Bien organiser ses données : de l'Excel brut au fichier analysable
Avant le moindre test statistique, il y a une étape que personne n'enseigne et sur laquelle presque tous les doctorants perdent des jours : transformer un fichier de recueil — souvent un Excel bricolé au fil des inclusions — en un tableau réellement analysable. Un fichier mal structuré, et aucun logiciel ne tourne ; des données mal nettoyées, et l'analyse produit des résultats faux sans prévenir. Voici la marche à suivre, de la feuille brute au fichier prêt pour l'analyse.
La règle d'or : une ligne = une observation, une colonne = une variable
C'est le format dit tidy (rangé), et c'est la seule structure que comprennent directement les logiciels de statistique. Chaque ligne est une observation — le plus souvent un sujet, parfois une mesure (on y revient) ; chaque colonne est une variable (âge, sexe, traitement, valeur mesurée) ; chaque case contient une seule valeur.
En clair — imaginez un tableau où, pour lire les données d'un patient, vous suivez une ligne de gauche à droite. Si vous devez sauter d'une feuille à l'autre ou chercher dans plusieurs cases fusionnées, votre fichier n'est pas analysable.
Les erreurs de structure les plus fréquentes, et leur correction :
- Plusieurs mesures par patient : format large ou long. Si vous mesurez la même chose à plusieurs moments (avant/après, plusieurs visites), deux structures tidy sont possibles. Le format large met une ligne par patient et chaque mesure dans sa propre colonne (
TA_avant,TA_apres) — pratique pour un test apparié. Le format long met une ligne par mesure, avec une colonne « temps » qui repère le moment — donc plusieurs lignes par patient ; c'est lui qui est requis pour les mesures répétées et les modèles mixtes. Les deux sont « rangés » : en format long, l'observation n'est plus le sujet mais la mesure. Choisissez selon votre analyse — mais ne mélangez pas les deux dans un même fichier. - Des cases fusionnées. Elles cassent toute lecture automatique. Bannissez-les totalement : une valeur par case, répétée si nécessaire.
- Des en-têtes sur plusieurs lignes. Une seule ligne d'en-tête, en haut. Pas de titre fusionné « Groupe traité » coiffant trois sous-colonnes : intégrez l'information dans chaque nom de colonne.
- Des totaux ou des moyennes au milieu des données. Aucune ligne de synthèse dans le tableau : les calculs se font ailleurs, jamais intercalés entre les sujets.
- Plusieurs tableaux sur une même feuille. Un seul tableau par feuille, démarrant en case A1, sans ligne vide au milieu (une ligne vide est souvent interprétée comme la fin des données).
| id | TA_avant | TA_apres |
|---|---|---|
| 01 | 140 | 128 |
| 02 | 155 | 139 |
| id | temps | TA |
|---|---|---|
| 01 | avant | 140 |
| 01 | apres | 128 |
| 02 | avant | 155 |
| 02 | apres | 139 |
Nommer ses colonnes proprement
Les noms de variables sont lus par le logiciel : ils doivent être courts, explicites et techniquement valides.
Pas d'espaces ni d'accents ni de caractères spéciaux (age, tension_sys, pas Âge du patient (mmHg)). Pas de nom commençant par un chiffre. Un nom unique par colonne — deux colonnes valeur et le logiciel ne saura pas les distinguer. Tenez à côté un dictionnaire des variables (aussi appelé codebook, standard en épidémiologie comme dans des outils de recueil type REDCap) : un second onglet qui, pour chaque nom de colonne, donne sa signification, son unité et son codage. C'est ce document que votre directeur de thèse, votre statisticien — et vous-même dans six mois — relirez en premier.
En clair — tens_sys_j0 ne veut rien dire pour un humain pressé, mais le dictionnaire le traduit : « tension artérielle systolique à J0, en mmHg ». Cette double couche (nom technique + dictionnaire lisible) vous évite des erreurs d'interprétation coûteuses.
Coder ses variables de façon cohérente
C'est là que se logent les erreurs les plus sournoises, parce qu'elles ne déclenchent aucun message : le logiciel calcule quand même, mais sur des données fausses.
- Variables qualitatives. Codez chaque catégorie de façon strictement identique partout. « M », « m », « Masculin », « H » dans une même colonne créent quatre catégories au lieu d'une. Fixez un codage et un seul (par ex.
0= femme,1= homme, documenté dans le dictionnaire). Méfiez-vous des fautes de frappe et des espaces invisibles en fin de cellule : « oui » et « oui » (avec une espace) sont deux valeurs différentes pour la machine. - Variables binaires. Codez-les
0/1plutôt que « oui »/« non » : c'est le format attendu par la plupart des analyses, et1doit désigner l'événement d'intérêt (le décès, la complication, le succès selon votre question). Ce choix conditionne directement le sens de vos odds ratios — voir le guide régression logistique. - Décimales. Une seule convention dans tout le fichier. Le séparateur décimal (virgule en France, point en anglais) est un piège classique : un import qui attend un point lira « 3,5 » comme du texte, et toute la colonne devient inexploitable.
- Dates. Un seul format, idéalement
AAAA-MM-JJ(2026-06-26), qui se trie correctement et ne souffre d'aucune ambiguïté entre jour et mois. Évitez de saisir des durées « à la main » (« 3 mois ») : saisissez les dates brutes et laissez le calcul des délais se faire ensuite — indispensable pour l'analyse de survie, où le délai exact est la donnée centrale. - Unités. Une seule unité par colonne, indiquée dans le dictionnaire. Ne mélangez jamais des grammes et des milligrammes dans la même variable.
Gérer les valeurs manquantes
Une donnée manquante n'est pas un zéro. Un poids manquant n'est pas « 0 kg » ; un traitement non renseigné n'est pas « pas de traitement ». Confondre les deux fausse toutes les moyennes.
Laissez la case vide, ou utilisez un code de manquant explicite et constant (par exemple NA), jamais un zéro, jamais un tiret, jamais « ND » à un endroit et « inconnu » à un autre. Surtout, ne « bouchez » pas les trous au jugé : remplacer un manquant par la moyenne ou par la dernière valeur connue introduit un biais silencieux.
En clair — distinguez toujours « la valeur est zéro » de « on ne connaît pas la valeur ». Ce sont deux informations radicalement différentes, et les écraser l'une sur l'autre est une erreur qu'un jury repère vite.
Documentez aussi pourquoi les données manquent, si vous le savez : un manquant dû au hasard et un manquant lié à l'état du patient n'ont pas les mêmes conséquences. C'est exactement l'enjeu de la censure non informative en analyse de survie — une donnée qui manque parce que le patient allait trop mal n'est pas un trou neutre.
Repérer les valeurs aberrantes
Avant toute analyse, passez chaque variable au crible pour débusquer l'impossible : un âge de 200 ans, une tension de 8 mmHg, un poids de 7 kg chez un adulte. Ce sont presque toujours des erreurs de saisie (une virgule mal placée, un zéro de trop).
Les outils simples suffisent : un tri croissant puis décroissant de chaque colonne fait remonter les extrêmes ; un histogramme ou une statistique min/max révèle l'anomalie d'un coup d'œil. Distinguez bien deux cas : la valeur impossible (erreur à corriger ou supprimer, en remontant si possible au dossier source) et la valeur extrême mais plausible (un vrai patient atypique, qu'on ne supprime pas — on en tient compte dans le choix du test, voir la robustesse aux valeurs extrêmes du guide général).
En clair — une valeur aberrante n'est pas forcément à jeter. La question n'est pas « est-elle extrême ? » mais « est-elle vraie ? ». On corrige les fautes de frappe ; on garde les patients réellement atypiques.
La vérification finale avant analyse
Une dernière passe avant d'importer le fichier dans votre outil :
- Chaque colonne ne contient qu'un seul type de données (une colonne « numérique » ne doit pas cacher un « env. 40 » au milieu des nombres).
- Le nombre de lignes correspond bien à votre nombre de sujets inclus (ou de mesures, en format long).
- Aucune ligne ni colonne entièrement vide ne traîne en bordure de tableau.
- Les effectifs de chaque catégorie sont cohérents — un tri rapide révèle les « M » / « Masculin » oubliés.
Les pièges qui coûtent cher
Confondre manquant et zéro. Le piège le plus silencieux et le plus destructeur : il fausse les moyennes sans jamais déclencher d'erreur.
- Travailler sur son seul exemplaire. Conservez toujours une copie du fichier brut original, intacte et à part : on ne nettoie jamais sans filet, pour pouvoir revenir en arrière.
- Nettoyer sans tracer ce qu'on a fait. Chaque correction (valeur supprimée, aberrante recodée) doit être justifiable devant un jury. Tenez un journal des modifications, ou mieux, travaillez de façon reproductible : la reproductibilité d'une analyse commence au nettoyage, pas au test.
- Continuer à retoucher le fichier pendant l'analyse. Figez le fichier de données une fois le recueil terminé ; le modifier en continu rend les résultats impossibles à reproduire.
- Coder l'issue à l'envers. Si
1ne désigne pas l'événement attendu, vos odds ratios et hazard ratios pointeront dans le mauvais sens — une erreur d'interprétation qui inverse toute la conclusion.
En résumé
Un fichier analysable obéit à une règle simple — une ligne par observation, une colonne par variable, une valeur par case — et à une discipline de codage constante : catégories uniformes, dates au format unique, manquants distingués des zéros, aberrants vérifiés plutôt que supprimés. Gardez le fichier brut intact, documentez chaque variable dans un dictionnaire, tracez chaque correction. Ce travail invisible ne figurera pas dans votre manuscrit, mais c'est lui qui décide si votre analyse sera juste — et reproductible.