Dernière exploration du `{tidyverse}` avec le package `{purrr}`

twitch

Rnewbies

tidyverse

Author

Marie Vaugoyeau

Published

2 May 2023

Note

Twitch du 2 mai 2023.

Code disponible sur GitHub.

R-Ladies Paris

R-Ladies Paris est une section locale de l’organisation mondiale R-Ladies Global qui promeut la diversité dans la communauté R et fournit un réseau de soutien convivial pour les passionnés du langage de programmation R dans le monde entier.

Note

N’hésitez pas à joindre le groupe sur Meetup afin d’être informés de nouveaux meetups organisés.

Introduction

Note

Cette partie reprend la première partie des articles du 7 février et du 21 mars 2023 sur le {tidyverse}.

Historique

Le {tidyverse} s’appelait encore le hadleyverse il y a quelques année, c’est-à-dire l'univers de Hadley pour Hadley Wickham son génial créateur.
Le but de Hadley est de rendre l’analyse données plus facile, plus rapide et surtout plus fun et je trouve que cela transparaît dans ses packages !
Le {tidyverse} c’est l’ensemble des packages open-source développé par Hadley et son équipe (Hadley travaille maintenant pour RStudio en plus de plusieurs universités) qui partagent la même philosophie, la même structure de données (le fameux format tidy) et la même syntaxe.

Le format `tidy`

Le format tidyrepose sur la répétition des lignes des individus afin de limiter le nombre de colonnes.
Dans le plus stricte cas, le format tidy ne présente que 3 colonnes :

_ Identification de l’individu, par exemple : nom_du_pays, num_bague_identification,…
_ Variables mesurées, par exemple : variable peut prendre comme modalités superficie, taille_population, PIB ou masse, taille, longueur_du_bec…
_ Valeur de la mesure. Attention, le format tidy ne supporte par plusieurs type de données dans la même colonne !

La syntaxe `tidyverse`

Non détaillée ici, je vous invite à consulter le tidyverse style guide.

Les packages concernés

_ ggplot2 : Visulisation des données
_ dplyr : Manipulation des données (filtrer, trier,…) à ne pas confondre avec tidyr qui manipule le format du jeu de données. Présenté le 7 février sur twitch.
_ tidyr : Modification du format du jeu de données pour en faire un jeu de donnée tidy. Présenté le 7 février sur twitch.
_ readr : Lecture rapide de fichiers de données format csv et autres. Attention : format xslx non pris en charge, il faut utiliser le package readxl qui fait partie du tidyverse au sens large mais qui n’est pas attaché par défaut quand on fait library(tidyverse)
_ purrr : Permet le remplacement d’un grand nombre de boucles Vu aujourd’hui
_ tibble : Format des données tidy
_ stringr : Manipulation des chaînes de caractères. Présenté le 21 mars sur twitch.
_ forcats : Manipulation des variables facteurs factors. Présenté le 21 mars sur twitch.
_ lubrdate : Manipulation des dates. Nouveau dans le {tidyverse}

library(tidyverse)

`{purrr}`

La différence avec les boucles

Note

L’intération c’est la répétition d’une action.

Elle peut-être réalisée avec une boucle for(), if() ou while() ou en utilisant la vectorisation.
Lors d’une boucle, les vérifications sont faites à chaque itération ce qui peut beaucoup augmenter le temps de calcul.
Il est aussi nécessaire d’initié l’objet contrairement à l’utilisation des vecteurs.

Exemple : création d’un objet contenant les doubles de 1 à 10

objet <- 2

for (i in (2:10)){
  objet[i] <- i*2
}

Le même objet peut être créé avec la vectorisation qui est la base dans R.

vecteur <- (1:10)*2
identical(objet, vecteur)

[1] TRUE

Premier exemple d’utilisation de `{purrr}` avec du texte

Utilisation du début du livre, Les mémoires d’Hadrien de Marguerite Yourcenar.

hadrien <- "Je suis descendu ce matin chez mon médecin Hermogène, qui vient de rentrer à la Villa après un assez long voyage en Asie. L'examen devait se faire à jeun : nous avions pris rendez-vous pour les premières heures de la matinée. Je me suis couché sur un lit après m'être dépouillé de mon manteau et de ma tunique. Je t'épargne des détails qui te seraient aussi désagréables qu'à moimême, et la description du corps d'un homme qui avance en âge et s'apprête à mourir d'une hydropisie du cœur."

# séparer les phrases
paragraphe <- str_split(hadrien, "\\.")
# afficher la longueur
str_length(paragraphe)

[1] 506

# totale
map(.x = paragraphe, .f = ~ str_length(.x))

[[1]]
[1] 120 103  84 177   0

# beaucoup de fonctions sont prévue pour la vectorisation et peuvent foncitonner sans mapping
hadrien %>% 
  str_split("\\.", simplify = TRUE) %>% 
  str_length()

[1] 120 103  84 177   0

# détacher par phrases et par mots
str_split(hadrien, " ", simplify = TRUE) %>% length()

[1] 88

str_split(paragraphe, " ", simplify = TRUE) %>% length()

[1] 92

str_split(paragraphe, " ", simplify = TRUE)

     [,1]     [,2]   [,3]       [,4] [,5]    [,6]   [,7]  [,8]     
[1,] "c(\"Je" "suis" "descendu" "ce" "matin" "chez" "mon" "médecin"
     [,9]         [,10] [,11]   [,12] [,13]     [,14] [,15] [,16]   [,17]  
[1,] "Hermogène," "qui" "vient" "de"  "rentrer" "à"   "la"  "Villa" "après"
     [,18] [,19]   [,20]  [,21]    [,22] [,23]     [,24] [,25]      [,26]   
[1,] "un"  "assez" "long" "voyage" "en"  "Asie\"," "\""  "L'examen" "devait"
     [,27] [,28]   [,29] [,30]  [,31] [,32]  [,33]    [,34]  [,35]        
[1,] "se"  "faire" "à"   "jeun" ":"   "nous" "avions" "pris" "rendez-vous"
     [,36]  [,37] [,38]       [,39]    [,40] [,41] [,42]        [,43] [,44]
[1,] "pour" "les" "premières" "heures" "de"  "la"  "matinée\"," "\""  "Je" 
     [,45] [,46]  [,47]    [,48] [,49] [,50] [,51]   [,52]    [,53]       [,54]
[1,] "me"  "suis" "couché" "sur" "un"  "lit" "après" "m'être" "dépouillé" "de" 
     [,55] [,56]     [,57] [,58] [,59] [,60]        [,61] [,62] [,63]      
[1,] "mon" "manteau" "et"  "de"  "ma"  "tunique\"," "\""  "Je"  "t'épargne"
     [,64] [,65]     [,66] [,67] [,68]      [,69]   [,70]          [,71] 
[1,] "des" "détails" "qui" "te"  "seraient" "aussi" "désagréables" "qu'à"
     [,72]      [,73] [,74] [,75]         [,76] [,77]   [,78]  [,79]   [,80]
[1,] "moimême," "et"  "la"  "description" "du"  "corps" "d'un" "homme" "qui"
     [,81]    [,82] [,83] [,84] [,85]       [,86] [,87]    [,88]   [,89]       
[1,] "avance" "en"  "âge" "et"  "s'apprête" "à"   "mourir" "d'une" "hydropisie"
     [,90] [,91]     [,92]    
[1,] "du"  "cœur\"," "\n\"\")"

# changer de profondeur dans l'objet grâce à `_depth`
map(
  .x = paragraphe,
  .f = ~ str_split(.x, " ")
) %>% 
  map_depth(2, length)

[[1]]
[[1]][[1]]
[1] 23

[[1]][[2]]
[1] 19

[[1]][[3]]
[1] 18

[[1]][[4]]
[1] 31

[[1]][[5]]
[1] 1

# utilisation de `map2()` lorsque deux listes sont intégrée et `pmap()` lorsqu'il y a plus de deux listes
map2_chr(
  .x = c("Alice", "Marc", "Julie", "Charlie"),
  .y = c("plage", "montagne", "campagne", "cuisine"),
  .f = ~ str_c(.x, " va à la ", .y)
)

[1] "Alice va à la plage"     "Marc va à la montagne"  
[3] "Julie va à la campagne"  "Charlie va à la cuisine"

# type d'objet produit par map -> une liste par défaut
map2(
  .x = c("Alice", "Marc", "Julie", "Charlie"),
  .y = c("plage", "montagne", "campagne", "cuisine"),
  ~ str_c(.x, " va à la ", .y)
) %>% 
  class()

[1] "list"

# possibilité de changer le type de sortie avec _chr ou _dbl...
map2_chr(
  .x = c("Alice", "Marc", "Julie", "Charlie"),
  .y = c("plage", "montagne", "campagne", "cuisine"),
  ~ str_c(.x, " va à la ", .y)
) %>% 
  class()

[1] "character"

map2_chr(
  .x = c("Alice", "Marc", "Julie", "Charlie"),
  .y = c("plage", "montagne", "campagne", "cuisine"),
  ~ str_c(.x, " va à la ", .y)
)

[1] "Alice va à la plage"     "Marc va à la montagne"  
[3] "Julie va à la campagne"  "Charlie va à la cuisine"

Deuxième exemple avec une fonction sur des jdd

Commençons par voir la fonction across() du package {dplyr} qui permet d’applique une ou plusieurs fonctions sur des colonnes multiples.

# calcul des moyennes de sepal_length
iris %>% 
  summarise(sepal_length_moyenne = mean(Sepal.Length))

  sepal_length_moyenne
1             5.843333

# application à toutes les colonnes numériques
iris %>% 
  summarise(
    across(
      .cols = where(is.numeric),
      .fns = list(moyenne = ~ mean(.x, na.rm = TRUE), minimum = min, maximum = max),
      .names = "{col}_{fn}"
    )
  )

  Sepal.Length_moyenne Sepal.Length_minimum Sepal.Length_maximum
1             5.843333                  4.3                  7.9
  Sepal.Width_moyenne Sepal.Width_minimum Sepal.Width_maximum
1            3.057333                   2                 4.4
  Petal.Length_moyenne Petal.Length_minimum Petal.Length_maximum
1                3.758                    1                  6.9
  Petal.Width_moyenne Petal.Width_minimum Petal.Width_maximum
1            1.199333                 0.1                 2.5

Réalisation sur différentes tables de données grâce à la fonction map() de {purrr}.

# travail sur les jdd de données iris, mtcars et women
map(
  .x = list(iris, mtcars, women),
  .f = ~ summarise(
    .x,
    across(
      .cols = where(is.numeric),
      .fns = list(moyenne = ~ mean(.x, na.rm = TRUE), minimum = min, maximum = max),
      .names = "{col}_{fn}"
    )
  )
)

[[1]]
  Sepal.Length_moyenne Sepal.Length_minimum Sepal.Length_maximum
1             5.843333                  4.3                  7.9
  Sepal.Width_moyenne Sepal.Width_minimum Sepal.Width_maximum
1            3.057333                   2                 4.4
  Petal.Length_moyenne Petal.Length_minimum Petal.Length_maximum
1                3.758                    1                  6.9
  Petal.Width_moyenne Petal.Width_minimum Petal.Width_maximum
1            1.199333                 0.1                 2.5

[[2]]
  mpg_moyenne mpg_minimum mpg_maximum cyl_moyenne cyl_minimum cyl_maximum
1    20.09062        10.4        33.9      6.1875           4           8
  disp_moyenne disp_minimum disp_maximum hp_moyenne hp_minimum hp_maximum
1     230.7219         71.1          472   146.6875         52        335
  drat_moyenne drat_minimum drat_maximum wt_moyenne wt_minimum wt_maximum
1     3.596563         2.76         4.93    3.21725      1.513      5.424
  qsec_moyenne qsec_minimum qsec_maximum vs_moyenne vs_minimum vs_maximum
1     17.84875         14.5         22.9     0.4375          0          1
  am_moyenne am_minimum am_maximum gear_moyenne gear_minimum gear_maximum
1    0.40625          0          1       3.6875            3            5
  carb_moyenne carb_minimum carb_maximum
1       2.8125            1            8

[[3]]
  height_moyenne height_minimum height_maximum weight_moyenne weight_minimum
1             65             58             72       136.7333            115
  weight_maximum
1            164

# ajout des noms des jeux de données
map(
  .x = list(iris, mtcars, women),
  .f = ~ summarise(
    .x,
    across(
      .cols = where(is.numeric),
      .fns = list(moyenne = ~ mean(.x, na.rm = TRUE), minimum = min, maximum = max),
      .names = "{col}_{fn}"
    )
  )
) %>% 
  set_names(c("iris", "mtcars", "women"))

$iris
  Sepal.Length_moyenne Sepal.Length_minimum Sepal.Length_maximum
1             5.843333                  4.3                  7.9
  Sepal.Width_moyenne Sepal.Width_minimum Sepal.Width_maximum
1            3.057333                   2                 4.4
  Petal.Length_moyenne Petal.Length_minimum Petal.Length_maximum
1                3.758                    1                  6.9
  Petal.Width_moyenne Petal.Width_minimum Petal.Width_maximum
1            1.199333                 0.1                 2.5

$mtcars
  mpg_moyenne mpg_minimum mpg_maximum cyl_moyenne cyl_minimum cyl_maximum
1    20.09062        10.4        33.9      6.1875           4           8
  disp_moyenne disp_minimum disp_maximum hp_moyenne hp_minimum hp_maximum
1     230.7219         71.1          472   146.6875         52        335
  drat_moyenne drat_minimum drat_maximum wt_moyenne wt_minimum wt_maximum
1     3.596563         2.76         4.93    3.21725      1.513      5.424
  qsec_moyenne qsec_minimum qsec_maximum vs_moyenne vs_minimum vs_maximum
1     17.84875         14.5         22.9     0.4375          0          1
  am_moyenne am_minimum am_maximum gear_moyenne gear_minimum gear_maximum
1    0.40625          0          1       3.6875            3            5
  carb_moyenne carb_minimum carb_maximum
1       2.8125            1            8

$women
  height_moyenne height_minimum height_maximum weight_moyenne weight_minimum
1             65             58             72       136.7333            115
  weight_maximum
1            164

# format tableau croisé
map(
  .x = list(iris, mtcars, women),
  .f = ~ summarise(
    .x,
    across(
      .cols = where(is.numeric),
      .fns = list(moyenne = ~ mean(.x, na.rm = TRUE), minimum = min, maximum = max),
      .names = "{col}_{fn}"
    )
  )
) %>% 
  set_names(c("iris", "mtcars", "women")) %>% 
  map(
    .f = ~ pivot_longer(
      .x, 
      cols = everything(),
      names_to = c("mesure", ".value"),
      names_pattern = "(.+)_(.+)")
  )

$iris
# A tibble: 4 × 4
  mesure       moyenne minimum maximum
  <chr>          <dbl>   <dbl>   <dbl>
1 Sepal.Length    5.84     4.3     7.9
2 Sepal.Width     3.06     2       4.4
3 Petal.Length    3.76     1       6.9
4 Petal.Width     1.20     0.1     2.5

$mtcars
# A tibble: 11 × 4
   mesure moyenne minimum maximum
   <chr>    <dbl>   <dbl>   <dbl>
 1 mpg     20.1     10.4    33.9 
 2 cyl      6.19     4       8   
 3 disp   231.      71.1   472   
 4 hp     147.      52     335   
 5 drat     3.60     2.76    4.93
 6 wt       3.22     1.51    5.42
 7 qsec    17.8     14.5    22.9 
 8 vs       0.438    0       1   
 9 am       0.406    0       1   
10 gear     3.69     3       5   
11 carb     2.81     1       8   

$women
# A tibble: 2 × 4
  mesure moyenne minimum maximum
  <chr>    <dbl>   <dbl>   <dbl>
1 height     65       58      72
2 weight    137.     115     164

Troisième exemple avec le traitement de colonnes d’un même jdd

Exemple : avec les données {ascombes}
C’est un jeu de données de “4” groupes pour lesquelles les propriétés statistiques simple (moyennes, variance, corrélation, régression linéaire) sont similaire alors que les données sont très différentes.

anscombe

   x1 x2 x3 x4    y1   y2    y3    y4
1  10 10 10  8  8.04 9.14  7.46  6.58
2   8  8  8  8  6.95 8.14  6.77  5.76
3  13 13 13  8  7.58 8.74 12.74  7.71
4   9  9  9  8  8.81 8.77  7.11  8.84
5  11 11 11  8  8.33 9.26  7.81  8.47
6  14 14 14  8  9.96 8.10  8.84  7.04
7   6  6  6  8  7.24 6.13  6.08  5.25
8   4  4  4 19  4.26 3.10  5.39 12.50
9  12 12 12  8 10.84 9.13  8.15  5.56
10  7  7  7  8  4.82 7.26  6.42  7.91
11  5  5  5  8  5.68 4.74  5.73  6.89

# réalisation d'une régression linéaire
## simple
lm(y1 ~ x1, data = anscombe) %>% 
  summary()


Call:
lm(formula = y1 ~ x1, data = anscombe)

Residuals:
     Min       1Q   Median       3Q      Max 
-1.92127 -0.45577 -0.04136  0.70941  1.83882 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)   
(Intercept)   3.0001     1.1247   2.667  0.02573 * 
x1            0.5001     0.1179   4.241  0.00217 **
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.237 on 9 degrees of freedom
Multiple R-squared:  0.6665,    Adjusted R-squared:  0.6295 
F-statistic: 17.99 on 1 and 9 DF,  p-value: 0.00217

## sur toutes les colonnes
map2(
  .x = c("x1", "x2", "x3", "x4"),
  .y = c("y1", "y2", "y3", "y4"),
  .f = ~ lm(get(.y) ~ get(.x), data = anscombe) %>% summary()
  )

[[1]]

Call:
lm(formula = get(.y) ~ get(.x), data = anscombe)

Residuals:
     Min       1Q   Median       3Q      Max 
-1.92127 -0.45577 -0.04136  0.70941  1.83882 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)   
(Intercept)   3.0001     1.1247   2.667  0.02573 * 
get(.x)       0.5001     0.1179   4.241  0.00217 **
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.237 on 9 degrees of freedom
Multiple R-squared:  0.6665,    Adjusted R-squared:  0.6295 
F-statistic: 17.99 on 1 and 9 DF,  p-value: 0.00217


[[2]]

Call:
lm(formula = get(.y) ~ get(.x), data = anscombe)

Residuals:
    Min      1Q  Median      3Q     Max 
-1.9009 -0.7609  0.1291  0.9491  1.2691 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)   
(Intercept)    3.001      1.125   2.667  0.02576 * 
get(.x)        0.500      0.118   4.239  0.00218 **
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.237 on 9 degrees of freedom
Multiple R-squared:  0.6662,    Adjusted R-squared:  0.6292 
F-statistic: 17.97 on 1 and 9 DF,  p-value: 0.002179


[[3]]

Call:
lm(formula = get(.y) ~ get(.x), data = anscombe)

Residuals:
    Min      1Q  Median      3Q     Max 
-1.1586 -0.6146 -0.2303  0.1540  3.2411 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)   
(Intercept)   3.0025     1.1245   2.670  0.02562 * 
get(.x)       0.4997     0.1179   4.239  0.00218 **
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.236 on 9 degrees of freedom
Multiple R-squared:  0.6663,    Adjusted R-squared:  0.6292 
F-statistic: 17.97 on 1 and 9 DF,  p-value: 0.002176


[[4]]

Call:
lm(formula = get(.y) ~ get(.x), data = anscombe)

Residuals:
   Min     1Q Median     3Q    Max 
-1.751 -0.831  0.000  0.809  1.839 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)   
(Intercept)   3.0017     1.1239   2.671  0.02559 * 
get(.x)       0.4999     0.1178   4.243  0.00216 **
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.236 on 9 degrees of freedom
Multiple R-squared:  0.6667,    Adjusted R-squared:  0.6297 
F-statistic:    18 on 1 and 9 DF,  p-value: 0.002165

## avec l'utilisation de la fonction glue
library(glue)
library(glue)
glue("x{1:4}")

x1
x2
x3
x4

## utilisation de set_names() pour le nom des jdd
map2(
  .x = c(glue("x{1:4}")),
  .y = c(glue("y{1:4}")),
  .f = ~ lm(get(.y) ~ get(.x), data = anscombe) %>% summary()
  ) %>% 
  set_names(glue("colonnes finissants par {1:4}"))

$`colonnes finissants par 1`

Call:
lm(formula = get(.y) ~ get(.x), data = anscombe)

Residuals:
     Min       1Q   Median       3Q      Max 
-1.92127 -0.45577 -0.04136  0.70941  1.83882 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)   
(Intercept)   3.0001     1.1247   2.667  0.02573 * 
get(.x)       0.5001     0.1179   4.241  0.00217 **
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.237 on 9 degrees of freedom
Multiple R-squared:  0.6665,    Adjusted R-squared:  0.6295 
F-statistic: 17.99 on 1 and 9 DF,  p-value: 0.00217


$`colonnes finissants par 2`

Call:
lm(formula = get(.y) ~ get(.x), data = anscombe)

Residuals:
    Min      1Q  Median      3Q     Max 
-1.9009 -0.7609  0.1291  0.9491  1.2691 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)   
(Intercept)    3.001      1.125   2.667  0.02576 * 
get(.x)        0.500      0.118   4.239  0.00218 **
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.237 on 9 degrees of freedom
Multiple R-squared:  0.6662,    Adjusted R-squared:  0.6292 
F-statistic: 17.97 on 1 and 9 DF,  p-value: 0.002179


$`colonnes finissants par 3`

Call:
lm(formula = get(.y) ~ get(.x), data = anscombe)

Residuals:
    Min      1Q  Median      3Q     Max 
-1.1586 -0.6146 -0.2303  0.1540  3.2411 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)   
(Intercept)   3.0025     1.1245   2.670  0.02562 * 
get(.x)       0.4997     0.1179   4.239  0.00218 **
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.236 on 9 degrees of freedom
Multiple R-squared:  0.6663,    Adjusted R-squared:  0.6292 
F-statistic: 17.97 on 1 and 9 DF,  p-value: 0.002176


$`colonnes finissants par 4`

Call:
lm(formula = get(.y) ~ get(.x), data = anscombe)

Residuals:
   Min     1Q Median     3Q    Max 
-1.751 -0.831  0.000  0.809  1.839 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)   
(Intercept)   3.0017     1.1239   2.671  0.02559 * 
get(.x)       0.4999     0.1178   4.243  0.00216 **
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 1.236 on 9 degrees of freedom
Multiple R-squared:  0.6667,    Adjusted R-squared:  0.6297 
F-statistic:    18 on 1 and 9 DF,  p-value: 0.002165

# vérification grâce à un graphique
ggplot(anscombe) +
  aes(x = x1, y = y1) +
  geom_point() +
  geom_abline(slope = 0.5, intercept = 3, color = "blue") +
  theme_classic()

## sur toutes les colonnes
purrr::map2(
  .x = c(glue("x{1:4}")),
  .y = c(glue("y{1:4}")),
  .f = ~ ggplot(anscombe) +
    aes(x = get(.x), y = get(.y)) +
    geom_point() +
    geom_abline(slope = 0.5, intercept = 3, color = "blue") +
    theme_classic()
)

[[1]]


[[2]]


[[3]]


[[4]]

## modification des noms des axes
purrr::map2(
  .x = c(glue("x{1:4}")),
  .y = c(glue("y{1:4}")),
  .f = ~ ggplot(anscombe) +
    aes(x = get(.x), y = get(.y)) +
    geom_point() +
    geom_abline(slope = 0.5, intercept = 3, color = "blue") +
    labs(x = .x, y = .y) +
    theme_classic()
)

[[1]]


[[2]]


[[3]]


[[4]]

## enregistrement automatique des graphiques générés 
purrr::map2(
  .x = c(glue("x{1:4}")),
  .y = c(glue("y{1:4}")),
  .f = ~ ggplot(anscombe) +
    aes(x = get(.x), y = get(.y)) +
    geom_point() +
    geom_abline(slope = 0.5, intercept = 3, color = "blue") +
    labs(x = .x, y = .y) +
    theme_classic()
) %>% 
  purrr::map2(
    .y = c(glue("img/x{1:4}y{1:4}.png")),
    .f = ~ ggsave(plot = .x, filename = .y, width = 2, height = 2)
  )

[[1]]
[1] "img/x1y1.png"

[[2]]
[1] "img/x2y2.png"

[[3]]
[1] "img/x3y3.png"

[[4]]
[1] "img/x4y4.png"

Ressources intéressantes

_ le cheatsheet de {purrr}
_ la vignette de {purrr}
_ La page d’itération dans l’e-book R for Data Science

R-Ladies Paris

Introduction

Historique

Le format tidy

La syntaxe tidyverse

Les packages concernés

{purrr}

La différence avec les boucles

Premier exemple d’utilisation de {purrr} avec du texte

Deuxième exemple avec une fonction sur des jdd

Troisième exemple avec le traitement de colonnes d’un même jdd

Ressources intéressantes

Le format `tidy`

La syntaxe `tidyverse`

`{purrr}`

Premier exemple d’utilisation de `{purrr}` avec du texte