---
title: "Analyse de l'incidence de la varicelle"
author: "Thibault Leboucher"
date: "13 mai 2020"
output: html_document
---

```{r setup, include = FALSE}
knitr::opts_chunk$set(echo = TRUE)
library(parsedate)
library(tidyverse)
library(lubridate)
```

# Préparation des données

Les données de l'incidence de la varicelle 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 1990 et se termine avec une semaine récente. L'URL est :

```{r}
data_url <- "http://www.sentiweb.fr/datasets/incidence-PAY-7.csv"
```

Au cas où le site du réseau Sentinelles serait amené à changer, nous préférons télécharger les données.

```{r}
data_file <- "varicelle.csv"
if (!file.exists(data_file)){
    download.file(data_url, data_file, method = "auto")}
```

# Chargement des données

On ne charge pas la première ligne qui ne contient que des métadonnées.

```{r}
data <- read.csv(data_file, skip = 1)
head(data)
```

## Avant de continuer, faisons quelques vérifications

```{r}
str(data)
```

L'incidence et les dates sont au format *integer*. Nous allons devoir convertir les dates.

```{r}
which(is.na(data))
```

Il ne semble pas y avoir de données manquantes.

```{r}
summary(data %>% select(week,inc))
```

La chronique commence fin 1990 et termine début 2020.

## Conversion des dates

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}
convert_week <- function(date_iso_8601) {
	iso = paste0(substring(date_iso_8601, 1, 4), "-W", substring(date_iso_8601, 5, 6))
	return(parse_iso_8601(iso))
}
```

On ajoute maintenant une colonne *date* aux données et on vérifie que tout c'est bien passé :

```{r}
data <- data %>% 
  mutate(date = as.Date(convert_week(week)))

str(data)

summary(data %>% select(date))

head(data)
```

Dernière vérification, nos dates doivent être séparées d'exactement sept jours (-7 dans le sens anti-chronologique) :

```{r}
all(diff(data$date) == -7)
```

Tout semble en ordre et on va maintenant pouvoir passer aux analyses.

```{r, include = FALSE}
data <- data %>% 
  select(date, week, inc)
```

## Inspection visuelle

Une petite inspection visuelle, avec un focus sur les années 2010-2015 :

```{r}
ggplot(data = data %>% filter(year(date)>=2010 & year(date)<=2015), aes(x = date, y = inc)) +
  geom_line(aes(x = date, y = inc), color = "blue") +
  theme_bw()
```

Le pic semble s'étendre sur le début d'année. Vérifions les dates des valeurs minimales :

```{r}
quant_005 <- data %>%
  filter(year(date)>=2010 & year(date)<=2015)

quant_005 <- quantile(x = quant_005$inc,0.05)

data %>% 
  filter(inc <= quant_005) %>%
  filter(year(date)>=2010 & year(date)<=2015)
```

Et maximales :

```{r}
quant_095 <- data %>%
  filter(year(date)>=2010 & year(date)<=2015)

quant_095 <- quantile(x = quant_095$inc,0.95)

data %>% 
  filter(inc >= quant_095) %>%
  filter(year(date)>=2010 & year(date)<=2015)
```

# L'incidence annuelle

## Calcul

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. 

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 1991 Nous l'enlevons donc de notre analyse. De la même façon, les données se terminent avant le 1er août 2020, ce qui ne nous permet pas d'inclure cette année.

```{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])
}

annees <- 1991:2019

inc_annuelle <- data.frame(annee = annees,
                          incidence = sapply(annees, pic_annuel))

head(inc_annuelle)
```

## Inspection visuelle

```{r}
ggplot(data = inc_annuelle, aes(x = annee, y = incidence)) +
  geom_point(color = "blue") +
  geom_line(aes(x = annee, y = incidence), color = "blue") +
  theme_bw()
```

L'année où l'incidence est la plus faible est `r inc_annuelle$annee[which(inc_annuelle$incidence==min(inc_annuelle$incidence))]` et celle où elle est la plus forte `r inc_annuelle$annee[which(inc_annuelle$incidence==max(inc_annuelle$incidence))]`. **La correction de l'exercice semble avoir gardé une année civile pour les réponses.**