exercice epidemio grippe avec données stockées en local

module3/exo3/epidemio_grippe.Rmd

+---
+title: "Syndrome Grippal"
+author: "Jerome Riera"
+date: "2024-08-29"
+output:
+  pdf_document: default
+  html_document: default
+---
+
+```{r setup, include=FALSE}
+knitr::opts_chunk$set(echo = TRUE)
+```
+## Import des données
+```{r}
+data<-read.csv("/Users/jeromeriera/Library/Mobile Documents/com~apple~CloudDocs/Thèse/MOOC RR/mooc rr/module3/inc-3-PAY.csv", skip = 1)
+class(data$week)
+class(data$inc)
+class(data$inc)='character'
+class(data$inc)
+data<-read.csv("/Users/jeromeriera/Library/Mobile Documents/com~apple~CloudDocs/Thèse/MOOC RR/mooc rr/module3/inc-3-PAY.csv", skip = 1, na.strings = "-")
+class(data$inc)
+```
+
+## Mise en forme des dates au format iso 8601
+
+Nous utilisons la librairie `parsedate` pour cela et créons une fonction afin d'appliquer le code à l'ensemble des données
+```{r}
+library(parsedate)
+convert_week = function(date){
+   ws=paste(date)
+   iso=paste0(substring(ws, 1, 4),"-W", substring(ws, 5, 6))
+   as.character(parse_iso_8601(iso))  
+}
+
+```
+
+Nous créons une nouvelle colone dans notre dataframe avec les dates converties et nous assurons qu'elles soint bine au format `Date`
+```{r}
+data$date = as.Date(sapply(data$week, convert_week))
+```
+
+```{r}
+class(data$date)
+```
+
+Nous ordonnons les données dans l'ordre chronologique, vérifions que les semaines font bien 7 jours, et  vérifions à l'aide du code.
+```{r}
+data=data[order(data$date),]
+```
+
+```{r}
+head(data)
+
+```
+```{r}
+all(diff(data$date)==7)
+```
+
+## Visualisation des données
+
+```{r}
+with(data, plot(date, inc, type='l'))
+```
+Nous faisons un zoom afin de préciser ce qui est observable sur la premier graphique (pic d'incidence régulier à la période hivernale)
+```{r}
+with(tail(data,200), plot(date, inc, type='l'))
+```
+## Réponses aux questions
+
+### Quelles sont les années où l'incidence est la plus élevée ?
+
+Nos données sont basées sur des semaines nous devons donc effectué une sommation pour observer les annés. Les pics étant à l'hiver, et afin de ne pas avoir d'erreur du fait de la variations du nombre de jour par an, nous définnissons les années comme allant du 1 aout au premier aout suivant et créons une fonction pour appliquer cela à l'ensemble des données.
+```{r}
+pic_annuel = function(annee){
+    debut = paste0(annee-1,"-08-01")
+    fin = paste0(annee,"-08-01")
+    semaines = data$date > debut & data$date <= fin
+    sum(data$inc[semaines], na.rm = TRUE)  
+}
+
+
+```
+
+N'ayant potentiellement pas les données complète de l'hiver 1984 nous ne prendrons en compte les données qu'à partir de l'année 1986
+```{r}
+annees = 1986:2024
+```
+
+Nous créons un nouveau tableau 'incidence_annuelle' avec les colonnes 'annee' et 'incidence' en appliquant la fontion `pic_annuel`crée juste avant.
+```{r}
+incidence_annuelle = data.frame(annee=annees,
+                                incidence = sapply(annees, pic_annuel))
+```
+
+```{r}
+head(incidence_annuelle)
+```
+Nous visualisons les données ainsi traitées
+```{r}
+plot(incidence_annuelle, type="p")
+```
+Le graphique nous permet de voir que trois années ressortent du lot. Nous ordonnons le tableau 'incidence-annuelle' afin de visualiser les incidences en ordre décroissant.
+```{r}
+head(incidence_annuelle[order(-incidence_annuelle$incidence),])
+```
+Le tableau nous informe que ce sont les annéees 1989, 1990 et 1986 qui ont les incidences les plus élevées.
+
+### Fréquences des épidémies
+
+la réalisation d'un histogramme va nous permettre de visualiser la fréquence des épidémies de grippe.
+
+```{r}
+hist(incidence_annuelle$incidence, breaks = 10)
+
+```
+