Comment calculer la similarité de Jaccard dans R

Dans le champ de l’analyse multivariée, de la fouille de données et des sciences du comportement, l’évaluation quantitative de la ressemblance entre entités constitue une problématique fondamentale. Dès lors que les objets d’étude sont caractérisés par des attributs qualitatifs, des inventaires symptomatiques ou des ensembles d’éléments discrets, les métriques géométriques euclidiennes traditionnelles s’avèrent inopérantes ou conceptuellement trompeuses. Le coefficient de similarité de Jaccard, introduit initialement par le botaniste suisse Paul Jaccard au début du vingtième siècle pour modéliser la distribution de la flore alpine, s’est imposé comme l’un des outils méthodologiques les plus rigoureux et universels pour quantifier le recouvrement entre configurations ensemblistes et profils d’attributs dichotomiques.

L’environnement statistique R offre un écosystème d’une souplesse exceptionnelle pour formaliser, calculer et optimiser cette métrique. Des primitives ensemblistes de base aux manipulations matricielles vectorisées de haute performance, en passant par des bibliothèques spécialisées dans le traitement de données massives et clairsemées, R permet d’aborder la similarité de Jaccard selon une pluralité de paradigmes de programmation. Cette flexibilité computationnelle s’avère particulièrement précieuse dans des disciplines telles que la psychométrie, la nosologie computationnelle, le traitement automatique du langage naturel et l’écologie quantitative, où le traitement approprié de l’asymétrie informationnelle représente un enjeu critique de validité méthodologique.

Cet article propose une exploration approfondie et exhaustive du calcul de la similarité de Jaccard au sein de l’écosystème R. À travers un continuum articulant fondements mathématiques stricts, implémentations algorithmiques de base, techniques d’optimisation computationnelle et applications empiriques contextualisées, ce guide constitue un manuel de référence destiné aux chercheurs, data scientists et biostatisticiens soucieux de maîtriser les subtilités théoriques et pratiques de cet indice d’association incontournable.

1. Fondements théoriques et mathématiques de l’indice de similarité de Jaccard

1.1 Définition formelle et formulation ensembliste

L’indice de similarité de Jaccard, couramment noté J, mesure le degré de proximité entre deux ensembles finis d’éléments en établissant le rapport mathématique strict entre la taille de leur intersection et la taille de leur union. Sur le plan algébrique, si l’on considère deux ensembles A et B appartenant à un univers discret arbitraire, le coefficient s’exprime formellement par la relation : J(A, B) = |A ∩ B| / |A ∪ B|, où le symbole de cardinalité désigne le nombre d’éléments distincts contenus dans chaque sous-ensemble résultant. Cette définition garantit intrinsèquement que la mesure ne dépend aucunement de l’ordre d’énumération des éléments constitutifs, conférant au coefficient une nature strictement non ordonnée et combinatoire conforme aux axiomes fondamentaux de la théorie classique des ensembles.

D’un point de vue structural, le coefficient de Jaccard est strictement borné sur l’intervalle fermé [0, 1]. Une valeur égale à 0 traduit une disjonction complète des ensembles considérés, signifiant que le cardinal de leur intersection est rigoureusement nul (|A ∩ B| = 0). Réciproquement, une valeur égale à 1 atteste d’une identité ensembliste absolue, impliquant que chaque élément appartenant à A appartient de manière congruente à B, et réciproquement, rendant l’intersection équivalente à l’union. Cette normalisation canonique confère à l’indice une comparabilité universelle à travers différents corpus de données, indépendamment des variations d’échelle brute ou des volumes globaux des collections d’objets analysées.

Il importe de formaliser la différenciation structurelle séparant la similarité ensembliste de Jaccard des mesures de proximité spatiale issues de la géométrie vectorielle classique, à l’instar de la similarité cosinus ou de la distance de Manhattan. Alors que la similarité cosinus évalue l’angle formé par deux vecteurs dans un espace pré-hilbertien et s’avère sensible à l’orientation globale indépendamment des longueurs relatives, l’indice de Jaccard évalue un recouvrement d’attributs partagés par rapport à l’espace total mobilisé par les deux unités statistiques. Contrairement aux espaces métriques continus où chaque dimension contribue de manière symétrique à la dispersion géométrique, l’approche de Jaccard pénalise l’expansion du dénominateur causée par les éléments spécifiques à un seul ensemble, ce qui génère une topologie décisionnelle particulièrement adaptée aux structures d’information discrètes et non linéaires.

1.2 Propriétés métriques et dérivation de la distance de Jaccard

À partir du coefficient de similarité ensembliste, il est possible d’établir une métrique de dissimilarité complémentaire en définissant la distance de Jaccard, usuellement désignée par d_J(A, B) = 1 – J(A, B). Cette formulation soustractive transforme une mesure d’affinité positive en un indice d’écartement topologique. En substituant l’expression de Jaccard dans cette dérivation, la distance s’écrit algébriquement : d_J(A, B) = (|A ∪ B| – |A ∩ B|) / |A ∪ B| = |A Δ B| / |A ∪ B|, où l’opérateur Δ désigne la différence symétrique entre les ensembles A et B, représentant l’ensemble des éléments qui appartiennent exclusivement à l’un ou à l’autre des sous-groupes, mais non aux deux simultanément.

La distance de Jaccard se distingue de nombreuses métriques ad hoc par le fait qu’elle satisfait rigoureusement l’ensemble des axiomes mathématiques régissant les espaces métriques véritables. Elle vérifie la non-négativité (d_J(A, B) ≥ 0), l’identité des indiscernables (d_J(A, B) = 0 si et seulement si A = B, sous réserve de traiter les ensembles identiques modulo la nullité des cardinaux), la symétrie absolue (d_J(A, B) = d_J(B, A)), ainsi que l’inégalité triangulaire essentielle : d_J(A, C) ≤ d_J(A, B) + d_J(B, C) pour tout triplet d’ensembles A, B et C. La démonstration de cette inégalité triangulaire, solidement documentée dans la littérature topologique moderne, repose sur la décomposition des proportions relatives d’éléments partagés et exclus, conférant à la distance de Jaccard une robustesse formelle inaccessible aux coefficients purement heuristiques.

Dans le domaine de la modélisation spatiale et de la psychométrie mathématique, ces propriétés métriques revêtent une importance analytique capitale. L’adhésion stricte à l’inégalité triangulaire permet d’intégrer directement la distance de Jaccard dans des topologies d’espaces de dissimilarité psychologique, sans encourir le risque de distorsions géométriques non euclidiennes telles que les triangles négatifs ou les violations de cohérence ordinale. Cela autorise l’application directe de méthodes d’analyse multivariée rigoureuses, telles que le positionnement multidimensionnel classique (PCoA), l’agrégation hiérarchique fondée sur des distances réelles et la détection d’anomalies au sein de configurations comportementales complexes.

1.3 Pertinence méthodologique en psychométrie et analyse comportementale

L’avantage méthodologique prépondérant de l’indice de Jaccard en psychométrie réside dans son traitement asymétrique des variables binaires. Dans de nombreux protocoles d’évaluation clinique et comportementale, les sujets sont décrits par la présence (codée 1) ou l’absence (codée 0) de symptômes spécifiques, de comportements observables ou d’événements de vie traumatiques. Dans ce type de recueil de données, l’absence conjointe d’un attribut chez deux individus (la co-occurrence 0-0) ne peut raisonnablement être interprétée comme un indice de similarité psychopathologique ou d’affinité psychologique fonctionnelle. Par exemple, le fait que deux patients ne présentent ni l’un ni l’autre une compulsion rituelle de lavage ne démontre en rien qu’ils partagent une structure névrotique analogue.

En éliminant formellement les doubles zéros du numérateur comme du dénominateur, l’indice de Jaccard concentre la focale analytique exclusivement sur l’information probante : les caractéristiques manifestées par au moins l’un des deux individus comparés. Cela permet de comparer de manière scientifiquement étayée des répertoires comportementaux étendus, des constellations syndromiques ou des profils de comorbidité au sein de cohortes diagnostiques hétérogènes. La métrique empêche que des paires de sujets caractérisés par une faible symptomatologie générale soient artificiellement considérées comme extrêmement similaires simplement en vertu de leur absence partagée d’une vaste majorité de manifestations cliniques répertoriées dans les manuels diagnostiques.

Enfin, cette propriété d’asymétrie structurelle immunise le praticien contre les distorsions analytiques sévères induites par l’éclatement de variables catégorielles nominales en colonnes indicatrices multiples (technique du one-hot encoding). Lors de l’évaluation d’antécédents thérapeutiques ou de choix comportementaux disjoints, chaque modalité additionnelle génère une abondance mécanique d’absences conjointes. Là où des indices symétriques traditionnels verraient leurs estimations diluées et biaisées positivement par la prolifération de zéros non informatifs, le coefficient de Jaccard préserve une sensibilité discriminante optimale, assurant une quantification stable et conceptuellement cohérente de la ressemblance clinique et psychométrique.

2. Configuration de l’environnement R et structuration des données

2.1 Préparation de la session de travail et gestion des dépendances

L’initialisation d’un environnement computationnel rigoureux sous R constitue le préalable indispensable à toute modélisation quantitative reproductible. Avant d’entamer les procédures d’estimation de matrices de similarité, l’analyste se doit de vérifier la version du moteur d’exécution de base de R, une version supérieure ou égale à la version 4.1.0 étant vivement recommandée afin d’exploiter les optimisations de gestion de mémoire native et les nouveaux opérateurs de chaînage vectoriel. La session doit être purgée de tout reliquat d’assignation globale antérieur au moyen de la réinitialisation de l’espace de mémoire de travail, couplée à la désactivation des conversions implicites de chaînes en facteurs catégoriels.

La reproductibilité des simulations et des imputations stochastiques éventuelles exige en outre la configuration explicite des générateurs de congruence linéaire via l’appel formel à la commande d’assignation de graine aléatoire (définie par une valeur scalaire déterministe). De plus, l’ajustement préventif des options globales du système, notamment la tolérance d’affichage des valeurs numériques et la neutralisation de la notation scientifique excessive pour les seuils de probabilité, optimise la lisibilité des matrices de sortie lors de l’inspection interactive des résultats.

Sur le plan des extensions fonctionnelles, bien que l’ensemble des opérations canoniques de calcul de Jaccard puisse être nativement implémenté au moyen du langage de base, le traitement efficace de jeux de données psychométriques massifs requiert l’installation et le chargement méthodique d’un ensemble sélectionné de bibliothèques tierces disponibles sur le Comprehensive R Archive Network (CRAN). Les packages dédiés à la manipulation de matrices creuses (notamment Matrix), les boîtes à outils de métriques de distance (proxy, vegan) ainsi que les infrastructures de modélisation textuelle et d’algèbres relationnelles (quanteda, tidyverse) doivent faire l’objet d’une initialisation procédurale sécurisée, vérifiant la concordance de leurs versions respectives.

2.2 Typologie des structures de données en R pour le calcul de Jaccard

La mise en œuvre pratique de l’indice de Jaccard dans l’interpréteur R implique une compréhension préalable des structures de données natives au sein desquelles les observations peuvent être encapsulées. La représentation la plus élémentaire repose sur les vecteurs atomiques à une dimension, qu’ils soient constitués de chaînes de caractères (énumérant par exemple les identifiants d’items ou de symptômes validés par un sujet) ou de valeurs numériques identifiant des positions discrètes. Cette organisation linéaire se prête idéalement aux comparaisons bivariées simples ou aux fonctions d’interrogation locales, bien qu’elle montre rapidement ses limites d’échelle dès que le nombre de participants s’accroît.

Pour des dispositifs expérimentaux où les sujets présentent des volumétries d’attributs asymétriques — comme c’est classiquement le cas dans l’enregistrement de verbatim libres ou de profils de symptômes psychiatriques à expression variable —, la structure de liste nommée s’impose comme un conteneur privilégié. Dans cette configuration, chaque élément de la liste correspond à une unité statistique distincte identifiée par sa clé, et abrite un vecteur d’éléments de longueur arbitraire. Cette souplesse prévient le gaspillage d’espace mémoire inhérent au stockage d’entités rectangulaires incomplètes et facilite grandement l’application de fonctions d’itération fonctionnelle de haut niveau.

Lorsque l’analyse englobe des cohortes entières soumises à un protocole standardisé, la structure optimale converge vers la matrice d’incidence binaire. Organisée selon un schéma bidimensionnel classique où les rangées représentent de manière uniforme les individus et les colonnes symbolisent l’exhaustivité des attributs mesurables de l’espace d’échantillonnage, cette matrice stocke exclusivement des valeurs booléennes ou des zéros et des uns. Cette formulation rectangulaire régulière ouvre la voie aux opérations d’algèbre linéaire hautement optimisées et constitue l’intermédiaire obligatoire pour la quasi-totalité des routines de calcul matriciel de dissimilarité intégrées dans les moteurs d’analyse multivariée de R.

2.3 Nettoyage et standardisation des corpus de données psychologiques

Les données psychométriques issues de protocoles auto-rapportés, de codifications diagnostiques manuelles ou d’entretiens qualitatifs souffrent quasi systématiquement d’artefacts d’enregistrement susceptibles de compromettre la validité des calculs ensemblistes. L’indice de Jaccard reposant sur la stricte équivalence de chaînes de caractères ou de valeurs scalaires, la moindre discordance typographique — telle qu’une variation de casse, la présence d’espaces invisibles consécutifs ou l’altération de diacritiques — conduit l’interpréteur R à considérer des entités sémantiquement identiques comme des éléments disjoints, introduisant ainsi une sous-estimation systématique artificielle de la similarité.

Le prétraitement rigoureux impose ainsi une normalisation lexicale préalable de l’ensemble des descripteurs textuels. Cette étape repose sur la conversion systématique des étiquettes de traits ou d’items vers une casse minuscule uniforme, l’application d’expressions régulières normalisées pour éradiquer les espaces marginaux superflus (opérations de trimming) et la transcription déterministe des caractères accentués selon un encodage universel (UTF-8). Dans le cas d’inventaires à réponses catégorielles multiples, la standardisation s’étend au re-codage rigoureux des libellés de modalités afin de garantir qu’un même état latent reçoive un identifiant unique et invariable à travers toutes les observations du recueil.

Parallèlement, la nomenclature des identifiants des variables et des participants requiert une formalisation stricte. L’analyste veillera à proscrire l’usage de caractères spéciaux, de séparateurs ambigus ou de redondances numériques au sein des vecteurs d’indexation. Une cartographie claire et immutable liant chaque identifiant clinique à sa ligne matricielle d’incidence garantit la traçabilité des opérations en aval, éliminant tout risque d’inversion d’échantillons ou d’erreur de jointure relationnelle lors des étapes ultérieures de réduction de dimension ou de projection graphique.

3. Implémentation manuelle de la fonction de similarité de Jaccard en R de base

3.1 Décomposition algorithmique à l’aide des primitives ensemblistes

Le moteur d’exécution de base de R dispose d’un ensemble de fonctions primitives hautement optimisées pour la théorie naïve des ensembles, permettant de concevoir un algorithme de calcul de Jaccard sans recourir à des dépendances externes. La première étape computationnelle consiste à déterminer le cardinal de l’intersection entre deux vecteurs, notés x et y. La fonction primitive intersect() remplit exactement cet office : elle extrait la collection d’éléments communs, dont la taille est ensuite quantifiée via la fonction length(). Ce calcul fournit le numérateur direct de la formule théorique, matérialisant |A ∩ B|.

La quantification du dénominateur, représentant le cardinal de l’union |A ∪ B|, peut être abordée selon deux voies algorithmiques distinctes. La méthode directe exploite la fonction native union(), qui procède à la concaténation logique des deux vecteurs suivie de l’élimination des occurrences dupliquées, après quoi la fonction length() en mesure le volume. La seconde approche, d’inspiration purement arithmétique, s’appuie sur le principe d’inclusion-exclusion : |A ∪ B| = |A| + |B| – |A ∩ B|. Dans ce second schéma, l’algorithme évalue indépendamment la longueur des ensembles uniques dédoublonnés pour chaque vecteur, en soustrayant le cardinal de l’intersection préalablement obtenu.

Sur le plan de l’allocation des ressources computationnelles et de l’empreinte mémoire volatile, l’approche arithmétique fondée sur le principe d’inclusion-exclusion s’avère fréquemment supérieure lors du traitement d’échantillons de grande dimension. L’appel explicite à union() contraint en effet l’environnement à matérialiser temporairement un vecteur combiné substantiel dans la mémoire vive avant de procéder à son dédoublonnage interne, induisant un coût d’allocation et de balayage mémoire plus élevé que la simple sommation de longueurs précalculées associées à un unique résultat d’intersection.

3.2 Écriture et encapsulation de la fonction personnalisée canonique

Pour assurer la pérennité et la réutilisabilité du calcul au sein d’un pipeline d’analyse statistique, il convient d’encapsuler la logique opérationnelle dans une fonction personnalisée robuste et conforme aux standards de développement sous R. La signature de cette fonction canonique doit accepter au minimum deux arguments obligatoires, matérialisant les deux ensembles à confronter, tout en ménageant des paramètres optionnels de contrôle d’exécution. Dès l’entame du corps fonctionnel, des assertions d’intégrité doivent vérifier la validité structurelle des objets passés en paramètre, confirmant qu’il s’agit de vecteurs atomiques unidimensionnels et rejetant de manière sécurisée les formats incompatibles tels que les listes récursives non aplaties ou les tables de données composites.

L’implémentation algorithmique interne procède à la conversion préalable des arguments en ensembles stricts par l’application de la fonction unique(), neutralisant tout impact éventuel d’éléments redondants non pertinents. Une fois les ensembles assainis, l’évaluation conjointe de la cardinalité de l’intersection et de l’union est exécutée, suivie de l’opération de division scalaire. La fonction doit veiller à encapsuler le résultat dans un format numérique standardisé en virgule flottante, en garantissant l’absence de débordement de type.

Afin de maximiser la transparence analytique de la procédure, il apparaît hautement vertueux d’associer à la valeur scalaire renvoyée des métadonnées contextuelles stockées sous forme d’attributs R (via la primitive attr()). En adjoignant au résultat final la taille effective de l’intersection, le volume de l’union globale, ainsi que les longueurs relatives de chaque ensemble spécifique, la fonction délivre un objet composite auto-documenté. Cette précaution enrichit considérablement le reporting psychométrique, offrant à l’expérimentateur les moyens de vérifier instantanément si une similarité modérée découle d’un faible recouvrement absolu ou d’une asymétrie monumentale dans l’étendue des répertoires comportementaux sous-jacents.

3.3 Évaluation des comportements limites : ensembles disjoints et ensembles identiques

La validation empirique d’une fonction de similarité personnalisée requiert une batterie de tests ciblant prioritairement les états limites de l’espace des solutions, à commencer par le cas d’ensembles rigoureusement disjoints. Lorsque deux vecteurs ne partagent strictement aucun atome commun, le cardinal extrait par intersect() présente une longueur égale à zéro. Dans cette circonstance, l’algorithme doit scrupuleusement retourner la valeur numérique 0.0, sans dérive vers des entités indéfinies. Ce test atteste que la métrique respecte fidèlement la borne inférieure du spectre théorique et reflète une indépendance distributionnelle parfaite entre les deux profils examinés.

À l’autre extrémité du continuum, le cas de deux ensembles mathématiquement identiques constitue le révélateur de la fidélité de normalisation. Si un vecteur est confronté à lui-même ou à une réplique exacte présentant une permutation arbitraire de ses éléments, la cardinalité de l’intersection coïncide rigoureusement avec la cardinalité de l’union. L’évaluation de la division scalaire doit produire sans ambiguïté la valeur unitaire exacte de 1.0, traduisant la convergence absolue des entités. Toute déviation, même infinitésimale, imputable à des approximations d’arrondi numérique en virgule flottante doit être formellement détectée et corrigée.

Enfin, la vérification rigoureuse du postulat de symétrie fondamentale constitue une étape indispensable du banc d’essai méthodologique. L’interversion de l’ordre des arguments d’entrée (évaluer la similarité du vecteur A face au vecteur B, puis celle du vecteur B face au vecteur A) doit générer un résultat rigoureusement identique au bit près. Cette invariance commutative confirme que l’algorithme ne souffre d’aucun biais directionnel asymétrique imputable à la séquence d’évaluation des primitives, assurant ainsi la cohérence des calculs ultérieurs lors de l’extension de la logique à des matrices d’association complètes.

4. Gestion des valeurs manquantes, ensembles vides et cas dégénérés

4.1 Impact et traitement des valeurs manquantes (NA)

L’omniprésence des données manquantes, désignées par la constante logique NA sous R, représente l’un des défis les plus pernicieux dans l’analyse de données expérimentales et cliniques. Par défaut, les primitives ensemblistes de R adoptent un comportement conservateur strict : si une valeur manquante s’infiltre dans un vecteur soumis à la fonction intersect() ou union(), l’opérateur considère que l’identité de l’élément étant inconnue, son appartenance à l’intersection ne peut être tranchée de manière déterministe. Il en résulte fréquemment une propagation pernicieuse de la valeur NA jusqu’au résultat final du coefficient de similarité, invalidant les chaînes de calcul matriciel globales.

Pour parer à cette défaillance systématique, la fonction personnalisée de Jaccard doit obligatoirement intégrer un paramètre booléen de contrôle, classiquement nommé na.rm, initialisé par défaut à la valeur logique FALSE pour respecter les standards R, mais pouvant être basculé à TRUE à l’initiative de l’analyste. Lorsque cette option est active, une étape de filtrage préalable purge impérativement les vecteurs d’entrée de toute occurrence de valeurs manquantes (au moyen de la primitive vectorisée !is.na()) avant d’engager les opérations ensemblistes de comptage. Cette purge garantit que seuls les éléments expressément observés et validés participent à la quantification de la similarité.

Sur le plan de l’inférence statistique en psychologie, le choix de recourir à l’exclusion pure et simple des valeurs manquantes (omission complète) versus l’application de protocoles d’imputation multiple doit être scrupuleusement documenté. L’omission mécanique de valeurs manquantes au sein d’inventaires de symptômes peut artificiellement réduire le dénominateur de Jaccard, gonflant indûment le score de similarité observé pour des patients ayant répondu de manière parcellaire. L’analyste se doit de vérifier si le patron d’absence procède d’un mécanisme complètement aléatoire (MCAR) ou s’il traduit un évitement systématique de réponse lié à la gravité clinique, auquel cas des stratégies d’imputation préalable adaptées aux variables binaires s’avèrent indispensables pour préserver la validité de contenu de la métrique.

4.2 Résolution mathématique du cas indéterminé : deux ensembles vides

Une anomalie computationnelle classique et critique surgit lorsque l’analyste soumet à l’algorithme deux ensembles rigoureusement vides de tout élément (cardinal égal à zéro pour A comme pour B). Dans cette conjoncture spécifique, le cardinal de l’intersection vaut zéro et le cardinal de l’union s’élève tout aussi exactement à zéro. L’exécution aveugle de la formule conduit inévitablement à l’évaluation de l’expression arithmétique 0 / 0, ce qui déclenche dans l’environnement R le renvoi immédiat de la constante numérique spéciale NaN (Not a Number), signalant une indétermination mathématique fondamentale.

Cette situation de division par zéro soulève un débat théorique récurrent en classification non supervisée. Deux conventions ontologiques s’opposent dans la littérature scientifique : la première postule que deux entités ne possédant aucun attribut partagé manifestent une similarité nulle (J = 0.0), l’absence totale de traits ne pouvant fonder une ressemblance substantielle. La seconde approche, prévalant en théorie formelle des mesures et en fouille de données ensemblistes, considère au contraire que deux entités rigoureusement identiques dans leur vacuité partagent exactement le même profil descriptif (absence intégrale de divergence), ce qui justifierait l’attribution conventionnelle d’un score unitaire maximal (J = 1.0).

Afin de prémunir le code informatique contre tout plantage inopiné et éliminer l’apparition perturbatrice de valeurs indéfinies au sein de matrices de distances complexes, la fonction doit intégrer une structure de contrôle conditionnelle explicite. Si les deux longueurs d’ensembles nettoyés sont strictement égales à zéro, le code doit intercepter la condition avant la division arithmétique et renvoyer une valeur déterministe préprogrammée. Dans la majorité des applications psychométriques de Jaccard, la convention conservative fixant le score à zéro (ou, dans des contextes très spécifiques d’appariement d’absence stricte, à un) est explicitée par un argument dédié au sein de la fonction, garantissant ainsi l’étanchéité totale du pipeline de calcul.

4.3 Prise en compte des doublons au moyen de la fonction unique()

L’une des sources d’erreurs méthodologiques les plus insidieuses lors de l’implémentation de l’indice de Jaccard en langage R provient de la confusion conceptuelle entre un multiensemble (souvent désigné sous l’anglicisme bag) et un ensemble mathématique formel. Dans un vecteur brut collecté sur le terrain, une modalité comportementale ou une chaîne lexicale peut être répétée plusieurs fois consécutivement au gré de l’enregistrement temporel. Or, par définition axiomatique, un ensemble n’admet aucune duplication d’éléments ; chaque entité y est présente de manière singulière et indivisible.

Si l’analyste omet d’appliquer de manière systématique et hermétique la fonction native unique() aux vecteurs étudiés avant d’en quantifier les intersections et les unions, les calculs de cardinaux basés sur de simples fonctions de filtrage ou de longueurs relatives se trouvent lourdement faussés. La présence de doublons asymétriques au sein d’une observation induit une inflation artificielle des effectifs dénombrés, modifiant arbitrairement le ratio de Jaccard et violant directement les propriétés d’invariance d’échelle du coefficient.

Le risque psychométrique corollaire se traduit par une surpondération dramatique des sujets verbeux ou hyperactifs. Dans une tâche d’association libre de mots ou d’énumération de symptômes quotidiens, un patient réitérant compulsivement le même descripteur verbal verrait sa similarité avec un autre individu déformée de façon spectaculaire si le dédoublonnage était négligé. L’assainissement préalable via unique() garantit que l’évaluation porte exclusivement sur le répertoire d’attributs distincts déployés par l’individu, préservant la validité intrinsèque de la mesure de similarité ensembliste.

5. Calcul matriciel et vectorisé de la similarité pour échantillons multiples

5.1 Transition de la comparaison bivariée à la matrice de similarité complète

Si la comparaison bivariée entre deux vecteurs isolés permet de valider empiriquement la justesse de l’algorithme, la réalité des analyses psychométriques et quantitatives requiert la confrontation simultanée de vastes cohortes de participants. Cette étape impose la transition vers la matrice de similarité complète, structure carrée symétrique d’ordre n × n, où n représente le volume total d’individus inclus dans l’étude. Dans cet arrangement matriciel formel, chaque élément situé à l’intersection de la ligne i et de la colonne j quantifie avec exactitude le coefficient de Jaccard reliant le sujet i au sujet j.

Cette matrice de similarité globale exhibe des propriétés algébriques strictes qui conditionnent son intégrité analytique. La diagonale principale, correspondant aux cellules d’auto-comparaison (i = j), doit être invariablement et rigoureusement peuplée par la valeur unitaire de 1.0, traduisant la similarité absolue de chaque participant avec son propre profil de réponses. De surcroît, la propriété de commutativité énoncée antérieurement implique une symétrie parfaite de la matrice par rapport à cette diagonale principale, signifiant que le triangle inférieur constitue le reflet spéculaire exact du triangle supérieur.

D’un point de vue de l’ingénierie logicielle sous R, l’instanciation de telles structures volumineuses exige une discipline d’allocation mémoire rigoureuse. L’analyste averti proscrira formellement la concaténation dynamique progressive de lignes ou de colonnes par le recours itératif à des fonctions telles que rbind() ou cbind(), lesquelles provoquent des réallocations systématiques de la totalité du tableau en mémoire vive. La préallocation intégrale d’une matrice vide de dimensions n × n garnie préalablement de zéros ou de valeurs par défaut, avant tout engagement de calcul, représente la règle élémentaire pour préserver la stabilité de la session et optimiser les temps d’exécution.

5.2 Construction d’itérations vectorisées avec outer() et apply()

L’exécution de boucles for imbriquées traditionnelles pour balayer l’ensemble des paires de participants constitue l’approche la plus naïve en programmation, mais elle souffre d’une lenteur rédhibitoire sous l’interpréteur R dès que les cohortes dépassent quelques centaines d’observations. Pour dépasser cette limitation, le paradigme de programmation fonctionnelle vectorisée propre à R met à disposition des constructs puissants, au premier rang desquels figure la combinaison des fonctions Vectorize() et outer(). En vectorisant une fonction bivariée canonique de Jaccard, on autorise l’opérateur d’extériorité à projeter instantanément la fonction sur l’ensemble des combinaisons croisées de deux listes de données.

Néanmoins, l’usage non restreint de outer() sur l’intégralité du produit cartésien évalue inutilement la moitié redondante de la matrice (en raison de la symétrie) ainsi que la diagonale prévisible. Une stratégie fonctionnelle plus efficiente repose sur l’exploitation judicieuse de la fonction native combn(). En générant la matrice des paires uniques d’indices (représentant les seules coordonnées du triangle supérieur), il devient aisé de propager le calcul de Jaccard via la famille apply() ou des wrappers vectorisés spécialisés uniquement sur ces combinaisons строго informatives, divisant ainsi de plus de moitié le nombre total d’opérations ensemblistes à réaliser.

L’évaluation comparative des temps de calcul (benchmarking) démontre sans ambiguïté la supériorité des approches vectorisées et fonctionnelles sur les boucles séquentielles impératives. Non seulement le code gagne une élégance déclarative et une compacité remarquables, mais l’exécution bénéficie des optimisations internes écrites en langage C sous-jacent au moteur R, limitant les surcoûts d’interprétation syntaxique et assurant une scalabilité acceptable pour des cohortes expérimentales de dimension intermédiaire.

5.3 Optimisation computationnelle matricielle sur données binaires

Lorsque les données peuvent être intégralement projetées sous la forme d’une vaste matrice d’incidence binaire X d’ordre n × p (où n désigne les individus et p l’exhaustivité des attributs mesurés), le calcul des similarités de Jaccard peut être transfiguré en une succession d’opérations d’algèbre linéaire hautement optimisées. Cette approche permet de s’affranchir totalement de la manipulation d’ensembles discrets au profit du produit matriciel, capitalisant sur les bibliothèques BLAS (Basic Linear Algebra Subprograms) et LAPACK intégrées au cœur de R.

Sur le plan mathématique, le nombre d’attributs conjoints (l’intersection binaire) entre toutes les paires d’individus s’obtient instantanément par le produit matriciel de la matrice d’incidence par sa propre transposée, opération exécutée avec une vélocité maximale sous R via l’instruction dédiée crossprod(t(X)) ou tcrossprod(X). La matrice carrée A résultante contient sur sa diagonale les cardinaux individuels de chaque sujet (|A_i|), tandis que ses éléments extradiagonaux A_ij reflètent scrupuleusement la cardinalité des intersections |A_i ∩ A_j|.

L’évaluation de l’union globale se déduit alors de manière purement algébrique par l’application vectorisée du principe d’inclusion-exclusion matriciel. En extrayant le vecteur des sommes par ligne de la matrice initiale, noté S = rowSums(X), la matrice des unions U est intégralement définie par l’opération de diffusion : U_ij = S_i + S_j – A_ij. Le calcul final de la matrice de similarité de Jaccard se résume alors à une simple division élément par élément (produit de Hadamard inversé) : J = A / U, la diagonale étant ensuite formellement assignée à 1.0. Cette formulation algébrique pure réduit des calculs de plusieurs minutes sur de vastes cohortes à une simple fraction de seconde, représentant le pinacle de l’efficience numérique sous R pour les données rectangulaires denses.

6. Utilisation des packages R spécialisés pour le calcul de similarité

6.1 Le package proxy : polyvalence et intégration

Bien que l’implémentation personnalisée offre une transparence didactique totale, l’analyste quantitative se tournera avantageusement vers des solutions logicielles professionnelles éprouvées lors du déploiement de pipelines analytiques standardisés. À cet égard, le package proxy constitue l’une des extensions les plus emblématiques et polyvalentes pour la gestion des relations de proximité sous R. Conçu spécifiquement pour unifier le traitement hétérogène des métriques de distance et de similarité, il fournit des wrappers génériques capables d’opérer de manière fluide sur des matrices, des data frames et des vecteurs complexes.

L’architecture de proxy repose sur la surcharge et l’extension des fonctions canoniques de calcul de proximité, principalement via les fonctions dist() pour l’extraction de dissimilarités et simil() pour l’évaluation directe de coefficients d’affinité. Pour calculer la similarité de Jaccard sur une matrice d’incidence binaire, il suffit d’adresser la matrice à la fonction simil(X, method = "Jaccard"). Le moteur interne sélectionne automatiquement la routine de calcul optimisée en langage C compilé, garantissant une exécution d’une vélocité remarquable tout en assurant une conformité mathématique irréprochable.

Un atout majeur de l’extension proxy réside dans la nature des structures de données qu’elle retourne. Les résultats sont conditionnés sous la forme d’objets spécialisés de classe simil ou dist, lesquels mémorisent compactement le triangle de données utile pour minimiser la consommation de mémoire vive. Ces objets disposent de méthodes de coercition transparentes (telles que as.matrix()) permettant une reconversion instantanée vers les formats matriciels standards de R, autorisant ainsi une interopérabilité sans couture avec les fonctions de partitionnement clustering telles que hclust() ou les algorithmes de projection multidimensionnelle.

6.2 Le package vegan : écologie statistique et modélisation psychologique

Initialement développé à l’intention de la communauté des écologues pour l’analyse des patrons d’abondance d’espèces et de biodiversité spatiale, le package vegan s’est progressivement imposé comme une référence transdisciplinaire majeure, particulièrement plébiscitée en psychométrie quantitative et en analyse multivariée des réseaux symptomatiques. Sa fonction maîtresse, vegdist(), est internationalement reconnue pour son optimisation poussée et sa résilience algorithmique face à des matrices d’observations particulièrement étendues.

Pour dériver les distances de Jaccard au moyen de cette bibliothèque, l’utilisateur sollicite la fonction selon la syntaxe vegdist(X, method = "jaccard", binary = TRUE). L’explicitation du paramètre logique binary = TRUE revêt ici une importance méthodologique cruciale : elle instruit explicitement le moteur d’effectuer une binarisation préalable à la volée de toute valeur non nulle présente dans la matrice, neutralisant ainsi les variations d’amplitudes numériques continues pour converger rigoureusement vers la métrique classique de Jaccard ensembliste. Si ce paramètre était omis sur des données non strictement binaires, vegdist() basculerait implicitement vers la distance de Ružička (le Jaccard pondéré), modifiant la nature mathématique des estimations.

L’écosystème de vegan se distingue par une intégration méthodologique profonde avec un éventail spectaculaire d’outils d’ordination statistique et de modélisation non paramétrique. Les matrices de distance générées par vegdist() s’articulent directement avec des procédures avancées telles que le positionnement multidimensionnel non métrique (NMDS via metaMDS()), les analyses de variance multivariée permutationnelles (PERMANOVA via adonis2()) ou les tests d’homogénéité des dispersions multivariées (betadisper()). Cette cohésion logicielle fait de vegan un outil de prédilection pour le chercheur souhaitant tester formellement des hypothèses nosologiques complexes sur des profils comportementaux.

6.3 Le package arules pour la gestion des matrices creuses volumineuses

Dans de nombreuses configurations psychométriques de pointe — telles que l’analyse des traces d’interactions sur des plateformes numériques, l’étude de réponses à des banques d’items massives (Computerized Adaptive Testing) ou le criblage de comportements atypiques rares —, les matrices de données présentent un taux de vacuité colossal, où plus de 95 à 99 % des entrées sont peuplées par des zéros. Le stockage de telles matrices sous un format dense rectangulaire standard provoque un gaspillage dramatique de la mémoire vive et peut conduire au dépassement des capacités d’allocation du système.

Le package arules, initialement dédié à l’extraction de règles d’association et au traitement de transactions volumineuses, apporte une réponse logicielle idoine grâce à son intégration étroite avec les classes de matrices creuses issues du package Matrix. Les profils individuels y sont modélisés sous la forme d’objets de classe ngCMatrix (matrices compressées par colonnes de type logique non nommé). Dans ce paradigme de stockage clairsemé, seuls les indices des cellules contenant la valeur 1 sont physiquement enregistrés dans l’espace mémoire, annihilant purement et simplement le coût d’enregistrement des absences partagées.

L’exploitation de la fonction spécialisée dissimilarity(X, method = "jaccard") native au package arules permet d’évaluer les distances de Jaccard directement à travers ces représentations compressées, sans jamais déplier la matrice sous sa forme dense. L’algorithme interne navigue agilement à travers les pointeurs d’adresses compressées pour quantifier instantanément les intersections d’attributs positifs. Cette prouesse algorithmique permet d’accomplir des analyses de similarité sur des corpus comprenant des dizaines de milliers de participants et des catalogues de milliers d’items, repoussant de plusieurs ordres de grandeur les frontières computationnelles usuelles de la recherche quantitative sous R.

7. Application psychologique : Analyse de similarité des profils psychopathologiques

7.1 Binarisation des critères diagnostiques du DSM-5

La nosologie psychiatrique moderne, telle que codifiée dans le Manuel diagnostique et statistique des troubles mentaux (DSM-5), repose substantiellement sur des critères diagnostiques polytomiques discrets dont l’agrégation conditionne la caractérisation syndromique. Dans le cadre de recherches portant sur la structure latente des troubles anxieux et dépressifs majeurs, la modélisation de la comorbidité s’opère couramment par la conversion des évaluations cliniques en une table matricielle binaire de présence ou d’absence de symptômes précis. Chaque colonne incarne ainsi un critère opérationnel strict — tel que l’insomnie terminale, l’anhédonie, l’agitation psychomotrice ou les attaques de panique inattendues —, encodé par la valeur 1 en présence avérée du signe clinique et par 0 en son absence documentée.

Cette étape de binarisation nécessite une prudence épistémologique fondamentale quant à la validité de contenu des données obtenues. Transformer des réalités psychopathologiques intrinsèquement continues ou graduées en une matrice d’incidence dichotomique implique l’adoption d’un seuil clinique de coupure rigide (cut-off). Ce seuil doit refléter un niveau d’altération fonctionnelle cliniquement significatif, généralement validé par des échelles d’évaluation standardisées préalables (à l’instar de la PHQ-9 pour les symptômes dépressifs ou de la GAD-7 pour l’anxiété généralisée). La rigueur de cette sélection dichotomique initiale conditionne directement la pertinence et la robustesse de l’analyse de recouvrement subséquente.

Une fois les profils patients consolidés sous la forme d’une matrice rectangulaire d’incidence clinique, la nature clairsemée de la comorbidité s’exprime pleinement : une majorité de patients ne présente qu’un sous-ensemble spécifique de l’éventail total des critères du manuel. La similarité de Jaccard se profile dès lors comme le dispositif d’analyse mathématique le plus cohérent pour explorer ces données, écartant le mirage statistique des critères asymptomatiques partagés pour se focaliser exclusivement sur le noyau phénotypique réellement exprimé par les individus examinés.

7.2 Calcul pas à pas des distances de Jaccard inter-patients

L’ingestion des profils cliniques dans la session de travail R inaugure la phase de calcul analytique proprement dite. Considérons un échantillon clinique simulé représentatif de patients admis dans une unité d’évaluation des troubles de l’humeur. La première séquence scripturale charge les vecteurs d’incidence au sein d’une matrice formelle, étiquetée avec précision par les identifiants uniques de chaque patient en ligne et les acronymes nosologiques des critères en colonne. Des assertions automatisées vérifient immédiatement l’absence de valeurs aberrantes ou de discordances de type au sein du jeu de données matriciel.

Le calcul de la matrice de dissimilarité de Jaccard s’opère alors au moyen de l’une des architectures vectorisées validées antérieurement, par exemple via l’appel à la fonction spécialisée du package proxy ou par algèbre matricielle native. Le script dérive une matrice carrée n × n de distances complémentaires (1 – similarité). À partir de cette structure, des routines de filtrage relationnel permettent d’identifier automatiquement les paires de patients présentant les configurations cliniques les plus congruentes. L’algorithme trie les valeurs extradiagonales minimales du triangle supérieur, isolant les couples de sujets dont le faisceau symptomatique atteint un recouvrement ensembliste quasi parfait.

Cette exploration pas à pas conduit naturellement à la recherche de sous-groupes homogènes (ou phénotypes cliniques agrégés) au sein de la cohorte. En soumettant la matrice de distance de Jaccard à un algorithme de classification ascendante hiérarchique (utilisant par exemple le critère de Ward ou la méthode du lien moyen), l’analyste génère un dendrogramme diagnostique empirique. Ce partitionnement automatisé regroupe les patients présentant des profils d’affinité symptomatique similaires, faisant émerger des configurations de comorbidité latentes non explicitement prévues par les catégorisations nosographiques conventionnelles.

7.3 Interprétation nosologique et limites de l’approche binaire

Sur le versant de l’interprétation théorique, un indice de similarité de Jaccard élevé entre deux profils psychopathologiques atteste d’un recouvrement substantiel de leurs manifestations symptomatiques actives, fournissant une caution empirique solide à l’hypothèse de mécanismes étiopathogéniques partagés. Dans le cadre contemporain du modèle dimensionnel et de la psychologie en réseau (network psychometrics), ces concentrations d’affinités permettent de documenter des syndromes dits « ponts » : des agrégats d’individus partageant des critères frontières entre deux catégories nosologiques distinctes, éclairant d’un jour nouveau les débats classiques relatifs à la scission arbitraire entre troubles anxieux et troubles de l’humeur.

Néanmoins, la transposition ensembliste binaire de la souffrance psychologique soulève des limites méthodologiques substantielles que le chercheur ne saurait éluder. En écrasant la granularité clinique sur une grille dichotomique 0/1, l’analyste fait l’impasse sur l’intensité, la fréquence et la sévérité relative de chaque manifestation pathologique. Un symptôme d’angoisse invalidant clouant un individu au lit se trouve encodé de manière identique à une manifestation anxieuse modérée et intermittente, créant une équivalence de surface potentiellement trompeuse sur le plan diagnostique.

Pour juguler cette déperdition d’information qualitative sans renoncer aux vertus métriques du raisonnement ensembliste, il est vivement recommandé d’adosser l’analyse de Jaccard binaire à des explorations secondaires intégrant des métriques continues, telles que la distance de Ružička ou des modélisations en réseaux pondérés. En couplant la rigueur du recouvrement d’attributs discrets avec des mesures graduées de l’altération fonctionnelle globale, l’investigateur consolide la validité écologique de ses conclusions nosologiques tout en préservant la précision analytique de sa démarche quantitative sous R.

8. Application psychologique : Analyse de similarité et recouvrement lexical d’entretiens

8.1 Prétraitement de verbatims cliniques avec le package quanteda

L’exploration du matériel verbal recueilli au cours d’entretiens psychothérapeutiques ou de récits de vie constitue un champ d’application privilégié pour la métrique de Jaccard, réorientée ici vers la mesure du recouvrement lexical. Lorsque des patients verbalisent leur expérience vécue, la singularité de leur registre sémantique reflète en partie leurs structures cognitives sous-jacentes. L’extraction de ce lexique exige toutefois un flux de prétraitement hautement standardisé, mission dans laquelle l’extension logicielle quanteda s’affirme comme une référence incontestée au sein de l’écosystème computationnel de R.

Le pipeline de text mining s’amorce par la constitution d’un corpus rassemblant l’intégralité des transcriptions textuelles d’entretiens cliniques. Ce corpus fait l’objet d’une tokenisation méthodique, procédure fragmentant la chaîne de caractères brute en unités lexicales élémentaires (mots-tokens), tout en expurgeant scrupuleusement les signes de ponctuation, les symboles numériques et les caractères non alphabétiques parasites. L’étape critique suivante applique un filtrage rigoureux des mots vides (stopwords), éliminant les particules grammaticales, pronoms et conjonctions dépourvus de portée sémantique propre, suivi d’une lemmatisation rattachant chaque flexion verbale ou substantif à sa racine canonique de dictionnaire.

À partir de cette matière lexicale purifiée, le moteur de quanteda synthétise une matrice documents-termes (DFM pour Document-Feature Matrix). Dans ce tableau rectangulaire, chaque ligne représente un entretien clinique singulier et chaque colonne matérialise une unité lexicale distincte (lemme) recensée sur l’ensemble du corpus discursif. L’analyste procède enfin à la binarisation formelle de cette DFM (au moyen de la primitive de troncature d’occurrence dfm_weight(scheme = "boolean")), convertissant les fréquences de répétition en un profil d’incidence pure attestant simplement de la mobilisation ou de la non-mobilisation de chaque concept par le locuteur.

8.2 Calcul du recouvrement lexical via textstat_simil()

Une fois la matrice documents-termes binarisée disponible, le calcul des coefficients d’association lexicale s’opère avec une remarquable élégance fonctionnelle grâce à la fonction spécialisée textstat_simil() de l’écosystème quanteda. Cette routine intègre nativement un argument méthodologique dédié permettant d’expliciter le choix métrique : method = "jaccard". L’algorithme confronte alors l’ensemble des vecteurs de vocabulaire déployés par les locuteurs, calculant pour chaque paire d’entretiens le ratio strict entre le nombre de lemmes distincts mobilisés conjointement et la taille du vocabulaire agrégé mutualisé par les deux participants.

Cette approche autorise une comparaison systématique et objectivée des productions langagières entre différents groupes cliniques. L’analyste peut ainsi contraster formellement la similarité lexicale interne caractérisant un groupe de patients ayant vécu un traumatisme psychique aigu face à un groupe témoin non exposé. Les calculs révèlent fréquemment une cohésion lexicale significativement plus élevée au sein des cohortes cliniques, traduisant une convergence étroite du discours autour de thématiques d’impuissance, de dissociation ou de reviviscence sensorielle.

Il importe néanmoins de souligner une précaution méthodologique critique relative à la sensibilité du dénominateur de Jaccard face à l’inégalité de longueur des textes d’entretiens. Un locuteur prolixe mobilisant un vocabulaire pléthorique verra mathématiquement son union lexicale s’étendre dramatiquement lorsqu’il est comparé à un locuteur taciturne, induisant mécaniquement une chute du coefficient de similarité indépendamment de la proximité thématique réelle de leurs propos. Le chercheur prévoira donc des procédures de standardisation de l’échantillonnage discursif — telles que la segmentation des entretiens en blocs de taille textuelle fixe ou l’application de fenêtres d’échantillonnage lexical aléatoire — afin de garantir une équité rigoureuse du dénominateur dans l’évaluation du recouvrement.

8.3 Interprétation des convergences sémantiques et affectives

Sur le plan herméneutique et psychodynamique, l’existence d’un fort coefficient de Jaccard lexical entre deux verbatims cliniques fournit un indice tangible de convergence sémantique et affective profonde. Au-delà du simple partage d’un registre de vocabulaire usuel, cette affinité lexicale délimite des répertoires thématiques partagés susceptibles de trahir l’activation de mécanismes de défense psychologique analogues (tels que l’isolation affective, la rationalisation intellectualisée ou la projection paranoïde). L’analyse des lemmes résidant au cœur de l’intersection permet de documenter les attracteurs narratifs structurant l’expérience subjective des sujets.

Cette méthodologie d’évaluation textuelle sous R ouvre également des perspectives longitudinales fascinantes dans le suivi des processus psychothérapeutiques. En calculant les distances de Jaccard lexicales entre les séances successives d’un même patient au fil de sa thérapie, l’analyste peut tracer une courbe quantitative d’évolution discursive. Une chute graduelle de la similarité lexicale par rapport aux séances initiales atteste d’une désincarcération cognitive et d’un enrichissement progressif du registre associatif, fournissant un indicateur objectif d’assouplissement des défenses et de progrès thérapeutique.

Enfin, la validité convergente de cette métrique textuelle de Jaccard peut être établie par sa corrélation statistique avec des indicateurs psychométriques standardisés administrés parallèlement aux patients. Démontrer que la similarité de vocabulaire calculée sur des récits de vie non directifs covarie étroitement avec des indices d’alexithymie ou des scores de convergence émotionnelle valide le statut de l’indice de Jaccard non seulement comme un outil d’ingénierie textuelle robuste, mais comme une sonde psychométrique fine pour la recherche qualitative instrumentée en psychologie clinique.

9. Visualisation avancée des matrices de Jaccard sous R

9.1 Cartographie thermique interactive et statique avec pheatmap et ggplot2

L’inspection analytique d’une matrice carrée de similarités de grande dimension devient rapidement inaccessible à l’œil nu sans le support de dispositifs de visualisation graphique sophistiqués. La cartographie thermique (heatmap) s’impose à ce titre comme la modalité de représentation privilégiée, projetant les gradients d’association numérique sous la forme d’un continuum chromatique intuitif. Dans l’écosystème R, la bibliothèque spécialisée pheatmap (Pretty Heatmaps) excelle dans la restitution de ces structures en intégrant harmonieusement les procédures de classification automatique au cœur de son moteur de rendu.

Pour déployer une cartographie statique d’une lisibilité optimale via pheatmap, l’analyste soumet directement la matrice d’association de Jaccard en spécifiant une palette de couleurs continues et divergentes soigneusement choisie (par exemple, un dégradé issu des palettes perceptuellement uniformes du standard viridis). La fonction réorganise simultanément les lignes et les colonnes de la matrice en fonction d’un partitionnement hiérarchique calculé à la volée, regroupant visuellement les sujets présentant des affinités symptomatiques ou textuelles mutuelles sous forme de blocs homogènes aisément identifiables à l’écran.

Pour les praticiens désireux de s’intégrer dans le paradigme graphique de la grammaire des graphiques via ggplot2, la matrice doit préalablement subir une transformation structurale d’un format large (wide) vers un format long (tidy). Cette restructuration relationnelle, opérée efficacement au moyen des fonctions de réorganisation tabulaire du package tidyr (comme pivot_longer()), permet de coupler chaque paire d’identifiants à sa valeur scalaire de Jaccard associée. La couche graphique s’articule alors autour de la primitive geom_tile(), enrichie d’ajustements minutieux des échelles de remplissage et de thèmes visuels épurés, offrant une personnalisation totale des typographies, des annotations marginales et des seuils graphiques d’intérêt nosologique.

9.2 Représentation en graphes de réseaux avec igraph

Bien que les cartes thermiques fournissent une vue matricielle globale rigoureuse, la transposition des similarités sous forme de graphes de réseaux complexes constitue une approche particulièrement féconde pour dévoiler l’architecture relationnelle d’une cohorte. Le package igraph offre à cet effet une boîte à outils algorithmique et graphique d’une puissance sans égale. Dans cette topologie de réseau, chaque unité statistique (patient, sujet ou texte) s’incarne sous la forme d’un nœud (vertex), tandis que l’existence d’une similarité de Jaccard non nulle entre deux entités matérialise une arête pondérée (weighted edge) dont la force équivaut à l’intensité de l’indice calculé.

Étant donné que la plupart des matrices de similarité réelles s’avèrent denses (presque tous les sujets partageant au moins une caractéristique mineure), la visualisation brute d’un tel graphe aboutit immanquablement à un enchevêtrement illisible d’arêtes entrelacées (l’effet classique de boule de poils ou hairball). Il devient donc impératif de procéder à une opération de filtrage par seuillage (backboning), consistant à éliminer du réseau toutes les connexions dont le coefficient de Jaccard demeure inférieur à un seuil critique statistiquement ou cliniquement pertinent, ne conservant que l’armature relationnelle substantielle.

La spatialisation du réseau est ensuite orchestrée au moyen d’algorithmes de disposition spatiale fondés sur des modèles physiques de forces élastiques, à l’instar du célèbre algorithme de Fruchterman-Reingold (layout_with_fr()). Ce dernier place les nœuds fortement connectés à proximité géométrique étroite tout en repoussant les nœuds divergents vers la périphérie de la composition graphique. En adjoignant des algorithmes de détection de communautés modulaires (tels que l’optimisation de modularité de Louvain native dans igraph), l’analyste peut assigner des teintes différenciées aux nœuds selon leur groupe d’appartenance, révélant avec une clarté saisissante les sous-groupes cliniques latents émergeant de l’espace des données de Jaccard.

9.3 Positionnement multidimensionnel (MDS) basé sur la distance de Jaccard

Le positionnement multidimensionnel (Multidimensional Scaling ou MDS) représente une alternative statistique majeure pour synthétiser les proximités complexes d’un espace de dissimilarité sous une configuration euclidienne de dimensionnalité réduite (généralement bidimensionnelle ou tridimensionnelle), aisément interprétable par l’observateur. Contrairement à une Analyse en Composantes Principales (ACP) classique qui opère intrinsèquement sur des corrélations linéaires continues et des matrices de covariance symétriques, le MDS classique ou métrique s’applique directement sur une matrice de distance arbitraire, telle que la distance de Jaccard complémentaire.

L’exécution de cette procédure s’accomplit sous R via l’appel à la fonction native de base cmdscale(), en lui adressant la matrice de distance d_J = 1 – J. L’algorithme procède à une double centration de la matrice de dissimilarité suivie d’une décomposition spectrale en valeurs et vecteurs propres, extrayant les coordonnées factorielles projetées minimisant la perte d’information géométrique globale. Chaque sujet est ainsi positionné par des coordonnées cartésiennes sur un plan orthogonal où les distances spatiales euclidiennes inter-points reflètent aussi fidèlement que possible les distances ensemblistes originales calculées sur les répertoires de traits.

L’évaluation rigoureuse de la validité d’une projection MDS requiert impérativement la quantification de la qualité d’ajustement, classiquement mesurée par l’indice de Stress de Kruskal ou par le ratio des valeurs propres retenues sur la trace globale de la décomposition. Un score de stress particulièrement bas (inférieur à 0.10 ou 0.05) certifie que la configuration plane offre une représentation remarquablement fidèle des relations d’éloignement ensembliste réelles. Cette cartographie bidimensionnelle devient alors un vecteur puissant de diffusion des résultats, facilitant l’identification visuelle de gradients cliniques longitudinaux, de trajectoires déviantes ou d’agrégats phénotypiques d’une netteté exemplaire.

10. Comparaison critique : Jaccard face aux autres coefficients d’association

10.1 Indice de Jaccard versus coefficient de Dice-Sørensen

Dans la taxonomie des métriques d’association conçues pour le traitement des variables binaires et des collections ensemblistes, le coefficient de Dice-Sørensen (fréquemment désigné sous les appellations d’indice de Sørensen ou de score de F1 en apprentissage automatique) constitue le pendant théorique le plus immédiat de l’indice de Jaccard. Formellement défini par l’expression S(A, B) = 2|A ∩ B| / (|A| + |B|), le coefficient de Dice accorde délibérément un double poids numérique aux co-occurrences positives au détriment de l’expansion du dénominateur, accentuant mathématiquement l’influence des caractéristiques conjointement manifestées.

En dépit de leurs formules distinctes, l’indice de Jaccard (J) et le coefficient de Dice-Sørensen (S) sont unis par une relation de monotonicité fonctionnelle stricte et bijective. Il est en effet aisé de démontrer la passerelle algébrique directe reliant les deux estimations : J = S / (2 – S) et réciproquement S = 2J / (1 + J). Par conséquent, pour un ensemble fini d’observations comparées, l’ordonnancement hiérarchique de l’ensemble des paires demeure absolument identique, que l’on applique l’une ou l’autre métrique. Une paire jugée plus similaire qu’une autre selon Jaccard le sera invariablement selon Dice.

Toutefois, une ligne de fracture fondamentale sépare les deux coefficients sur le terrain des propriétés topologiques formelles. Alors que, comme établi précédemment, la distance de Jaccard complémentaire (1 – J) satisfait scrupuleusement l’ensemble des axiomes métriques incluant l’inégalité triangulaire, la distance complémentaire dérivée du coefficient de Dice (1 – S) viole cette même inégalité dans des configurations spatiales spécifiques, ne constituant qu’une semi-métrique. Pour cette raison épistémologique déterminante, les méthodologues et statisticiens privilégient quasi systématiquement l’indice de Jaccard dès lors que les matrices d’association doivent alimenter des procédures géométriques sensibles aux distorsions d’espaces pré-hilbertiens, telles que le positionnement multidimensionnel ou la classification ascendante rigoureuse.

10.2 Indice de Jaccard versus coefficient d’appariement simple (SMC)

Le coefficient d’appariement simple (Simple Matching Coefficient ou SMC) représente l’antithèse conceptuelle de l’indice de Jaccard dans le traitement de l’information dichotomique. S’exprimant pour un ensemble de p variables binaires par la formule SMC = (a + d) / (a + b + c + d) — où ‘a’ figure les doubles présences (1-1), ‘d’ les doubles absences (0-0), et ‘b’ et ‘c’ les discordances (1-0 et 0-1) —, le SMC traite l’information de manière strictement symétrique. Pour cet opérateur, le fait de partager l’absence d’une propriété revêt rigoureusement la même charge informative et le même poids probant que le fait de partager conjointement sa présence active.

Cette symétrie aveugle engendre des distorsions analytiques dramatiques lorsque les données soumises à l’enquête présentent une structure hautement clairsemée (sparse). Considérons un inventaire psychiatrique recensant une centaine de symptômes rares et sévères. Deux individus n’exprimant strictement aucune manifestation clinique se verraient attribuer par le SMC un score d’affinité maximal de 1.0. Pire encore, deux patients manifestant des tableaux symptomatiques radicalement disjoints et incompatibles (l’un délirant, l’autre présentant une dépression catatonique sévère) recevraient un score de ressemblance supérieur à 0.85 ou 0.90 simplement en vertu de leur absence conjointe des 85 ou 90 autres symptômes du registre.

L’indice de Jaccard, en annihilant le terme ‘d’ de son dénominateur et de son numérateur, immunise totalement l’investigateur contre ce biais de sparsité. Dans l’exemple clinique précité, la similarité de Jaccard entre les deux patients aux délires disjoints chuterait instantanément à 0.0, documentant avec une rectitude parfaite leur divergence syndromique absolue. Cette propriété justifie de manière catégorique le bannissement du SMC au profit de Jaccard dans la totalité des études portant sur des phénotypes complexes, des répertoires textuels ou des événements épidémiologiques où l’espace des descripteurs potentiels excède largement la capacité d’expression effective des individus observés.

10.3 Matrice de décision méthodologique en recherche quantitative

Face à la profusion d’indices d’association recensés dans la littérature statistique (coefficients de Jaccard, Dice, Braun-Blanquet, Kulczynski, Ochiai ou SMC), le chercheur quantitatif se doit d’adopter une grille d’arbitrage méthodologique explicite pour fonder son choix algorithmique sous R. Le premier critère décisionnel réside dans l’ontologie des variables manipulées : dès lors que les modalités représentent des attributs binarisés asymétriques où le zéro traduit une absence non informative plutôt qu’une grandeur physique mesurée, les métriques symétriques doivent être systématiquement écartées de la conception de l’étude.

Le second pivot d’arbitrage concerne le traitement de la sparsité et la pénalisation relative de l’asymétrie de taille des ensembles. Si l’analyste souhaite accorder une prime sélective à la confirmation de traits partagés sans pénaliser excessivement les différences d’étendue de répertoires, l’indice d’Ochiai (qui standardise le numérateur par la moyenne géométrique des cardinaux plutôt que par l’union) offre une alternative intéressante. Néanmoins, dès lors que l’on recherche une métrique pénalisant vigoureusement la divergence unilatérale d’attributs tout en satisfaisant rigoureusement les axiomes de distance mathématique pour la classification automatique, le coefficient de Jaccard s’affirme comme le choix canonique par excellence.

Sur le plan des implications computationnelles pour la formation de clusters, le recours à Jaccard induit des partitions particulièrement discriminantes et stables, évitant l’agglomération artificielle d’observations autour de super-groupes d’individus asymptomatiques (effet d’écrasement fréquemment observé avec le SMC). La littérature contemporaine en psychométrie computationnelle et en bio-informatique converge pour recommander Jaccard comme le standard de référence pour l’analyse de réseaux d’items binaires, la fouille de patterns comportementaux atypiques et l’ordination non paramétrique de données catégorielles complexes.

11. Extension au Jaccard pondéré et généralisé (Similarité de Ruzicka)

11.1 Formulation théorique pour variables continues ou d’intensité

Bien que la formulation ensembliste originelle de Jaccard soit intrinsèquement bornée à l’univers discret des données dichotomiques (0/1), la pratique psychométrique confronte régulièrement l’analyste à des grandeurs continues, des fréquences relatives ou des indicateurs d’intensité gradués. Pour combler ce fossé opérationnel, le mathématicien Miroslav Ružička a formalisé une extension continue remarquable du coefficient, couramment désignée sous le nom de similarité de Ružička ou de coefficient de Jaccard pondéré (Weighted Jaccard Similarity). Cette métrique généralise l’esprit ensembliste du recouvrement à des vecteurs de nombres réels positifs.

Sur le plan algébrique formel, si l’on considère deux vecteurs numériques x et y appartenant à l’espace vectoriel réel positif de dimension p (R+^p), la similarité de Ružička s’exprime par le ratio entre la somme des minima composante par composante et la somme des maxima respectifs : R(x, y) = ∑_i min(x_i, y_i) / ∑_i max(x_i, y_i). Dans cette formulation élégante, la sommation des minima émule directement le cardinal de l’intersection continue (le niveau d’intensité partagé conjointement sur chaque dimension), tandis que la sommation des maxima matérialise l’union continue (le déploiement total de l’intensité manifesté par l’un ou l’autre des vecteurs).

Cette extension généralisée préserve l’intégralité des vertus cardinales de l’indice d’origine. Le coefficient demeure rigoureusement borné sur l’intervalle fermé [0, 1] et conserve une compatibilité descendante absolue avec la formule classique : si les vecteurs x et y ne contiennent que des zéros et des uns, la fonction min équivaut strictement au produit logique (l’intersection binaire) et la fonction max à la disjonction logique (l’union binaire), régénérant identiquement le coefficient de Jaccard usuel. De surcroît, sa distance complémentaire d_R = 1 – R respecte l’inégalité triangulaire, conférant à Ružička un statut de métrique métrique continue pleinement légitime pour les études de profils d’intensité émotionnelle ou comportementale.

11.2 Implémentation d’une fonction Ruzicka personnalisée en R

L’implémentation de la similarité de Ružička au sein de l’environnement R se distingue par sa concision et sa très haute efficience computationnelle, grâce à la disponibilité des primitives vectorisées pmin() et pmax(). Contrairement aux fonctions classiques min() et max() qui réduisent la totalité de leurs arguments à un scalaire unique, les primitives parallèles pmin() et pmax() comparent deux vecteurs terme à terme sur chaque dimension, renvoyant un vecteur résultant de même longueur abritant les extremums locaux.

L’architecture algorithmique d’une fonction personnalisée robuste nécessite l’encapsulation de vérifications préalables garantissant que les vecteurs manipulés présentent une longueur congruente et sont rigoureusement dépourvus de valeurs réelles négatives, les axiomes de Ružička n’étant définis que sur l’espace réel positif ou nul. Une fois ces garanties structurelles scellées, le corps fonctionnel évalue le quotient direct de la sommation des sorties de pmin(x, y) par celle de pmax(x, y). Des sécurités conditionnelles similaires à celles conçues pour le Jaccard binaire interceptent d’éventuels vecteurs intégralement nuls pour éliminer les risques de division par zéro.

La validation empirique du code personnalisé peut être instantanément corroborée en confrontant ses sorties scalaires avec les routines intégrées du package vegan. En effet, comme évoqué au chapitre 6, l’appel à la fonction vegdist(X, method = "jaccard", binary = FALSE) exécute par convention algorithmique stricte la distance complémentaire de Ružička. Obtenir une concordance numérique parfaite au bit près entre la fonction personnalisée codée à la main et la sortie optimisée en C de la bibliothèque de référence certifie la maturité algorithmique de l’implémentation et autorise son inclusion sereine dans des flux de calcul vectorisés complexes.

11.3 Application pratique aux réponses graduées sur échelles de Likert

L’extension de Ružička trouve un terrain d’élection méthodologique particulièrement fécond dans l’exploitation des questionnaires psychométriques étalonnés sur des échelles de Likert ou des échelles d’évaluation visuelles analogiques continues (mesurant par exemple des scores d’accord polytomiques de 1 à 5, ou de 0 à 100). Traditionnellement, les analystes se trouvaient enfermés dans une aporie méthodologique : soit binariser artificiellement les items pour utiliser Jaccard au prix d’une perte massive de nuance psychométrique, soit appliquer une distance euclidienne symétrique aveugle à la sparsité relative des manifestations.

La métrique de Ružička résout cette contradiction avec brio. Considérons l’évaluation de profils de personnalité psychopathique ou de traits d’anxiété évalués sur une échelle polytomique à six points. Un individu cotant 5 sur un item d’impulsivité partagera une intersection substantielle de 4 avec un sujet cotant 4, le dénominateur intégrant la valeur maximale de 5. À l’inverse, si deux participants attribuent la note 0 à l’item, cette dimension ne contribue ni au numérateur ni au dénominateur, neutralisant méthodologiquement l’impact des doubles désaccords conformément au principe asymétrique fondamental de Jaccard.

La comparaison différentielle des résultats obtenus sur une même cohorte entre une matrice de Jaccard binarisée arbitrairement et la matrice de Ružička continue met systématiquement en exergue un gain spectaculaire de sensibilité discriminante en faveur de la seconde. Les regroupements hiérarchiques formés sous Ružička révèlent des sous-structures phénotypiques d’une finesse incomparable, distinguant les sujets partageant une même polarité de traits mais différant par l’acuité et l’intensité émotionnelle de leur expression. Cette approche représente le standard d’excellence pour la psychologie computationnelle moderne désireuse de concilier nature ordinale et rigueur métrique.

12. Bonnes pratiques de programmation, tests unitaires et reproductibilité

12.1 Mise en place de tests unitaires avec le package testthat

L’intégration de modules de calcul statistique au sein de protocoles de recherche implique une discipline d’assurance qualité logicielle irréprochable. L’infrastructure de tests unitaires fournie par le package standardisé testthat s’impose comme l’outil incontournable pour certifier la fiabilité pérenne des fonctions personnalisées de similarité de Jaccard. La rédaction d’une suite de tests automatisés vise à sanctuariser les propriétés mathématiques fondamentales de l’algorithme contre toute régression logicielle lors de futures modifications de code ou de mises à niveau de l’environnement R.

La batterie d’évaluation doit articuler plusieurs blocs d’épreuves conceptuelles strictes (test_that()). Le premier bloc contrôle la conformité des propriétés axiomatiques formelles : vérification de l’obtention exacte de la valeur 1.0 lors de l’auto-comparaison d’un vecteur avec lui-même, validation du score de 0.0 pour deux ensembles de chaînes disjoints, et confirmation au bit près de la stricte commutativité du résultat lors de la permutation des opérandes d’entrée. Le second bloc soumet le code aux situations de tensions structurelles documentées antérieurement : résistance aux vecteurs ne contenant que des valeurs NA, traitement sécurisé de deux ensembles vides évitant l’écueil des NaN, et stabilité des résultats face à des vecteurs pollués par de multiples doublons asymétriques.

Enfin, les tests unitaires doivent valider l’étanchéité des assertions d’intégrité de la fonction en vérifiant qu’elle rejette expressément, au moyen de messages d’erreur informatifs, les structures de données illégitimes telles que les matrices non conformes, les objets dimensionnels corrompus ou les formats récursifs. L’exécution systématique et scriptée de ces suites de tests unitaires au sein de pipelines d’intégration continue assure à la communauté scientifique une transparence méthodologique totale et protège l’investigateur contre les erreurs silencieuses de calcul numérique.

12.2 Évaluation comparative des performances et profilage de code

Lorsque les études psychométriques et bio-informatiques atteignent des échelles massives impliquant des millions d’itérations combinatoires, l’optimisation des performances computationnelles cesse d’être une préoccupation accessoire pour devenir un prérequis d’exécution technique. Le package microbenchmark constitue à ce titre le dispositif de référence pour chronométrer et arbitrer avec une rigueur statistique absolue la célérité comparée des différentes stratégies de programmation élaborées sous R. En répétant chaque calcul des centaines de fois dans des conditions de confinement de threads stables, il livre une estimation précise des distributions de temps d’exécution à l’échelle de la microseconde.

Le profilage fin de la consommation de mémoire vive s’effectue quant à lui via l’extension profvis. Cet outil graphique d’ingénierie logicielle instrumente le moteur d’exécution de R pour tracer ligne par ligne les allocations d’octets et les cycles d’intervention du ramasse-miettes (garbage collector). Ce diagnostic approfondi met régulièrement en lumière les pénalités d’exécution cachées, telles que les copies implicites de tables en mémoire induites par l’usage inadvertant de modifications de valeurs sur place ou la création effrénée d’objets temporaires éphémères au sein de boucles itératives récursives.

Pour parachever l’optimisation des routines personnalisées de Jaccard sans avoir à recourir à la réécriture intégrale du code en C++ via le package Rcpp, l’analyste peut solliciter les ressources du package natif compiler. En traduisant le code source interprété de R en instructions machine optimisées de type byte-code (via la fonction cmpfun()), on observe une accélération substantielle des boucles d’évaluation fonctionnelles. L’articulation rigoureuse de ces méthodes de profilage et de compilation garantit un compromis idéal entre la clarté expressive du langage de haut niveau et les impératifs d’efficience des calculs massifs.

12.3 Intégration dans un flux de travail reproductible sous Quarto / R Markdown

Le paradigme contemporain de la science ouverte (Open Science) exige que l’intrication entre acquisition de données, traitement algorithmique et dissémination narrative des résultats obéisse à des protocoles de reproductibilité computationnelle sans faille. L’intégration du calcul de la similarité de Jaccard au sein d’un écosystème de publication dynamique tel que Quarto ou R Markdown incarne le standard d’excellence vers lequel toute recherche quantitative moderne doit converger.

Dans ce cadre documentaire unifié, les fragments de code R réalisant l’ingestion matricielle, les tests unitaires d’intégrité, le calcul vectorisé des coefficients et le rendu des projections graphiques coexistent directement avec les développements théoriques et les interprétations nosologiques de l’auteur. Le contrôle absolu de la reproductibilité stochastique impose la fixation explicite des graines aléatoires via l’instruction set.seed() en entête de document, prévenant toute variabilité dans les algorithmes de disposition de réseaux ou de partitionnement stochastique lors des compilations ultérieures.

Enfin, la dissémination des résultats doit s’accompagner d’une politique d’archivage pérenne des données et de l’environnement logiciel. L’exportation des matrices de similarité et de distance sous des formats d’échange ouverts, auto-documentés et non propriétaires (tels que les formats tabulaires délimités ou les structures sérialisées RDS/Arrow), couplée au verrouillage des versions de packages via des environnements virtuels standardisés (tels que renv), garantit que n’importe quel chercheur indépendant pourra, des décennies plus tard, réexécuter fidèlement le pipeline de calcul et vérifier la robustesse absolue des indices de similarité de Jaccard publiés.

Références

• Anderson, M. J. (2001). A new method for non-parametric multivariate analysis of variance. Austral Ecology, 26(1), 32–46. https://doi.org/10.1111/j.1442-9993.2001.01070.pp.x
• Benoit, K., Watanabe, K., Wang, H., Nulty, P., Obeng, A., Müller, S., & Matsuo, A. (2018). quanteda: An R package for the quantitative analysis of textual data. Journal of Open Source Software, 3(30), 774. https://doi.org/10.21105/joss.00774
• Borsboom, D., & Cramer, A. O. (2013). Network analysis: An integrative approach to the structure of psychopathology. Annual Review of Clinical Psychology, 9, 91–121. https://doi.org/10.1146/annurev-clinpsy-050212-185608
• Csardi, G., & Nepusz, T. (2006). The igraph software package for complex network research. InterJournal, Complex Systems, 1695(5), 1–9. https://igraph.org
• Dice, L. R. (1945). Measures of the amount of ecologic association between species. Ecology, 26(3), 297–302. https://doi.org/10.2307/1932409
• Hahsler, M., Gruen, B., & Hornik, K. (2005). arules – A computational environment for mining association rules and frequent item sets. Journal of Statistical Software, 14(15), 1–25. https://doi.org/10.18637/jss.v014.i15
• Jaccard, P. (1901). Étude comparative de la distribution florale dans une portion des Alpes et des Jura. Bulletin de la Société Vaudoise des Sciences Naturelles, 37, 547–579. https://doi.org/10.5169/seals-266450
• Jaccard, P. (1912). The distribution of the flora in the alpine zone. New Phytologist, 11(2), 37–50. https://doi.org/10.1111/j.1469-8137.1912.tb05611.x
• Kolde, R. (2019). pheatmap: Pretty Heatmaps (R package version 1.0.12) [Logiciel informatique]. Comprehensive R Archive Network. https://CRAN.R-project.org/package=pheatmap
• Kruskal, J. B. (1964). Multidimensional scaling by optimizing goodness of fit to a nonmetric hypothesis. Psychometrika, 29(1), 1–27. https://doi.org/10.1007/BF02289565
• Legendre, P., & Legendre, L. (2012). Numerical ecology (3e éd.). Elsevier. https://www.elsevier.com/books/numerical-ecology/legendre/978-0-444-53868-0
• Likert, R. (1932). A technique for the measurement of attitudes. Archives of Psychology, 22(140), 1–55. https://www.jstor.org/stable/2180800
• Meyer, D., & Buchta, C. (2022). proxy: Distance and Similarity Measures (R package version 0.4-27) [Logiciel informatique]. Comprehensive R Archive Network. https://CRAN.R-project.org/package=proxy
• Oksanen, J., Blanchet, F. G., Friendly, M., Kindt, R., Legendre, P., McGlinn, D., Minchin, P. R., O’Hara, R. B., Simpson, G. L., Solymos, P., Stevens, M. H. H., Szoecs, E., & Wagner, H. (2022). vegan: Community Ecology Package (R package version 2.6-4) [Logiciel informatique]. Comprehensive R Archive Network. https://CRAN.R-project.org/package=vegan
• R Core Team. (2023). R: A language and environment for statistical computing [Logiciel informatique]. R Foundation for Statistical Computing. https://www.R-project.org/
• Ružička, M. (1958). Anwendung mathematisch-statistischer Methoden in der Geobotanik (synthetische Bearbeitung von Aufnahmen). Biológia (Bratislava), 13, 647–661.
• Sørensen, T. (1948). A method of establishing groups of equal amplitude in plant sociology based on similarity of species content and its application to analyses of the vegetation on Danish commons. Kongelige Danske Videnskabernes Selskab, 5(4), 1–34.
• Wickham, H. (2011). testthat: Get started with testing. The R Journal, 3(1), 5–10. https://doi.org/10.32614/RJ-2011-002
• Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer-Verlag. https://doi.org/10.1007/978-3-319-24277-4
• Wickham, H., Averick, M., Bryan, J., Chang, W., McGowan, L. D., François, R., Grolemund, G., Hayes, A., Henry, L., Hester, J., Kuhn, M., Pedersen, T. L., Miller, E., Bache, S. M., Müller, K., Ooms, J., Robinson, D., Seidel, D. P., Spinu, V., … Yutani, H. (2019). Welcome to the tidyverse. Journal of Open Source Software, 4(43), 1686. https://doi.org/10.21105/joss.01686