Comment supprimer des lignes dans R (avec exemples)

L’assainissement et la restructuration des ensembles de données constituent le fondement incontournable de tout pipeline analytique moderne. Dans l’écosystème du langage de programmation statistique R, l’opération consistant à supprimer des lignes — qu’il s’agisse d’enregistrements aberrants, d’observations incomplètes, de doublons techniques ou d’unités expérimentales non conformes — représente bien plus qu’une simple manipulation cosmétique. Elle engage la structure même de la mémoire vive, les paradigmes d’évaluation paresseuse et l’intégrité inférentielle des modèles statistiques ultérieurs. Une compréhension superficielle de ces mécanismes expose le statisticien ou le scientifique des données à des biais d’échantillonnage insidieux, à des corruptions silencieuses de types de données ou à des dégradations sévères de la complexité computationnelle.

Le traitement des données tabulaires sous R s’est développé à travers plusieurs décennies d’innovations méthodologiques. Dès les origines du langage S, conçu aux laboratoires Bell, jusqu’aux standards contemporains incarnés par le Tidyverse et les architectures haute performance comme data.table, la philosophie du sous-ensemblement vectoriel a conservé ses principes directeurs tout en diversifiant ses implémentations. Supprimer une ligne implique formellement la création d’un nouveau sous-ensemble matriciel ou tabulaire ne contenant que le complémentaire logique ou indiciaire des éléments ciblés. Cette approche purement fonctionnelle se distingue radicalement des langages impératifs modifiant les structures de données en place, conférant à R des garanties fortes en matière d’immutabilité et de traçabilité expérimentale.

Le présent traité propose une exploration exhaustive des techniques d’élagage et de suppression de lignes sous R. En adoptant une posture résolument académique et rigoureuse, nous examinerons tant les mécanismes natifs fondamentaux — basés sur l’opérateur d’indexation par crochets, les indices négatifs et l’algèbre booléenne — que les fonctions spécialisées de haut niveau issues des bibliothèques de référence. Chaque méthode sera décortiquée à la lumière de sa complexité algorithmique, de ses implications sur l’empreinte mémoire et des pièges conceptuels qu’elle recèle, offrant ainsi un cadre de référence complet pour la recherche empirique, la bio-informatique, l’économétrie et la science des données appliquée.

1. Fondements théoriques de l’indexation et de la manipulation de lignes dans R

1.1 Structure matricielle et bidimensionnelle des data frames

Au cœur de la représentation des données dans le système de base de R réside la structure de data.frame. Formellement, un data frame est une liste de vecteurs de même longueur, dotée de l’attribut de classe data.frame et d’un attribut de dimension bidimensionnelle. Cette conception hybride confère à l’objet un statut particulier : il hérite simultanément des propriétés des listes génériques et du comportement matriciel rectangulaire. La convention d’indexation élémentaire de R repose sur l’opérateur crochet doublement argumenté, articulé autour de la virgule délimitante selon la forme [lignes, colonnes]. La partie précédant la virgule interroge exclusivement la dimension verticale, c’est-à-dire les observations ou enregistrements, tandis que la partie subséquente s’adresse aux variables ou attributs.

Il convient de distinguer avec rigueur le comportement du data frame standard de celui des matrices pures et des tibbles modernes développés au sein du package tibble. Dans une matrice, tous les éléments partagent obligatoirement un mode atomique identique (numérique, caractère ou logique). L’extraction ou l’exclusion de lignes préserve cette homogénéité sans altérer la nature structurelle sous-jacente. En revanche, dans un data frame, l’extraction de lignes implique une opération de sélection synchronisée à travers une multiplicité de vecteurs atomiques potentiellement hétérogènes, encapsulés sous forme de colonnes indépendantes. Le tibble, quant à lui, raffine cette mécanique en désactivant le comportement historique de simplification automatique des dimensions (le paramètre drop fixé par défaut à faux), garantissant qu’une sélection de lignes préserve invariablement la classe bidimensionnelle complète sans jamais déchoir vers un vecteur simple.

L’immutabilité constitue un axiome fondamental de l’architecture de la mémoire dans R. Contrairement aux environnements permettant la mutation directe d’adresses en mémoire (tels que le langage C ou les méthodes internes de Python), R opère selon le paradigme de la copie lors de la modification (copy-on-modify). Lorsqu’une opération de suppression de ligne est exécutée, le jeu de données d’origine n’est pas physiquement amputé de ses cases mémoire sur le disque ou dans la RAM. L’interpréteur procède en réalité à l’allocation d’un nouvel espace mémoire, y duplique les lignes non exclues, et attribue cet ensemble restructuré à l’identifiant de variable spécifié via l’opérateur d’assignation. Cette réassignation systématique conditionne la persistance du nettoyage et exige du praticien une vigilance constante pour éviter la saturation prématurée de la mémoire vive lors du traitement de corpus volumineux.

1.2 Mécanismes fondamentaux du sous-ensemblement vectoriel

L’exclusion d’enregistrements s’appuie sur la théorie du sous-ensemblement vectoriel (vector subsetting), articulée autour de trois modes distincts d’adressage : l’adressage par positions positives, l’adressage par positions négatives et l’adressage par masques logiques. Les indices positifs stipulent de manière constructive les coordonnées des éléments à retenir dans la nouvelle instance. À l’opposé, les indices numériques négatifs agissent comme des opérateurs d’exclusion directe : l’apparition du signe moins devant un indice ordinal intime à l’interpréteur l’ordre d’omettre l’observation correspondante lors de la phase de reconstruction de l’objet.

Le sous-ensemblement logique repose sur l’algèbre de Boole appliquée terme à terme. Lorsqu’un vecteur de valeurs booléennes (vrai ou faux) de longueur égale au nombre de lignes du jeu de données est injecté dans le premier compartiment de l’indexation, R procède à une filtration déterministe : seules les lignes associées à la valeur vraie sont projetées dans la structure résultante, les occurrences fausses étant purement et simplement écartées. Ce mécanisme offre une flexibilité sans égale pour la traduction de règles d’exclusion sémantiques. Néanmoins, l’irruption de valeurs indéterminées ou manquantes dans ce vecteur logique brise le déterminisme booléen strict et entraîne la propagation de lignes entièrement corrompues, une pathologie algorithmique qui requiert des stratégies d’encadrement spécifiques.

Les identifiants textuels de lignes, traditionnellement désignés sous le terme de row names, constituent un troisième vecteur d’indexation. Historiquement intégrés aux data frames pour faciliter l’étiquetage nominal des individus statistiques, ils permettent la suppression d’observations par négation de chaînes de caractères au moyen de fonctions de recherche de motifs ou de correspondances exactes. Cependant, l’usage des noms de lignes fait l’objet de réserves méthodologiques croissantes dans la littérature computationnelle contemporaine. En effet, la préservation des noms de lignes complexifie inutilement les structures internes, dégrade les performances d’accès séquentiel et induit des incohérences lors des fusions relationnelles. C’est pourquoi les architectures contemporaines préconisent la conversion systématique des identifiants individuels en variables explicites au sein de la table.

2. Suppression de lignes par position numérique via les indices négatifs

2.1 Élimination d’une observation unique par son index

L’approche la plus directe et élémentaire pour expurger un enregistrement identifié de manière univoque consiste à employer la notation indiciaire négative scalaire. Soit un data frame désigné par l’identifiant df ; l’instruction consistant à affecter à une nouvelle entité, ou à réassigner à l’entité préexistante, l’expression structurée sous la forme df[-i, ] commande l’extraction intégrale du tableau à l’exclusion stricte de la i-ième observation. La virgule maintenue sans argument ultérieur garantit la projection sans restriction de l’ensemble des colonnes d’origine. Sur le plan de la réallocation structurelle, le moteur d’exécution instancie un nouvel en-tête de data frame et recalcule la longueur globale des vecteurs composants, fixée désormais à n – 1, où n représentait la dimension cardinale initiale.

La gestion des indices hors limites (out-of-bounds indices) constitue un point critique lors de l’exécution de cette directive. Si l’analyste spécifie par inadvertance un indice négatif dont la valeur absolue excède strictement le nombre d’enregistrements disponibles (par exemple, df[-100, ] au sein d’une table n’en comptant que cinquante), le comportement de R s’avère paradoxalement permissif mais dénué d’effet destructif. Au lieu de lever une exception fatale interrompant le flux d’exécution, l’interpréteur ignore silencieusement l’indice inexistant et renvoie une réplique conforme et intégrale du jeu de données d’origine. Bien que cette tolérance prévienne le plantage brutal des chaînes d’instructions, elle masque fréquemment des dysfonctionnements algorithmiques profonds dans l’évaluation dynamique des indices.

Considérons à titre d’illustration une cohorte expérimentale clinique où le quatrième participant présente une non-conformité majeure au protocole d’administration médicamenteuse. L’exclusion de ce sujet particulier s’articule par l’instruction cohorte_nettoyee <- cohorte[-4, ]. Cette syntaxe assure l’élagage irréversible du quatrième rang. Cependant, une conséquence périphérique majeure réside dans le réordonnancement implicite ou explicite des indices de consultation : les rangs subséquents se trouvent mécaniquement translatés vers le haut, de sorte que l’ancien cinquième individu devient le nouveau quatrième individu du tableau résultant. Cette mutation ordinale impose de renoncer définitivement à l’indexation par position fixe pour les étapes ultérieures du prétraitement.

2.2 Suppression de multiples lignes non consécutives

Lorsqu’une procédure d’audit qualité révèle plusieurs observations défaillantes réparties de façon discontinue dans l’espace d’échantillonnage, la syntaxe scalaire s’élargit naturellement à l’échelle vectorielle par l’entremise de la fonction de concaténation atomique c(). La formulation générique prend alors la forme df[-c(1, 3, 5), ]. L’interpréteur évalue préalablement le vecteur interne constitué des entiers positifs désignant les positions cibles, puis applique le signe unaire de soustraction à l’ensemble des éléments vectoriels avant de soumettre ce masque négatif coordonné au gestionnaire d’indexation du data frame.

Cette suppression sélective discontinue soulève la question primordiale de l’intégrité référentielle des index résiduels. Lorsque des lignes non consécutives sont simultanément éliminées au sein d’une même instruction, l’évaluation s’opère de manière atomique et globale par rapport à l’état initial du jeu de données. Il n’existe aucun risque de décalage d’index progressif lors de l’exécution d’une commande unique : les indices 1, 3 et 5 ciblent précisément les première, troisième et cinquième positions de l’objet initial. En revanche, si l’analyste commettait l’erreur méthodologique de sérialiser cette opération en trois instructions successives isolées, chaque retrait intermédiaire altérerait le système de coordonnées du tableau résiduel, conduisant inexorablement à l’élimination de données parfaitement saines par un glissement mécanique non maîtrisé.

D’un point de vue computationnel, l’analyse comparative des performances démontre que l’exclusion groupée de positions discontinues sur de grands tableaux psychométriques (regroupant des dizaines de milliers d’items et de passations) induit une pénalité mesurable liée à la fragmentation de la mémoire. Le moteur d’indexation doit recomposer chaque vecteur de colonne en assemblant des fragments disjoints. Pour des structures hautement volumineuses, cette technique s’avère nettement moins efficiente que le filtrage par masques booléens continus, car la résolution des adresses discontinues interdit l’exploitation optimale des mécanismes de prélecture du cache processeur (CPU cache prefetching).

3. Exclusion de séquences continues et de plages de données

3.1 Syntaxe séquentielle par l’opérateur deux-points

L’amputation de pans entiers du tableau de données, correspondant à des plages continues d’observations, mobilise l’opérateur de génération de séquences régulières désigné par le symbole deux-points (:). Dans le cadre d’un protocole méthodologique standard, la troncature d’un intervalle délimité par une borne initiale et une borne terminale s’exécute selon la formule df[-c(debut:fin), ] ou plus synthétiquement df[-(debut:fin), ]. Le parenthésage de l’expression séquentielle s’avère ici d’une importance capitale : l’opérateur deux-points possédant une priorité algébrique supérieure à l’opérateur unaire de négation, l’omission des parenthèses aboutirait à une construction syntaxique erronée ou à des résultats divergents.

Dans le contexte d’une expérimentation en psychologie cognitive où les premières sessions d’apprentissage doivent être rejetées afin d’éliminer les biais d’accoutumance aux interfaces de test, il est fréquent de devoir tronquer systématiquement les rangs 2 à 4 d’une cohorte préliminaire. La commande donnees_analyse <- donnees_brutes[-(2:4), ] réalise cette amputation avec une économie notationnelle exemplaire. Le sous-ensemble résultant se voit délesté de l’exact segment temporel ou ordinal ciblé, sans nécessiter l’énumération fastidieuse de chaque coordonnée individuelle.

Une bonne pratique systématique en programmation robuste impose de soumettre le tableau manipulé à une double vérification dimensionnelle post-suppression. L’invocation des fonctions d’inspection matricielle dim(), nrow() et ncol() permet de certifier que la cardinalité finale correspond rigoureusement à l’attente théorique calculée par la relation n_apres == n_avant – (fin – debut + 1). L’intégration de ces vérifications sous forme d’assertions programmatiques garantit l’arrêt immédiat du pipeline de données en cas d’anomalie dimensionnelle inattendue.

3.2 Précautions relatives aux bornes et séquences dynamiques

L’utilisation de l’opérateur deux-points au sein de fonctions automatisées ou de scripts de production recèle un piège redoutable lorsque les bornes de la séquence sont calculées dynamiquement à l’exécution. En effet, l’opérateur présente la particularité de générer des séquences dégressives lorsque la borne supérieure est arithmétiquement inférieure à la borne inférieure. Si, par suite d’une défaillance d’évaluation préalable ou d’un jeu de données inhabituellement restreint, une variable dynamique définit un intervalle inversé tel que 5:2, l’interpréteur génère sans avertissement le vecteur d’entiers décroissants 5, 4, 3, 2. Appliqué avec un signe négatif, ce vecteur conduira à l’exclusion aveugle de quatre observations au lieu de lever une exception d’incohérence de plage.

Ce comportement silencieux est particulièrement dangereux dans les cas limites où une séquence est censée s’interrompre lorsque le cardinal est nul. Si une variable représentant la taille d’un groupe d’exclusion vaut 0, l’expression 1:n est évaluée en 1:0, ce qui engendre le vecteur c(1, 0). Sous R, l’indice 0 est neutre et n’extrait aucun élément, mais l’indice 1 subsiste, provoquant l’amputation involontaire de la première ligne de la table alors qu’aucune suppression n’était mathématiquement requise. Ce phénomène constitue l’une des sources les plus répandues de régression silencieuse dans les scripts de traitement automatisé.

Pour immuniser les flux de traitement contre ces dérives dimensionnelles, il est formellement recommandé de bannir l’opérateur deux-points dès lors que les bornes possèdent une nature dynamique. On lui préférera impérativement la fonction explicite seq_len() ou la formulation conditionnelle rigoureuse via seq() en assignant des paramètres stricts d’incrémentation et de contrôle des longueurs. De surcroît, l’encadrement préalable des indices par des conditions vérifiant que la borne de départ est strictement inférieure ou égale à la borne d’arrivée prémunit les jeux de données empiriques contre toute troncature accidentelle destructrice.

4. Filtrage et suppression conditionnelle par prédicats logiques simples

4.1 Utilisation des opérateurs de comparaison arithmétique

L’élagage d’enregistrements basé sur le contenu sémantique des variables constitue le mode opératoire privilégié de l’analyse statistique. Cette approche repose sur la construction d’un prédicat logique qui évalue chaque observation au regard d’une condition d’admissibilité arithmétique. Les opérateurs de comparaison relationnelle traditionnels comprennent l’égalité stricte (==), l’inégalité stricte (!=), ainsi que les opérateurs d’ordre (<, >, <=, >=). Appliqués à un vecteur extrait d’un data frame (par exemple via la notation d’extraction atomique df$variable), ces opérateurs renvoient un vecteur logique homomorphe indiquant la véracité de la proposition pour chaque case d’échantillonnage.

Pour concrétiser la suppression des lignes satisfaisant une condition donnée, deux architectures conceptuelles s’offrent au programmeur : la sélection directe des lignes complémentaires, ou l’inversion délibérée de la condition de rejet au moyen de l’opérateur unaire de négation logique, matérialisé par le point d’exclamation (!). Considérons une étude psychométrique évaluant les fonctions exécutives au travers d’une échelle standardisée, où tout score strictement inférieur à un seuil critique de 50 points dénote une invalidité méthodologique de l’administration du test. L’exclusion des individus non conformes s’exprime syntaxiquement par la requête donnees_valides <- donnees[!(donnees$score < 50), ] ou, par équivalence logique directe, donnees_valides <- donnees[donnees$score >= 50, ].

Bien que ces deux formulations paraissent interchangeables à première vue, elles divergent substantiellement en présence de données incomplètes. L’évaluation d’une comparaison arithmétique face à une valeur manquante (NA) ne produit ni vrai ni faux, mais propage indéfiniment la valeur indéterminée NA. Lorsque cette indétermination est soumise aux crochets d’indexation, R réagit en injectant une ligne intégralement remplie de valeurs manquantes dans le data frame final. Il est donc indispensable de s’assurer de l’exhaustivité des vecteurs interrogés ou d’adjoindre des filtres d’existence pour éviter l’altération du jeu de données par des observations fantômes induites par la propagation logique des données absentes.

4.2 Sélection basée sur l’appartenance à un ensemble avec %in%

Dès lors que le critère d’exclusion ne relève plus d’une échelle continue mais d’un espace d’états discrets ou catégoriels, l’opérateur d’égalité vectorielle présente des limites conceptuelles sévères. L’utilisation naïve de l’opérateur == confronté à un vecteur de plusieurs cibles déclenche le mécanisme de recyclage implicite des vecteurs propre à R. Ce mécanisme compare le premier élément du tableau au premier élément de la cible, le second au second, et ainsi de suite en bouclant sur la cible, ce qui constitue une erreur logique gravissime conduisant à des faux négatifs d’exclusion non signalés.

La formulation canonique pour tester l’appartenance à un ensemble discret requiert l’opérateur d’inclusion ensembliste %in%. Cet opérateur analyse chaque observation du vecteur de gauche et certifie son appartenance à l’ensemble défini par le vecteur de droite en renvoyant un booléen strict (TRUE ou FALSE), tout en présentant l’avantage capital d’immuniser l’évaluation contre les pièges du recyclage. L’élimination des observations rattachées à des groupes expérimentaux spécifiques s’effectue en associant l’inclusion à la négation logique unitaire : df_filtre <- df[!df$groupe %in% c(« Placebo_B », « Controle_Invalide »), ].

La robustesse de l’opérateur %in% s’étend également à la gestion des valeurs manquantes. Contrairement aux opérateurs arithmétiques binaires qui renvoient une indétermination systématique face à un élément indéfini, %in% évalue de manière déterministe si la valeur NA appartient à la liste de référence (renvoyant TRUE si NA figure explicitement dans le vecteur comparateur, FALSE dans le cas contraire). Cette tolérance computationnelle fait de l’association entre la négation unaire et l’opérateur %in% l’un des idiomes les plus fiables et élégants de la programmation en langage R standard pour le nettoyage des catégories expérimentales aberrantes.

5. Suppression multicritère à l’aide d’opérateurs booléens combinés

5.1 Conjonction stricte avec l’opérateur logique ET (&)

Dans la recherche observationnelle et expérimentale complexe, la décision d’exclure une unité statistique repose rarement sur une variable isolée. Elle exige fréquemment le croisement de plusieurs conditions simultanées régies par l’algèbre de Boole. La conjonction logique stricte est implémentée en R par l’opérateur unaire d’intersection vectorielle représenté par l’esperluette simple (&). Il est primordial de souligner la distinction absolue entre l’esperluette simple (&), qui opère terme à terme sur l’ensemble des coordonnées vectorielles, et la double esperluette (&&), qui n’examine que le tout premier élément scalaire d’un vecteur pour des structures de contrôle conditionnel de type if. L’emploi de la double esperluette dans une opération d’indexation de lignes constitue une faute de programmation invalidant l’ensemble de la filtration.

Supposons un jeu de données biométriques et sportives où l’on souhaite exclure les observations correspondant à des athlètes présentant simultanément une performance offensive insuffisante et un rendement défensif déficitaire. Le critère d’amputation s’établit par exemple sur la conjonction des scores de points et de rebonds : les lignes où pts < 10 et rebs < 6 doivent être supprimées. L’implémentation formelle procède par la négation globale de cette conjonction : donnees_epurees <- df[!(df$pts < 10 & df$rebs < 6), ]. L’évaluation vectorielle procède élément par élément : pour chaque rang, la condition composée est calculée, puis le résultat booléen est inversé par la négation unaire avant que la tranche indiciaire ne soit prélevée.

En vertu des théorèmes fondamentaux de De Morgan régissant la dualité logique, cette expression conjointe inversée est strictement équivalente à la disjonction des propositions niées : df[df$pts >= 10 | df$rebs >= 6, ] (en supposant l’absence de valeurs indéfinies). La maîtrise de cette dualité booléenne permet au chercheur d’optimiser la clarté conceptuelle de ses scripts en formulant explicitement les critères de rétention plutôt que de multiplier les couches de négation imbriquées, facteur fréquent d’obscurcissement du code et d’erreurs de maintenance logicielle.

5.2 Disjonction avec l’opérateur logique OU (|)

L’exclusion par disjonction logique intervient dès lors qu’un enregistrement doit être écarté s’il présente au moins une défaillance parmi un ensemble de critères d’exclusion mutuellement non exclusifs. Dans ce contexte, l’opérateur d’union logique vectorielle matérialisé par la barre verticale simple (|) est mobilisé. À l’instar de la conjonction, l’opérateur à barre double (||) est rigoureusement proscrit pour le sous-ensemblement vectoriel, car il court-circuite l’évaluation après examen du premier élément, laissant les dimensions résiduelles inexplorées.

Une application clinique classique concerne le filtrage des temps de réponse lors d’épreuves de chronométrie mentale. Une latence de réponse peut être jugée non interprétable si elle traduit une anticipation motrice inconsciente (latence anormalement courte, inférieure à 150 millisecondes) ou si elle trahit une distraction manifeste du sujet (latence excessivement longue, excédant 3000 millisecondes). Pour purger la base de données de ces deux typologies d’aberrations comportementales, l’analyste combine les deux clauses d’exclusion par une disjonction : df_valide <- df[!(df$rt < 150 | df$rt > 3000), ].

L’ordre de priorité des opérateurs logiques dans l’interpréteur R revêt ici une importance capitale. L’opérateur de conjonction (&) possède une précédence naturelle supérieure à l’opérateur de disjonction (|), tout comme la multiplication l’emporte sur l’addition en arithmétique élémentaire. Dès lors que des expressions multicritères complexes mêlent simultanément des conjonctions et des disjonctions, l’absence de parenthésage strict et explicite induit des regroupements automatiques contraires à l’intention du statisticien. L’encapsulation méticuleuse de chaque sous-proposition logique entre parenthèses arrondies garantit une exécution déterministe conforme aux spécifications du devis expérimental.

6. Utilisation avancée de la fonction native subset() pour l’élagage de données

6.1 Syntaxe déclarative et évaluation non standard

Afin d’alléger la verbosité de l’indexation par crochets et de s’abstraire de la répétition mécanique du préfixe identifiant le jeu de données, le socle standard de R fournit la fonction subset(). Cette commande implémente une syntaxe déclarative fluide facilitant la lecture humaine en exploitant un mécanisme interne sophistiqué : l’évaluation non standard (non-standard evaluation ou NSE). Grâce à ce dispositif, les arguments transmis à la fonction sont évalués directement dans l’environnement constitué par le data frame lui-même, convertissant les noms de colonnes en variables immédiatement accessibles sans nécessiter le symbole d’indexation dollar ($).

Considérons un protocole expérimental dans lequel nous souhaitons élaguer les enregistrements combinant un statut sérologique négatif et un âge supérieur à 65 ans. Alors que l’indexation matricielle requerrait l’expression df[df$serologie == « Positif » | df$age <= 65, ], la fonction subset() autorise la formulation synthétique suivante : df_nettoye <- subset(df, serologie == « Positif » | age <= 65). Il convient de remarquer que subset() prend pour second paramètre la condition de conservation logique et non la condition d’éviction ; la suppression s’opère donc par la description affirmative de l’ensemble complémentaire résiduel attendu.

Outre son agrément stylistique indéniable, la fonction subset() intègre un avantage structurel majeur quant au traitement des valeurs manquantes. Confrontée à des valeurs logiques indéterminées issues de tests de comparaison, elle traite par défaut les occurrences NA comme équivalentes à des valeurs fausses (FALSE), prévenant ainsi l’injection involontaire de lignes composées exclusivement d’indéterminations qui pollue classiquement l’indexation par crochets bruts. Cet amortissement automatique des valeurs manquantes confère à subset() un attrait remarquable lors des explorations descriptives interactives rapides.

6.2 Mise en garde méthodologique en contexte de programmation

En dépit de son élégance apparente, l’utilisation de la fonction subset() fait l’objet d’une mise en garde explicite et solennelle dans la documentation officielle de référence rédigée par le noyau de développement de R (R Core Team). La page d’aide associée stipule sans ambiguïté que subset() est un outil de commodité destiné principalement à l’analyse interactive en console, et qu’il est expressément déconseillé d’y recourir au sein de fonctions compilées, de packages ou de scripts de calcul intensif destinés à la production industrielle.

La raison fondamentale de cette proscription réside précisément dans l’évaluation non standard qui sous-tend son fonctionnement. La résolution des noms de variables dans l’environnement local du tableau brise la transparence référentielle du code. Si un argument de fonction ou une variable environnementale externe partage fortuitement le même nom qu’une colonne du data frame manipulé, le mécanisme d’évaluation lexicale de R peut substituer de manière silencieuse l’une à l’autre, induisant des comportements erratiques impossibles à déboguer par les techniques traditionnelles d’analyse statique de code.

Pour assurer la pérennité, la portabilité et la robustesse des chaînes de traitement, le chercheur doit privilégier les mécanismes d’évaluation standardisés. Au sein de routines programmées, l’opérateur d’indexation élémentaire par crochets [ , ] ou les verbes hautement prévisibles des bibliothèques de calcul moderne représentent la norme scientifique indéboulonnable, garantissant que chaque identifiant de symbole est strictement ancré dans son espace lexical propre sans ambiguïté contextuelle.

7. Traitement et suppression des valeurs manquantes (NA)

7.1 Suppression globale des lignes incomplètes avec na.omit()

L’incomplétude des matrices de données représente l’une des entraves les plus sévères à l’application des estimateurs inférentiels multivariés (régressions linéaires, modèles structurels, classifications non supervisées). Face à un tableau comportant des cases vides modélisées sous R par la constante réservée NA (pour Not Available), la stratégie d’épuration la plus radicale consiste en l’analyse des cas complets (complete-case analysis), historiquement désignée sous l’appellation d’amputation par liste (listwise deletion). Cette opération globale est exécutée de façon unitaire par la fonction native na.omit().

L’invocation de na.omit(df) déclenche le scan systématique de chaque cellule du tableau bidimensionnel. Dès lors qu’une ligne contient ne serait-ce qu’une seule occurrence de valeur manquante sur l’ensemble de ses colonnes, l’enregistrement est intégralement banni du résultat final. La fonction enrichit également l’objet résultant d’un attribut de métadonnées nommé na.action, lequel préserve le catalogue exhaustif des indices numériques des lignes amputées ainsi que leur classe d’origine. Cette traçabilité interne s’avère précieuse pour le diagnostic a posteriori des observations sacrifiées au cours de l’amputation.

Néanmoins, l’adoption aveugle de na.omit() induit des conséquences statistiques désastreuses dès lors que les données ne satisfont pas à l’hypothèse théorique stricte de manque complètement aléatoire (Missing Completely At Random ou MCAR). Si la propension d’une variable à présenter des lacunes est corrélée à d’autres attributs de l’étude (manque aléatoire, MAR) ou à la valeur sous-jacente non mesurée elle-même (manque non aléatoire, MNAR), l’exclusion totale de la ligne engendre un biais de sélection sévère et compromet irrémédiablement la validité externe des conclusions. De surcroît, dans des tableaux à haute dimensionnalité comportant de nombreuses colonnes, la probabilité cumulée qu’une ligne contienne au moins un champ manquant croît exponentiellement, réduisant dramatiquement la taille d’échantillon effective et effondrant la puissance statistique des tests d’hypothèse subséquents.

7.2 Filtrage ciblé des valeurs manquantes par complete.cases()

Pour atténuer les ravages de l’amputation globale sans discernement, la fonction native complete.cases() offre une flexibilité de ciblage chirurgicale. Contrairement à na.omit() qui opère sur l’intégralité inconditionnelle de l’espace tabulaire, complete.cases() est une fonction prédictive qui évalue des tranches matricielles ou des sous-listes vectorielles et retourne un vecteur logique attestant de la complétude individuelle de chaque enregistrement.

Cette distinction permet au statisticien de confiner l’exigence de complétude aux seules variables indispensables au modèle analytique considéré, tout en tolérant des lacunes informatives sur des variables auxiliaires ou non critiques. Considérons un modèle biomécanique dans lequel les variables de performance terminale telles que pts et blocks sont impératives, tandis que des mesures sociodémographiques secondaires peuvent demeurer incomplètes sans compromettre l’estimation du modèle d’ajustement. La restriction ciblée de la suppression de lignes s’exécute par la syntaxe suivante : df_ajuste <- df[complete.cases(df[, c(« pts », « blocks »)]), ].

Cette approche hybride préserve un volume considérable d’unités d’observation qui auraient été indistinctement annihilées par un appel direct à na.omit(). En limitant la censure des observations aux axes empiriques critiques, l’analyste maximise la conservation de l’information empirique collectée et maintient la puissance d’échantillonnage à son niveau optimal sans violer les contraintes de formulation de ses modèles quantitatifs.

7.3 Utilisation conjointe de is.na() et de la négation logique

Lorsque la politique de nettoyage s’articule autour d’une variable pivot unique, la combinaison du prédicat atomique is.na() et de l’opérateur de négation unaire (!) constitue la méthode de référence, alliant simplicité conceptuelle et vélocité d’exécution. La fonction is.na() scrute individuellement chaque case du vecteur désigné et renvoie un booléen signalant la présence d’une indétermination. Son inversion par le point d’exclamation produit un masque d’admissibilité rigoureux : df_epure <- df[!is.na(df$variable_critique), ].

À cet égard, il est indispensable de dénoncer l’une des erreurs sémantiques les plus pernicieuses commises par les praticiens débutants : la tentative d’évaluation de la non-disponibilité par l’opérateur relationnel d’inégalité, formulée sous l’expression erronée df$variable != NA. Dans l’architecture formelle de R, la valeur NA n’est pas une constante d’état comparable, mais un marqueur universel d’inconnaissance fondamentale. Par définition, comparer une entité empirique quelconque à une grandeur inconnue ne peut aboutir qu’à un état d’inconnaissance équivalent. Ainsi, toute comparaison directe face à NA renvoie inéluctablement NA, rendant l’opération d’indexation totalement inopérante et corrompant la table par une cascade de lignes fantômes non initialisées.

L’application rigoureuse du filtre !is.na() sur une échelle d’évaluation comportementale permet d’évacuer exclusivement les sujets n’ayant pas renseigné la mesure terminale du protocole, tout en retenant l’ensemble de leurs trajectoires longitudinales intermédiaires. Cette précision élémentaire constitue l’un des piliers de l’intégrité de la préparation des données sous R standard.

8. Identification et suppression des observations dupliquées

8.1 Détection des redondances avec la fonction duplicated()

L’apparition d’enregistrements redondants constitue un artefact fréquent consécutif à des incidents de transmission télémétrique, à des erreurs de concaténation relationnelle ou à des soumissions multiples au sein d’enquêtes informatisées. La purge des duplications intégrales — situations où deux ou plusieurs lignes partagent une stricte homologie de valeurs sur l’intégralité de leurs dimensions horizontales — mobilise la fonction native duplicated().

La fonction duplicated() traite un data frame en comparant chaque ligne séquentiellement aux enregistrements qui la précèdent dans l’ordre de tri ordinal. Elle renvoie un vecteur booléen assignant la valeur FALSE à la première occurrence observée d’un profil de données, et la valeur TRUE à toute réplique ultérieure identique. Dès lors, la suppression de l’ensemble des doublons techniques pour ne préserver qu’une instance unique par profil s’effectue au moyen du masque de négation : df_sans_doublons <- df[!duplicated(df), ].

La commande dispose d’un paramètre structurel décisif intitulé fromLast, initialisé par défaut à la valeur FALSE. Dans cette configuration nominale, la première observation historique est sanctuarisée tandis que les copies postérieures sont ciblées pour l’éviction. En modifiant cet argument par fromLast = TRUE, le vecteur de parcours analyse la table en ordre rétrograde, identifiant ainsi comme doublons les instances initiales pour ne conserver formellement que l’occurrence la plus tardive du profil. Ce paramétrage offre une solution immédiate pour la purge des historiques dans les cas où la dernière mise à jour chronologique prévaut sur les états antérieurs.

8.2 Suppression de doublons sur un sous-ensemble de clés d’identification

Dans la pratique épidémiologique et les études de cohortes longitudinales, la duplication technique stricte sur l’intégralité des colonnes est rare. Le défi réside plus communément dans la présence de soumissions répétées ou contradictoires associées à un même identifiant unique de participant (participant_id), alors que des métadonnées temporelles ou techniques secondaires diffèrent légèrement. Dans ce schéma, le dédoublonnage doit être guidé par une ou plusieurs clés primaires fonctionnelles.

Pour restreindre l’audit de redondance à une variable clé ou à un sous-ensemble dimensionnel spécifique, il suffit de passer la tranche de colonnes pertinente en argument à la fonction : df_unique <- df[!duplicated(df$participant_id), ], ou dans le cas de clés composites plurielles, df[!duplicated(df[, c(« centre_id », « patient_id »)]), ]. L’interpréteur calcule l’empreinte d’unicité exclusivement sur les coordonnées désignées, garantissant qu’aucun individu statistique ne soit représenté plus d’une fois dans la table de travail analytique.

Cette approche impose néanmoins une rigueur méthodologique absolue quant à l’ordonnancement préalable des données. La fonction duplicated() préservant aveuglément la première ligne rencontrée, l’analyste doit préalablement trier son data frame (au moyen de la fonction order()) selon des critères temporels ou qualitatifs explicites (par exemple, par ordre décroissant de complétude ou par horodatage validé). À défaut de ce tri préparatoire, la sélection de l’instance retenue relèverait de l’aléatoire lié à l’organisation brute du fichier source, introduisant un biais de mesure inacceptable dans le recueil des trajectoires individuelles.

9. Nettoyage et suppression de lignes selon l’approche Tidyverse (dplyr)

9.1 Exclusion par prédicats logiques avec filter()

L’avènement de l’écosystème Tidyverse a profondément renouvelé les pratiques d’ingénierie des données sous R en promouvant une syntaxe déclarative unifiée et orientée vers la manipulation de tables ordonnées. Au sein de cette architecture, le package dplyr s’impose comme la référence paradigmatique, articulant ses opérations autour du concept de tuyauterie d’instructions via le tuyau natif (native pipe, |>) ou le tuyau historique de magrittr (%>%). Le verbe fondamental dévolu à l’exclusion et au sous-ensemblement conditionnel de lignes est la fonction filter().

L’emploi de dplyr::filter() transcende les limitations de l’indexation de base en intégrant une évaluation transparente des variables du tableau sans aucun recours aux opérateurs de crochets ou de dollar. Pour supprimer les lignes ne satisfaisant pas un cahier des charges expérimental, le chercheur formule directement les prédicats de rétention ou utilise les règles d’exclusion inversées. Par exemple, la commande séquentielle :

df_filtre <- df |> dplyr::filter(!groupe %in% c(« Exclu_A », « Exclu_B »), concentration >= 0.05)

exprime avec une lisibilité immédiate la double condition requise pour l’élagage des données.

Un atout fondamental de filter() réside dans sa gestion intrinsèque des valeurs manquantes. Là où l’indexation standard par crochets exige une vigilance pathologique sous peine d’injecter des lignes fantômes de valeurs NA, la fonction filter() supprime automatiquement toute ligne pour laquelle l’évaluation du prédicat logique renvoie un résultat indéfini (NA). Ce comportement conservateur par défaut s’aligne fidèlement sur les exigences de la plupart des protocoles d’assainissement de données, éliminant d’emblée une source majeure d’anomalies computationnelles tout en allégeant substantiellement la charge cognitive du développeur.

9.2 Suppression par position avec slice() et ses variantes

Parallèlement au filtrage logique, le package dplyr formalise l’amputation d’enregistrements par localisation géométrique ou ordinale au travers de la famille de fonctions slice(). La fonction maîtresse slice() reproduit le comportement des indices numériques en autorisant la notation négative : l’instruction df |> slice(-c(1:10)) expurge de manière immédiate et explicite les dix premières unités du jeu de données, conférant au code une clarté sémantique inaccessible aux crochets matriciels.

La force de cette grammaire réside dans ses déclinaisons spécialisées conçues pour les opérations d’élagage aux extrémités des distributions de données. La fonction slice_head() permet de tronquer un nombre absolu ou une proportion relative de lignes initiales, tandis que slice_tail() s’adresse au segment terminal. Utilisées conjointement avec un tri préalable ou au sein d’une partition groupée via la directive group_by(), ces fonctions permettent d’amputer des lignes spécifiques à l’échelle de chaque sous-population expérimentale :

df_ajuste <- df |> group_by(strate_clinique) |> slice_tail(n = -2) |> ungroup().

Cette formulation supprime de façon coordonnée les deux derniers enregistrements au sein de chaque strate clinique indépendante, une opération qui nécessiterait des boucles ou des fonctions d’application complexes en code R de base.

Les variantes telles que slice_min() et slice_max() autorisent également l’élagage direct des extrêmes empiriques basé sur l’ordre d’une variable spécifique, offrant un contrôle fin sur la gestion des ex æquo via l’argument with_ties. Cette flexibilité positionnelle confère à l’analyste un outillage méthodologique complet pour tronquer les distributions sans manipuler manuellement les vecteurs d’indices ordinaux.

9.3 Déduplication fluide avec distinct()

Le traitement des redondances au sein de l’univers dplyr s’incarne dans la fonction distinct(), conçue comme une alternative idiomatique et hautement optimisée à l’appel combiné de df[!duplicated(), ]. Appliquée sans paramètre ultérieur (df |> distinct()), elle purge le tableau de toute réplique globale identique en préservant systématiquement la première occurrence séquentielle observée.

La valeur ajoutée majeure de distinct() se manifeste lors du dédoublonnage conditionné par un sous-ensemble restreint d’identifiants ou de variables catégorielles. Par défaut, la spécification d’arguments restreints — par exemple df |> distinct(patient_id) — a pour conséquence géométrique de ne retourner qu’une table univariée contenant les identifiants uniques dédoublonnés. Pour maintenir la totalité des dimensions horizontales associées à ces identifiants sans élaguer les variables cliniques adjacentes, il est impératif d’activer le commutateur booléen .keep_all = TRUE :

df_nettoye <- df |> distinct(patient_id, .keep_all = TRUE).

Sur le plan des performances algorithmiques, distinct() rivalise favorablement avec les fonctions natives de R en s’appuyant sur des tables de hachage codées en C++ sous-jacent. Cette conception procure une vitesse de traitement optimale lors du tamisage de banques de données volumineuses comportant des millions de lignes, tout en maintenant une lisibilité syntaxique maximale compatible avec les principes de la programmation analytique moderne.

10. Suppression de lignes basée sur des seuils statistiques et détection d’atypicités

10.1 Élagage basé sur les scores standardisés (Z-scores)

Au-delà de la conformité protocolaire ou technique, la décision d’évincer une observation repose souvent sur des critères statistiques de détection des données atypiques (outliers). L’un des paradigmes paramétriques les plus universels repose sur la standardisation des observations par le calcul du score centré réduit, ou Z-score. Pour une variable métrique continue distribuée selon une loi approximativement gaussienne, le Z-score d’un individu mesure son écart à la moyenne empirique de l’échantillon, quantifié en unités d’écart-type : z_i = (x_i – mu) / sigma.

Dans la tradition statistique initiée par l’analyse des grands échantillons, toute observation dont la valeur absolue du Z-score excède un seuil critique conventionnel — typiquement fixé à 3 (ou parfois 2,5 dans des cadres exploratoires stricts) — est présumée provenir d’un processus générateur d’erreurs ou appartenir à une sous-population non conforme. L’exclusion de ces enregistrements s’opère par vectorisation directe sous R :

z_scores <- abs((df$mesure – mean(df$mesure, na.rm = TRUE)) / sd(df$mesure, na.rm = TRUE))

df_epure <- df[z_scores <= 3, ].

Cette approche paramétrique exige néanmoins une grande réserve épistémologique. La moyenne et l’écart-type étant eux-mêmes des estimateurs extrêmement vulnérables à la présence de valeurs extrêmes (dépourvus de point de rupture élevé), des anomalies sévères peuvent artificiellement gonfler l’écart-type et masquer leur propre divergence statistique (phénomène de masquage ou masking effect). Par conséquent, l’amputation aveugle d’individus sur la base du Z-score classique doit être réservée à des distributions validées a priori comme unimodales et symétriques, ou faire appel à des estimateurs robustes tels que la médiane et l’écart absolu à la médiane (MAD).

10.2 Filtrage selon l’écart interquartile (règle de Tukey)

Pour s’affranchir des postulats distributionnels restrictifs de la normalité et contourner la sensibilité de la moyenne aux aberrations d’échantillonnage, la méthode non paramétrique de John Tukey — fondée sur l’écart interquartile (Interquartile Range ou IQR) — offre une alternative universellement adoptée. Cette démarche constitue l’assise mathématique des diagrammes en boîte à moustaches (boxplots).

La règle de détection définit les clôtures intérieure et supérieure au-delà desquelles un point est étiqueté comme atypique. L’intervalle de rétention admissible est défini par [Q1 – 1,5 * IQR, Q3 + 1,5 * IQR], où Q1 et Q3 désignent respectivement le premier et le troisième quartile empirique, calculés par la fonction quantile(), et IQR représente l’amplitude interquartile calculée par IQR(). L’implémentation de la suppression de lignes hors clôtures se formalise comme suit :

q1 <- quantile(df$valeur, 0.25, na.rm = TRUE)

q3 <- quantile(df$valeur, 0.75, na.rm = TRUE)

iqr_val <- q3 – q1

df_filtre <- df[df$valeur >= (q1 – 1.5 * iqr_val) &a\mp; df$valeur <= (q3 + 1.5 * iqr_val), ].

Cette filtration robuste élague avec équité les traînes asymptotiques asymétriques sans distorsion des bornes par les points aberrants eux-mêmes. Il est hautement recommandé sur le plan méthodologique de procéder à une validation graphique comparative avant et après la procédure d’élagage, en superposant les boîtes de Tukey et les densités de distribution empiriques, afin de certifier que la suppression n’a pas tronqué indûment une frange légitime de la variabilité biologique ou sociale du phénomène investigué.

11. Performances et gestion de la mémoire sur les jeux de données volumineux

11.1 Optimisation via le package data.table

Lorsque la volumétrie des données franchit le seuil des téraoctets ou s’approche des limites physiques de la mémoire vive (RAM) de la station de travail, le paradigme de copie lors de la modification inhérent aux data frames standard et aux tibbles devient un goulot d’étranglement prohibitif. Le package data.table propose une réponse architecturale fondée sur la manipulation directe de la mémoire par référence, contournant les duplications d’objets superflues.

La syntaxe de data.table compacte l’ensemble des opérations d’interrogation dans une expression ternaire de la forme DT[i, j, by]. La suppression de lignes opère directement au sein du compartiment i. Pour éliminer des enregistrements par positions numériques, on utilise la syntaxe d’exclusion négative vectorielle : dt <- dt[!c(indices)]. Cependant, la véritable prouesse computationnelle se déploie lors du filtrage conditionnel : data.table convertit automatiquement les requêtes conditionnelles sur les colonnes indexées (clés primaires définies par setkey()) en recherches binaires ultra-rapides d’une complexité algorithmique en O(log n), là où R standard et dplyr réalisent des balayages linéaires vectoriels en O(n).

Des analyses comparatives de performance (benchmarking) conduites via la bibliothèque microbenchmark attestent qu’à l’échelle de dizaines de millions d’enregistrements, la filtration conditionnelle via data.table surpasse les approches matricielles classiques d’un facteur de vitesse oscillant fréquemment entre dix et cent. Cette économie de cycles d’horloge s’accompagne d’une réduction drastique de l’empreinte mémoire temporaire, évitant les saturations de mémoire paginée (swap space) fatales aux flux analytiques automatisés.

11.2 Gestion de l’espace de travail et garbage collection

L’exécution répétée de suppressions d’enregistrements massifs dans une session R engendre une dispersion mémoire substantielle. Même après la réassignation d’une table épurée à son identifiant initial (df <- df[-indices, ]), l’espace mémoire physique alloué aux millions de lignes historiques désallouées n’est pas instantanément restitué au système d’exploitation sous-jacent. R gère son espace de stockage par un ramasse-miettes automatique (Garbage Collector ou GC) qui s’exécute périodiquement de façon asynchrone.

Pour optimiser l’environnement de calcul à la suite de suppressions de données majeures, il relève des bonnes pratiques de programmer la purge délibérée des objets intermédiaires devenus obsolètes au moyen de la commande rm(), immédiatement consolidée par un appel direct au ramasse-miettes via la fonction gc(). Cette invocation force la restitution immédiate de la mémoire non référencée au système d’exploitation et fournit un état des lieux exhaustif de la mémoire vive mobilisée (en mégaoctets de cellules vectorielles et de nœuds Vcells) :

rm(donnees_brutes_massives)

gc(full = TRUE).

Parallèlement, la surveillance fine de la consommation volumétrique des structures de données avant et après filtration s’opère par l’intermédiaire de la fonction object.size(), ou de manière plus fine avec la commande lobstr::obj_size() issue de la bibliothèque lobstr. Cette dernière a la spécificité de comptabiliser avec exactitude les pointeurs partagés et de révéler l’impact réel de l’élagage sur l’encombrement physique global du projet statistique.

12. Rigueur méthodologique et reproductibilité du nettoyage de données

12.1 Traçabilité et documentation du flux de suppression

Dans le paradigme contemporain de la science ouverte et de la recherche reproductible, l’amputation de données ne saurait demeurer un processus opaque relégué à des manipulations ad hoc en coulisse. La crédibilité d’un résultat empirique dépend de la transparence absolue de la trajectoire ayant mené de l’échantillon brut initial au corpus d’analyse définitif. Les protocoles internationaux d’assurance qualité — tels que les normes CONSORT pour les essais cliniques randomisés ou les directives de l’APA pour les sciences comportementales — imposent la reddition de comptes précise du flux d’inclusion et d’exclusion.

Cette traçabilité implique la documentation méticuleuse du nombre d’enregistrements exclus à chaque étape séquentielle du pipeline de nettoyage, ainsi que l’explicitation du motif formel ayant motivé chaque décision d’exclusion (consentement révoqué, données aberrantes, valeurs manquantes rédhibitoires, non-conformité technique). L’analyste doit intégrer au sein de son script des compteurs d’audit qui consignent le delta d’enregistrements résiduels après chaque filtre :

n_initial <- nrow(df)

df_etape1 <- df[!is.na(df$critere_principal), ]

exclus_manquants <- n_initial – nrow(df_etape1).

De surcroît, le principe cardinal d’immuabilité des sources primaires impose la sanctuarisation inviolable des jeux de données bruts initiaux. Le fichier brut original doit être conservé dans un format pérenne, non compressé et en lecture seule, le script R agissant comme un journal de bord déterministe qui reconstruit de façon transparente et entièrement reproductible la base épurée finale sans jamais altérer le fichier source.

12.2 Automatisation des tests d’intégrité après suppression

La robustesse des chaînes de production de données exige d’abandonner l’inspection visuelle manuelle au profit d’assertions logiques automatisées. Après toute procédure substantielle de suppression de lignes, un ensemble de tests formels d’intégrité doit être exécuté pour certifier que le jeu de données épuré respecte rigoureusement les contraintes dimensionnelles et structurelles attendues.

Le langage R natif fournit la fonction d’assertion formelle stopifnot(), qui interrompt brutalement l’exécution du programme si une ou plusieurs conditions prédéfinies ne sont pas strictement validées. Les environnements de production avancés adoptent quant à eux les outils dédiés issus du package testthat. L’analyste peut ainsi certifier de manière programmatique l’absence absolue de valeurs manquantes résiduelles, la stricte conformité du nombre final de rangs ou le respect des bornes statistiques :

stopifnot(nrow(df_final) > 0)

stopifnot(all(!is.na(df_final$mesure_critique)))

stopifnot(nrow(df_final) == (nrow(df_initial) – n_lignes_rejetees)).

L’implantation de ces points de contrôle systématiques (unit tests appliqués aux données) transforme le script d’assainissement en une chaîne de traitement auto-validante. En immunisant le flux analytique contre les erreurs d’exécution invisibles et les glissements conceptuels liés aux opérations d’élagage, le chercheur s’assure d’une reproductibilité totale de ses travaux, conforme aux plus hauts standards scientifiques internationaux.

Références

Chambers, J. M. (2008). Software for data analysis: Programming with R. Springer. https://doi.org/10.1007/978-0-387-75936-4

Dowle, M., & Srinivasan, A. (2023). data.table: Extension of ‘data.frame’ (R package version 1.14.8). Comprehensive R Archive Network. https://cran.r-project.org/package=data.table

Little, R. J. A., & Rubin, D. B. (2019). Statistical analysis with missing data (3rd ed.). John Wiley & Sons. https://doi.org/10.1002/9781119482260

R Core Team. (2023). R: A language and environment for statistical computing. R Foundation for Statistical Computing. https://www.R-project.org/

Tukey, J. W. (1977). Exploratory data analysis. Addison-Wesley.

Wickham, H. (2019). Advanced R (2nd ed.). Chapman and Hall/CRC. https://doi.org/10.1201/9781351201315

Wickham, H., François, R., Henry, L., & Müller, K. (2023). dplyr: A grammar of data manipulation (R package version 1.1.2). Comprehensive R Archive Network. https://cran.r-project.org/package=dplyr