WAMF-RStats-2024

Intro to R & Basic Data Visualization

GETTING STARTED / COMMENCER

hashtags let you write text in an R script but it doesn't actually run the code. that will make sense later but basically, putting a hashtag in front of text lets you take notes and annotate your R scripts, which is a good practice so you don't forget what you did or why...

```{r, echo = TRUE}

if you want to create a heading you need hashtags on both sides

```

les hashtags vous permettent d'écrire du texte dans un script R mais il n'exécute pas réellement le code. cela aura du sens plus tard mais en gros, mettre un hashtag devant le texte permet de prendre des notes et annotez vos scripts R, ce qui est une bonne pratique pour ne pas oublier ce que tu as fait ou pourquoi...

```{r, echo = TRUE}

si vous souhaitez créer un titre,

vous avez besoin de hashtags des deux côtés

```

download R and R studio at http://www.r-project.org/ and http://www.rstudio.org/

to run commands from your script, hit command + enter or the run button (top right corner) you can also type commands directly into the console, for example, if you don't want to save it in a script.

pour exécuter les commandes de votre script, appuyez sur commande + entrée ou sur le bouton Exécuter (coin supérieur droit) vous pouvez également taper des commandes directement dans la console, par exemple, si vous ne souhaitez pas enregistrez-le dans un script.

find out which version of R you have:

découvrez quelle version de R vous possédez:

{r, echo = TRUE, eval = FALSE} version

you can get help documentation for any function by typing a ? in front of it:

vous pouvez obtenir de la documentation d'aide pour n'importe quelle fonction en tapant un ? devant:

{r, echo = TRUE, eval = FALSE} ?version

viewing citations:

affichage des citations:

{r, echo = TRUE, eval = FALSE} citation()

get familiar with how R works. it can be a calculator e.g.

Familiarisez-vous avec le fonctionnement de R. ça peut être une calculatrice par ex:

{r, echo = TRUE} 1 + 1

assigning and using variables:

assigner et utiliser des variables:

```{r, echo = TRUE} x <- 7 x

x + 2 x/2

y <- c(2,3,5)

2*y

x*y

y1/2 (x + 2)/2 ```

phrases or characters need to be in quotation marks

it wouldn't be a coding class without some "hello world!":

expressions ou caractères doivent être entre guillemets

ce ne serait pas un cours de codage sans un "hello world!":

{r, echo = TRUE} print("hello world!") print("bonjour tout le monde!")

what happens without quotation marks?

que se passe-t-il sans les guillemets?

{r, error = TRUE, echo = TRUE, eval = TRUE} print(mammals)

you can write your own vectors using the "concatenate" function e.g.

vous pouvez écrire vos propres vecteurs en utilisant la fonction "concaténer", par ex.:

{r, echo = TRUE} a <- c(1,2,3,4) b <- c(5,6,7,8)

this tells R that you are giving it a list of values

cela indique à R que vous lui donnez une liste de valeurs

```{r, echo = TRUE} sum(a) mean(b) str(a) print(a)

a <- a*2 a ```

what is "a" now?

qu'est-ce que "a" maintenant?

creating a data matrix: cbind: binds lists by columns, rbind: binds lists by rows

création d'une matrice de données: cbind: lie les listes par colonnes, rbind: lie les listes par lignes

{r, echo = TRUE} m <- cbind(a,b) m2 <- rbind(a,b)

use "View" to look at your data:

utilisez "View" pour consulter vos données:

{r, echo = TRUE, eval = FALSE} View(m) View(m2)

you can also look at your new matrix in the console:

vous pouvez également regarder votre nouvelle matrice dans la console:

{r, echo = TRUE} m m2

in R, columns and rows can also be selected following the syntax of [rows, columns] so to select the second row of m:

dans R, les colonnes et les lignes peuvent également être sélectionnées en suivant la syntaxe de [lignes, colonnes] donc pour sélectionner la deuxième ligne de m:

{r, echo = TRUE} m[2,]

and the second column of m2:

et la deuxième colonne de m2:

{r, echo = TRUE} m2[,2]

you can also do simple stats very easily. here's an example from our mosquito paper. these are values representing little brown (mylu) and big brown (epfu) bat diet samples (23 and 7) with at least one mosquito species detected in a guano sample vs guano samples with no mosquitos detected (9 and 14):

Vous pouvez également faire des statistiques simples très facilement. voici un exemple de notre papier anti-moustique. ce sont des valeurs représentant des échantillons de régime alimentaire de petites chauves-souris brunes (mylu) et grosses (epfu) (23 et 7) avec au moins une espèce de moustique détectée dans un échantillon de guano vs échantillons de guano sans moustiques détectés (9 et 14):

{r, echo = TRUE} a <- c(23,7) b <- c(9,14) c <- cbind(a, b) c

use a chi-squared test:

utiliser un test du chi carré:

{r, echo = TRUE} ?chisq.test chisq.test(c)

t.tests for a small data set (without uploading anything!) create an example (just for testing): runif gives you random numbers from a uniform distribution rnorm gives you random numbers from a normal distribution

t.tests pour un petit ensemble de données (sans rien télécharger!) créez un exemple (juste pour tester): rnorm vous donne des nombres aléatoires issus d'une distribution normale runif vous donne des nombres aléatoires issus d'une distribution uniforme

{r, echo = TRUE} a <- rnorm(30, mean = 5, sd = 0.2) b <- runif(30, min = 0, max = 20)

view a histogram of these values:

afficher un histogramme de ces valeurs:

{r echo = TRUE, eval = TRUE} hist(a) hist(b) {r echo = TRUE, eval = FALSE} t.test(a,b) wilcox.test(a,b)

what happens if your samples are paired? compare the output from different tests:

que se passe-t-il si vos échantillons sont appariés? comparer les résultats de différents tests:

{r, echo = TRUE, eval = FALSE} t.test(a,b, paired = TRUE) wilcox.test(a,b, paired = TRUE)

digging deeper: which test changes more with a paired study design? why might that be? explore more on your own to understand the differences between parametric and nonparametric tests.

creuser plus profondément: quel test change le plus avec une conception d'étude jumelée? pourquoi cela pourrait-il être le cas? explorez davantage par vous-même pour comprendre les différences entre les tests paramétriques et non paramétriques.

setting your working directory: 3 ways / définir votre répertoire de travail: 3 façons

from the GUI: session -> set working directory replace the paths below with your own file paths to your desktop folders

définir le répertoire de travail, remplacez les chemins ci-dessous par vos propres chemins de fichiers vers vos dossiers de bureau

e.g.,

{r, echo = TRUE, eval = FALSE} setwd("your path here/WAMF RStats Workshop/data/")

interactive (pc only):

{r, echo = TRUE, eval = FALSE} choose.dir()

more info:

{r, echo = TRUE, eval = FALSE} ?setwd

see what your working directory is:

voyez quel est votre répertoire de travail:

{r, echo = TRUE, eval = FALSE} getwd()

uploading a csv: 3 ways / Télécharger un CSV: 3 façons

upload directly using a path (replace with your file path)

téléchargez directement en utilisant un chemin (remplacez par le chemin de votre fichier)

this data is from GBIF (gbif.org):

{r, echo = TRUE, eval = FALSE} df <- read.csv(file = "your path here/data/gbif_data.csv")

upload from your working directory:

upload depuis votre répertoire de travail:

{r, echo = TRUE, eval = TRUE} df <- read.csv(file = "gbif_data.csv")

or upload using this function:

ou téléchargez en utilisant cette fonction:

{r, echo = TRUE, error = TRUE, eval = FALSE} df <- read.csv(file.choose())

what if your data doesn't have a header? see:

et si vos données n'ont pas d'en-tête? voir:

{r, echo = TRUE, eval = FALSE} ?read.csv

you can upload nearly any file type in R, including .txt and .xls but you need another package for that. there are several! see if you can find them online.

vous pouvez télécharger presque n'importe quel type de fichier dans R, y compris .txt et .xls mais vous avez besoin d'un autre package pour cela (il y en a plusieurs ! voyez si vous peut les trouver lorsque vous avez accès à Internet.

useful ways to look at your data: façons utiles d'examiner vos données:

```{r, echo = TRUE, eval = FALSE} names(df) summary(df) head(df) # return the first part of a data frame / renvoyer la première partie d'un bloc de données tail(df) # return the last part of a data frame / renvoyer la dernière partie d'un bloc de données dim(df) # dimensions of the data frame / dimensions du bloc de données str(df) # structure of the data frame / structure de la trame de données nrow(df) # number of rows / Nombre de rangées length(df) # number of columns / le nombre de colonnes

mydf <- df names(mydf) ```

look at a subset of the data (rows 1-100):

regardez un sous-ensemble de données (lignes 1 à 100):

{r, echo = TRUE, eval = FALSE} View(df[1:100,])

look at a subset of certain rows

regarde un sous-ensemble de certaines lignes

{r, echo = TRUE, eval = FALSE} names(df) View(df[1:100, c(2,17,22)]) # see institution code, species, & level1Name

view the different options for the orders

visualiser les différentes options pour les commandes

{r, echo = TRUE, eval = TRUE} levels(as.factor(df$order))

change a variable from a character to a factor

changer une variable d'un caractère à un facteur

```{r, echo = TRUE, eval = FALSE} df$order <- as.factor(df$order)

levels(df$order) str(df) ```

summaries

```{r, echo = TRUE} summary(df$order) summary(as.factor(df$family))

hist(df$year) hist(df$decimalLatitude) hist(df$decimalLongitude)

summary(df$decimalLatitude) summary(df$decimalLongitude)

plot(df$decimalLongitude, df$decimalLatitude) ```

changing column names by column order:

modification des noms de colonnes par ordre des colonnes:

{r, echo = TRUE} colnames(df)[9] <- "lat" colnames(df)[10] <- "lon"

create a new variable:

créer une nouvelle variable:

{r, echo = TRUE} df$country <- df$level0Name names(df) head(df)

changing column names based on column name

changer les noms de colonnes en fonction du nom de la colonne

{r, echo = TRUE} names(df)[names(df) == "lon"] <- "long" names(df) head(df)

removing columns:

suppression de colonnes:

{r, echo = TRUE} df_subset <- df[-c(18,19)]

subsetting data

données de sous-ensemble

{r, echo = TRUE} df_bats <- subset(df, df$order == "Chiroptera") head(df_bats)

levels of a variable within the data subset:

niveaux d'une variable dans le sous-ensemble de données:

{r} levels(as.factor(df_bats$family))

challenge: can you find out if your favorite mammalian family is included in this dataset?

challenge : saurez-vous savoir si votre famille de mammifères préférée est incluse dans cet ensemble de données?

rename a value:

renommer une valeur:

{r} df_bats$family[df_bats$family == "Vespertilionidae"] <- "vesper bats" levels(as.factor(df_bats$family))

packages / paquets

we need a few packages (which act like plugins or apps with additional functionality) for the next few steps. After installing a package, you need to call it using the "library" function.

nous avons besoin de quelques packages (qui agissent comme des plugins ou des applications avec des fonctionnalités supplémentaires) pour les prochaines étapes. Après avoir installé un package, vous devez l'appeler à l'aide de la fonction "library".

```{r, echo = TRUE, eval = TRUE}

install.packages("mapdata")

install.packages("maps")

install.packages("praise")

install.packages("ggpplot2")

install.packages("unikn")

install.packages("ggridges")

install.packages("DataEditR")

library(mapdata) library(maps) library(praise) library(ggplot2) library(unikn) library(ggridges) library(DataEditR) ```

try out my favorite package (it only has 1 function):

essayez mon package préféré (il n'a qu'une seule fonction):

{r, echo = TRUE} praise::praise() praise::praise("${Exclamation}! This WAMF R workshop is ${adjective}!")

visit the "praise" github page: https://github.com/rladies/praise what do you see? explore the folders to see how a package is made!

visitez la page github "louange": https://github.com/rladies/praise que vois-tu? explorez les dossiers pour voir comment un package est créé!

there are many resources available WITH each R package, so you can access a lot of tutorials without ever connecting to the internet!

il existe de nombreuses ressources disponibles AVEC chaque package R, vous pouvez donc accédez à de nombreux tutoriels sans jamais vous connecter à Internet!

View available vignettes:

Afficher les vignettes disponibles:

{r} vignette(all = FALSE)

View specific vignettes:

Afficher des vignettes spécifiques:

{r} vignette("dplyr") vignette("ggplot2-specs")

citations for a package:

citations pour un package:

{r} citation("ggplot2")

open a new window

ouvrir une nouvelle fenêtre

{r, eval = FALSE} windows()

remind yourself of the names of your df:

rappelez-vous les noms de vos df:

{r, echo = TRUE} names(df)

edit your dataframe IN R using package "DataEditR":

note: needs wifi connection...but why?

éditez votre dataframe IN R en utilisant le package "DataEditR":

remarque : nécessite une connexion wifi... mais pourquoi?

```{r, eval = FALSE} dfedit <- DataEditR::dataedit(x = df)

View(df_edit) ```

did that work? now, you can save your edited file using the GUI, or like this:

est-ce que ça a marché? maintenant, vous pouvez enregistrer votre fichier modifié en utilisant l'interface graphique, ou comme ceci:

{r, eval = FALSE} write.csv(df_edit, file = "gbif_subset.csv")

to write a .csv file without numbers in the first column: pour écrire un fichier .csv sans chiffres dans la première colonne:

{r, eval = FALSE} write.csv(df_edit, file = "gbif_subset.csv", row.names = FALSE)

people will often use a # in front of any code that writes a file, so you can turn it on or off without worrying about rewriting that file.

les gens utiliseront souvent un # devant tout code qui écrit un fichier, vous pouvez donc tourner Activez-le ou désactivez-le sans vous soucier de réécrire ce fichier.

making a basic map / créer une carte de base

R can be used for many mapping functions! this one is nice especially for figures where you may want an inset of your study region in a broader context.

R peut être utilisé pour de nombreuses fonctions de cartographie! celui-ci est sympa surtout pour les chiffres où vous souhaiterez peut-être un encart de votre région d'étude dans un contexte plus large.

{r} map("worldHires", xlim = c(-20,55), ylim=c(-40,40)) map("worldHires", "Nigeria", add = TRUE, col = "green4", fill = TRUE) map("worldHires", "Cameroon", add = TRUE, col = "yellow", fill = TRUE)

zoom in more:

{r} map("worldHires", "Nigeria", xlim = c(0,20), ylim = c(-5,15), col = "gray90", fill = TRUE)

challenge: make your own map by changing the colors or scales of the map:

défi : réalisez votre propre carte en changeant les couleurs ou les échelles de la carte:

{r, eval = FALSE} colors()

making maps with your own color palette: make a color palette using hexadecimal color codes:

créer des cartes avec votre propre palette de couleurs: créer une palette de couleurs en utilisant des codes de couleurs hexadécimaux:

{r} my_colors <- c("#CFB06F", "#437B88", "#EA93A0", "#9F3537", "#97BC50", "#FE5D2B", "#ADA9A4")

or with color names:

ou avec les noms de couleurs:

{r} my_colors2 <- c("cornflowerblue", "gray80", "firebrick1", "hotpink2")

View palettes:

Afficher les palettes:

{r} unikn::seecol(my_colors) unikn::seecol(my_colors2)

more figures with your custom palettes: create some fake data:

plus de figures avec vos palettes personnalisées: créer de fausses données:

```{r} dd <- data.frame(ID = c(rep("a", 10), rep("b", 10), rep("c", 10), rep("d", 10), rep("e", 10), rep("f", 10), rep("g", 10)), v1 = rnorm(70, 0, 100), v2 = runif(70, 0, 1))

dd ```

figures: we will revisit how to use ggplot exactly, but for now, we can show some of its capabilities:

chiffres: nous reviendrons sur la manière d'utiliser ggplot exactement, mais pour l'instant, nous pouvons montrer certaines de ses capacités:

{r} ggplot(dd, aes(x = ID, y = v1, fill = factor(ID))) + # input your data and aesthetics / saisissez vos données et votre esthétique geom_boxplot(outlier.shape = NA) + # remove the outlier from geom_boxplot / supprimer la valeur aberrante de geom_boxplot geom_point(pch = 1) + # add points over the boxplots (includes the outlier) / ajouter des points sur les boxplots (inclut la valeur aberrante) scale_fill_manual(values = my_colors) + # manually change the colors / changer manuellement les couleurs theme_minimal() # set the overall plot theme / définir le thème général de l'intrigue `

{r} ggplot(dd, aes(x = v2, y = ID, fill = ID)) + geom_density_ridges(alpha = 0.8) + # alpha changes the transparency / alpha change la transparence scale_fill_manual(values = my_colors) + scale_y_discrete(limits = rev(df$ID)) + # change the scale / changer d'échelle theme_classic() # see a different theme / voir un thème différent

beautiful!!!!

{r} praise::praise()