R VS SAS

Sélection de colonnes

La table est composée de 5 variables (colonnes), type, age, couleur, taille et poids. Une étape DATA de SAS avec l’instruction de table keep permettra de sélectionner les colonnes à garder, dans l’exemple ci-dessous : type, age et couleur.

Le package dplyr pourra réaliser la même opération grâce à la fonction select().

data dat_select;
  set dat (keep = type age couleur);
run;

dat_select <- select(dat, type, age, couleur)

Sélection de lignes

La table est composée de 13 observations. Une étape DATA de SAS avec l’instruction if ou where permettra d’indiquer la condition à respecter pour les observations. Ici, la sélection se porte sur les animaux dont l’age est strictement inférieur à 4.

Dans R, l’utilisation de la fonction filter() est possible pour reproduire le même résultat.

data dat_filter;
  set dat;
  if age < 4;
run;

dat_filter <- filter(dat, age < 4)

Tri d’une table

Pour trier une table, nous utiliserons une PROC SORT dans SAS, avec R, nous pourrons utiliser la fonction arrange().

proc sort data = dat out = dat_arrange;
  by type;
run;

dat_arrange <- arrange(dat, type)

Renommage d’une variable

L’instruction rename de SAS va nous permettre de renommer une variable. L’équivalent en R sera la fonction rename(). Dans notre exemple, nous renommons la variable couleur en color.

data dat_rename;
   set dat;
   rename couleur = color;
run;

dat_rename <- rename(dat, color = couleur)

Création d’une nouvelle variable

L’exemple suivant est plus complet et permet de créer une nouvelle variable: sum_poids qui correspond à la somme des poids par type d’animal.

En SAS, nous utiliserons la table déjà triée précedemment par type. L’instruction by indiquera que le calcul de cette nouvelle variable se fait par groupe d’animal. En R, ce sera la fonction group_by() qui nous permettra de faire la même chose. Avec le programme SAS, la fonction first est aussi utilisée pour indiquer que lorsque c’est la première fois qu’il voit une modalité différente pour la variable type, il réinitialise la varibale sum_poids avec le poids de l’observation et sinon il ajoutera à sum_poids la valeur du poids des observations suivantes.

En R, nous utiliserons la fonction mutate() pour la création d’une variable, pour calculer la somme cumulée, ce sera la fonction cumsum qui sera utilisée.

A la différence de SAS où nous sommes obligé d’ajouter l’instruction retain pour que SAS se souvienne de la modalité de la ligne précédente, R n’impose aucune contrainte.

Note: il n’est pas obligatoire dans R de trier par la variable qui sera utilisée comme variable de groupement.

data dat_group;
  set dat_arrange;
  retain sum_poids;
  by type;
  if first.type then sum_poids = poids;
  else sum_poids = sum_poids + poids;
run;

dat_group <- dat %>%
  arrange(type) %>%
  group_by(type) %>%
  mutate(sum_poids = cumsum(poids))

Pour les deux prochains exemples, nous verrons des fusions de tables horizontales et verticales. Nous aurons ainsi besoin de deux autres tables dat_merge et dat_plus que vous trouverez ci-dessous.

dat_merge <- structure(list(type = c("chat", "chien", "canari", "perroquet"), espece = c("mammifère", "mammifère", "oiseau", "oiseau")), row.names = c(
  NA,
  -4L
), class = c("tbl_df", "tbl", "data.frame"))
dat_merge

dat_plus <- structure(list(type = c(
  "chien", "perroquet", "chien", "chat",
  "chat"
), age = c(6, 7, 2, 6, 7), couleur = c(
  "bleu", "mutli",
  "jaune", "roux", "vert"
), taille = c(15, 13, 43, 6, 15), poids = c(
  5,
  1, 11, 0.5, 6
)), row.names = c(NA, -5L), class = c(
  "tbl_df",
  "tbl", "data.frame"
))
dat_plus

Combinaison verticale de tables

Pour combiner deux tables verticalement, une étape DATA avec l’instruction set sera utilisée. En R, c’est la fonction bind_rows qui sera utilisée.

data dat_set ;
   set dat dat_plus;
run;

dat_set <- dat %>%
  bind_rows(dat_plus)

Combinaison horizontale de tables

Pour combiner deux tables horizontalement en fonction d’une clé de jointure, une étape DATA avec l’instruction merge sera utilisée et l’instruction by pour indiquer la variable qui servira de clé de jointure. En R, c’est la fonction full_join qui sera utilisée avec comme paramètre by qui permettra d’indiquer la variable qui sera la clé de jointure.

Note: avec une étape DATA pour fusionner deux tables, elles devront être triées par la variable utilisée comme clé de jointure, ce qui n’est pas nécessaire avec les fonctions de jointures disponibles dans le package dplyr.

proc sort data = dat out = dat_sort; by type; run;
proc sort data = dat_merge out = dat_merge_sort; by type; run;

data dat_merge_res;
  merge dat_sort(in = a) dat_merge_sort(in = b) ;
  if a;
  by type;
run;

dat_merge_res <- dat %>%
  left_join(dat_merge, by = "type")

Quelques fonctions équivalentes à certaines PROC

proc import datafile="pres_drees.xlsx" out = dat dbms = xlsx;
getname=yes;
run;

library(readxl)

dat <- read_excel("pres_drees.xlsx", sheet = "Feuil1")

proc means data = dat;
run;

summary_dat <- summary(dat)

##      type                age          couleur              taille     
##  Length:13          Min.   :1.000   Length:13          Min.   : 4.00  
##  Class :character   1st Qu.:3.000   Class :character   1st Qu.:10.00  
##  Mode  :character   Median :5.000   Mode  :character   Median :17.00  
##                     Mean   :4.615                      Mean   :19.15  
##                     3rd Qu.:6.000                      3rd Qu.:20.00  
##                     Max.   :8.000                      Max.   :43.00  
##      poids       
##  Min.   : 0.500  
##  1st Qu.: 1.200  
##  Median : 3.100  
##  Mean   : 4.077  
##  3rd Qu.: 6.000  
##  Max.   :11.000

proc sort data = dat; by type; run;

proc transpose data = dt out = dat_transpose;
   var age;
   by type;
run;

dat_t <- dat %>%
  select(type, age) %>%
  group_by(type) %>%
  mutate(col = seq_len(n()))

dat_transpose <- pivot_wider(
  data = dat_t,
  names_from = col, values_from = age,
  names_prefix = "col"
)

proc freq data = dat;
   tables age * type;
run;

table_dat <- table(dat$age, dat$type)

library(flextable)

proc_freq(dat, "age", "type")

proc corr data = dat pearson;
   var age poids taille;
run;

cor_dat <- cor(dat[, c("age", "poids", "taille")],
  method = "pearson"
)

##               age      poids     taille
## age     1.0000000 -0.4894355 -0.6526009
## poids  -0.4894355  1.0000000  0.9280667
## taille -0.6526009  0.9280667  1.0000000

proc reg data = dat ;
   model poids = age;
run;

model <- lm(poids ~ age, dat)

summary(model)

## 
## Call:
## lm(formula = poids ~ age, data = dat)
## 
## Residuals:
##    Min     1Q Median     3Q    Max 
## -3.612 -1.800 -1.378  2.444  4.888 
## 
## Coefficients:
##             Estimate Std. Error t value Pr(>|t|)   
## (Intercept)   7.6685     2.1189   3.619  0.00403 **
## age          -0.7782     0.4180  -1.861  0.08959 . 
## ---
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
## 
## Residual standard error: 3.158 on 11 degrees of freedom
## Multiple R-squared:  0.2395,	Adjusted R-squared:  0.1704 
## F-statistic: 3.465 on 1 and 11 DF,  p-value: 0.08959