Chapitre 19 Exercices et corrections

19.1 Exercice 1

À partir des données de la table rpls_aggrege_large (dans le data_exercices_formation.RData), créer un nuage de points entre :

  • le % de parc social de moins de 5 ans;

  • et le pourcentage de logement avec un DPE GES de classe A, B ou C;

  • et une couleur différente pour distinguer les EPCI de la région PDL.

ggplot(data = rpls_aggrege_large  %>% 
         filter(TypeZone=="Epci")) + 
  geom_point(aes(x=Parc_de_moins_de_5_ans_pourcent,
                 y=DPE_GES_classe_ABC_pourcent,
                 color=epci_2017_52),
             alpha=.5,
             size=.5 )

19.2 Exercice 2

Reprendre le nuage de points obtenu à partir des données ODD : taux de mortalité maternelle (Maternal_mortality_ratio) en fonction du produit intérieur brut (Gross_Domestic_Product_GDP) (Chapitre 4.1)

En modifier le thème :

  • Insérer un titre, de couleur, en gras, centré par rapport au graphe
  • Indiquer la source (ODD) et modifier sa taille
  • Changer les titres des axes et leurs tailles
  • Modifier la couleur de fond du graphe
  • Modifier le type de quadrillage (pointillés)
ggplot(ODD_graphique1) +
  geom_point(aes(x=log(Gross_Domestic_Product_GDP),
                 y=log(Maternal_mortality_ratio),
                 color=Continent))+ 
  labs(title="Croisement du PIB avec le taux de mortalité maternelle", y="Taux de mortalité maternelle", x="Produit Intérieur Brut", caption="Source: ODD")+
  theme(plot.title=element_text(size=15, 
                                face="bold", 
                                color="blue",
                                hjust=0.5), 
        plot.caption=element_text(size=15),
        axis.title.x=element_text(size=15),  
        axis.title.y=element_text(size=15),
        panel.background = element_rect(fill = "lightblue",colour = "lightblue",size = 0.5),
        panel.grid.major = element_line( size=0.5,linetype = "dotted"),
        panel.grid.minor = element_line( size=0.5,linetype = "dotted"))

19.3 Exercice 3

En réutilisant le graphe obtenu à l’exercice 1, y rajouter:

  • une palette brewer pour la couleur ;

  • la légende en bas ;

  • des libellés (axes et légende) parlant et un titre.

ggplot(data = rpls_aggrege_large  %>% 
         filter(TypeZone=="Epci")) + 
  geom_point(aes(x=Parc_de_moins_de_5_ans_pourcent,
                 y=DPE_GES_classe_ABC_pourcent,
                 color=epci_2017_52),
             size=.7
  )+
  scale_color_brewer(type=qual,palette="Paired",
                     labels=c("Autres Epci","Epci de la région Pays de la Loire"))+
  scale_x_continuous(limits = c(0,40))+
  scale_y_continuous(limits = c(0,80))+
  theme(legend.position = "bottom")+
  labs(title="Répartition des Epci en fonction \nde la part des logements ayant une étiquette A,B,C et de la part du parc récent",
       x="Part du parc de moins de 5 ans",
       y="Part des logements ayant une étiquette A,B,C",
       color="")

19.4 Exercice 4

Facette sur un diagramme barre avec :

  • en variable discrète les régions
  • en variables continues les indicateurs suivants :
    • % de logements de 3 et 4 pièces
    • % DPE énergie A,B,C
    • % DPE GES A,B,C
    • % de parc de moins de 5 ans
  • une façon d’identifier la région Pays de la Loire

Pour avoir la liste des modalités dune variable :

Variables caractères ou factorielles :

unique(rpls_aggrege$Indicateur)

Variables factorielles :

levels(rpls_aggrege$Indicateur)
rpls_aggrege  %>% 
  filter(TypeZone=="Régions",
         Indicateur %in% c("3 et 4 pièces_pourcent",
                           "DPE GES classe ABC_pourcent",
                           "DPE énergie classe ABC_pourcent",
                           "Parc de moins de 5 ans_pourcent")) %>% 
  mutate(Indicateur=fct_recode(Indicateur,
                             `Logements de 3 et 4 pièces`="3 et 4 pièces_pourcent",
                             `Logements avec DPE énergie de classe A,B,C`="DPE énergie classe ABC_pourcent",
                             `Logements avec DPE GES de classe A,B,C`="DPE GES classe ABC_pourcent",
                             `Logements social de moins de 5 ans`="Parc de moins de 5 ans_pourcent"),
         r52=ifelse(Reg_2017=="52",1,0)) %>% 
  ggplot()+
  #On utilise l'indicatrice de la région Pays de la Loire pour mapper la transparence
  geom_bar(aes(x=nReg_2017,weight=Valeur,fill=Indicateur,alpha=r52))+
  coord_flip()+
  theme_minimal()+
  scale_fill_ipsum()+
  #On défini les valeurs maximum et minimum de transparence que l'on veut voir
  scale_alpha_continuous(range=c(.65,1))+
  facet_wrap(~Indicateur)+
  theme(legend.position="none")+
  labs(title="mon premier facet",y="En % du parc social",x="")

19.5 Exercice 5

Produire une carte du Loiret à l’EPCI du taux de logements collectifs dans le parc locatif social.

tt <- Carte_EPCI_France %>% 
  filter(CODE_DEPT=="45") %>% 
  left_join(rpls_aggrege) %>% 
  filter(Indicateur=="Logements collectifs_pourcent")
ggplot(data=tt)+
  geom_sf(aes(geometry=geometry, fill=Valeur))+
  labs(title="Taux de logements collectifs par EPCI",subtitle="Département du Loiret")+
  theme(
    axis.text.x = element_blank(),
    axis.text.y = element_blank(),
    axis.ticks = element_blank())

19.6 Exercice 6

Produire le nuage de points du croisement de la part des logements ayant une étiquette A,B,C en fonction de la part du parc récent. Créer une animation par département uniquement pour ceux de la région Centre-Val de Loire.

rpls <- rpls_aggrege_large %>% 
  filter(nReg_2017=="Centre-Val de Loire") %>% 
  mutate(nDep_2017=fct_drop(nDep_2017))

anim<-ggplot(data =rpls ) + 
  geom_point(aes(x=Parc_de_moins_de_5_ans_pourcent,
                 y=DPE_GES_classe_ABC_pourcent))+
  labs(title="Croisement de la part des logements ayant une étiquette A,B,C \n en fonction de la part du parc récent",
       subtitle="En {closest_state}",
       x="Part du parc de moins de 5 ans",
       y="Part des logements ayant une étiquette A,B,C",
       color="")+
  transition_states(states=nDep_2017,
                    transition_length = 1,
                    state_length = 2)
anim

19.7 Exercice 7

Reprendre le nuage de point obtenu à partir des données ODD :taux de mortalité maternelle (Maternal_mortality_ratio) en fonction du produit intérieur brut (Gross_Domestic_Product_GDP) (Chapitre 9)

Obtenir ce graphique pour le web avec des infos bulles regroupant le nom du continent, de la zone, le PIB et le taux de mortalité maternelle. Paramètrer la surbrillance du continent au survol d’élément.

Le résultat attendu :

gg<-ggplot(ODD_graphique1) +
  geom_point_interactive(aes(x=log(Gross_Domestic_Product_GDP),
                 y=log(Maternal_mortality_ratio),
                 color=Continent,
                 data_id=Continent,
                 tooltip=paste(Continent,"\n",Parent_Zone_libelle,
                               "\nPIB de",round(Gross_Domestic_Product_GDP,1),
                               "\nun taux de mortalié maternelle de",Maternal_mortality_ratio,
                               "(pour 100 000 naissances)")))+
  scale_color_brewer(type="qual")

girafe(ggobj=gg,height_svg = 3,options=list(opts_hover(css="fill:darkblue;")))

19.8 Exercice 8

Produire un tableau du nombre de logements collectifs et individuels (RPLS) par départements en région Centre-Val de Loire.

rpls_DEP_R24  <- rpls_aggrege_large %>% 
  filter(TypeZone %in% c("Départements","Régions"),nReg_2017=="Centre-Val de Loire") %>% 
  arrange(TypeZone,Zone) %>%
  select(Zone,Logements_collectifs,Logements_individuels)%>% 
  setNames(c("Zone","Nombre de logements collectifs","Nombre de logements individuels")) %>% 
  kable("html",caption="Chiffres clés RPLS") %>%
  kable_styling(bootstrap_options = c("striped", "hover")) %>% 
  row_spec(7, bold = T, color = "white", background = "grey")
rpls_DEP_R24
(#tab:exo_10)Chiffres clés RPLS
Zone Nombre de logements collectifs Nombre de logements individuels
Cher 14434 7054
Eure-et-Loir 24462 7024
Indre 11533 6419
Indre-et-Loire 39030 9779
Loir-et-Cher 14632 6436
Loiret 37442 12671
Centre-Val de Loire 141533 49383