Update exercice_fr.Rmd

module3/exo3/exercice_fr.Rmd

 ---
-title: "Votre titre"
-author: "Votre nom"
-date: "La date du jour"
-output: html_document
+title: "Autour du SARS-CoV-2 (Covid-19)"
+author: "Franck BERNARD"
+output: pdf_document
+date: "2024-02-09"
 ---
 
-
 ```{r setup, include=FALSE}
-knitr::opts_chunk$set(echo = TRUE)
+knitr::opts_chunk$set(echo = FALSE)
+knitr::opts_chunk$set(fig.height=6, fig.width=14)
 ```
 
-## Quelques explications
+```{r echo=FALSE, warning=FALSE, message=FALSE}
+# LIBRAIRIES ----
+library(janitor)
+library(tidyverse)
+library(ggrepel)
+library(ggtext)
+library(rcartocolor)
+
+rm(list=ls())
+```
 
-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>.
+## Origine des datas
 
-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:
+Les données que nous utiliserons dans un premier temps sont compilées par le Johns Hopkins University Center for Systems Science and Engineering (JHU CSSE) et sont mises à disposition sur GitHub. C'est plus particulièrement sur les données time_series_covid19_confirmed_global.csv (des suites chronologiques au format csv) disponibles à l'adresse : https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_confirmed_global.csv, que nous allons nous concentrer.
 
-```{r cars}
-summary(cars)
+```{r echo=FALSE}
+url  <- "https://raw.githubusercontent.com/CSSEGISandData/COVID-19/master/csse_covid_19_data/csse_covid_19_time_series/time_series_covid19_confirmed_global.csv"
+data <- read.csv(url)
 ```
 
-Et on peut aussi aisément inclure des figures. Par exemple:
+On vérifie si il y a des NA
 
-```{r pressure, echo=FALSE}
-plot(pressure)
+```{r echo=FALSE}
+#Vérification des NA
+data %>%
+  mutate(nb = rowSums(is.na(.))) %>%
+  select(Province.State, Country.Region,nb) %>% 
+  filter(nb>0)
 ```
 
-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. 
+Deux valeurs NA sont présentes sur 2 lignes : "Canada / Repatried Travellers" et "China / Unknown". Cela ne devrait pas impacter nos analyses à venir.
+
+# Sélection des données
+
+Nous choisissons de travailler sur les données des pays suivants : la Belgique (Belgium), la Chine - toutes les provinces sauf Hong-Kong (China), Hong Kong (China, Hong-Kong), la France métropolitaine (France), l’Allemagne (Germany), l’Iran (Iran), l’Italie (Italy), le Japon (Japan), la Corée du Sud (Korea, South), la Hollande sans les colonies (Netherlands), le Portugal (Portugal), l’Espagne (Spain), le Royaume-Uni sans les colonies (United Kingdom), les États-Unis (US).
+
+```{r echo=FALSE}
+selectPaysProvince <- function(pays,province){
+    data %>%
+    filter(Country.Region==pays,Province.State==province) %>%
+    select(-Province.State, -Lat, -Long)}
+
+#France
+data_fr <- selectPaysProvince("France","")
+
+#Pays-Bas
+data_nl <- selectPaysProvince("Netherlands","")
+
+#Chine hors HK
+data_ch <- data %>%
+  filter(Country.Region=="China",Province.State!="Hong Kong") %>%
+  select(-Province.State, -Lat, -Long)%>%
+  adorn_totals("row", name="China (Hors HK)") %>% 
+  filter(Country.Region=="China (Hors HK)")
+
+#Hong Kong
+data_hk <- selectPaysProvince("China","Hong Kong")
+  
+data_hk <-data_hk %>%  
+            adorn_totals("row", name="China (Hong Kong)") %>% 
+            filter(Country.Region=="China (Hong Kong)")
 
-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.
+#Autres pays
+data_cum <- data %>% 
+  filter(Country.Region %in% c("Belgium","Germany","Iran","Italy","Japan","Korea.South","Portugal","Spain","United-Kingdom","US")) %>%
+  select(-Province.State, -Lat, -Long)
+
+data_fin <- rbind(data_fr, data_nl, data_ch, data_hk, data_cum)
+
+data_fin <- data_fin %>%
+              pivot_longer(cols =! Country.Region, names_to = "date", values_to = "count") %>%
+              mutate(date=substr(date,2,nchar(date))) %>%
+              mutate(date=mdy(date))
+```
+
+Graphe 1 : Cumul (échelle linéaire)
+
+```{r echo=FALSE}
+ggplot(data_fin, aes(x=date, y=count, group=Country.Region, colour=Country.Region))+
+geom_line()+
+scale_color_manual(values = c(carto_pal(n = 12, name = "Bold")))+
+geom_text_repel(data = subset(data_fin,date == max(date)),max.overlaps = Inf,
+                aes(color=Country.Region, label=Country.Region),
+                direction="y",hjust = 0, segment.size = .7,
+                segment.alpha = .5,segment.linetype = "dotted",
+                box.padding = .4, segment.curvature = -0.1,
+                segment.ncp = 3,segment.angle = 20)+
+guides(color="none")+
+theme_classic()
+```
+
+Graphe 2 : Cumul (échelle logarithmique)
+
+```{r echo=FALSE, warning=FALSE}
+ggplot(data_fin, aes(x=date, y=count, group=Country.Region, colour=Country.Region))+
+  geom_line()+
+  scale_color_manual(values = c(carto_pal(n = 12, name = "Bold")))+
+  geom_text_repel(data = subset(data_fin,date == max(date)),max.overlaps = Inf,
+                  aes(color=Country.Region, label=Country.Region),
+                  direction="y",hjust = 0, segment.size = .7,
+                  segment.alpha = .5,segment.linetype = "dotted",
+                  box.padding = .4, segment.curvature = -0.1,
+                  segment.ncp = 3,segment.angle = 20)+
+  guides(color="none")+
+  scale_y_continuous(trans = "log")+
+  theme_classic()
+```
 
-Maintenant, à vous de jouer! Vous pouvez effacer toutes ces informations et les remplacer par votre document computationnel.