Chapitre 5 Le mapping

5.1 Les paramètres du mapping

Dans l’exemple qui suit, la représentation géographique utilisée est le nuage de points geom_point. D’autres types de représentations géographiques sont présentés dans la partie suivante.

L’aesthetic sert à identifier les variables que l’on souhaite représenter. Par exemple, si l’on souhaite représenter le taux de mortalité maternelle (Maternal_mortality_ratio) en fonction du produit intérieur brut (Gross_Domestic_Product_GDP) :

ggplot(data = ODD_graphique1) +
  geom_point(aes(x = Gross_Domestic_Product_GDP, y = Maternal_mortality_ratio))

De plus, la fonction aes admet d’autres arguments qui permettent de modifier l’apparence du graphique selon une 3ème variable du jeu de données. colour : la couleur, shape : la forme, size : la taille, alpha : la transparence, fill : le remplissage ;

ggplot(data = ODD_graphique1) +
  geom_point(aes(x = Gross_Domestic_Product_GDP, y = Maternal_mortality_ratio, colour = Continent))

5.2 Les “autres” paramètres

Il est possible de spécifier des paramètres qui seront valables pour l’ensemble du graphique. On retrouve entre autre les mêmes paramètres proposés dans l’aes, mais il faut alors les passer en dehors de l’aesthetic.

Par exemple, si l’on souhaite modifier la transparance et la taille de l’ensemble des points du graphique précédent:

ggplot(data = ODD_graphique1) +
  geom_point(aes(x = Gross_Domestic_Product_GDP, y = Maternal_mortality_ratio, colour = Continent),
    alpha = 0.5, size = 1.9)

De même si l’on souhaite modifier la couleur générale :

ggplot(data = ODD_graphique1) +
  geom_point(aes(x = Gross_Domestic_Product_GDP, y = Maternal_mortality_ratio),
    color = "red")

Pour choisir et modifier facilement les couleurs d’un graphe, il existe un addin développé par Dean Attali: Colour Picker Il est installable comme n’importe quel package.

install.packages("colourpicker")

Pour plus d’informations: https://github.com/daattali/colourpicker.

5.3 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_52 vaut 1 si l’EPCI appartient à la région PDL, 0 sinon).

Résultat attendu :