title: "Analyse de l'incidence du syndrôme grippal"
title: "Analyse de l'incidence du syndrome grippal"
author: "Konrad Hinsen"
author: "GuR"
output:
date: "2025-09-10"
pdf_document:
output: html_document
toc: true
html_document:
toc: true
theme: journal
documentclass: article
classoption: a4paper
header-includes:
- \usepackage[french]{babel}
- \usepackage[upright]{fourier}
- \hypersetup{colorlinks=true,pagebackref=true}
---
---
```{r setup, include=FALSE}
```{r setup, include=FALSE}
knitr::opts_chunk$set(echo = TRUE)
knitr::opts_chunk$set(echo = TRUE)
```
```
## Préparation des données
# Récupération & aperçus des données
Les données de l'incidence du syndrome grippal sont disponibles du site Web du [Réseau Sentinelles](http://www.sentiweb.fr/). Nous les récupérons sous forme d'un fichier en format CSV dont chaque ligne correspond à une semaine de la période demandée. Nous téléchargeons toujours le jeu de données complet, qui commence en 1984 et se termine avec une semaine récente. L'URL est:
| `indicator` | Code de l'indicateur de surveillance |
| `inc` | Estimation de l'incidence de consultations en nombre de cas |
| `inc_low` | Estimation de la borne inférieure de l'IC95% du nombre de cas de consultation |
| `inc_up` | Estimation de la borne supérieure de l'IC95% du nombre de cas de consultation |
| `inc100` | Estimation du taux d'incidence du nombre de cas de consultation (en cas pour 100,000 habitants) |
| `inc100_low` | Estimation de la borne inférieure de l'IC95% du taux d'incidence du nombre de cas de consultation (en cas pour 100,000 habitants) |
| `inc100_up` | Estimation de la borne supérieure de l'IC95% du taux d'incidence du nombre de cas de consultation (en cas pour 100,000 habitants) |
| `geo_insee` | Code de la zone géographique concernée (Code INSEE) http://www.insee.fr/fr/methodes/nomenclatures/cog/ |
| `geo_name` | Libellé de la zone géographique (ce libellé peut être modifié sans préavis) |
La première ligne du fichier CSV est un commentaire, que nous ignorons en précisant `skip=1`.
### Téléchargement
```{r}
```{r}
data = read.csv(data_url, skip=1)
lignes_na = apply(data, 1, function(x) any(is.na(x))) # is.na "not available" / traverser le jeu de données (data) ligne par ligne et appliquer à chaque ligne la fonction (qui )
data[lignes_na,] # afficher le contenu des lignes sélectionnées
```
```
Vérifier également le type de données :
- pour la colonne "week"
Regardons ce que nous avons obtenu:
```{r}
```{r}
head(data)
class(data$week)
tail(data)
```
```
- pour la colonne "inc"
Y a-t-il des points manquants dans nos données ?
```{r}
```{r}
na_records = apply(data, 1, function (x) any(is.na(x)))
class(data$inc)
data[na_records,]
```
```
Ce résultat est douteux car R interprète "-" comme un type `caractère`, ce qui perturbe son analyse du type de données pour l'ensemble de la colonne. Dans ce cas, relire le fichier de données en aidant R à interpréter "-" comme une donnée manquante :
Les deux colonnes qui nous intéressent sont `week` et `inc`. Vérifions leurs classes:
```{r}
```{r}
class(data$week)
data = read.csv(data_url, skip=1, na.strings = "-") # na.strings = "-" : la donnée "-" est une donnée manquante
class(data$inc)
class(data$inc)
```
```
Ce sont des entiers, tout va bien !
# Vérification et inspection
### Conversion des numéros de semaine
## Pré-traitement des données
La gestion des dates est toujours un sujet délicat. Il y a un grand nombre de conventions différentes qu'il ne faut pas confondre. Notre jeux de données utilise un format que peu de logiciels savent traiter: les semaines en format [ISO-8601](https://en.wikipedia.org/wiki/ISO_8601). En `R`, il est géré par la bibliothèque [parsedate](https://cran.r-project.org/package=parsedate):
Enjeu = adapter les formats de dates aux conventions des logiciels & faciliter l'analyse
Préparation du format date :
```{r}
```{r}
library(parsedate)
library(parsedate) # chargement de la librairie
date = 199501 #dates du format du CSV : 1995=année 01=semaine
ws = paste(date) #convertir cet entier en chaîne de caractère
iso = paste0(substring(ws, 1, 4), "-W", substring(ws, 5, 6)) # transformation des 2 éléments composant la date
iso
parse_iso_8601(iso) # date correspondant au lundi de la semaine de la date du jeu de données
```
```
Utiliser une fonction pour appliquer cette transformation de format date à l'ensemble des dates du jeu de données :
Pour faciliter le traitement suivant, nous remplaçons ces semaines par les dates qui correspondent aux lundis. Voici une petite fonction qui fait la conversion pour une seule valeur:
```{r}
```{r}
convert_week = function(w) {
convert_week = function(date) { # entrée des dates du format du CSV : 1995=année 01=semaine
ws = paste(w)
ws = paste(date) #convertir cet entier en chaîne de caractère
iso = paste0(substring(ws, 1, 4), "-W", substring(ws, 5, 6))
iso = paste0(substring(ws, 1, 4), "-W", substring(ws, 5, 6)) # transformation des 2 éléments composant la date
as.character(parse_iso_8601(iso))
as.character(parse_iso_8601(iso)) # parse_iso_8601(iso) retourne via sapply() un format integer => contournement = résultats en chaîne de caractères, puis convertir résultat en date
}
}
```
```
Nous appliquons cette fonction à tous les points, créant une nouvelle colonne `date` dans notre jeu de données:
Ajouter une nouvelle colonne "Date" dans le CSV avec les dates formatées :
## Dans quelles années y avait-il des épidémies les plus fortes ?
### Calcul
Sachant que les pics annuels se situent en hiver, il ne serait pas scientifiquement correct de tronquer en années civiles. Nous décidons donc de tronquer au 1er août (comme 1er jour de l'année).
Étant donné que le pic de l'épidémie se situe en hiver, à cheval entre deux années civiles, nous définissons la période de référence entre deux minima de l'incidence, du 1er août de l'année $N$ au 1er août de l'année $N+1$. Nous mettons l'année $N+1$ comme étiquette sur cette année décalée, car le pic de l'épidémie est toujours au début de l'année $N+1$. Comme l'incidence de syndrome grippal est très faible en été, cette modification ne risque pas de fausser nos conclusions.
L'argument `na.rm=True` dans la sommation précise qu'il faut supprimer les points manquants. Ce choix est raisonnable car il n'y a qu'un seul point manquant, dont l'impact ne peut pas être très fort.
```{r}
```{r}
pic_annuel = function(annee) {
pic_annuel = function(annee) {
debut = paste0(annee-1,"-08-01")
debut = paste0(annee-1, "-08-01")
fin = paste0(annee,"-08-01")
fin = paste0(annee, "-07-31")
semaines = data$date > debut & data$date <= fin
semaines = data$date >= debut & data$date <= fin
sum(data$inc[semaines], na.rm=TRUE)
sum(data$inc[semaines], na.rm=TRUE) # somme des semaines pour chaque année // na.rm=TRUE : ignorer les cellules qui ne contiennent pas de données
}
}
```
```
Nous devons aussi faire attention aux premières et dernières années de notre jeux de données. Les données commencent en octobre 1984, ce qui ne permet pas de quantifier complètement le pic attribué à 1985. Nous l'enlevons donc de notre analyse. Par contre, pour une exécution en octobre 2018, les données se terminent après le 1er août 2018, ce qui nous permet d'inclure cette année.
La première et la dernière année du jeu de données ne sont pas complètes :
Abscisses : plus à droite se situent les épidémies les plus fortes
Ordonnées : fréquence de ces épidémies
Formatage du graphique :
Enfin, un histogramme montre bien que les épidémies fortes, qui touchent environ 10% de la population française, sont assez rares: il y en eu trois au cours des 35 dernières années.
