R pour les sociologues (et assimilés)
Annexe C Solutions des exercices▲
Solution de l'exercice 2.1
Sélectionnez
R> c(12, 13, 14, 15, 16)
[1] 12 13 14 15 16Solution de l'exercice 2.2
Sélectionnez
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
R> c(1, 2, 3, 4)
[1] 1 2 3 4
R> 1:4
[1] 1 2 3 4
R> c(1, 2, 3, 4, 8, 9, 10, 11)
[1] 1 2 3 4 8 9 10 11
R> c(1:4, 8:11)
[1] 1 2 3 4 8 9 10 11
R> c(2, 4, 6, 8)
[1] 2 4 6 8
R> 1:4 * 2
[1] 2 4 6 8
Solution de l'exercice 2.3
Sélectionnez
1.
2.
3.
4.
5.
2.
3.
4.
5.
R> chef <- c(1200, 1180, 1750, 2100)
R> conjoint <- c(1450, 1870, 1690, 0)
R> nb.personnes <- c(4, 2, 3, 2)
R> (chef + conjoint)/nb.personnes
[1] 662.500 1525.000 1146.667 1050.000
Solution de l'exercice 2.4
Sélectionnez
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
R> chef <- c(1200, 1180, 1750, 2100)
R> min(chef)
[1] 1180
R> max(chef)
[1] 2100
R> chef.na <- c(1200, 1180, 1750, NA)
R> min(chef.na)
[1] NA
R> max(chef.na)
[1] NA
R> min(chef.na, na.rm = TRUE)
[1] 1180
R> max(chef.na, na.rm = TRUE)
[1] 1750
Solution de l'exercice 3.5
Sélectionnez
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.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
R> library(rgrs)
R> data(hdv2003)
R> df <- hdv2003
R> str(df)
'data.frame': 2000 obs. of 20 variables:
$ id : int 1 2 3 4 5 6 7 8 9 10 ...
$ age : int 28 23 59 34 71 35 60 47 20 28 ...
$ sexe : Factor w/ 2 levels "Homme","Femme": 2 2 1 1 2 2 2 1 2 1 ...
$ nivetud : Factor w/ 8 levels "N'a jamais fait d'etudes",..: 8 NA 3 8 3 6 3 6 NA 7 ...
$ poids : num 2634 9738 3994 5732 4329 ...
$ occup : Factor w/ 7 levels "Exerce une profession",..: 1 3 1 1 4 1 6 1 3 1 ...
$ qualif : Factor w/ 7 levels "Ouvrier specialise",..: 6 NA 3 3 6 6 2 2 NA 7 ...
$ freres.soeurs: int 8 2 2 1 0 5 1 5 4 2 ...
$ clso : Factor w/ 3 levels "Oui","Non","Ne sait pas": 1 1 2 2 1 2 1 2 1 2 ...
$ relig : Factor w/ 6 levels "Pratiquant regulier",..: 4 4 4 3 1 4 3 4 3 2 ...
$ trav.imp : Factor w/ 4 levels "Le plus important",..: 4 NA 2 3 NA 1 NA 4 NA 3 ...
$ trav.satisf : Factor w/ 3 levels "Satisfaction",..: 2 NA 3 1 NA 3 NA 2 NA 1 ...
$ hard.rock : Factor w/ 2 levels "Non","Oui": 1 1 1 1 1 1 1 1 1 1 ...
$ lecture.bd : Factor w/ 2 levels "Non","Oui": 1 1 1 1 1 1 1 1 1 1 ...
$ peche.chasse : Factor w/ 2 levels "Non","Oui": 1 1 1 1 1 1 2 2 1 1 ...
$ cuisine : Factor w/ 2 levels "Non","Oui": 2 1 1 2 1 1 2 2 1 1 ...
$ bricol : Factor w/ 2 levels "Non","Oui": 1 1 1 2 1 1 1 2 1 1 ...
$ cinema : Factor w/ 2 levels "Non","Oui": 1 2 1 2 1 2 1 1 2 2 ...
$ sport : Factor w/ 2 levels "Non","Oui": 1 2 2 2 1 2 1 1 1 2 ...
$ heures.tv : num 0 1 0 2 3 2 2.9 1 2 2 ...
Solution de l'exercice 3.6
Utilisez la fonction suivante et corrigez manuellement les erreurs :
Sélectionnez
R> df.ok <- edit(df)Attention à ne pas utiliser la fonction fix dans ce cas, celle-ci modifierait directement le contenu de df.
Puis utilisez la fonction head :
Sélectionnez
R> head(df.ok, 4)Solution de l'exercice 3.7
Sélectionnez
1.
2.
3.
4.
2.
3.
4.
R> summary(df$age)
R> hist(df$age, breaks = 10, main = "Répartition des âges", xlab = "Âge", ylab = "Effectif")
R> boxplot(df$age)
R> plot(table(df$age), main = "Répartition des âges", xlab = "Âge", ylab = "Effectif")
Solution de l'exercice 3.8
Sélectionnez
1.
2.
3.
4.
2.
3.
4.
R> table(df$trav.imp)
R> summary(df$trav.imp)
R> freq(df$trav.imp)
R> dotchart(table(df$trav.imp))
Solution de l'exercice 4.9
Utilisez la fonction read.table ou l'un de ses dérivés, en fonction du tableur utilisé et du format d'enregistrement.
Pour vérifier que l'importation s'est bien passée, on peut utiliser les fonctions str, dim, éventuellement edit et faire quelques tris à plat.
Solution de l'exercice 4.10
Utilisez la fonction read.dbf de l'extension foreign.
Solution de l'exercice 5.11
Sélectionnez
1.
2.
3.
4.
5.
2.
3.
4.
5.
R> library(rgrs)
R> data(hdv2003)
R> d <- hdv2003
R> d <- renomme.variable(d, "clso", "classes.sociales")
R> d <- renomme.variable(d, "classes.sociales", "clso")
Solution de l'exercice 5.12
Sélectionnez
1.
2.
3.
4.
2.
3.
4.
R> d$clso <- factor(d$clso, levels = c("Non", "Ne sait pas", "Oui"))
R> table(d$clso)
Non Ne sait pas Oui
1037 27 936
Solution de l'exercice 5.13
Sélectionnez
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
R> d$cinema[1:3]
[1] Non Oui Non
Levels: Non Oui
R> d$lecture.bd[12:30]
[1] Non Non Non Non Non Non Non Non Non Non Non Non Non Non Non Non Non
[18] Non Non
Levels: Non Oui
R> d[c(5, 12), c(4, 8)]
nivetud freres.soeurs
5 Derniere annee d'etudes primaires 0
12 2eme cycle 4
R> longueur <- length(d$age)
R> tail(d$age, 4)
[1] 46 24 24 66
Solution de l'exercice 5.14
Sélectionnez
1.
2.
3.
4.
5.
6.
2.
3.
4.
5.
6.
R> subset(d, lecture.bd == "Oui", select = c(age, sexe))
R> subset(d, occup != "Chômeur", select = -cinema)
R> subset(d, age >= 45 & hard.rock == "Oui", select = id)
R> subset(d, sexe == "Femme" & age >= 25 & age <= 40 & sport == "Non")
R> subset(d, sexe == "Homme" & freres.soeurs >= 2 & freres.soeurs <=
+ 4 & (cuisine == "Oui" | bricol == "Oui"))
Solution de l'exercice 5.15
Sélectionnez
1.
2.
3.
4.
5.
6.
7.
8.
9.
2.
3.
4.
5.
6.
7.
8.
9.
R> d.bd.oui <- subset(d, lecture.bd == "Oui")
R> d.bd.non <- subset(d, lecture.bd == "Non")
R> mean(d.bd.oui$heures.tv)
[1] 1.763830
R> mean(d.bd.non$heures.tv, na.rm = TRUE)
[1] 2.258214
R> tapply(d$heures.tv, d$lecture.bd, mean, na.rm = TRUE)
Non Oui
2.258214 1.763830
Solution de l'exercice 5.16
Sélectionnez
1.
2.
3.
4.
5.
6.
2.
3.
4.
5.
6.
R> d$fs.char <- as.character(d$freres.soeurs)
R> d$fs.fac <- factor(d$fs.char)
R> d$fs.num <- as.numeric(as.character(d$fs.char))
R> table(d$fs.num == d$freres.soeurs)
TRUE
2000
Solution de l'exercice 5.17
Sélectionnez
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
R> d$fs1 <- cut(d$freres.soeurs, 5)
R> table(d$fs1)
(-0.022,4.39] (4.39,8.8] (8.8,13.2] (13.2,17.6] (17.6,22]
1495 396 97 9 3
R> d$fs2 <- cut(d$freres.soeurs, breaks = c(0, 2, 4, 19), include.lowest = TRUE,
+ labels = c("de 0 à 2", "de 2 à 4", "plus de 4"))
R> table(d$fs2)
de 0 à 2 de 2 à 4 plus de 4
1001 494 504
R> d$fs3 <- quant.cut(d$freres.soeurs, 3)
R> table(d$fs3)
[0,2) [2,4) [4,22]
574 711 715
Solution de l'exercice 5.18
Sélectionnez
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.
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.
R> d$trav.imp2cl[d$trav.imp == "Le plus important" | d$trav.imp ==
+ "Aussi important que le reste"] <- "Le plus ou aussi important"
R> d$trav.imp2cl[d$trav.imp == "Moins important que le reste" |
+ d$trav.imp == "Peu important"] <- "moins ou peu important"
R> table(d$trav.imp)
Le plus important Aussi important que le reste
29 259
Moins important que le reste Peu important
708 52
R> table(d$trav.imp2cl)
Le plus ou aussi important moins ou peu important
288 760
R> table(d$trav.imp, d$trav.imp2cl)
Le plus ou aussi important
Le plus important 29
Aussi important que le reste 259
Moins important que le reste 0
Peu important 0
moins ou peu important
Le plus important 0
Aussi important que le reste 0
Moins important que le reste 708
Peu important 52
R> d$relig.4cl <- as.character(d$relig)
R> d$relig.4cl[d$relig == "Pratiquant regulier" | d$relig ==
+ "Pratiquant occasionnel"] <- "Pratiquant"
R> d$relig.4cl[d$relig == "NSP ou NVPR"] <- NA
R> table(d$relig.4cl, d$relig, exclude = NULL)
Pratiquant regulier Pratiquant occasionnel
Appartenance sans pratique 0 0
Ni croyance ni appartenance 0 0
Pratiquant 266 442
Rejet 0 0
<NA> 0 0
Appartenance sans pratique
Appartenance sans pratique 760
Ni croyance ni appartenance 0
Pratiquant 0
Rejet 0
<NA> 0
Ni croyance ni appartenance Rejet
Appartenance sans pratique 0 0
Ni croyance ni appartenance 399 0
Pratiquant 0 0
Rejet 0 93
<NA> 0 0
NSP ou NVPR <NA>
Appartenance sans pratique 0 0
Ni croyance ni appartenance 0 0
Pratiquant 0 0
Rejet 0 0
<NA> 40 0
Solution de l'exercice 5.19
Attention, l'ordre des opérations a toute son importance !
Sélectionnez
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
39.
40.
41.
42.
43.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
16.
17.
18.
19.
20.
21.
22.
23.
24.
25.
26.
27.
28.
29.
30.
31.
32.
33.
34.
35.
36.
37.
38.
39.
40.
41.
42.
43.
R> d$var <- "Autre"
R> d$var[d$sexe == "Femme" & d$bricol == "Oui"] <- "Femme faisant du bricolage"
R> d$var[d$sexe == "Homme" & d$age > 30] <- "Homme de plus de 30 ans"
R> d$var[d$sexe == "Homme" & d$age > 40 & d$lecture.bd == "Oui"] <- "Homme de plus de 40 ans lecteur de BD"
R> table(d$var)
Autre
925
Femme faisant du bricolage
338
Homme de plus de 30 ans
728
Homme de plus de 40 ans lecteur de BD
9
R> table(d$var, d$sexe)
Homme Femme
Autre 162 763
Femme faisant du bricolage 0 338
Homme de plus de 30 ans 728 0
Homme de plus de 40 ans lecteur de BD 9 0
R> table(d$var, d$bricol)
Non Oui
Autre 847 78
Femme faisant du bricolage 0 338
Homme de plus de 30 ans 298 430
Homme de plus de 40 ans lecteur de BD 2 7
R> table(d$var, d$lecture.bd)
Non Oui
Autre 905 20
Femme faisant du bricolage 324 14
Homme de plus de 30 ans 724 4
Homme de plus de 40 ans lecteur de BD 0 9
R> table(d$var, d$age > 30)
FALSE TRUE
Autre 283 642
Femme faisant du bricolage 68 270
Homme de plus de 30 ans 0 728
Homme de plus de 40 ans lecteur de BD 0 9
R> table(d$var, d$age > 40)
FALSE TRUE
Autre 417 508
Femme faisant du bricolage 152 186
Homme de plus de 30 ans 163 565
Homme de plus de 40 ans lecteur de BD 0 9
Solution de l'exercice 5.20
Sélectionnez
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
R> d.ord <- d[order(d$freres.soeurs), ]
R> d.ord <- d[order(d$heures.tv, decreasing = TRUE), c("sexe", "heures.tv")]
R> head(d.ord, 10)
sexe heures.tv
288 Femme 12
391 Femme 12
1324 Homme 11
1761 Femme 11
100 Femme 10
236 Femme 10
421 Homme 10
426 Femme 10
841 Femme 10
1075 Homme 10