| |
LaTeX & R
Encore un site sur R !

Juste quelques trucs pour vous aider à débuter en R & LaTeX centré sur la production de rapports via knitr ou RMarkdown.

En clair je me suis fait un aide mémoire que je partage avec vous.

Des données dans un tableur

Comment ne pas faire trop de bêtises avec un tableur

Article mis en ligne le 5 mai 2022
dernière modification le 24 juin 2022

par Philippe MICHEL

Un tableur comme Excel est un outil de comptabilité analytique & n’a jamais été conçu pour stocker des données. Néanmoins ces logiciels sont puissants, versatiles, très pratiques, semblent simples d’emploi & permettent, sous certaines conditions, de stocker des tableaux simples. Un peu de réflexion & de travail préparatoire vous feront gagner beaucoup de temps.

Dans tous les cas on ne travaille jamais seul, le data-manager ou le statisticien peuvent à tout moment vous conseiller.

Pour mémoire le tableau qui arrive au statisticien, donc quand toutes les saisies & queries sont terminées, doit être complètement anonymisé.

Un seul tableau

Toutes les données doivent rentrer dans un seul tableau. Dans certains cas c’est impossible . Dans ce cas c’est un tableau par onglet (avec un nom clair pour l’onglet). Par exemple, un travail sur la prise en charge d’une pathologie dans les services d’un hôpital. Vous n’allez pas ressaisir les caractéristiques du service pour chaque patient. Vous aurez donc un tableau Patients (1) avec une variable Service qui permettra de rattacher ce patient aux données du service contenus dans un autre tableau nommé Service (2).

Tableau patients
serviceagetaille...
P01 Gastro 85 158
P02 Neuro 65 187
P03 Réa 55 178
Tableau service
ID service nb_lit dms
S01 Gastro 12 5.8
S02 Neuro 16 6.3
S03 Réa 18 6.7
Un tableau c’est un rectangle plein

Les cas (patients par ex.) sont en ligne & les variables (âge, poids…) en colonne donc un grand rectangle.

Ce tableau ne contient que les données, aucun calcul. Pas de moyenne en bas de colonnes. Si vous voulez faire des calculs, résumés etc. copiez l’onglet & faites tout ce que vous voulez sur la copie.

Pas de mise en forme

Seul le texte du tableau sera utilisé. Toutes les mises en forme
(couleur, gras...) seront perdues lors de l’importation dans le
logiciel de statistique. Donc utilisez ces aides tant que vous voulez
pour avoir un tableau clair où vous vous repérez facilement mais
l’information ne doit jamais être contenue uniquement dans ces
artifices.


Le tableau réduit au simple texte doit être complet & suffisant.

Données manquantes

Vous aurez des données manquantes. Il faut noter un code arbitraire pour coder ces données. Habituellement on utilise NA pour Not Available mais l’important est de toujours utiliser le même code. Une case vide peut être le code faute de mieux.

des Variables

Nom des variables

Le nom de la variable (ou de l’onglet) va être utiliser ensuite dans du code. Par exemple pour calculer la moyenne de l’âge :

  1.  > moy <- mean(age, data = monfichier)

Il donc évident qu’il doit s’agir d’un nom simple & court, pas la question posé au patient sur le questionnaire. Ce nom ne doit pas comporter d’accent, d’espace ou de caractère bizarre. Et il est préférable de tout mettre en minuscule (format dit petit serpent). une bobnne solution est de fournir un second tableau avec deux colonnes : le nom abrégé (dn) & le nom vrai (Date de naissance).

Question Nom inutilisable Nom correct
Quel est votre âge ? Âge age
Sexe du patient Sexe patient sexe
Pression artérielle systolique PA systolique pa_sys

Chaque colonne doit avoir un titre & un seul. Donc UNE & une seule ligne de titre.

Tableau inutilisable
H1H2
ID PAM FC SpO2 PAM FC SpO2
P1 123 98 98 145 111 97
P2 145 88 97 154 121 99
P3 125 78 98 145 98 98

Ce tableau, bien que parfaitement clair pour un être humain, est inutilisable. Quel est le nom de la variable en colonne 2 ?

Première solution – format court
Tableau correct - format court
IDPA_H1 FC_H1 SpO2_H1 PA_H2 FC_H2 SpO2_H2
P1 123 98 98 145 111 97
P2 145 88 97 154 121 99
P3 125 78 98 145 98 98

Solution simple. La comparaison des PA entre H1 & H2 (test de student) va s’écrire :

  1.  > t.test(PA_H1, PA_H2)
Deuxième solution – format long

Exactement les mêmes données, seule la présentation change :

Tableau correct - format long
ID heure PA FC SpO2
P1 H1 123 98 98
P1 H2 145 111 97
P2 H1 145 88 97
P2 H2 154 121 99
P3 H1 125 78 98
P3 H2 145 98 98

Moins instinctif mais souvent plus pratique. Le même test de Student va alors s’écrire :

  1.  > t.test(PA~heure)

du Codage des variables

Beaucoup de personnes, souvent beaucoup plus jeunes que moi, sont persuadées qu’un ordinateur ne peut gérer que des chiffres. Grande nouvelle, c’est faux ! Et votre tableau sera plus clair avec des intitulés en clair (Homme, Femme) qu’avec des chiffres (1, 0). Et c’est vous qui expliquerez pourquoi vous avez codé les dames en zéro... Même les scores ou échelles doivent être notés en texte. Les coder en numérique revient à dire que passer de 1 à 2 est aussi grave que de passer de 6 à 7. Vous en être sûr ?

Il reste à éviter les erreurs de saisie. On voit souvent dans la même colonne des « oui », Oui & surtout «oui&nbsp; » (il y a une espace en trop). On peut facilement éviter ça & gagner du temps sur la saisie en utilisant l’outil Validation de données dans Excel. Ça vous évitera aussi des âges de 548 ans & la saisie sera beaucoup plus rapide.

Des nombres

Une variable numérique ne doit contenir que des nombres ! Et > 5 ou 5 mmol/L ne sont pas des nombres ! L’unité de mesure n’a pas à être présente sur le tableau final, ni dans le titre, ni dans les données. Utilisez la validation de données aussi pour vos variables numériques. C’est un peu de travail au début mais un gain de temps & de sécurité ensuite.

Date & Heure

les dates sont une source d’erreur constante. Il existe au moins trois manières d’écrire les dates d’usage courant. La solution est de ne pas laisser Excel choisir & d’entrer les dates en format texte ou de faire très attention au codage. En particulier deux colonnes peuvent être codées différemment sans que vous l’ayez demandé. De toute façon il faudra convertir les dates pour le logiciel de statistique donc choisissez une norme, n’importe laquelle, mais n’en changez pas en route.

France 12/08/2022
12 août 2022
12/08/22
USA 08-12-22
ISO 8601 22-08-12

De plus certains systèmes compte le temps en seconde depuis le 01/01/1900, d’autres depuis le 01/01/1904…

Vous comprenez bien qu’on improvise pas un tableau de données. La bonne solution, un peu lourde mais si pratique, est d’écrire en premier un tableau de ses variables (Code Book) avec toutes les informations sur le modèle :

Tableau des variables nom abrégé type valeurs
1 Âge du patient age entier 18 –110
2 Date d’admission dateadm date dd/mm/yyyy
3 Sexe sexe facteur F / M
4 BMI bmi entier 10 à 60 Kg
5 Score IGS II à l’admission igsadm entier 0 à 120
6 Oxygénothérapie oxy entier 0 à 20
7 Ventilation invasive vi facteur oui/non
8 Sédation sedation facteur oui/non
9 Curarisation curarisation facteur oui/non/nsp

des Sauvegardes !

Un ordinateur n’est qu’une machine & est sujet à la panne. Un disque dur est une mécanique fragile (qu’il soit mécanique ou SSD). Une tasse de café peut se renverser. Donc on fait des sauvegardes ! Sur plusieurs supports en local & à distance. Il existe des solutions simples de sauvegarde (TimeMachine sur MacOS ou rsync sur Linux par ex.).

Un fichier non sauvegardé n’existe pas

Remerciements

La plupart de ces conseils est très bien expliquée sur le blog de Claire Della-Vedova dont je me suis largement inspiré.