Après avoir nettoyé, transformé et enrichi vos données en R, la dernière étape consiste à sauvegarder vos résultats sur votre disque pour les partager avec vos collègues, les intégrer dans un outil de reporting (comme Power BI) ou les archiver pour des analyses futures.

R offre plusieurs méthodes d'exportation selon le format cible désiré.

---

1. Exporter en fichier texte ou CSV avec R de base

La famille de fonctions write.* permet d'exporter un dataframe ou une matrice sous forme de fichier plat :

# Notre dataframe de résultats
resultats <- data.frame(
  departement = c("Marketing", "Ventes", "R&D"),
  effectif = c(12, 35, 18),
  budget = c(150000, 420000, 310000)
)

1. Export CSV standard américain (write.csv)

Sépare les colonnes par des virgules et utilise des points pour les décimales :

write.csv(resultats, file = "data/resultats_us.csv", row.names = FALSE)

2. Export CSV standard français (write.csv2)

Idéal pour être ouvert directement dans la version française de Microsoft Excel sans conversion manuelle :

write.csv2(resultats, file = "data/resultats_fr.csv", row.names = FALSE)

3. La fonction universelle : write.table()

Pour un contrôle total sur les séparateurs :

write.table(
  x = resultats,
  file = "data/resultats.txt",
  sep = ";",
  dec = ",",
  row.names = FALSE,  # INDISPENSABLE pour ne pas ajouter les numéros de ligne
  col.names = TRUE,
  na = ""             # Exporter les valeurs NA sous forme de case vide
)

[!WARNING] Le réflexe row.names = FALSE :
Par défaut, les fonctions d'export de R ajoutent une première colonne anonyme contenant les numéros de lignes (1, 2, 3...). Cela corrompt souvent les en-têtes lors de la réouverture du fichier. Prenez l'habitude systématique de spécifier row.names = FALSE.

---

2. Exporter vers un classeur Excel (.xlsx)

Pour générer de vrais classeurs Excel multi-onglets formatés, le package openxlsx est la solution de référence :

# install.packages("openxlsx")
library(openxlsx)

# Export simple en une seule ligne
write.xlsx(resultats, file = "data/rapport_financier.xlsx", sheetName = "Synthese_2026")

---

3. Sauvegarder des objets R natifs (.rds et .RData)

Si vous souhaitez enregistrer un objet R complexe (un modèle statistique entraîné, une liste à plusieurs niveaux ou un dataframe nettoyé) pour le réutiliser plus tard dans une autre session R sans perdre ses types précis, les formats natifs sont infiniment plus rapides et fiables que le CSV :

1. Sauvegarder un seul objet avec saveRDS()

Le format .rds enregistre un objet individuel compressé :

# Sauvegarder un objet
saveRDS(resultats, file = "data/resultats_propres.rds")

# Recharger l'objet dans une session ultérieure
donnees_restaurees <- readRDS("data/resultats_propres.rds")

2. Sauvegarder tout l'environnement avec save() ou save.image()

Pour sauvegarder plusieurs variables à la fois ou l'intégralité de votre espace de travail :

# Sauvegarder deux variables précises
save(resultats, catalogue, file = "data/session_travail.RData")

# Recharger toutes les variables en une commande
load("data/session_travail.RData")

---

Mise en pratique

1. Reprenez le dataframe clients créé lors des leçons précédentes.
2. Exportez-le sous le nom clients_export.csv en utilisant write.csv2() avec l'argument row.names = FALSE.
3. Sauvegardez ce même dataframe au format binaire compressé clients.rds avec saveRDS().
4. Supprimez la variable clients de votre mémoire avec rm(clients).
5. Rechargez-la dans une nouvelle variable clients_charges avec readRDS("clients.rds") et vérifiez que vos données sont intactes.

Partagez sur les réseaux sociaux

Commentaires