Je récupère les données de l'exercice précédent pour en faire deux représentations graphiques.
```{r setup, include=FALSE}
## Stocker en mémoire les données
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:
Je stocke en mémoire les données dans un vecteur que j'appelle `d`:
Et on peut aussi aisément inclure des figures. Par exemple:
Mon vecteur `d` est bien numérique et contient les données de l'exercice.
```{r pressure, echo=FALSE}
## Visualisation en sequence plot
plot(pressure)
```{r}
plot(d, type="l", col="blue")
```
```
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.
## Visualisation en histogramme
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.
```{r}
hist(d, col="blue")
```
Maintenant, à vous de jouer! Vous pouvez effacer toutes ces informations et les remplacer par votre document computationnel.
Sur le graph donné dans la consigne il y a 10 cathégories de valeurs, alors que j'en ai 11 sur le mien. Je pense que cette différence vient des différents paramètre par défaut de python vs R. Je suppose que le but de l'exercice n'est pas de manipuler en détail les `table()` et autre `cut()`. Je ne vais donc pas m'attarder dessus.
