diff --git a/module3/exo2/exercice_python_fr.org b/module3/exo2/exercice_python_fr.org
index c7157ba42216cf2e1d291112bb351ce48811115c..e044b7856090b6ac7bed9a0a04b6fdfc90245336 100644
--- a/module3/exo2/exercice_python_fr.org
+++ b/module3/exo2/exercice_python_fr.org
@@ -1,9 +1,8 @@
-#+TITLE: Votre titre
-#+AUTHOR: Votre nom
-#+DATE: La date du jour
+#+TITLE: Incidence de la varicelle
#+LANGUAGE: fr
-# #+PROPERTY: header-args :eval never-export
+#+OPTIONS: *:nil num:1 toc:t
+# #+HTML_HEAD:
#+HTML_HEAD:
#+HTML_HEAD:
#+HTML_HEAD:
@@ -11,83 +10,221 @@
#+HTML_HEAD:
#+HTML_HEAD:
-* Quelques explications
-
-Ceci est un document org-mode avec quelques exemples de code
-python. Une fois ouvert dans emacs, ce document peut aisément être
-exporté au format HTML, PDF, et Office. Pour plus de détails sur
-org-mode vous pouvez consulter https://orgmode.org/guide/.
-
-Lorsque vous utiliserez le raccourci =C-c C-e h o=, ce document sera
-compilé en html. Tout le code contenu sera ré-exécuté, les résultats
-récupérés et inclus dans un document final. Si vous ne souhaitez pas
-ré-exécuter tout le code à chaque fois, il vous suffit de supprimer
-le # et l'espace qui sont devant le ~#+PROPERTY:~ au début de ce
-document.
-
-Comme nous vous l'avons montré dans la vidéo, on inclue du code
-python de la façon suivante (et on l'exécute en faisant ~C-c C-c~):
-
-#+begin_src python :results output :exports both
-print("Hello world!")
-#+end_src
+#+PROPERTY: header-args :session :exports both
+
+* Préparation des données
+
+Les données de l'incidence de la varicelle sont disponibles du site Web du [[http://www.sentiweb.fr/][Réseau Sentinelles]]. Nous les récupérons sous forme d'un fichier en format CSV dont chaque ligne correspond à une semaine de la période d'observation. Nous téléchargeons toujours le jeu de données complet (rien d'autre n'est proposé), qui commence en 1984 et se termine avec une semaine récente. L'URL est:
+#+NAME: data-url
+http://www.sentiweb.fr/datasets/incidence-PAY-7.csv
+
+Le jeu de données devrait déjà être dans un fichier local :
+#+NAME: data-file
+data.csv
+
+Voici l'explication des colonnes donnée sur [[https://ns.sentiweb.fr/incidence/csv-schema-v1.json][le site d'origine:]]
+
+| Nom de colonne | Libellé de colonne |
+|----------------+-----------------------------------------------------------------------------------------------------------------------------------|
+| ~week~ | Semaine calendaire (ISO 8601) |
+| ~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) |
+
+L'indication d'une semaine calendaire en format [[https://en.wikipedia.org/wiki/ISO_8601][ISO-8601]] est populaire en Europe, mais peu utilisée aux Etats-Unis. Ceci explique peut-être que peu de logiciels savent gérer ce format. Le langage Python le fait depuis la version 3.6. Nous utilisons donc ce langage pour la préparation de nos données, ce qui a l'avantage de ne nécessiter aucune bibliothèque supplémentaire. (Note: nous expliquerons dans le module 4 pourquoi il est avantageux pour la réproductibilité de se limiter à un minimum de bibliothèques.)
+
+** Téléchargement
+Si le fichier de données local existe, on en extrait les données, sinon, on le créé à partir des données téléchargées depuis l'URL.
+Après avoir récupéré les données, nous commençons par l'extraction des données qui nous intéressent. D'abord nous découpons le contenu du fichier en lignes, dont nous jetons la première qui ne contient qu'un commentaire. Les autres lignes sont découpées en colonnes.
+
+Besoin de passer :results de "silent" à "output" sinon rien ne marche !
+
+#+BEGIN_SRC python :results output :var data_url=data-url data_file=data-file
+import os
+from urllib.request import urlopen
+
+data_file = data_file.strip() # We strip because emacs insert a '\n' in data-file
+if (os.path.isfile(data_file)) :
+ data = open(data_file, 'r').read()
+else :
+ data = urlopen(data_url).read().decode('latin-1')
+ backup_data = open(data_file, 'w')
+ backup_data.write(str(data))
+ backup_data.close()
+lines = data.strip().split('\n')
+data_lines = lines[1:]
+table = [line.split(',') for line in data_lines]
+#+END_SRC
#+RESULTS:
-: Hello world!
-
-Voici la même chose, mais avec une session python, donc une
-persistance d'un bloc à l'autre (et on l'exécute toujours en faisant
-~C-c C-c~).
-#+begin_src python :results output :session :exports both
-import numpy
-x=numpy.linspace(-15,15)
-print(x)
-#+end_src
-#+RESULTS:
-#+begin_example
-[-15. -14.3877551 -13.7755102 -13.16326531 -12.55102041
- -11.93877551 -11.32653061 -10.71428571 -10.10204082 -9.48979592
- -8.87755102 -8.26530612 -7.65306122 -7.04081633 -6.42857143
- -5.81632653 -5.20408163 -4.59183673 -3.97959184 -3.36734694
- -2.75510204 -2.14285714 -1.53061224 -0.91836735 -0.30612245
- 0.30612245 0.91836735 1.53061224 2.14285714 2.75510204
- 3.36734694 3.97959184 4.59183673 5.20408163 5.81632653
- 6.42857143 7.04081633 7.65306122 8.26530612 8.87755102
- 9.48979592 10.10204082 10.71428571 11.32653061 11.93877551
- 12.55102041 13.16326531 13.7755102 14.3877551 15. ]
-#+end_example
-
-Et enfin, voici un exemple de sortie graphique:
-#+begin_src python :results output file :session :var matplot_lib_filename="./cosxsx.png" :exports results
-import matplotlib.pyplot as plt
-
-plt.figure(figsize=(10,5))
-plt.plot(x,numpy.cos(x)/x)
-plt.tight_layout()
-
-plt.savefig(matplot_lib_filename)
-print(matplot_lib_filename)
-#+end_src
+Regardons ce que nous avons obtenu:
+#+BEGIN_SRC python :results value
+table[:5]
+#+END_SRC
#+RESULTS:
-[[file:./cosxsx.png]]
-
-Vous remarquerez le paramètre ~:exports results~ 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 changer ce paramètre
-(indiquer ~both~) car l'objectif est que vos analyses de données soient
-parfaitement transparentes pour être reproductibles.
-
-Attention, la figure ainsi générée n'est pas stockée dans le document
-org. C'est un fichier ordinaire, ici nommé ~cosxsx.png~. N'oubliez pas
-de le committer si vous voulez que votre analyse soit lisible et
-compréhensible sur GitLab.
-
-Enfin, n'oubliez pas que nous vous fournissons dans les ressources de
-ce MOOC une configuration avec un certain nombre de raccourcis
-claviers permettant de créer rapidement les blocs de code python (en
-faisant ~ R
+Nous passons au langage R pour inspecter nos données, parce que l'analyse et la préparation de graphiques sont plus concises en R, sans nécessiter aucune bibliothèque supplémentaire.
+
+Nous utilisons le mécanisme d'échange de données proposé par org-mode, ce qui nécessite un peu de code Python pour transformer les données dans le bon format.
+#+NAME: data-for-R
+#+BEGIN_SRC python :results silent
+[('date', 'inc'), None] + [(str(date), inc) for date, inc in converted_data]
+#+END_SRC
+
+En R, les données arrivent sous forme d'un data frame, mais il faut encore convertir les dates, qui arrivent comme chaînes de caractères.
+#+BEGIN_SRC R :results output :var data=data-for-R
+data$date <- as.Date(data$date)
+summary(data)
+#+END_SRC
+
+** Inspection
+Regardons enfin à quoi ressemblent nos données !
+#+BEGIN_SRC R :results output graphics :file inc-plot.png
+plot(data, type="l", xlab="Date", ylab="Incidence hebdomadaire")
+#+END_SRC
+
+Un zoom sur les dernières années montre mieux la situation des pics en hiver. Le creux des incidences se trouve en été.
+#+BEGIN_SRC R :results output graphics :file inc-plot-zoom.png
+plot(tail(data, 200), type="l", xlab="Date", ylab="Incidence hebdomadaire")
+#+END_SRC
+
+* Étude de l'incidence annuelle
+
+** Calcul de l'incidence annuelle
+Comment définir une année autour du "pic" de la varicelle ? Gardons le
+1er Août par défaut.
+
+Voici une fonction qui calcule l'incidence annuelle en appliquant ces conventions.
+#+BEGIN_SRC R :results silent
+pic_annuel = function(annee) {
+ debut = paste0(annee-1,"-09-01")
+ fin = paste0(annee,"-09-01")
+ semaines = data$date > debut & data$date <= fin
+ sum(data$inc[semaines], na.rm=TRUE)
+}
+#+END_SRC
+
+Nous devons aussi faire attention aux premières et dernières années de
+notre jeux de données. Les données commencent en décembre 1990, ce qui
+ne permet pas de quantifier complètement le pic attribué à
+l'année 1990. Nous le supprimons donc de notre analyse.
+#+BEGIN_SRC R :results silent
+annees <- 1991:2021
+#+END_SRC
+
+#+BEGIN_SRC R :results value
+inc_annuelle = data.frame(annee = annees,
+ incidence = sapply(annees, pic_annuel))
+head(inc_annuelle)
+#+END_SRC
+
+** Inspection
+Voici les incidences annuelles en graphique.
+#+BEGIN_SRC R :results output graphics :file annual-inc-plot.png
+plot(inc_annuelle, type="p", xlab="Année", ylab="Incidence annuelle")
+#+END_SRC
+
+** Identification des épidémies les plus fortes
+Une liste triée par ordre décroissant d'incidence annuelle permet de plus facilement repérer les valeurs les plus élevées:
+#+BEGIN_SRC R :results output
+head(inc_annuelle[order(-inc_annuelle$incidence),])
+#+END_SRC
+
+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.
+#+BEGIN_SRC R :results output graphics :file annual-inc-hist.png
+hist(inc_annuelle$incidence, breaks=10, xlab="Incidence annuelle", ylab="Nb d'observations", main="")
+#+END_SRC
+
+** Identification des épidémies les plus faibles
+Une liste triée par ordre croissant d'incidence annuelle permet de plus facilement repérer les valeurs les plus élevées:
+#+BEGIN_SRC R :results output
+head(inc_annuelle[order(inc_annuelle$incidence),])
+#+END_SRC
+
+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.
+#+BEGIN_SRC R :results output graphics :file annual-inc-hist.png
+hist(inc_annuelle$incidence, breaks=10, xlab="Incidence annuelle", ylab="Nb d'observations", main="")
+#+END_SRC