Aller au contenu
Encyclopédie informatique Édition 2026

Les langages des données : R et Julia

Un tableur suffit pour dresser la liste de vos dépenses, mais plus pour analyser vingt ans de mesures, comparer deux traitements médicaux ou simuler le climat. Deux langages se sont spécialisés dans ce travail avec des données : R, né dans les années 1990 chez les statisticiens, et Julia, apparu en 2012 chez des chercheurs en calcul scientifique. Le premier excelle pour explorer des données, les décrire, les tester et en tirer des graphiques ; le second pour écrire des calculs lourds qui ne soient pas lents. Cet article explique ce qu’ils font, comment on s’en sert (avec de petits programmes commentés), en quoi ils diffèrent de Python et d’un tableur, et quels risques particuliers, d’erreur comme de sécurité, accompagnent le travail sur les données.

Rubrique
Développement
Niveau
Débutant à intermédiaire
Lecture
23 min (essentiel)
25 min (complet)
Révision
4 novembre 2026
Niveau de lecture :

En bref

  • R est un langage libre de statistique : il manipule d’emblée des séries de nombres, des tableaux et des graphiques, et dispose de plus de vingt mille extensions, appelées packages, publiées sur un dépôt commun.
  • Julia est un langage de calcul scientifique : il est compilé à la volée en code machine, ce qui le rend rapide, et il choisit la bonne version d’une fonction d’après le type de ses arguments.
  • Tous deux comptent à partir de 1 et non de 0, savent traiter une série entière d’un coup (la vectorisation) et obligent à gérer les valeurs manquantes explicitement.
  • Le choix dépend du travail : R pour la statistique et la publication de résultats, Julia pour la simulation et les gros calculs, Python pour tout relier, un tableur pour les petits jeux de données.
  • Une analyse n’a de valeur que si on peut la refaire : on fige les versions des extensions, on garde le code avec les données, et l’on protège les données personnelles.

Prérequis conseillés : Les langages de programmation

1Pourquoi des langages pour les données ?

Un tableur (voir le tableur) est un outil remarquable pour des tableaux de quelques centaines de lignes que l’on regarde à l’écran. Mais il atteint vite ses limites. Il garde peu de trace de ce que vous avez fait : une formule écrasée, une cellule modifiée à la main, et personne ne sait plus d’où vient un résultat. Il supporte mal les millions de lignes. Et il traite parfois les données à votre place : il est arrivé que des tableurs transforment des noms de gènes en dates, au point que l’organisme chargé de nommer les gènes humains a fini, en 2020, par renommer plusieurs d’entre eux pour éviter le problème. La leçon est simple : quand l’analyse compte, il faut qu’elle soit écrite, rejouable et vérifiable.

C’est le rôle des langages de programmation spécialisés dans les données. Vous écrivez une suite d’instructions, enregistrée dans un fichier : charger les données, les nettoyer, les résumer, les représenter, les modéliser. Si les données changent ou si un collègue veut vérifier, on relance le fichier et l’on obtient le même résultat. Deux langages occupent une place particulière dans ce domaine : R et Julia. Un troisième, Python, est souvent présenté avec eux ; il fait l’objet d’un article à part (voir le langage Python).

1.1Le parcours d’une analyse

Quel que soit le langage, un travail sur des données suit le même chemin, que montre la figure 1. On importe les données (fichier de valeurs séparées par des virgules, base de données, interface d’un service en ligne). On les nettoie : doublons, valeurs absentes, erreurs de saisie, formats de dates incohérents. On les explore avec des résumés et des graphiques. On les modélise ou on les teste (une différence est-elle réelle ou due au hasard ?). Enfin on communique : rapport, tableau de bord, publication. La plus grande part du temps réel est consacrée au nettoyage, et elle est souvent sous-estimée.

LE PARCOURS D’UNE ANALYSE ET QUELQUES OUTILS 1. Importer R readr, read.csv Julia CSV, DataFrames 2. Nettoyer R dplyr, tidyr Julia DataFrames 3. Explorer R summary, ggplot2 Julia Plots, Makie 4. Modéliser R lm, glm Julia GLM, Optim 5. Communiquer R Quarto, Shiny Julia Pluto, Quarto
Figure 1. Le parcours d’une analyse de données, et quelques outils de chaque langage à chaque étape.

1.2Le plan de l’article

La partie 2 raconte l’histoire de R, la partie 3 son fonctionnement avec de petits programmes. La partie 4 fait de même pour Julia (figure 2 pour son mécanisme de compilation). La partie 5 compare les outils (figure 3). La partie 6 traite des pièges du calcul sur les données, la partie 7 de la reproductibilité, la partie 8 de la sécurité et de la protection des données personnelles.

2R : le langage des statisticiens

2.1Un peu d’histoire

L’histoire de R commence aux États-Unis, dans les laboratoires de la société Bell, dans les années 1970 : le statisticien John Chambers et ses collègues y conçoivent un langage appelé S, destiné à explorer des données de façon interactive, en tapant des commandes et en voyant le résultat. S devient un produit commercial, très apprécié mais cher. Au début des années 1990, à l’université d’Auckland en Nouvelle-Zélande, deux enseignants en statistique, Ross Ihaka et Robert Gentleman, créent un langage proche de S pour leurs étudiants. Le nom, R, est à la fois l’initiale de leurs prénoms et un clin d’œil à S.

Le projet est publié sous licence libre (la licence GNU GPL, qui garantit que chacun peut utiliser, étudier, modifier et partager le logiciel) au milieu des années 1990. Un groupe de contributeurs, le « R Core Team », prend le relais, et la version 1.0.0 paraît en 2000. Un réseau de serveurs, le CRAN (Comprehensive R Archive Network, réseau complet d’archives de R), distribue le langage et ses extensions. En 2026, R est à la version 4.6, parue en avril, et suit un rythme d’une version majeure par an, avec des corrections en cours d’année.

Autour du langage s’est formée une société, longtemps connue sous le nom RStudio, devenue Posit en 2022. Elle édite l’environnement de travail le plus courant (RStudio) et finance une grande partie des extensions modernes. R lui-même reste un projet indépendant, géré par une fondation.

2.2Ce qui rend R particulier

R a été pensé pour manipuler des séries de valeurs. L’unité de base n’est pas le nombre isolé mais le vecteur, une suite de valeurs de même nature. Même « 5 » est, pour R, un vecteur d’un seul élément. Cette idée entraîne trois traits qui surprennent d’abord les personnes venues d’autres langages :

  • les opérations s’appliquent à toute la série à la fois (c’est la vectorisation), ce qui évite la plupart des boucles ;
  • les éléments se numérotent à partir de 1 (le premier élément du vecteur v est v[1]) ;
  • les valeurs manquantes (NA, pour not available, non disponible) font partie du langage et se propagent dans les calculs.

Le deuxième atout de R est son écosystème : au moment de la rédaction, le CRAN rassemble plus de vingt mille extensions (on dit paquets ou packages), couvrant la génétique, l’économie, l’écologie, la psychologie, la finance. Un chercheur qui invente une méthode statistique la publie souvent d’abord sous forme de paquet R ; c’est une des raisons pour lesquelles on y trouve des méthodes qui n’existent nulle part ailleurs. Le troisième atout est la qualité des graphiques, jusque dans les publications scientifiques.

3R en pratique : de petits programmes

Les exemples qui suivent se tapent dans la console de R ou dans RStudio. Le symbole <- range une valeur dans un nom (on parle d’affectation ; voir les variables), le dièse introduit un commentaire.

3.1Des vecteurs et des moyennes

notes <- c(12, 15.5, 9, 18, NA)      # c() assemble les valeurs ; NA = note absente
mean(notes)                          # NA : une valeur inconnue rend la moyenne inconnue
mean(notes, na.rm = TRUE)            # 13.625 : on demande d'ignorer les valeurs manquantes
notes * 2                            # 24 31 18 36 NA : opération sur toute la série
notes[notes >= 10]                   # 12 15.5 18 NA : attention, NA reste dans le résultat

Ces cinq lignes contiennent déjà deux enseignements. Premièrement, R ne devine pas à votre place ce qu’il faut faire d’une donnée inconnue : mean(notes) donne NA tant que vous n’avez pas dit explicitement d’ignorer les valeurs manquantes (na.rm = TRUE, « retirer les NA »). C’est une protection : une moyenne calculée en silence sur quatre valeurs au lieu de cinq pourrait fausser une conclusion. Deuxièmement, le filtre notes[notes >= 10] garde le NA, car la comparaison « inconnu supérieur ou égal à 10 » est elle-même inconnue. Pour l’éliminer, on ajoute une condition (!is.na(notes)).

3.2Les tableaux de données

La structure centrale de R est le data frame (littéralement « cadre de données »), un tableau dont chaque colonne est un vecteur avec un nom :

eleves <- data.frame(
  prenom = c("Léa", "Hugo", "Inès"),
  note   = c(14, 9, 17)
)
eleves$note                 # la colonne « note » : 14 9 17
mean(eleves$note)           # 13.33333
eleves[eleves$note >= 10, ] # les lignes dont la note vaut au moins 10 : Léa et Inès
summary(eleves$note)        # minimum, quartiles, moyenne, maximum

La virgule dans eleves[ligne, colonne] sépare ce qu’on garde en lignes de ce qu’on garde en colonnes ; laissée vide à droite, elle signifie « toutes les colonnes ». Les « quartiles » du résumé sont les trois valeurs qui coupent les données ordonnées en quatre groupes de même effectif ; la deuxième est la médiane.

3.3Enchaîner avec le tube

Depuis la version 4.1 (2021), R dispose d’un opérateur d’enchaînement, le tube (|>, en anglais pipe), qui envoie le résultat d’une étape comme premier argument de la suivante. On lit le programme de haut en bas, comme une recette :

library(dplyr)               # charge l'extension dplyr (manipulation de tableaux)

eleves |>
  filter(note >= 10) |>      # garder les lignes qui vérifient la condition
  summarise(moyenne = mean(note))
#   moyenne
# 1    15.5

Le paquet dplyr fait partie du tidyverse, une famille d’extensions cohérentes entre elles (importer, transformer, représenter) qui a profondément modernisé l’écriture de R. Le même enchaînement s’écrit en R de base avec subset() ; le choix est affaire de style et de public.

3.4Un graphique et un modèle

Le paquet ggplot2 construit un graphique par couches : on dit d’abord quelles données et quelles variables, puis la forme (barres, points, lignes) :

library(ggplot2)
ggplot(eleves, aes(x = prenom, y = note)) +   # aes : quelle variable sur quel axe
  geom_col()                                  # des barres

Pour modéliser, la fonction lm() (linear model, modèle linéaire) ajuste une droite. Supposons que quatre élèves aient révisé 1, 2, 3 et 4 heures et obtenu 8, 11, 13 et 17. La commande lm(note ~ heures, data = d) (le tilde se lit « en fonction de ») trouve la droite qui passe au plus près des points : ici une note d’environ 5 points plus 2,9 points par heure de révision. Reste à savoir si ce résultat est solide : avec quatre élèves, certainement pas, et c’est tout l’objet de la statistique que de mesurer cette incertitude (partie 6).

3.5Des rapports qui se mettent à jour

Un usage très apprécié est le document « vivant » : un texte mêlé de code R, que l’on compile pour produire un rapport (page web, fichier PDF, diaporama) dont les chiffres et les graphiques sont recalculés à chaque fois. Les outils s’appellent R Markdown, puis Quarto (successeur, qui accepte aussi Python et Julia). Le paquet Shiny va plus loin : il transforme un programme R en application web interactive, avec curseurs et menus, sans écrire de code web. Ces applications posent des questions de sécurité propres, que la partie 8 aborde.

Pour s’exercer

Exercice 1 : les valeurs manquantes

Un vecteur R vaut c(10, 14, NA, 8). Que donnent mean(v) et mean(v, na.rm = TRUE) ? Pourquoi R ne choisit-il pas de lui-même d’ignorer le NA ?

Voir la réponse

mean(v) donne NA. mean(v, na.rm = TRUE) donne (10 + 14 + 8) / 3, soit environ 10,67. R n’ignore pas le NA de lui-même parce qu’ignorer une donnée inconnue est une décision qui change le résultat et dont l’analyste doit répondre : la moyenne porte alors sur trois valeurs et non quatre, et si les valeurs absentes ne sont pas dues au hasard, elle peut être biaisée.

Exercice 2 : lire un filtre

Avec eleves défini en partie 3.2 (Léa 14, Hugo 9, Inès 17), que donnent eleves[eleves$note >= 10, ] et mean(eleves$note[eleves$note >= 10]) ?

Voir la réponse

La première expression garde les lignes dont la note est au moins 10 : Léa (14) et Inès (17), avec toutes leurs colonnes. La seconde calcule la moyenne des seules notes retenues : (14 + 17) / 2 = 15,5, ce qui est aussi le résultat de l’enchaînement avec filter et summarise de la partie 3.3. Retenez que la virgule sépare lignes et colonnes, et que la colonne vide signifie « toutes ».