Skip to contents

Tutoriel didor

tutoriel_didor.Rmd

DIDO

  • Un catalogue à disposition du public, utilisable avec {didor}
  • Un système d’alimentation du catalogue pour les agents qui alimentent régulièrement DIDO

Catalogue

On trouve ici le catalogue DIDO : https://www.statistiques.developpement-durable.gouv.fr/catalogue?page=explore&type=dataset&pagination=1&sortField=last_modified&sortOrder=desc

Des jeux de données et des fichiers de données

DIDO propose aujourd’hui (23/02/2023) Une vingtaine de jeux de données (dataset) et environ 120 fichiers de données (datafile).

1 ou plusieurs fichiers de données sont inclus dans un jeu de données. Chaque jeu de données contient des fichiers d’annexes.

La logique est donc la suivante : on explore DIDO en commençant par chercher le dataset qui nous intéresse, puis on trouve la donnée en explorant les datafiles avec l’aide des annexes. Ces annexes commentent et précisent la nature des informations contenues dans les datafiles qui constituent un ensemble logique d’informations : le dataset exploré.

Que l’on peut aussi explorer directement avec R {didor}

{didor} est un package R https://github.com/MTES-MCT/didor
qui propose une documentation de prise en main :
https://mtes-mct.github.io/didor/articles/premiers_pas.html

Explorons

Il va nous falloir des fonctions du tidyverse

## ── Attaching core tidyverse packages ──────────────────────── tidyverse 2.0.0 ──
## ✔ dplyr     1.1.1     ✔ readr     2.1.4
## ✔ forcats   1.0.0     ✔ stringr   1.5.0
## ✔ ggplot2   3.4.1     ✔ tibble    3.2.1
## ✔ lubridate 1.9.2     ✔ tidyr     1.3.0
## ✔ purrr     1.0.1     
## ── Conflicts ────────────────────────────────────────── tidyverse_conflicts() ──
## ✖ dplyr::filter() masks stats::filter()
## ✖ dplyr::lag()    masks stats::lag()
## ℹ Use the conflicted package (<http://conflicted.r-lib.org/>) to force all conflicts to become errors

je voudrais la liste des jeux de données proposés 

tbl_dataset <- didor::datasets()
knitr::kable(tbl_dataset[,c("title","spatial_granularity")] %>% head(5), format="html")
title spatial_granularity
Données locales de consommation d’électricité et de gaz naturel et de chaleur et de froid - adresse (à partir de 2018) poi
Données locales de consommation d’électricité et de gaz naturel - région (à partir de 2018) fr:region
Conjoncture mensuelle de l’énergie country
Données nationales sur la commercialisation des logements neufs country
Données régionales sur la commercialisation des logements neufs fr:region

je voudrais la liste des fichiers de données proposés

Disons que je m’interesse à ce jeu de donnée :
Indicateurs territoriaux de développement durable (ITDD)

J’ai envie d’écrire cela :

tbl_datafile_itdd <- tbl_dataset %>% didor::datafiles()
knitr::kable(tbl_datafile_itdd[,c("title","description")] %>% head(5), format="html")
title description
Données de consommation et de points de livraison d’énergie à la maille adresse - électricité - année 2018 Consommations d’électricité et points de livraison, par secteur d’activité (agriculture, industrie, tertiaire, résidentiel et non affecté), à la maille géographique adresse
Données de consommation et de points de livraison d’énergie à la maille adresse - électricité - année 2019 Consommations d’électricité et points de livraison, par secteur d’activité (agriculture, industrie, tertiaire, résidentiel et non affecté), à la maille géographique adresse
Données de consommation et de points de livraison d’énergie à la maille adresse - électricité - année 2020 Consommations annuelles et nombre de points de livraison d’électricité des bâtiments professionnels par secteur d’activité (agriculture, industrie, tertiaire et non affecté) et de ceux du secteur résidentiel d’au moins 10 logements à la maille adresse
Données de consommation et de points de livraison d’énergie à la maille adresse - électricité - année 2021 Consommations annuelles et nombre de points de livraison d’électricité des bâtiments professionnels par secteur d’activité (agriculture, industrie, tertiaire, résidentiel et non affecté) ou selon le code NAF à 2 niveaux selon les cas et de ceux du secteur résidentiel d’au moins 10 logements à la maille adresse
Données de consommation et de points de livraison d’énergie à la maille adresse - gaz naturel - année 2018 Consommations annuelles et nombre de points de livraison de gaz naturel des bâtiments professionnels par secteur d’activité (agriculture, industrie, tertiaire et non affecté) et de ceux du secteur résidentiel d’au moins 10 logements ou de plus de 200 MWh à la maille adresse

Trop de résultats au milieu de tous les fichiers de données ! Les infos des fichiers de données ne permettent pas de filtrer sur les jeux de données auxquels ils appartiennent.

Il faut donc d’abord sélectionner le jeu de données qui nous intéresse :

brutalement par exemple :

tbl_dataset <- didor::datasets() %>%
  dplyr::filter(title %in% c("Indicateurs territoriaux de développement durable (ITDD)"))
knitr::kable(tbl_dataset[,c("title","spatial_granularity")], format="html")
title spatial_granularity
Indicateurs territoriaux de développement durable (ITDD) fr:commune

ou avec la fonction dido_search :

tbl_dataset <- didor::datasets() %>%
  didor::dido_search("ITDD")
knitr::kable(tbl_dataset[,c("title","spatial_granularity")], format="html")
title spatial_granularity
Indicateurs territoriaux de développement durable (ITDD) fr:commune

Peu importe le moyen, on peut maintenant chercher les fichiers contenus dans le jeu de données :

tbl_datafile_itdd <- didor::datasets() %>%
  didor::dido_search("ITDD") %>%
  didor::datafiles()
knitr::kable(tbl_datafile_itdd[,c("title","description")] %>% head(5), format="html")
title description
1.01 ITDD - France entière Les données des indicateurs territoriaux correspondant aux 17 objectifs de développement durable. Couverture : France entière Granularité : nationale
1.02 ITDD - France hors Mayotte Les données des indicateurs territoriaux correspondant aux 17 objectifs de développement durable. Couverture : France hors Mayotte Granularité : nationale
1.03 ITDD - France métropolitaine Les données des indicateurs territoriaux correspondant aux 17 objectifs de développement durable. Couverture : France métropolitaine Granularité : nationale
2.01 ITDD - Province de France métropolitaine Les données des indicateurs territoriaux correspondant aux 17 objectifs de développement durable. Couverture : Province de France métropolitaine Granularité : province
3.01 ITDD - Toutes régions Les données des indicateurs territoriaux correspondant aux 17 objectifs de développement durable. Couverture : France entière Granularité : régions Code Officiel Géographique INSEE (N-1 du millésime)

Même ainsi, il y a du choix !

je voudrais un fichier de données dans un dataframe

Donc on en sélectionne un :

tbl_datafile_itdd <- didor::datasets() %>%
  didor::dido_search("ITDD") %>%
  didor::datafiles() %>%
  didor::dido_search("Bourgogne-Franche-Comté")
knitr::kable(tbl_datafile_itdd[,c("title","description")], format="html")
title description
5.08 ITDD - Bourgogne-Franche-Comté - Toutes les communes Les données des indicateurs territoriaux correspondant aux 17 objectifs de développement durable. Couverture : région Bourgogne-Franche-Comté Granularité : communes Code Officiel Géographique INSEE (N-1 du millésime)

Et on le récupère : on le met dans un tibble.

C’est quoi un tibble ?
https://tibble.tidyverse.org/

Il est donc chargé en mémoire dans R.

tbl_datafile_itdd <- didor::datasets() %>%
  didor::dido_search("ITDD") %>%
  didor::datafiles() %>%
  didor::dido_search("Bourgogne-Franche-Comté") %>%
  didor::get_data(query = c(
    columns = "CODGEO_CODE,CODGEO_LIBELLE,A2019,A2018,A2017",
    # NO_INDIC ="eq:i021",
    VARIABLE = "eq:ESO_PES_NB_TOT_CLAS4",
    NO_INDIC ="eq:i034b"
  ))
## ℹ downloading data and caching to : /tmp/Rtmppimz9y/eb8b9bd5-8e50-4007-a869-948781aadeb3-2023-01-columns=CODGEO_CODE,CODGEO_LIBELLE,A2019,A2018,A2017;VARIABLE=eqESO_PES_NB_TOT_CLAS4;NO_INDIC=eqi034b.csv
## 
Downloading: 10 B     
Downloading: 10 B     
Downloading: 7 kB     
Downloading: 7 kB     
Downloading: 8.2 kB     
Downloading: 8.2 kB     
Downloading: 8.2 kB     
Downloading: 8.2 kB     
Downloading: 10 kB     
Downloading: 10 kB     
Downloading: 12 kB     
Downloading: 12 kB     
Downloading: 12 kB     
Downloading: 12 kB     
Downloading: 12 kB     
Downloading: 12 kB     
Downloading: 16 kB     
Downloading: 16 kB     
Downloading: 16 kB     
Downloading: 16 kB     
Downloading: 16 kB     
Downloading: 16 kB     
Downloading: 20 kB     
Downloading: 20 kB     
Downloading: 25 kB     
Downloading: 25 kB     
Downloading: 25 kB     
Downloading: 25 kB     
Downloading: 25 kB     
Downloading: 25 kB     
Downloading: 28 kB     
Downloading: 28 kB     
Downloading: 28 kB     
Downloading: 28 kB     
Downloading: 28 kB     
Downloading: 28 kB     
Downloading: 30 kB     
Downloading: 30 kB     
Downloading: 31 kB     
Downloading: 31 kB     
Downloading: 31 kB     
Downloading: 31 kB
knitr::kable(tbl_datafile_itdd %>% head(30) , format="html")
CODGEO_CODE CODGEO_LIBELLE A2019 A2018 A2017
21001 Agencourt 0 0 0
21002 Agey 0 0 0
21003 Ahuy 0 0 0
21004 Aignay-le-Duc 0 0 0
21005 Aiserey 0 0 0
21006 Aisey-sur-Seine 0 0 0
21007 Aisy-sous-Thil 0 0 0
21008 Alise-Sainte-Reine 0 0 0
21009 Allerey 0 0 0
21010 Aloxe-Corton 0 0 0
21011 Ampilly-les-Bordes 0 0 0
21012 Ampilly-le-Sec 0 0 0
21013 Ancey 0 0 0
21014 Antheuil 0 0 0
21015 Antigny-la-Ville 0 0 0
21016 Arceau 0 0 0
21017 Arcenant 0 0 0
21018 Arcey 0 0 0
21020 Arconcey 0 0 0
21021 Arc-sur-Tille 0 0 0
21022 Argilly 0 0 0
21023 Arnay-le-Duc 0 0 0
21024 Arnay-sous-Vitteaux 0 0 0
21025 Arrans 0 0 0
21026 Asnières-en-Montagne 0 0 0
21027 Asnières-lès-Dijon 0 0 0
21028 Athée 0 0 0
21029 Athie 0 0 0
21030 Aubaine 0 0 0
21031 Aubigny-en-Plaine 0 0 0

Mais qu’est ce que c’est que ces paramètres dans get_data ?

{didor} ne fait rien d’autre que proposer les mêmes outils que ceux dont on dispose dans le catalogue :

  • selectionner des colonnes
  • filtrer les lignes selon un critère sur une variable ou plusieurs

paramètres

didor::get_data() peut prendre un paramètre query et ce n’est qu’une requête écrite et passée à l’API.

On trouve donc des informations qui permettent de s’y retrouver dans la documentation de l’API du fichier de données :

Les annexes

Dans l’onglets métadonnées du fichier de données ou après les fichiers de données, dans le jeu de données.
On peut les consulter en ligne ou directement les récupérer via didor::attachments()

  tbl_attachment <- didor::datasets() %>%
    didor::dido_search("ITDD") %>%
    didor::attachments() %>%
    didor::dido_search("6.01") %>%
    didor::get_attachments(dest = tempdir())
## file downloaded: /tmp/Rtmppimz9y/dictionnaire-indicateurs-territoriaux-developpement-durable.xlsx

typage

Les données sont toutes en chr : pour les manipuler ce n’est pas forcément pratique. C’est néanmoins nécessaire, pourquoi ?

Dans un datafile, une variable (colonne) numérique contient une valeur qui peut être manquante. Le producteur de la donnée peut, s’il le souhaite, préciser la raison de l’absence. “secret” indiquera que la valeur sous secret statistique

Donc dans DIDO, (numérique) est équivalent à (type numérique de R union “secret”) Bref, en utilisant la fonction convert(), on supprime tout cela et on peut effectuer des opérations mathématiques.

str(tbl_datafile_itdd)
## tibble [3,700 × 5] (S3: tbl_df/tbl/data.frame)
##  $ CODGEO_CODE   : chr [1:3700] "21001" "21002" "21003" "21004" ...
##   ..- attr(*, "name")= chr "CODGEO_CODE"
##   ..- attr(*, "description")= chr "COG_COMMUNE - Code de la zone"
##   ..- attr(*, "unit")= chr "n/a"
##   ..- attr(*, "type")= chr "string"
##   ..- attr(*, "converted")= logi FALSE
##  $ CODGEO_LIBELLE: chr [1:3700] "Agencourt" "Agey" "Ahuy" "Aignay-le-Duc" ...
##   ..- attr(*, "name")= chr "CODGEO_LIBELLE"
##   ..- attr(*, "description")= chr "COG_COMMUNE - Libellé de la zone"
##   ..- attr(*, "unit")= chr "n/a"
##   ..- attr(*, "type")= chr "string"
##   ..- attr(*, "converted")= logi FALSE
##  $ A2019         : chr [1:3700] "0" "0" "0" "0" ...
##   ..- attr(*, "name")= chr "A2019"
##   ..- attr(*, "description")= chr "A2019"
##   ..- attr(*, "unit")= chr "n/a"
##   ..- attr(*, "type")= chr "number"
##   ..- attr(*, "converted")= logi FALSE
##  $ A2018         : chr [1:3700] "0" "0" "0" "0" ...
##   ..- attr(*, "name")= chr "A2018"
##   ..- attr(*, "description")= chr "A2018"
##   ..- attr(*, "unit")= chr "n/a"
##   ..- attr(*, "type")= chr "number"
##   ..- attr(*, "converted")= logi FALSE
##  $ A2017         : chr [1:3700] "0" "0" "0" "0" ...
##   ..- attr(*, "name")= chr "A2017"
##   ..- attr(*, "description")= chr "A2017"
##   ..- attr(*, "unit")= chr "n/a"
##   ..- attr(*, "type")= chr "number"
##   ..- attr(*, "converted")= logi FALSE

Il suffit de les convertir avec la fonction convert()

tbl_datafile_itdd <- didor::datasets() %>%
  didor::dido_search("ITDD") %>%
  didor::datafiles() %>%
  didor::dido_search("Bourgogne-Franche-Comté") %>%
  didor::get_data(query = c(
    columns = "CODGEO_CODE,CODGEO_LIBELLE,A2019,A2018,A2017",
    # NO_INDIC ="eq:i021",
    VARIABLE = "eq:ESO_PES_NB_TOT_CLAS4",
    NO_INDIC ="eq:i034b"
  )) %>%
  didor::convert()
## ℹ reading data from cache : /tmp/Rtmppimz9y/eb8b9bd5-8e50-4007-a869-948781aadeb3-2023-01-columns=CODGEO_CODE,CODGEO_LIBELLE,A2019,A2018,A2017;VARIABLE=eqESO_PES_NB_TOT_CLAS4;NO_INDIC=eqi034b.csv
str(tbl_datafile_itdd) 
## tibble [3,700 × 5] (S3: tbl_df/tbl/data.frame)
##  $ CODGEO_CODE   : chr [1:3700] "21001" "21002" "21003" "21004" ...
##   ..- attr(*, "name")= chr "CODGEO_CODE"
##   ..- attr(*, "description")= chr "COG_COMMUNE - Code de la zone"
##   ..- attr(*, "unit")= chr "n/a"
##   ..- attr(*, "type")= chr "string"
##   ..- attr(*, "converted")= logi FALSE
##  $ CODGEO_LIBELLE: chr [1:3700] "Agencourt" "Agey" "Ahuy" "Aignay-le-Duc" ...
##   ..- attr(*, "name")= chr "CODGEO_LIBELLE"
##   ..- attr(*, "description")= chr "COG_COMMUNE - Libellé de la zone"
##   ..- attr(*, "unit")= chr "n/a"
##   ..- attr(*, "type")= chr "string"
##   ..- attr(*, "converted")= logi FALSE
##  $ A2019         : num [1:3700] 0 0 0 0 0 0 0 0 0 0 ...
##   ..- attr(*, "name")= chr "A2019"
##   ..- attr(*, "description")= chr "A2019"
##   ..- attr(*, "unit")= chr "n/a"
##   ..- attr(*, "type")= chr "number"
##   ..- attr(*, "converted")= logi TRUE
##  $ A2018         : num [1:3700] 0 0 0 0 0 0 0 0 0 0 ...
##   ..- attr(*, "name")= chr "A2018"
##   ..- attr(*, "description")= chr "A2018"
##   ..- attr(*, "unit")= chr "n/a"
##   ..- attr(*, "type")= chr "number"
##   ..- attr(*, "converted")= logi TRUE
##  $ A2017         : num [1:3700] 0 0 0 0 0 0 0 0 0 0 ...
##   ..- attr(*, "name")= chr "A2017"
##   ..- attr(*, "description")= chr "A2017"
##   ..- attr(*, "unit")= chr "n/a"
##   ..- attr(*, "type")= chr "number"
##   ..- attr(*, "converted")= logi TRUE

Cherchons une correlation

Par exemple, entre la participation au présidentielles 2022 et le taux de 20/24 ans sortis non diplomés

result <- didor::datasets() %>%
  didor::dido_search("ITDD") %>%
  didor::datafiles() %>%
  didor::dido_search("Bourgogne-Franche-Comté") %>%
  didor::get_data(query = c(
    columns = "VARIABLE,CODGEO_CODE,CODGEO_LIBELLE,A2022,A2019,A2017,A2013,A2012,A2007,A2002",
    # NO_INDIC ="eq:i021",
    # VARIABLE = "eq:taux_participation"
    VARIABLE = "in:part_20_24_sortis_nondip,taux_participation"
    #NO_INDIC ="eq:i110"
  )) %>%
  didor::convert() %>%
  dplyr::select(CODGEO_CODE,A2022,A2019) %>%
  group_by(CODGEO_CODE) %>%
  summarise_at(c("A2022","A2019"),sum,na.rm=T) 
## ℹ downloading data and caching to : /tmp/Rtmppimz9y/eb8b9bd5-8e50-4007-a869-948781aadeb3-2023-01-columns=VARIABLE,CODGEO_CODE,CODGEO_LIBELLE,A2022,A2019,A2017,A2013,A2012,A2007,A2002;VARIABLE=inpart_20_24_sortis_nondip,taux_participation.csv
## 
Downloading: 10 B     
Downloading: 10 B     
Downloading: 7 kB     
Downloading: 7 kB     
Downloading: 8.2 kB     
Downloading: 8.2 kB     
Downloading: 8.2 kB     
Downloading: 8.2 kB     
Downloading: 8.2 kB     
Downloading: 8.2 kB     
Downloading: 12 kB     
Downloading: 12 kB     
Downloading: 12 kB     
Downloading: 12 kB     
Downloading: 12 kB     
Downloading: 12 kB     
Downloading: 16 kB     
Downloading: 16 kB     
Downloading: 16 kB     
Downloading: 16 kB     
Downloading: 16 kB     
Downloading: 16 kB     
Downloading: 20 kB     
Downloading: 20 kB     
Downloading: 25 kB     
Downloading: 25 kB     
Downloading: 25 kB     
Downloading: 25 kB     
Downloading: 25 kB     
Downloading: 25 kB     
Downloading: 27 kB     
Downloading: 27 kB     
Downloading: 28 kB     
Downloading: 28 kB     
Downloading: 28 kB     
Downloading: 28 kB     
Downloading: 28 kB     
Downloading: 28 kB     
Downloading: 33 kB     
Downloading: 33 kB     
Downloading: 33 kB     
Downloading: 33 kB     
Downloading: 33 kB     
Downloading: 33 kB     
Downloading: 36 kB     
Downloading: 36 kB     
Downloading: 37 kB     
Downloading: 37 kB     
Downloading: 37 kB     
Downloading: 37 kB     
Downloading: 37 kB     
Downloading: 37 kB     
Downloading: 37 kB     
Downloading: 37 kB     
Downloading: 45 kB     
Downloading: 45 kB     
Downloading: 45 kB     
Downloading: 45 kB     
Downloading: 45 kB     
Downloading: 45 kB     
Downloading: 45 kB     
Downloading: 45 kB     
Downloading: 53 kB     
Downloading: 53 kB     
Downloading: 53 kB     
Downloading: 53 kB     
Downloading: 53 kB     
Downloading: 53 kB     
Downloading: 53 kB     
Downloading: 53 kB     
Downloading: 57 kB     
Downloading: 57 kB     
Downloading: 57 kB     
Downloading: 57 kB     
Downloading: 57 kB     
Downloading: 57 kB     
Downloading: 60 kB     
Downloading: 60 kB     
Downloading: 60 kB     
Downloading: 60 kB     
Downloading: 60 kB     
Downloading: 60 kB     
Downloading: 68 kB     
Downloading: 68 kB     
Downloading: 68 kB     
Downloading: 68 kB     
Downloading: 68 kB     
Downloading: 68 kB     
Downloading: 68 kB     
Downloading: 68 kB     
Downloading: 72 kB     
Downloading: 72 kB     
Downloading: 72 kB     
Downloading: 72 kB     
Downloading: 72 kB     
Downloading: 72 kB     
Downloading: 72 kB     
Downloading: 72 kB     
Downloading: 72 kB     
Downloading: 72 kB     
Downloading: 80 kB     
Downloading: 80 kB     
Downloading: 80 kB     
Downloading: 80 kB     
Downloading: 80 kB     
Downloading: 80 kB     
Downloading: 82 kB     
Downloading: 82 kB     
Downloading: 84 kB     
Downloading: 84 kB     
Downloading: 85 kB     
Downloading: 85 kB     
Downloading: 85 kB     
Downloading: 85 kB     
Downloading: 85 kB     
Downloading: 85 kB     
Downloading: 88 kB     
Downloading: 88 kB     
Downloading: 88 kB     
Downloading: 88 kB     
Downloading: 88 kB     
Downloading: 88 kB     
Downloading: 88 kB     
Downloading: 88 kB     
Downloading: 96 kB     
Downloading: 96 kB     
Downloading: 96 kB     
Downloading: 96 kB     
Downloading: 96 kB     
Downloading: 96 kB     
Downloading: 96 kB     
Downloading: 96 kB     
Downloading: 100 kB     
Downloading: 100 kB     
Downloading: 100 kB     
Downloading: 100 kB     
Downloading: 100 kB     
Downloading: 100 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 110 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 120 kB     
Downloading: 130 kB     
Downloading: 130 kB     
Downloading: 130 kB     
Downloading: 130 kB     
Downloading: 130 kB     
Downloading: 130 kB     
Downloading: 130 kB     
Downloading: 130 kB
knitr::kable(result %>% head(5) , format="html")
CODGEO_CODE A2022 A2019
21001 77.71 33.65
21002 80.74 33.33
21003 81.13 16.95
21004 74.58 23.08
21005 81.55 8.20

En en faisant un nuage de points :

ggplot(result, aes(x=A2022, y=A2019)) + geom_point()

eco-considérations

Les données sont récupérées, et transitent donc sur le réseau lorsqu’on fait un get_data() et les paramètres de la ‘query’ du get_data() filtrent et sélectionnent les données qui sont transférées.

Le filtrage/sélection s’effectue dans DiDo.

Si on avait tout récupéré sans filtrer/sélectionner on aurait envoyé environ 20 millions de lignes et un bon paquet de colonnes au travers du réseau, ça aurait pris du temps… probablement planté… et consommé plein de ressources inutiles…

Bref, filtrer/sélectionner au plus près de DIDO, c’est mieux !

On peut faire du {shiny} avec {didor}

On peut utiliser {didor} dans une appli {shiny} un exemple avec les données NAMEA d’emission de GES

library(shiny)
library(didor)
library(stringr)

code_nace <-   datasets() %>%
  dido_search('NAMEA') %>%
  datafiles() %>%
  get_data(
    query = c(columns = "CODE_NACE_REV2_ET_MENAGES,LIBELLE_NACE_ET_MENAGES")
  )
shinyApp(

# Define UI for application that draws a histogram
ui <- fillPage(
  tags$style(HTML('
    body {
        font-family: "Helvetica Neue",Helvetica,Arial,sans-serif;
        font-size: 7px;
        line-height: 1.42857143;
        color: #333;
        background-color: #fff;
    }
    ')),
    # Application title
    titlePanel("{didor}+{shiny}"),

    # Sidebar with a slider input for number of bins 
    sidebarLayout(
      sidebarPanel(
        selectInput(
          inputId = "nace",
          label = "code nace",
          choices = unique(code_nace$LIBELLE_NACE_ET_MENAGES)
        ),
        width=2
      ),
      mainPanel(  
        tableOutput("table"),
        width=10
      )
    )
),

# Define server logic required to draw a histogram
server <- function(input, output) {

  code_nace_select <- reactive({
    str_c(
      "in:",
      as.character(
        dplyr::filter(
          unique(
            code_nace
          ),
          LIBELLE_NACE_ET_MENAGES %in% c(input$nace))[1])
    )
    
  })
  
  data <- reactive({
    datasets() %>%
      dido_search('NAMEA') %>%
      datafiles() %>%
      get_data(
        query = c(SUBSTANCE="in:GES",CODE_NACE_REV2_ET_MENAGES=code_nace_select())
      )
  }) 
  output$table <- renderTable(data())
},

options = list(width = "100%",height = 500)

)
# Run the application 
shinyApp(ui = ui, server = server)

Crédits

Merci à Nicolas Chuche pour la construction de {didor} et merci à vous de vos retours sur son utilisation : nous vous invitons à ouvrir des issues dans github afin de nous permettre d’améliorer ce package : https://github.com/MTES-MCT/didor/issues

(et merci à Olivier Chantrel pour ce tutoriel !)