- Exécuteurs
-
Apprendre
Apprendre Python Exemples exécutables, NumPy, pandas et plus Apprendre l'IA / Machine LearningRéseaux de neurones, ML et LLM de zéro Apprendre le C et le C++ Pointeurs, mémoire, STL et C++ moderne Apprendre le C#Bases, POO, LINQ, async et exercices .NET Apprendre MatplotlibCourbes, barres, nuages de points et camemberts avec visualiseurs Apprendre RustOwnership, traits, gestion des erreurs et threads Apprendre GoSlices, interfaces, goroutines et channels Algorithmes Python Recherche, tri, récursivité et visualisations O(n) Algorithmes C et C++ Comparer les implémentations en C et C++ Programmation pour enfants Apprends à coder en jouant !
- QuizNouveau
- DéfisNouveau
- EnseignantsNouveau
- Mises à Jour
- Offrez-moi un café
R Online Compiler
Run R code online with ggplot2, dplyr, tidyr and data.table installed. See the console output and your plots side by side. Free, no setup.
3 exécutions totales (3 ce mois-ci)
Pratiquez Python avec des défis de code
Résolvez des problèmes concrets dans cet éditeur : lancez les tests, soumettez et recevez une relecture IA.
🧩 About This R Online Compiler
The CodeUtility R Online Compiler lets you write and run R code in your browser - no R installation, RStudio or package setup needed. Your code runs with R 4.4 in an isolated sandbox, and the console output appears next to the editor.
Popular packages are already installed: tidyverse (dplyr, tidyr, readr, purrr, stringr),
ggplot2, data.table, lubridate, janitor, zoo,
patchwork, viridis, scales, and modelling packages such as
caret, randomForest, rpart, e1071, glmnet and cluster.
Load them with library() as usual.
Charts work out of the box: every plot your code draws (base R or ggplot2) is shown as an image under the output, and you can open it full size or download it as a PNG.
It is a quick way for students to practise R, for analysts to test a snippet before running it on real data, and for teachers to share a working example with a class.
Bien plus qu’un exécuteur de code
Utilisez depuis le même exécuteur un éditeur multifichier, un terminal d’exécution isolé, des bibliothèques propres à chaque environnement, des espaces de travail persistants, le partage et la collaboration en temps réel.
Comment utiliser cet exécuteur ?
Choisissez un environnement d’exécution, ouvrez ou créez un fichier, écrivez votre code, puis sélectionnez Exécuter. La sortie s’affiche dans le terminal ; les utilisateurs connectés peuvent conserver leurs fichiers dans un espace de travail, installer des bibliothèques et collaborer grâce aux partages.
- Sélectionnez une version et modifiez le fichier actuel, ou ouvrez un autre fichier de l’espace de travail.
- Exécutez le code, saisissez les données demandées dans le terminal et consultez l’historique des exécutions enregistrées.
- Utilisez les bibliothèques, les outils de l’espace de travail, le partage et le chat lorsque votre tâche nécessite plusieurs extraits de code.
💡 R Basics Guide for Beginners
1. Variables and Assignment
R uses <- to assign a value (= works too). Names are case-sensitive.
name <- "Alice"
age <- 30
is_student <- FALSE
cat(name, "is", age, "years old\n")
2. Vectors
A vector holds values of one type. Most operations work on the whole vector at once.
scores <- c(72, 88, 95, 64)
mean(scores) # 79.75
scores * 2 # every value doubled
scores[scores > 70] # 72 88 95
length(scores)
3. Conditionals
Use if / else for one value and ifelse() for a whole vector.
x <- 7
if (x %% 2 == 0) {
print("even")
} else {
print("odd")
}
ifelse(scores >= 70, "pass", "fail")
4. Loops
for walks over a vector; while repeats while a condition holds.
for (i in 1:3) {
cat("Step", i, "\n")
}
n <- 1
while (n < 100) n <- n * 2
print(n) # 128
5. Functions
Functions are values; the last expression is returned. Arguments can have defaults.
area <- function(width, height = width) {
width * height
}
area(3, 4) # 12
area(5) # 25
6. Lists
A list can hold values of different types, with names.
person <- list(name = "Bao", age = 21, langs = c("R", "SQL"))
person$name
person[["langs"]][2] # "SQL"
str(person)
7. Data Frames
A data frame is a table: each column is a vector of the same length.
df <- data.frame(
city = c("Hanoi", "Paris", "Lima"),
temp = c(31, 18, 22)
)
df[df$temp > 20, ]
summary(df$temp)
8. Apply Functions
sapply() and lapply() run a function on every element, without writing a loop.
words <- c("apple", "kiwi", "banana")
sapply(words, nchar)
lapply(1:3, function(n) n^2)
9. dplyr Pipelines
The pipe (|> or %>%) passes a result to the next step.
library(dplyr)
mtcars |>
group_by(cyl) |>
summarise(avg_mpg = mean(mpg), cars = n()) |>
arrange(desc(avg_mpg))
10. Plots with ggplot2
Map columns to axes and colours, then add layers. The chart appears under the output.
library(ggplot2)
ggplot(mtcars, aes(wt, mpg, color = factor(cyl))) +
geom_point(size = 3) +
labs(title = "Weight vs. fuel use", color = "Cylinders")
11. Strings
paste() joins text, sprintf() formats it, and stringr has friendly helpers.
paste("Hello", "R", sep = ", ")
sprintf("%.1f%% done", 42.567)
toupper("data")
library(stringr)
str_detect(c("cat", "dog"), "a")
12. Handling Errors
tryCatch() runs code and handles an error or a warning instead of stopping.
result <- tryCatch(
log(-1),
warning = function(w) {
message("Warning: ", conditionMessage(w))
NA
}
)
print(result)