---
title: "Exercice 3 p2"
author: "Caroline"
date: "08/11/2025"
output: html_document
---
# ---------------------------------------------------------------------------
# Exercice 03 (2e partie) – Analyse de l'incidence de la varicelle
#
# Objectif :
# Adapter l'analyse du syndrome grippal pour étudier la varicelle.
# Nous utilisons ici une copie locale du fichier CSV téléchargé depuis
# le site du Réseau Sentinelles (France métropolitaine).
#
# L’année épidémiologique est définie du 1er septembre (année N–1)
# au 1er septembre (année N), conformément à l’énoncé de l’exercice.
# ---------------------------------------------------------------------------

# --- Import des données locales ---

# Le fichier a été téléchargé manuellement depuis le site du Réseau Sentinelles.
# (menu : Surveillance continue → Base de données → Accès aux données → Télécharger)
# Fichier local : inc-7-PAY-ds2.csv (incidence de la varicelle)

data <- read.csv("module3/exo2/inc-7-PAY-ds2.csv",
                 skip = 1,
                 na.strings = c("-", "", "NA"),
                 stringsAsFactors = FALSE)

names(data) <- trimws(tolower(names(data)))
if (!"inc" %in% names(data) && "inc100" %in% names(data)) {
  data$inc <- data$inc100
}

# --- Conversion des numéros de semaine ISO en dates ---
library(parsedate)

convert_week <- function(w) {
  ws <- paste(w)
  iso <- paste0(substring(ws, 1, 4), "-W", substring(ws, 5, 6))
  as.character(parse_iso_8601(iso))
}

data$date <- as.Date(convert_week(data$week))
data <- data[order(data$date), ]

# --- Calcul de l’incidence annuelle ---
pic_annuel <- function(annee) {
  debut <- paste0(annee - 1, "-09-01")
  fin   <- paste0(annee, "-09-01")
  semaines <- data$date > debut & data$date <= fin
  sum(data$inc[semaines], na.rm = TRUE)
}

annees <- seq(1986, as.numeric(format(Sys.Date(), "%Y")) - 1)
inc_annuelle <- data.frame(
  annee = annees,
  incidence = sapply(annees, pic_annuel)
)

# --- Visualisation (optionnelle) ---
plot(inc_annuelle, type = "b", col = "darkgreen",
     xlab = "Année", ylab = "Incidence annuelle (cas / 100 000 hab.)",
     main = "Incidence annuelle de la varicelle en France métropolitaine")

# --- Résultats : années extrêmes ---
max_year <- inc_annuelle$annee[which.max(inc_annuelle$incidence)]
min_year <- inc_annuelle$annee[which.min(inc_annuelle$incidence)]

cat("Année avec l’épidémie la plus forte :", max_year, "\n")
cat("Année avec l’épidémie la plus faible :", min_year, "\n")

# Résultats attendus :
# 1 Année la plus forte  : 2022
# 2 Année la plus faible : 1986
# ---------------------------------------------------------------------------


```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
```

## Quelques explications

Ceci est un document R markdown que vous pouvez aisément exporter au format HTML, PDF, et MS Word. Pour plus de détails sur R Markdown consultez <http://rmarkdown.rstudio.com>.

Lorsque vous cliquerez sur le bouton **Knit** ce document sera compilé afin de ré-exécuter le code R et d'inclure les résultats dans un document final. Comme nous vous l'avons montré dans la vidéo, on inclue du code R de la façon suivante:

```{r cars}
summary(cars)
```

Et on peut aussi aisément inclure des figures. Par exemple:

```{r pressure, echo=FALSE}
plot(pressure)
```

Vous remarquerez le paramètre `echo = FALSE` qui indique que le code ne doit pas apparaître dans la version finale du document. Nous vous recommandons dans le cadre de ce MOOC de ne pas utiliser ce paramètre car l'objectif est que vos analyses de données soient parfaitement transparentes pour être reproductibles. 

Comme les résultats ne sont pas stockés dans les fichiers Rmd, pour faciliter la relecture de vos analyses par d'autres personnes, vous aurez donc intérêt à générer un HTML ou un PDF et à le commiter.

Maintenant, à vous de jouer! Vous pouvez effacer toutes ces informations et les remplacer par votre document computationnel.