Formation R - Data Analyse

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 et bonnes pratiques de codage
- Mettre en œuvre des traitements de données avancés avec le tidyverse, incluant pivots, jointures spécifiques, facteurs et chaînes de caractères
- Automatiser des traitements analytiques en concevant des fonctions R robustes et des itérations avec purrr
- 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 et automatiser des rapports d’analyse reproductibles à l’aide de Quarto et de rapports paramétrés

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

- Rappels R et bonnes pratiques générales

Projets R et chemins relatifs
Organisation de son projet et ses répertoires
Importations de fichiers et problématiques courantes
L’approche tidyverse vs R base
Bonnes pratiques de codage
Outils d’aide (lintr / styler)
Séparer son code en plusieurs fichiers
Versionner son code avec git (principes généraux uniquement)

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

- Tidyverse avancé

Rappels sur les fonctions clés du tidyverse
Principes de la « tidy data » et fonctions de pivot de données
Jointures spécifiques (semi_join, anti_join)
Traitements sur de multiples colonnes avec across
Sélection de multiples colonnes avec le tidyselect
Facteurs : package forcats et bonnes pratiques sur les facteurs
Chaînes de caractères et expressions régulières

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

- Automatisation et fonction

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
Itérations avec purrr

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

- 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

Rappels ggplot2 : fondamentaux, thèmes personnalisés
Création de visualisations interactives avec ggiraph
Autres packages pour la dataviz : spécificités et avantages / inconvénients
Création de tableaux de synthèse formatés avec GT
Personnalisation de tableaux GT
Autres packages pour les tableaux : spécificités et avantages / inconvénients
Introduction à la cartographie avec sf

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
Génération de rapports Quarto en ligne de commande

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 - 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

Formation R – Data Analyse avancée