Exporter les données vers R

Dans ce guide pas à pas vous verrez comment exporter les données vers RStudio puis les convertir en graphiques et tableaux

🌐 Charger des données dans RStudio

Commencez par exporter les données des répondants depuis NGSurvey au format CSV

Dans RStudio, utilisez le script pour importer le fichier CSV et préparer votre jeu de données.

survey_csv <- read.csv(file="C:/Users/Admin/Downloads/ClientSatisfactionSurvey.csv",stringsAsFactors = TRUE, header=TRUE, sep=",")

Où :

• survey_csv: Variable pour stocker les données.

• read.csv: Fonction pour lire un fichier CSV.

• file: Chemin vers le fichier CSV.

• stringsAsFactors: Convertir les colonnes de type string en factor.

• header: Utiliser la première ligne comme noms de colonnes.

• sep: Délimiteur utilisé dans le fichier (virgule).

📊 Analyse et visualisation des données dans RStudio

Maintenant que vos données sont chargées dans R ou RStudio, vous pouvez commencer à les analyser et à créer des visualisations et des tableaux.

1. Résumé des données : Fournit un résumé rapide du jeu de données, incluant des statistiques pour chaque colonne.

summary(survey_csv)

Où :

• summary: Fonction fournissant des statistiques descriptives de base pour chaque colonne de votre jeu de données

• survey_csv: Votre jeu de données.

1. Table simple : Pour cet exemple, nous avons choisi la variable Recommend_likelihood qui représente la question du sondage « How likely are you to recommend our service to a friend or colleague »

table(survey_csv$Recommend_likelihood

Où :

• table: Cette fonction crée un tableau de fréquences.

• survey_csv$Recommend_likelihood: Cela spécifie la colonne Recommend_likelyhood depuis le survey_csv jeu de données.

• Sortie: Le tableau de fréquences montre la fréquence d'apparition de chaque catégorie de probabilité de recommandation dans le jeu de données.

Optionnel : Nous recommandons de garantir l'ordre correct de la variable catégorielle dans les tableaux et visualisations.

survey_csv$Recommend_likelihood <- factor(
  survey_csv$Recommend_likelihood,
  levels = c("Very unlikely", "Unlikely", 
  "Neutral", "Likely", "Very likely")
)

Où :

• factor: Convertit la variable en factor (variable catégorielle).

• levels: Spécifie l'ordre des catégories pour le factor.

1. Visualisation : visualisation simple en diagramme à barres de la distribution de la probabilité de recommandation.

Créez le barplot pour visualiser les données :

barplot(
  table(survey_csv$Recommend_likelihood), 
  main = "How likely are you to recommend our service to a friend or colleague",
  xlab = "Recommendation Likelihood",
  ylab = "Frequency",
  col = "lightblue",
  las = 2,
  cex.names = 0.8  # Réduit la taille des étiquettes des barres
)

Où :

• barplot: Génère un diagramme à barres.

• table(survey_csv$Recommend_likelyhood): Crée un tableau de fréquences pour les hauteurs des barres.

• main: Définit le titre du graphique.

• xlab: Étiquette pour l'axe des x.

• ylab: Étiquette pour l'axe des y.

• col: Définit la couleur des barres en bleu clair.

• las = 2: Fait pivoter les étiquettes de l'axe pour qu'elles soient perpendiculaires, pour une meilleure lisibilité.

• cex.names = 0.8: Réduit la taille des étiquettes des barres pour éviter le chevauchement.

Optionnel : Ajustez les marges et la position des étiquettes pour le barplot.

par(mar = c(7, 5, 4, 2) + 0.1, mgp = c(4, 1, 0))

Où :

• par: Définit les paramètres graphiques.

• mar: Ajuste les marges du graphique : bas, gauche, haut, droite (augmentation de la marge inférieure pour éviter le chevauchement).

• + 0.1: Augmente légèrement chaque marge du graphique afin de garantir un espace supplémentaire pour les éléments du graphique, empêchant qu'ils soient rognés ou surchargés.

• mgp: Contrôle le placement du titre de l'axe, des étiquettes et de la ligne. Ici, 4 décale l'étiquette de l'axe des x plus bas.