Tutoriel · Débutant
Définitions, code R reproductible et figures générées directement à partir de chaque exemple.
Choisissez un graphique, comprenez ce qu’il communique, examinez le résultat et exécutez le code correspondant dans R ou RStudio. Chaque figure affichée a été produite à partir du code de son exemple.
Plusieurs tutoriels utilisent iris, un jeu de données inclus dans R. Il contient 150 observations de fleurs de trois espèces d’iris, avec les mesures de longueur et de largeur des sépales et des pétales. Aucun téléchargement de fichier ni installation de package n’est nécessaire.
Chargez les données, affichez les premières lignes, examinez leur structure et consultez la documentation officielle de R avec les commandes ci-contre.
data(iris) # Charger le jeu de données intégré
head(iris) # Afficher les six premières lignes
str(iris) # Examiner les variables et leurs types
summary(iris) # Afficher les statistiques descriptives
?iris # Ouvrir la page d’aide de RUn diagramme en barres compare des valeurs numériques entre catégories. La longueur ou la hauteur de chaque barre représente la valeur associée à la catégorie.
Consulter le guide détaillé : diagramme en barres →
values <- c(A = 18, B = 27, C = 22, D = 35, E = 29)
barplot(values, col = "#2563eb", border = NA,
ylab = "Value", main = "Values by category")Une boîte à moustaches résume une distribution numérique par sa médiane, ses quartiles, sa dispersion et ses valeurs potentiellement aberrantes, pour comparer les groupes de manière claire et synthétique.
Consulter le guide détaillé : boîte à moustaches →
boxplot(Sepal.Length ~ Species, data = iris,
col = c("#dbeafe", "#93c5fd", "#2563eb"),
ylab = "Sepal length", main = "Distribution by species")Une courbe de densité fournit une estimation lissée de la distribution d’une variable continue. Les pics indiquent les plages où se concentrent les observations.
Consulter le guide détaillé : courbe de densité →
set.seed(123)
x <- rnorm(120)
d <- density(x)
plot(d, lwd = 3, col = "#2563eb", xlab = "x")
polygon(d, col = adjustcolor("#0891b2", 0.22), border = NA)
lines(d, lwd = 3, col = "#2563eb")Une carte thermique représente les valeurs d’une matrice par des couleurs. Elle permet de repérer les valeurs fortes ou faibles, les regroupements et les structures de corrélation.
Consulter le guide détaillé : carte thermique →
m <- cor(iris[, 1:4])
heatmap(m, Rowv = NA, Colv = NA, scale = "none",
col = colorRampPalette(c("#eff6ff", "#2563eb",
"#172554"))(30))Un histogramme répartit les observations continues en intervalles et utilise la hauteur des barres pour indiquer combien de valeurs appartiennent à chaque intervalle.
Consulter le guide détaillé : histogramme →
set.seed(123)
x <- rnorm(120)
hist(x, breaks = 12, col = "#2563eb", border = "white",
main = "Distribution of x", xlab = "x")Un graphique en courbes relie les valeurs dans l’ordre, généralement temporel, afin de révéler les tendances, les évolutions, les cycles et les points de retournement.
Consulter le guide détaillé : graphique en courbes →
set.seed(123)
values <- cumsum(rnorm(24, 0.3, 1)) + 20
plot(seq_along(values), values, type = "o", pch = 16,
lwd = 2.5, col = "#2563eb", xlab = "Period",
ylab = "Value", main = "Values over time")Une matrice de nuages de points représente toutes les relations deux à deux entre plusieurs variables numériques.
Consulter le guide détaillé : matrice de nuages de points →
pairs(iris[, 1:4], pch = 19,
col = adjustcolor("#2563eb", 0.45),
main = "Iris variables")Un graphique polygonal dessine une forme fermée à partir de coordonnées x et y ordonnées. Il permet de mettre en évidence des régions ou d’ajouter des zones remplies à un graphique existant.
Consulter le guide détaillé : graphique polygonal →
plot(1, 1, type = "n", xlim = c(0, 2), ylim = c(0, 2),
xlab = "X", ylab = "Y")
polygon(x = c(0.35, 1.45, 1.75, 1.2, 0.45),
y = c(0.35, 0.45, 1.25, 1.75, 1.35),
col = "#2563eb", border = "#172554", lwd = 2)Un diagramme quantile-quantile compare les quantiles observés à ceux d’une distribution de référence. Des points proches de la droite de référence indiquent des distributions de forme similaire.
Consulter le guide détaillé : diagramme quantile-quantile →
set.seed(123)
x <- rnorm(120)
qqnorm(x, pch = 19, col = "#2563eb")
qqline(x, col = "#dc2626", lwd = 2)Un nuage de points place des observations numériques appariées sur deux axes pour révéler la direction, la forme, l’intensité et les points inhabituels de leur relation.
Consulter le guide détaillé : nuage de points →
set.seed(123)
x <- rnorm(120)
y <- 0.7 * x + rnorm(120, sd = 0.65)
plot(x, y, pch = 19, col = adjustcolor("#2563eb", 0.6))
abline(lm(y ~ x), col = "#dc2626", lwd = 2.5)Un diagramme de Venn utilise des formes superposées pour montrer les relations entre ensembles. Les intersections représentent les éléments communs à plusieurs ensembles.
Consulter le guide détaillé : diagramme de venn →
plot.new()
plot.window(xlim = c(0, 10), ylim = c(0, 7), asp = 1)
symbols(c(4, 6), c(3.5, 3.5), circles = c(2.35, 2.35),
inches = FALSE, add = TRUE,
bg = c(adjustcolor("#2563eb", 0.35),
adjustcolor("#0891b2", 0.35)))
text(5, 3.5, "A ∩ B", font = 2)Un graphique en aires remplit l’espace entre une courbe et une ligne de base, mettant en évidence l’ampleur et l’évolution cumulée sur un axe ordonné.
Consulter le guide détaillé : graphique en aires →
x <- 1:24
y <- cumsum(rnorm(24, .3, .5)) + 10
plot(x, y, type = "n")
polygon(c(x, rev(x)), c(y, rep(0, length(y))), col = "#bfdbfe", border = NA)
lines(x, y, col = "#2563eb", lwd = 3)Un diagramme à points représente les valeurs par leur position sur une échelle commune, offrant une alternative compacte et précise aux barres.
Consulter le guide détaillé : diagramme à points →
values <- c(A = 18, B = 27, C = 22, D = 35, E = 29)
dotchart(values, pch = 19, col = "#2563eb", xlab = "Value")Un diagramme en violon représente une estimation de densité symétrique pour comparer la forme complète, la dispersion et la concentration des distributions.
Consulter le guide détaillé : diagramme en violon →
library(ggplot2)
ggplot(iris, aes(Species, Sepal.Length, fill = Species)) +
geom_violin(show.legend = FALSE) + theme_minimal()Un diagramme en sucettes relie la ligne de base de chaque catégorie à un point représentant sa valeur, pour un classement léger et lisible.
Consulter le guide détaillé : diagramme en sucettes →
v <- c(18, 27, 22, 35, 29)
plot(v, type = "n", ylim = c(0, 40))
segments(seq_along(v), 0, seq_along(v), v, col = "#93c5fd", lwd = 3)
points(v, pch = 19, col = "#2563eb")Les diagrammes circulaires et en anneau divisent un cercle en secteurs angulaires pour représenter simplement la composition d’un ensemble.
Consulter le guide détaillé : diagrammes circulaire et en anneau →
values <- c(A = 35, B = 25, C = 22, D = 18)
pie(values, col = hcl.colors(4, "Blues 3"), main = "Composition")Un diagramme en mosaïque divise un rectangle selon les fréquences d’un tableau de contingence pour révéler les associations entre variables catégorielles.
Consulter le guide détaillé : diagramme en mosaïque →
tab <- xtabs(Freq ~ Class + Survived, data = as.data.frame(Titanic))
mosaicplot(tab, color = c("#bfdbfe", "#2563eb"), main = "Class and survival")Un graphique de courbes de niveau relie les positions ayant une même valeur de surface, traduisant une structure tridimensionnelle en deux dimensions.
Consulter le guide détaillé : graphique de courbes de niveau →
x <- seq(-3, 3, length = 60)
y <- x
z <- outer(x, y, function(a, b) exp(-(a^2 + b^2) / 2))
contour(x, y, z, col = "#2563eb", lwd = 2)Un diagramme radar place des indicateurs sur des axes radiaux et relie leurs valeurs pour former un profil multivarié.
Consulter le guide détaillé : diagramme radar →
values <- c(4, 7, 6, 8, 5)
angles <- seq(0, 2*pi, length.out = 6)
r <- c(values, values[1])
plot(cos(angles)*r, sin(angles)*r, type = "l", asp = 1, axes = FALSE)