La forme : un dossier par ligne, une variable par colonne
C'est la forme dite rectangulaire, ou *tidy*, et c'est celle qu'attendent tous les logiciels statistiques. Trois règles la définissent : chaque variable a sa colonne, chaque observation a sa ligne, chaque cellule contient une seule valeur.
Les écarts les plus fréquents, et leur coût
| Écart | À quoi cela ressemble | Ce que cela coûte |
|---|---|---|
| Valeurs multiples dans une cellule | HTA, diabète, tabac dans une colonne « antécédents » | Chaque analyse commence par un découpage de texte |
| Variable dans le nom de colonne | ipss_m0, ipss_m3, ipss_m12 | Le temps devient une structure, pas une donnée |
| Unités mêlées dans une colonne | 0,8 et 70 dans la même créatinine | Toute statistique est fausse et paraît plausible |
| Lignes de total dans les données | Une ligne « moyenne » au milieu du tableau | Le comptage des effectifs est faux |
| En-têtes sur deux niveaux | Cellules fusionnées | L'import échoue ou décale silencieusement |
Les six pièces qui composent un jeu livrable
- Les données — la matrice rectangulaire elle-même.
- Le dictionnaire — le sens, le type, l'unité et les bornes de chaque colonne. Voir le dictionnaire de données.
- Le résumé — effectifs, complétude par variable, distribution des principales.
- Les métadonnées — identité de l'étude, version du protocole, date et signature du gel, périmètre de l'extraction.
- La table des manquants — pour chaque variable, combien manquent et pour quelle raison déclarée.
- Les décisions — les choix qui ont fait le jeu : critères d'inclusion appliqués, recodages, cas tranchés.
Ces six pièces sont ce que les principes FAIR appellent des métadonnées riches. Leur absence est la raison la plus fréquente pour laquelle un jeu de données déposé publiquement n'est jamais réutilisé par personne.
Préparer pour SPSS, R et pandas
Les trois environnements lisent volontiers un CSV, mais ils n'ont pas les mêmes attentes, et quelques précautions évitent l'essentiel des frictions.
- Encodage UTF-8, sans exception. C'est la première cause de caractères illisibles à l'import.
- Le séparateur décimal explicite. Un CSV français au point-virgule et à la virgule décimale s'importe mal ailleurs ; l'annoncer dans les métadonnées coûte une ligne.
- Les noms de colonnes sans espace ni accent.
ipss_totalfonctionne partout ;Score IPSS (total)demande une transformation dans chacun des trois. - Les dates au format ISO —
AAAA-MM-JJ, non ambigu entre conventions. - Le manquant codé une seule façon. Une case vide, pas
NA,-99etinconnumélangés — sauf à documenter chaque code dans le dictionnaire. - Les modalités codées et étiquetées. Le code pour l'analyse, l'étiquette pour la lecture ; les deux dans le dictionnaire.
Le gel, et pourquoi un jeu doit être daté
Un jeu de données sans date de gel n'est pas un jeu : c'est un état transitoire. Deux analyses lancées à deux semaines d'intervalle sur une base vivante donnent deux résultats, et rien ne permet de dire lequel correspond à ce qui sera publié.
Le gel fixe le contenu, l'horodate, et le sépare de la collecte qui peut continuer. Une extraction datée devient citable, comparable, et vérifiable — ce qui est exactement ce qu'un relecteur demandera. Pour la mécanique du gel et sa réversibilité motivée, voir la piste d'audit.
Comment AnzarSeha traite le sujet
- L'export est un classeur à six feuilles — données, dictionnaire, résumé, métadonnées, manquants, décisions — et non un simple tableau.
- La matrice est rectangulaire par construction : un dossier par ligne, une variable par colonne.
- Les formats disponibles sont ouverts : Excel, CSV, PDF et Word.
- Un brouillon au format STROBE accompagne l'export, pour que la rédaction parte de ce qui a été fait.
- Le gel est un état daté et signé, et le jeu exporté est exactement celui qui a été gelé.
Questions fréquentes
Faut-il livrer les données brutes ou les données nettoyées ?
Les deux, si c'est possible, avec le journal des transformations entre elles. À défaut, les données analysées accompagnées des décisions qui les ont produites : c'est ce qui permet à un tiers de refaire le chemin, et c'est plus utile qu'un fichier brut sans explication.
Quel format de fichier choisir pour l'archivage ?
Un format ouvert et lisible sans logiciel propriétaire — CSV pour les données, avec le dictionnaire dans un format tout aussi ouvert. Un fichier .sav ou .xlsx s'ouvre aujourd'hui ; l'archivage se juge à dix ans.
Combien de temps faut-il conserver un jeu de données de recherche ?
La durée dépend du cadre applicable, de l'engagement pris auprès des personnes et de la politique de l'établissement, et elle doit être fixée avant le début de l'étude. Ce qui est certain, c'est qu'une durée non décidée devient une conservation indéfinie par défaut.