Exercices parcours R module 6 : rapports reproductibles avec R Markdown • savoirfR

library(savoirfR)

Les résultats des exercices sont à consulter sur https://mtes-mct.github.io/savoirfR/cheesedown/.

Exercice 1 : prise en main (chap 3.2)

Ouvrir Rstudio
Créer un fichier Rmarkdown, format html
prévisualiser le document avant toutes modifications
Se mettre en auteur du document
Rajouter un theme spécifique
Cliquer sur knit pour compiler le document et identifier les correspondances entre fichier .Rmd et fichier html

Résultat attendu :

Exercice 2 (chap 3.5)

Nous allons travailler sur les informations du site www.cheese.com. Nous nous appuyons pour cela sur l’exemple proposé pour l’évènement tidytuesday du 4 juin 2024.

Le fichier markdown qui sera créé pendant toute cette formation parlera donc de fromage !

Partir du fichier .Rmd de l’exercice précédent
Saisir un titre, un paragraphe, une liste d’item, un encart et un lien. N’hésitez pas à jouer avec la mise en forme du texte en syntaxe markdown.
Appuyer sur visual pour avoir un aperçu du rendu final

Résultat attendu :

Exercice 3 (chap 4.4)

Poursuivre le fichier .Rmd de l’exercice précédent
Créer un chunk pour définir des options générales, il ne doit pas être visible dans le document final
Créer un chunk pour charger les packages nécessaires, il ne doit pas être visible dans le document final
Créer un nouveau chapitre qui aura pour objet la présentation de quelques observations du jeu de données
Ajouter un chunk pour lire les données fromage . Le code ne doit pas s’afficher dans le document final.

Pour récupérer les données tidytuesday : load("extdata/data_fromage_tidytuesday.RData") depuis votre projet d’exercices
créé avec savoirfR ou tidytuesdayR::tt_load('2024-06-04')
(prérequis : avoir installé le package tidytuesdayR et configuré votre .Renviron avec un token github d’accès personnel,
ie créé une variable GITHUB_PAT)

load("extdata/data_fromage_tidytuesday.RData")

Ajouter une ligne de texte qui indique le nombre de fromages disponibles dans la dataframe (cette valeur doit être calculée automatiquement)
Créer une variable dans cette dataframe pour indiquer si l’origine des fromages (colonne country) est française ou non
Ajouter un chunk créant un graphique en barres qui indique le nombre de fromage par origine (FR ou non-FR). Le graphique devra apparaître dans le document final, pas le code pour le créer.
Ajouter une image d’illustration en tête d’article
Générer le document

Résultat attendu :

Exercice 4 : multiple format de sortie (chap 5.3)

En repartant du fichier .Rmd de l’exercice précédent :

Modifier les options pour avoir un sommaire flottant affichant un seul niveau de titre
Changer le thème utilisé pour la sortie HTML
Générer le document
Ajouter un format de sortie à l’entête pour qu’il génère un document PDF et un document odt en plus du HTML. Rappel : il est important de vérifier la compatibilité des éléments produits par le code avec ce nouveau format.

Résultat attendu :

Exercice 5 : paramétrer un rapport (chap 6.5)

Créer un nouveau .Rmd
Ajouter comme paramètre dans le YAML le pays (country) en choisissant “France” comme valeur par défaut
Ajouter un titre pour qu’il dépende de ce paramètre
Filtrer la dataframe en fonction de ce paramètre
Ajouter un graphique construit à partir de cette dataframe filtrée. Son titre peut également dépendre du paramètre country. (voir la page dédiée à la réalisation de graphique avec ggplot dans le module 5 du parcours R, ou réutiliser le code ci-dessous)

Par exemple, on peut regrouper les fromages par type simplifié et représenter le pourcentage de matières grasses par type. C’est l’occasion de découvrir ou re-découvrir certaines nouvelles fonctions de dplyr apparues en 2026 :

data_fromage_1 <- data_fromage %>% 
  filter_out(when_any(is.na(fat_content),
                      is.na(type))) %>% 
  mutate(type = replace_when(type,
                             str_detect(type, 'soft') ~ 'molle',
                             str_detect(type, 'firm') ~ 'ferme',
                             str_detect(type, 'hard') ~ 'dure')) %>%
  mutate(fat_content = as.numeric(str_extract(fat_content, "^\\d+(\\.\\d+)?"))) %>% 
  filter(country==params$country)


ggplot(data_fromage_1) +
  geom_violin(aes(x = type, y = fat_content, fill = type)) +
  scale_fill_manual(values = c("dure" = "#EEDC82", "ferme" = "#FFFACD", "molle" = "#FFFAF0")) +
  theme_gouv(plot_title_size = 12,
             subtitle_size = 12) +
  labs(title = "% de matière grasse par type de pâte de fromage",
       subtitle = params$country,
       x = "Type de pâte",
       y = "% de matière grasse") +
  theme(legend.position = 'none')

Générer ce HTML à l’aide du bouton knit
Créer dans un nouveau script une fonction qui génère le HTML à partir d’une liste de pays
Appliquer cette fonction à une liste restreinte de pays (par exemple France, Italy, United States)

Résultat attendu :

Exercice 6 facultatif : tester bookdown (chap 7.7)

Expérimenter bookdown

Exercice 7 facultatif : tester l’interactivité (chap 8.5)

Repartir du .Rmd de l’exercice 4 au format HTML
Ajouter un nouveau chapitre relatif à des visualisations interactives (si besoin : voir la partie interactivité des visualisations du module 5 du parcours)
Créer un widget HTML interactif : un graphique ggiraph, un tableau datatable, une carte leaflet…
Créer une dataframe partagée à l’aide du package crosstalk
Utiliser cette dataframe partagée pour créer un filtre crosstalk sur la colonne country
Créer un widget interactif à partir de cette dataframe partagée

Résultat attendu :

Exercice 8 facultatif : gitlab (chap 9.3)

Expérimenter gitlab pages