Formation R pour la Data Analyse avancée

Objectifs

Perfectionner son utilisation du langage R dans l’optique de structurer, automatiser et restituer efficacement des analyses de données reproductibles.

Compétences visées

- Structurer un projet R reproductible en organisant scripts, données, gestion d'environnement et bonnes pratiques de codage
- Automatiser des traitements analytiques en concevant des fonctions R robustes
- Mettre en œuvre des traitements de données avancés avec le tidyverse (pivots, traitements multicolonnes, gestion de facteurs)
- Analyser et optimiser les performances de traitements de données volumineuses à l’aide de {data.table} et {duckDB}
- Produire des visualisations et tableaux de synthèse professionnels, statiques ou interactifs, adaptés à la restitution analytique
- Générer, automatiser et mettre en forme des rapports d’analyse reproductibles avec Quarto

Public

Toute personne utilisant déjà le langage R pour la réalisation d'analyses de données, de reporting ou d’études statistiques.

Pré-requis

Une pratique minimale de R et des packages du tidyverse (dplyr, ggplot2) est requise.

Méthode pédagogique

Pédagogie active mêlant exposés, exercices et applications pratiques dans le logiciel R.

Programme

- Bonnes pratiques générales avec R

Projets R Studio : principes, organisation et chemins relatifs
L'approche tidyverse : rappels des fondamentaux, différences avec le R base et principaux packages
Bonnes pratiques de codage : conventions et outils d'aide
Structurer son code et différencier les traitements préparatoires de l'analyse
Gestion d'environnement avec renv

Pratique : passer en revue un script R « fonctionnel mais perfectible » et l’améliorer en mettant en place des bonnes pratiques de codage et d’organisation

- Automatisation et fonctions

Rappels sur la création et l’appel de fonctions
Intégration de messages et warning dans une fonction
Approche pratique du tidyeval
Bonnes pratiques dans l’écriture des fonctions (nommage, organisation, imbrication, débuggage)

Pratique : refactoriser un script R en encapsulant dans des fonctions diverses étapes du traitement de données

- Traitements de données avancés avec le tidyverse

Rappels sur les principales fonctions et packages du tidyverse
Outils transverses au tidyverse : {tidyselect}, {glue}, regex/li>
Traitements sur de multiples colonnes (across et dérivés)
Modifier la structure d'un dataframe avec les pivots
Gestion des facteurs : package {forcats} et bonnes pratiques

Pratique : réaliser divers traitements analytiques courants impliquant notamment gestion de facteurs, pivots de données et traitements sur de multiples colonnes d’un dataframe

- Gestion de données massives

Evaluer les temps de traitements de manipulations de données
Fondamentaux du package {data.table}
Traitements de données courants avec {data.table}
{data.table} vs {dplyr} : avantages et inconvénients
Connexion à {duckDB} pour des traitements accélérés

Pratique : mettre en place des traitements analytiques à partir d’une base de données conséquente, en utilisant différentes approches et en comparant leurs performances

- Dataviz & tableaux

Aller plus loin avec {ggplot2} : thèmes, combinaisons de graphiques, gestion des couleurs, formatage de texte
Création de visualisations interactives avec {ggiraph}
Création et personnalisation de tableaux de synthèse avec {gt}
Autres packages pour la dataviz et les tableaux

Pratique : créer des graphiques interactifs et des tableaux de synthèse, avec un rendu propre et professionnel

- Reporting avec Quarto

Fondamentaux de Quarto : objectifs, principes, différences avec R markdown
Options de code des chunks
Personnalisation du YAML
Intégration de tableaux et graphiques dans un rapport Quarto
Trucs et astuces Quarto
Rapports paramétrés

Pratique : automatiser la création de plusieurs rapports d’analyse avec un rendu propre et professionnel

Modalités d'évaluation

Un formulaire d'auto-évaluation proposé en amont de la formation nous permettra d'évaluer votre niveau et de recueillir vos attentes. Ce même formulaire soumis en aval de la formation fournira une appréciation de votre progression.
Des exercices pratiques seront proposés à la fin de chaque séquence pédagogique pour l'évaluation des acquis.
En fin de formation, vous serez amené(e) à renseigner un questionnaire d'évaluation à chaud.
Une attestation de formation vous sera adressée à l'issue de la session.
Trois mois après votre formation, vous recevrez par email un formulaire d'évaluation à froid sur l'utilisation des acquis de la formation.

Qualification du formateur

Les formations DATA VALUE sont animées par des intervenants experts, alliant expérience opérationnelle et compétences pédagogiques reconnues.
Ils disposent de plus de 10 ans d’expérience professionnelle et assurent une veille constante sur les pratiques, outils et normes de leur domaine afin de garantir des contenus actualisés et adaptés aux besoins des stagiaires.

Solutions de financement

Cette formation peut être financée :

dans le cadre du plan de développement des compétences de votre Entreprise
par l’OPCO (opérateur de compétences) de votre Entreprise ou le FAF (Fonds d’Assurance Formation) pour les professionnels libéraux
par France Travail dans le cadre du dispositif de l'Aide Individuelle à la Formation (soumis à accord de votre Agence)
à titre personnel

Délais d'accès et modalités de formation

Les inscriptions peuvent être effectuées jusqu’à 48 heures avant le début de la formation.
Vous pourrez trouver des informations plus détaillées concernant les modalités de nos formations à cette adresse : https://www.datavalue.fr/modalites-acces-formation

Accessibilité

Vous souhaitez suivre notre formation R pour la Data Analyse avancée et êtes en situation de handicap ? Merci de nous contacter afin que nous puissions envisager les adaptations nécessaires et vous garantir de bonnes conditions d'apprentissage