# ============================================================================== # TD5 : boite a outils # Table fictive unites ; chaque outil en dplyr / ggplot2, puis en R base (sans package) # ============================================================================== library(dplyr) library(tidyr) library(ggplot2) # Outil 0 : importer en precisant le type des colonnes, compter les NA ---- # colClasses impose le type : un code "01001" reste du texte (sinon il devient 1001) codes <- read.csv(text = " code,valeur 01001,3 2A004,5 ", colClasses = c(code = "character")) str(codes) # La table fictive de la seance (tiree au hasard, toujours la meme grace a set.seed) set.seed(1) n <- 400 unites <- data.frame(code = sprintf("%03d", 1:n), type = sample(c("petit", "moyen", "grand", "très grand"), n, replace = TRUE, prob = c(0.5, 0.25, 0.15, 0.10)), x = round(rlnorm(n, 3, 0.4), 1), total = round(runif(n, 20, 2000))) taux_a <- pmin(pmax(0.40 - 0.006 * unites$x + ifelse(unites$type == "très grand", 0.08, 0) + rnorm(n, 0, 0.05), 0.02), 0.90) unites$a <- round(unites$total * taux_a) unites$b <- round(unites$total * (0.15 + 0.004 * unites$x + rnorm(n, 0, 0.03))) unites$x[c(10, 77)] <- NA # deux mesures manquantes unites$total[c(5, 120)] <- 0 # deux unites sans aucun total unites$a[c(5, 120)] <- 0 unites$b[c(5, 120)] <- 0 head(unites) # La part de NA dans chaque colonne : la moyenne des TRUE colMeans(is.na(unites)) sum(unites$total == 0) # combien d'unites sans total # Outil 1 : garder les lignes qui verifient plusieurs conditions ---- # & : les deux conditions ; ! : le contraire ; un total nul donnerait 0 / 0 = NaN 100 * 0 / 0 # NaN is.na(NaN) # TRUE : is.na() repere aussi les NaN # dplyr : filter() garde les lignes ou toutes les conditions sont vraies utiles <- unites |> filter(!is.na(x), total > 0) nrow(utiles) # R base : df[condition, ] ; !is.na() evite des lignes de NA garder <- !is.na(unites$x) & unites$total > 0 utiles_base <- unites[garder, ] nrow(utiles_base) # Outil 2 : creer des colonnes ---- utiles <- utiles |> mutate(taux_a = 100 * a / total, taux_b = 100 * b / total) # R base utiles_base$taux_a <- 100 * utiles_base$a / utiles_base$total utiles_base$taux_b <- 100 * utiles_base$b / utiles_base$total # Outil 3 : cinq groupes de meme poids, avec order(), cumsum() et cut() ---- # Trier selon x, cumuler le poids (ici total), couper la part cumulee tous les 0,2 cumsum(c(5, 3, 2)) # 5 8 10 : la somme cumulee # dplyr : arrange() range les lignes ; include.lowest = TRUE : 0 tombe dans le groupe 1 utiles <- utiles |> arrange(x) |> mutate(part_cumulee = cumsum(total) / sum(total), niveau = cut(part_cumulee, breaks = seq(0, 1, by = 0.2), include.lowest = TRUE, labels = 1:5)) utiles |> group_by(niveau) |> summarise(unites = n(), poids = sum(total)) # R base : order() donne l'ordre des lignes, df[order(...), ] les range utiles_base <- utiles_base[order(utiles_base$x), ] part_cumulee <- cumsum(utiles_base$total) / sum(utiles_base$total) utiles_base$niveau <- cut(part_cumulee, breaks = seq(0, 1, by = 0.2), include.lowest = TRUE, labels = 1:5) table(utiles_base$niveau) # le nombre d'unites varie tapply(utiles_base$total, utiles_base$niveau, sum) # le poids est le meme a peu pres # Variante : cinq groupes de meme nombre d'unites (quintiles), avec quantile() bornes <- quantile(utiles_base$x, probs = seq(0, 1, by = 0.2)) table(cut(utiles_base$x, breaks = bornes, include.lowest = TRUE, labels = 1:5)) # Outil 4 : ranger les modalites dans un ordre qui a un sens ---- sort(unique(utiles_base$type)) # sans factor() : ordre alphabetique ordre <- c("petit", "moyen", "grand", "très grand") # dplyr utiles <- utiles |> mutate(type = factor(type, levels = ordre)) # R base utiles_base$type <- factor(utiles_base$type, levels = ordre) levels(utiles_base$type) # Outil 5 : compter les unites par case : un tableau croise ---- # dplyr : count() de deux colonnes, puis pivot_wider() met un type par colonne utiles |> count(niveau, type) |> pivot_wider(names_from = type, values_from = n) # R base : table() de deux variables table(utiles_base$niveau, utiles_base$type) # Outil 6 : le taux d'un groupe = total sur total ---- # dplyr utiles |> group_by(niveau) |> summarise(taux_a = 100 * sum(a) / sum(total)) # R base : tapply(x, groupe, fonction) applique la fonction (ici sum) dans chaque groupe a_niveau <- tapply(utiles_base$a, utiles_base$niveau, sum) total_niveau <- tapply(utiles_base$total, utiles_base$niveau, sum) taux_niveau <- 100 * a_niveau / total_niveau taux_niveau # Un graphique en barres ggplot(utiles |> group_by(niveau) |> summarise(taux_a = 100 * sum(a) / sum(total)), aes(x = niveau, y = taux_a)) + geom_col() barplot(taux_niveau) # A ne pas confondre : la moyenne des taux des unites (NA : mean, na.rm = TRUE) utiles |> group_by(niveau) |> summarise(taux_a = mean(taux_a)) tapply(utiles_base$taux_a, utiles_base$niveau, mean) # Outil 7 : un taux par deux groupes a la fois ---- # dplyr : group_by() avec deux colonnes, puis pivot_wider() pour un tableau moyennes <- utiles |> group_by(niveau, type) |> summarise(taux_a = 100 * sum(a) / sum(total), .groups = "drop") moyennes |> mutate(taux_a = round(taux_a, 1)) |> pivot_wider(names_from = type, values_from = taux_a) # R base : list() donne les deux groupes ; une matrice divisee par l'autre, case par case a_cases <- tapply(utiles_base$a, list(utiles_base$niveau, utiles_base$type), sum) total_cases <- tapply(utiles_base$total, list(utiles_base$niveau, utiles_base$type), sum) matrice <- 100 * a_cases / total_cases round(matrice, 1) # Outil 8 : une courbe par groupe ---- # ggplot2 : colour = type, et group = type pour relier les points d'un meme type ggplot(moyennes, aes(x = niveau, y = taux_a, colour = type, group = type)) + geom_line() + geom_point() # R base : matplot(), une courbe par colonne ; type = "b" : points relies ; xaxt = "n" puis axis() couleurs <- c("#27ae60", "#2980b9", "#e67e22", "#c0392b") matplot(1:5, matrice, type = "b", pch = 16, lty = 1, lwd = 2, col = couleurs, xaxt = "n", xlab = "Niveau", ylab = "Taux (%)") axis(1, at = 1:5) legend("topright", legend = colnames(matrice), col = couleurs, lty = 1, pch = 16, lwd = 2) # Outil 9 : une boite a moustaches par groupe ---- # ggplot2 ggplot(utiles, aes(x = type, y = taux_a)) + geom_boxplot() # R base : boxplot(y ~ groupe, data) boxplot(taux_a ~ type, data = utiles_base) # Sans les points extremes ggplot(utiles, aes(x = type, y = taux_a)) + geom_boxplot(outliers = FALSE) # ggplot2 3.5 ou plus recent boxplot(taux_a ~ type, data = utiles_base, outline = FALSE) # Les medianes, en chiffres utiles |> group_by(type) |> summarise(mediane = median(taux_a)) tapply(utiles_base$taux_a, utiles_base$type, median) # Outil 10 : plusieurs graphiques cote a cote ---- # ggplot2 : format long (TD3), puis facet_wrap() fait un graphique par variable long <- utiles |> pivot_longer(cols = c(a, b), names_to = "variable", values_to = "compte") |> group_by(variable, niveau, type) |> summarise(taux = 100 * sum(compte) / sum(total), .groups = "drop") ggplot(long, aes(x = niveau, y = taux, colour = type, group = type)) + geom_line() + facet_wrap(~ variable) # R base : par(mfrow = c(lignes, colonnes)), puis une boucle ; utiles_base[[v]] : la colonne nommee v par(mfrow = c(1, 2)) for (v in c("a", "b")) { m <- 100 * tapply(utiles_base[[v]], list(utiles_base$niveau, utiles_base$type), sum) / total_cases matplot(1:5, m, type = "b", pch = 16, lty = 1, col = couleurs, main = v, xlab = "Niveau", ylab = "Taux (%)") } par(mfrow = c(1, 1)) # revenir a un seul graphique # Outil 11 : un nuage de points avec un axe logarithmique, et une droite (optionnel) ---- # ggplot2 : scale_x_log10() ; geom_smooth() calcule la droite sur le log ggplot(utiles, aes(x = x, y = taux_a)) + geom_point() + geom_smooth(method = "lm", formula = y ~ x, se = FALSE) + scale_x_log10() # R base : log = "x" ; lm() ajuste la droite sur log10(x), abline() la trace plot(utiles_base$x, utiles_base$taux_a, pch = 16, log = "x") droite <- lm(taux_a ~ log10(x), data = utiles_base) abline(droite, lwd = 2) coef(droite) # la constante, puis la pente : de combien taux_a change quand x est multiplie par 10 cor(log10(utiles_base$x), utiles_base$taux_a) # un nombre entre -1 et 1 : la force du lien # Outil 12 : une carte de chaleur (facultatif) ---- # ggplot2 ggplot(moyennes, aes(x = niveau, y = type, fill = taux_a)) + geom_tile() + geom_text(aes(label = round(taux_a, 1))) # R base : image() colore une matrice ; axis() ecrit les noms ; text() les valeurs image(1:5, 1:4, matrice, axes = FALSE, xlab = "Niveau", ylab = "") axis(1, at = 1:5) axis(2, at = 1:4, labels = colnames(matrice), las = 1) text(rep(1:5, 4), rep(1:4, each = 5), round(matrice, 1)) # Outil 13 : habiller et exporter ---- figure <- ggplot(moyennes, aes(x = niveau, y = taux_a, colour = type, group = type)) + geom_line() + geom_point() + labs(title = "Taux selon le niveau et le type", x = "Niveau (1 : le plus bas, 5 : le plus haut)", y = "Taux (%)", colour = NULL, caption = "Lecture : au niveau 1, le taux des unités petites est de X %.\nSource : données fictives.") + theme_minimal() figure # ggsave(file.path(chemin, "figure_exemple.png"), figure, width = 8, height = 5, dpi = 150) # R base : main, xlab, ylab, sub ; png() avant, dev.off() apres matplot(1:5, matrice, type = "b", pch = 16, lty = 1, lwd = 2, col = couleurs, xaxt = "n", main = "Taux selon le niveau et le type", xlab = "Niveau (1 : le plus bas, 5 : le plus haut)", ylab = "Taux (%)", sub = "Source : données fictives.") axis(1, at = 1:5) legend("topright", legend = colnames(matrice), col = couleurs, lty = 1, pch = 16, lwd = 2) # png(file.path(chemin, "figure_exemple.png"), width = 900, height = 600) ; la figure ; dev.off()