Pourquoi zero from `R :results output`

module3/exo1/analyse-syndrome-grippal.org

@@ -191,6 +191,8 @@ for date1, date2 in zip(dates[:-1], dates[1:]):
         print(f"Il y a {date2-date1} entre {date1} et {date2}")
 #+END_SRC
 
+#+RESULTS:
+
 ** Passage Python -> 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.
 
@@ -206,17 +208,33 @@ data$date <- as.Date(data$date)
 summary(data)
 #+END_SRC
 
+#+RESULTS:
+: 
+:       date                 inc        
+:  Min.   :2020-03-16   Min.   :  5269  
+:  1st Qu.:2020-11-03   1st Qu.: 29029  
+:  Median :2021-06-24   Median : 51720  
+:  Mean   :2021-06-24   Mean   : 66593  
+:  3rd Qu.:2022-02-12   3rd Qu.: 84462  
+:  Max.   :2022-10-03   Max.   :297819
+
 ** Inspection
 Regardons enfin à quoi ressemblent nos données !
-#+BEGIN_SRC R :results output graphics :file inc-plot.png
+#+BEGIN_SRC R :results output graphics file :file inc-plot.png
 plot(data, type="l", xlab="Date", ylab="Incidence hebdomadaire")
 #+END_SRC
 
+#+RESULTS:
+[[file:inc-plot.png]]
+
 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
+#+BEGIN_SRC R :results output graphics file :file inc-plot-zoom.png
 plot(tail(data, 200), type="l", xlab="Date", ylab="Incidence hebdomadaire")
 #+END_SRC
 
+#+RESULTS:
+[[file:inc-plot-zoom.png]]
+
 * Étude de l'incidence annuelle
 
 ** Calcul de l'incidence annuelle
@@ -243,19 +261,42 @@ inc_annuelle = data.frame(annee = annees,
 head(inc_annuelle)
 #+END_SRC
 
+#+RESULTS:
+| 1986 | 0 |
+| 1987 | 0 |
+| 1988 | 0 |
+| 1989 | 0 |
+| 1990 | 0 |
+| 1991 | 0 |
+
 ** Inspection
 Voici les incidences annuelles en graphique.
-#+BEGIN_SRC R :results output graphics :file annual-inc-plot.png
+#+BEGIN_SRC R :results output graphics file :file annual-inc-plot.png
 plot(inc_annuelle, type="p", xlab="Année", ylab="Incidence annuelle")
 #+END_SRC
 
+#+RESULTS:
+[[file:annual-inc-plot.png]]
+
 ** 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
 
+#+RESULTS:
+:   annee incidence
+: 1  1986         0
+: 2  1987         0
+: 3  1988         0
+: 4  1989         0
+: 5  1990         0
+: 6  1991         0
+
 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
+#+BEGIN_SRC R :results output graphics file :file annual-inc-hist.png
 hist(inc_annuelle$incidence, breaks=10, xlab="Incidence annuelle", ylab="Nb d'observations", main="")
 #+END_SRC
+
+#+RESULTS:
+[[file:annual-inc-hist.png]]

module3/exo1/analyse_syndrome_IRA.org

@@ -165,3 +165,143 @@ str_data = [(str(date), str(inc)) for date, inc in converted_data]
 | 2022-09-19 |  82053 |
 | 2022-09-26 | 115474 |
 | 2022-10-03 | 119616 |
+
+* Vérification des dates
+Nos dates doivent être sparées d'exactement 1 semaine, sauf autour du
+point manquant.
+
+#+BEGIN_SRC python :results output
+dates = [date for date, _ in converted_data]
+
+for date1, date2 in zip(dates[:-1], dates[1:]):
+    if date2 - date1 != datetime.timedelta(weeks=1):
+        print(f"Il y a {date2-date1} entre {date1} et {date2}")
+#+END_SRC
+
+#+RESULTS:
+
+* Passage Python -> R
+Passons au langage R pour inspecter nos données, parce que l'analyse
+et la préparation de graphiques sont le plus concises en R, sans
+nécessiter aucune bibliothèque supplémentaire.
+
+Utilisons le mécanisme d'échange de données proposé par org-mode,
+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
+
+#+RESULTS:
+: 
+:       date                 inc        
+:  Min.   :2020-03-16   Min.   :  5269  
+:  1st Qu.:2020-11-03   1st Qu.: 29029  
+:  Median :2021-06-24   Median : 51720  
+:  Mean   :2021-06-24   Mean   : 66593  
+:  3rd Qu.:2022-02-12   3rd Qu.: 84462  
+:  Max.   :2022-10-03   Max.   :297819
+
+* Inspection
+
+#+BEGIN_SRC R :results output graphics file :file ira-plot.png
+plot(data, type="l", xlab="Date", ylab="Incidence hebdomataire")
+#+END_SRC
+
+#+RESULTS:
+[[file:ira-plot.png]]
+
+Zoom sur les dernières années
+#+BEGIN_SRC R :results output graphics file :file ira-plot-zoom.png
+plot(tail(data, 200), type="l", xlab="Date", ylab="Incidence hebdomataire")
+#+END_SRC
+
+#+RESULTS:
+[[file:ira-plot-zoom.png]]
+
+* Étude de l'incidence annuelle
+1. Dans quelles années y avait-il les épidémies les plus fortes?
+2. Quelle est la fréquence d'épidémies faibles, moyennes, et fortes?
+
+** Calcul de l'incidence annuelle
+- Une année ne contient pas un nombre entier de semaines.
+- Ne pas choisir l'année civile comme période de sommation parce que
+  le pic est tout au début de l'année.==>Donc, définir un pic entre 2
+  creux, les creux se trouvent en été.==>Donc, découper notre suite
+  chronologique en années aux dates du 1er août = creux.
+
+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, "-08-01")
+    fin = paste0(annee, "-08-01")
+    semaines = data$date > debut & data$date <=fin
+    sum(data$inc[semaines], na.rm=TRUE)
+    }
+#+END_SRC
+
+- A cause des pics situé en hiver et des creux situé en été, nos
+  données commencent le 1er janvier 1985, on est déjà dans le pic de
+  1985 et on risque de le sous-estimer sérieusement.==>Donc, il vaut
+  mieux ne pas le faire, donc on commence en 1986.
+
+Pas de 1985 parce que les données commencent au 1er janvier 1985.
+#+BEGIN_SRC R :results silent
+annees <- 1986:2018
+#+END_SRC
+
+#+BEGIN_SRC R :results value
+inc_annuell = data.frame(annee = annees,
+                         incidence = sapply(annees, pic_annuel))
+head(inc_annuelle)
+#+END_SRC
+
+#+RESULTS:
+| 1986 | 0 |
+| 1987 | 0 |
+| 1988 | 0 |
+| 1989 | 0 |
+| 1990 | 0 |
+| 1991 | 0 |
+
+** Inspection
+Voici les incidences annueles en graphique.
+#+BEGIN_SRC R :results output grahics file :file annual-ira-plot.png
+plot(inc_annuelle, type="p", xlab="Année", ylab="Incidence annuelle")
+#+END_SRC
+
+#+RESULTS:
+[[file:annual-ira-plot.png]]
+
+** Identification des épidmies les plus fortes
+Une liste triée par ordre décoissant d'incidence annuelle permet de
+plus facilement repérer les valeurs les plus élevées:
+#+BEGIN_SRC R :results output
+head(inc_annuelle[order(-inc_annuelle$incidence),])
+#+END_SRC
+
+#+RESULTS:
+:   annee incidence
+: 1  1986         0
+: 2  1987         0
+: 3  1988         0
+: 4  1989         0
+: 5  1990         0
+: 6  1991         0
+
+Enfin, un histogramme
+#+BEGIN_SRC R :results output graphics file :file annual-ira-hist.png
+hist(inc_annuelle$incidence, breaks=10, xlab="Incidence annuelle", ylab="Nb d'obsevations", main="")
+#+END_SRC
+
+#+RESULTS:
+[[file:annual-ira-hist.png]]