c("Jean", "Paul", "Pierre", "Jacques")
names[rep(3, 2)]
names[1:3]
names[-(2:4)]
names[-2]
# Avec un vecteur nommé
poids = c(77, 40, 35, 89)
names(poids) = names
poids["Jean"]
poids[c("Jean", "Pierre")]

# Sélection par opération
numbers = c(4,5,8,6,3,2,5,6,9,8,7,4,1,23,55,5,633,2,5,63,5,5625,3,2,7)
numbers > 100
numbers[numbers > 10]
numbers[(numbers %% 2) + 1]

# Opération conditionnelle
numbers[numbers > 10] / 3

# Modification d'un vecteur
numbers[c(1, 2)] = c(74, 90)
numbers[numbers > 10] = numbers[numbers > 10] / 3