Chapitre 18 Exercices et corrections
18.1 Exercice 1
A partir des données de la table rpls_aggrege_large (rpls_aggrege_large.RData), créer un nuage de point (un point par EPCI) entre : :
- le % de parc social de moins de 5 ans (variable
Parc_de_moins_de_5_ans_pourcent) ; - et le pourcentage de logement avec un DPE gaz à effet de serre de classe A, B ou C (variable
DPE_GES_classe_ABC_pourcent) ; - et une couleur différente pour distinguer les EPCI de la région Pays de la Loire
(la variable
epci_2017_52vaut 1 si l’EPCI appartient à la région PDL, 0 sinon).
Résultat attendu :
load("extdata/rpls_aggrege_large.RData")library(ggplot2)
library(dplyr)
ggplot(data = rpls_aggrege_large %>%
# on filtre la table sur les données EPCI
filter(TypeZone == "Epci")) +
# geom_point permet la représentation sous forme de nuage de points,
# en définissant les variables à afficher en ordonnée et en abscisse,
# et la 3eme variable discriminante par couleur
geom_point(aes(x = Parc_de_moins_de_5_ans_pourcent,
y = DPE_GES_classe_ABC_pourcent,
color = epci_2017_52),
# la valeur alpha permet de paramètrer la transparence des points
alpha = .5,
# la valeur size permet de paramètrer la taille des points
size = .5)
18.2 Exercice 2
A partir des données de la table ODD_graphique1 (ODD.RData), 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 5.1)
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).
Résultat attendu :
load("extdata/ODD.RData")library(ggplot2)
library(dplyr)
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"))
18.3 Exercice 3
En réutilisant le graphe obtenu à l’exercice 1 (rpls_aggrege_large.RData), y rajouter : - une palette gouvdown pour la couleur ; - la légende en bas ; - des libellés (axes et légende) parlant et un titre.
Résultat attendu :
load("extdata/rpls_aggrege_large.Rdata")library(dplyr)
library(ggplot2)
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 = "")
18.4 Exercice 4
A partir de la table rpls_aggrege, réaliser une facette sur un diagramme barre avec :
- en variable discrète les régions (axe des x),
- en variables continues les indicateurs suivants (axe des y, les facettes) :
- % 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.
Résultat attendu :
load("extdata/rpls_aggrege.RData")library(ggplot2)
library(dplyr)
library(forcats)
library(hrbrthemes)
gg <- 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 = if_else(Reg_2017 == "52", 1, 0.65)) %>%
ggplot() +
# On utilise l'indicatrice de la région Pays de la Loire pour mapper la transparence
geom_col(aes(x = nReg_2017, y = Valeur, fill = Indicateur, alpha = r52)) +
# on pivote les axes pour mieux lire les noms de régions
coord_flip() +
# on choisit un theme minimaliste
theme_minimal() +
# On définit l'échelle de couleur de remplissage à utiliser
scale_fill_ipsum() +
# On définit la variable facette
facet_wrap("Indicateur") +
# On supprime la légende
theme(legend.position = "none") +
# On adapte les titres
labs(title = "mon premier facet", y = "En % du parc social", x = "")
# solution 1 : On définit les valeurs maximum et minimum de transparence que l'on veut voir
gg + scale_alpha_continuous(range = c(.65, 1))
# solution 2 : On indique via la fonction scale_xx_identity que les valeurs peuvent être utilisées telles quelles
# gg + scale_alpha_identity()
# solution 3 : On indique via le paramètre rescaler de la fonction scale_alpha_continuous que les valeurs peuvent être utilisées telles quelles
# gg + scale_alpha_continuous(rescaler = ~.x)Astuces, pour avoir la liste des modalités dune variable :
- variables caractères ou factorielles :
unique(rpls_aggrege$Indicateur)- variables factorielles :
levels(rpls_aggrege$Indicateur)18.5 Exercice 5
A partir des jeux de données rpls_aggrege.RData et Carte_EPCI_France.RData, produire une carte du Loiret à l’EPCI représentant le taux de logements collectifs dans le parc locatif social (variable “Logements collectifs_pourcent”).
Résultat attendu :
load("extdata/rpls_aggrege.RData")
load("extdata/Carte_EPCI_France.RData")library(ggplot2)
library(dplyr)
library(sf)
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)) +
# définition de la palette de couleur
scale_fill_continuous(low = "#87CEFF", high = "#0B3E87") +
labs(title = "Taux de logements collectifs par EPCI dans le parc locatif social",
subtitle = "Département du Loiret",
caption = "Source: Répertoire Locatif Social") +
theme(
axis.text.x = element_blank(),
axis.text.y = element_blank(),
axis.ticks = element_blank())
18.6 Exercice 6
A partir du fichier rpls_aggrege_large.RData, réaliser un graphique en barre représentant la répartition des DPE par classe (en %).
Le graphique sera animé par département, uniquement pour ceux de la région Centre-Val de Loire.
Résultat attendu :
load("extdata/rpls_aggrege_large.Rdata")library(tidyverse)
library(gganimate)
library(gifski)
# PREPARATION DE LA TABLE
rpls <- rpls_aggrege_large %>%
# Filtre sur la zone de travail souhaitée
filter(TypeZone == "Départements" & nReg_2017 == "Centre-Val de Loire") %>%
# Suppression des levels non présents dans la table,
# ce qui évite de générer des graphes vident pour les départements hors Centre-Val de Loire
mutate(nDep_2017 = fct_drop(nDep_2017)) %>%
# Selection des variables nécessaires
select(nDep_2017, DPE_energie_classe_ABC_pourcent, DPE_energie_classe_D_pourcent,
DPE_energie_classe_EFG_pourcent, DPE_energie_classe_NA_pourcent) %>%
# Passage de la table au format long (cf module 2, chapitre 7)
pivot_longer(-c(nDep_2017), names_to = "variable", values_to = "valeur") %>%
# Retravail des intitulés pour ne conserver que la classe d'energie ABC/D/EGF/NA
mutate(variable = str_remove(pattern = "DPE_energie_classe_", variable),
variable = str_remove(pattern = "_pourcent", variable))
ggplot(data = rpls, aes(x = variable, y = valeur, fill = variable)) +
geom_col() +
# definition des couleurs
scale_fill_manual(values = c("#66CD00", "#FFFF00", "#FF7F00", "#A8A8A8")) +
# suppression de la legende
theme(legend.position = "none") +
# habillage: titre, libellé des axes, Source
labs(title = "Les DPE dans le parc locatif social",
subtitle = "En {closest_state}",
x = "Classe d'énergie",
y = "%",
caption = "Source : Répertoire Locatif Social") +
# création de l'animation
transition_states(states = nDep_2017,
transition_length = 1,
state_length = 5)
18.7 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.
Paramétrer la surbrillance du continent au survol d’élément.
Résultat attendu :
load("extdata/ODD.RData")library(ggplot2)
library(dplyr)
library(ggiraph)
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;")))18.8 Exercice 8
A partir de la table rpls_aggrege_large, produire un tableau du nombre de logements collectifs et individuels (RPLS) par départements en région Centre-Val de Loire : 1 ligne par département + 1 ligne avec le total de la région.
Résultat attendu :
load("extdata/rpls_aggrege_large.Rdata")| 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 |