Reproductible

Introduction

Après quelques années de travail en statistiques j’ai été confronté plusieurs fois aux situations suivantes :

• “j’ai rajouté dix cas, tu peux me refaire les stats ?”
• “tu te souviens de l’analyse qu’on a faite il y a deux ans ? il faudrait la refaire en ajoutant…”
• “Sympa ta présentation des résultats, on pourrait en faire un surveillance mensuelle” (de la part du chef, impossible dire non)

À l’époque je travaillait avec des scripts R soigneusement stockés dans mes dossiers avec souvent plusieurs versions de chaque etc.

En direct, lors de écriture des scripts il me fallait en extraire les résultats (chiffres, tableaux, graphiques etc.) pour les incorporer dans le rapport final à grands coups de copier/coller.

Autant vous dire que deux ans plus tard, le plus simple était de repartir de zéro et là impossible de retomber sur les mêmes résultats.

Avertissement

Et on n’oublie pas de sauvegarder ses données, hein ?

Un fichier non sauvegardé n’existe pas[.center]

Donc plusieurs problèmes qui ont chacun des solutions au bout du compte assez simples.

Les solutions

Générer des rapports quasi-automatiquement avec mes scripts bien rangés.

Facile dés qu’on utilise Rmarkdown ou Quarto. c’est à dire un fichier en Markdown qui contient des bouts de code appelés “chunks”. On compile & on sort un beau rapport en pdf, html ou autre. On ne fait pas plus simple ! Et quand on reprend le travail tout est là, dans le même fichier. On peut le relancer avec une base de données qui a grossi (tant qu’elle garde la même structure).

En jouant sur les réglages (simples) on peut avoir une belle version avec les résultats (tableaux, graphiques…) pour rendre à son client ou collègue mais aussi une plus complète avec le code, les numéros de version des packages utilisés etc.

Le seul commandement à respecter est d’avoir des chunks brefs : une figure égale un chunk, un tableau égale un chunk etc. Comme ça quand vous travailler à fignoler un graphique par exemple vous n’avez à relancer à chaque fois que ce chunk court donc simple & lisible.

Un seul script sera autonome

Un truc pas indispensable mais que je trouve bien pratique. Le plus gros chunk que vous aurez à écrire est celui qui charge les données & les met en forme : préciser les NA, avoir des noms de variables utilisables, décider qui est numérique ou factoriel, régler l’ordre des niveaux dans les variables vectorielles, traduire les dates etc.

De plus si vous avez plusieurs rapports à rédiger avec le même jeux de données il vous faudra le recopier au début de chaque travail. Sans oublier que si un import à partir d’un cvs est quasi instantané, un import depuis une base de données ou un tableau Excel peut être long.

Il y a plus simple : un script qui fait tout ça & stocke le résultat dans un format R. Ça donnera :

# On charge & met en forme les données
df <-  readr::read_csv("datas/mesdonnnees.csv") |> 
  janitor::clean_names() |>
...

...
# On sauvegarde le résultat
  saveRDS(df, "data.rds")

Et dans vos rapports vous n’aurez qu’à commencer par :

df <- readRDS("data.rds")

Mais n’oubliez pas, outre les sauvegardes, d’utiliser un gestionnaire de version (Git ou autre) & d’avoir une gestion des fichiers un peu réfléchie, ne pas avoir plusieurs versions du même document dans le même dossier par ex.

Pour me joindre

Un simple mail à docphilmstat@gmail.com ou un message sur Twitter & je vous répondrai dans les plus brefs délais.