Les données de l’incidence de la varicelle sont disponibles du site Web du Réseau Sentinelles. 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 1991 et se termine avec une semaine récente. L’URL est:
data_url="https://www.sentiweb.fr/datasets/incidence-PAY-7.csv"
Voici l’explication des colonnes donnée sur le sur 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) |
La première ligne du fichier CSV est un commentaire, que nous ignorons en précisant skip=1
.
data_file = "incidence-PAY-7.csv"
if (!file.exists(data_file)) {
download.file(data_url, data_file, method="auto")
}
data = read.csv(data_file, skip=1)
head(data)
## week indicator inc inc_low inc_up inc100 inc100_low inc100_up
## 1 202016 7 803 83 1523 1 0 2
## 2 202015 7 1918 675 3161 3 1 5
## 3 202014 7 3879 2227 5531 6 3 9
## 4 202013 7 7326 5236 9416 11 8 14
## 5 202012 7 8123 5790 10456 12 8 16
## 6 202011 7 10198 7568 12828 15 11 19
## geo_insee geo_name
## 1 FR France
## 2 FR France
## 3 FR France
## 4 FR France
## 5 FR France
## 6 FR France
Regardons ce que nous avons obtenu:
head(data)
## week indicator inc inc_low inc_up inc100 inc100_low inc100_up
## 1 202016 7 803 83 1523 1 0 2
## 2 202015 7 1918 675 3161 3 1 5
## 3 202014 7 3879 2227 5531 6 3 9
## 4 202013 7 7326 5236 9416 11 8 14
## 5 202012 7 8123 5790 10456 12 8 16
## 6 202011 7 10198 7568 12828 15 11 19
## geo_insee geo_name
## 1 FR France
## 2 FR France
## 3 FR France
## 4 FR France
## 5 FR France
## 6 FR France
tail(data)
## week indicator inc inc_low inc_up inc100 inc100_low inc100_up
## 1528 199102 7 16277 11046 21508 29 20 38
## 1529 199101 7 15565 10271 20859 27 18 36
## 1530 199052 7 19375 13295 25455 34 23 45
## 1531 199051 7 19080 13807 24353 34 25 43
## 1532 199050 7 11079 6660 15498 20 12 28
## 1533 199049 7 1143 0 2610 2 0 5
## geo_insee geo_name
## 1528 FR France
## 1529 FR France
## 1530 FR France
## 1531 FR France
## 1532 FR France
## 1533 FR France
Y a-t-il des points manquants dans nos données ?
na_records = apply(data, 1, function (x) any(is.na(x)))
data[na_records,]
## [1] week indicator inc inc_low inc_up inc100
## [7] inc100_low inc100_up geo_insee geo_name
## <0 rows> (or 0-length row.names)
Ce jeu de données ne contient aucune donnée manquante.
Les deux colonnes qui nous intéressent sont week
et inc
. Vérifions leurs classes:
class(data$week)
## [1] "integer"
class(data$inc)
## [1] "integer"
Ce sont bien des entiers.
La gestion des dates est toujours un sujet délicat. Il y a un grand nombre de conventions différentes qu’il ne faut pas confondre. Notre jeux de données utilise un format que peu de logiciels savent traiter: les semaines en format ISO-8601. En R
, il est géré par la bibliothèque parsedate:
library(parsedate)
## Warning: package 'parsedate' was built under R version 3.4.4
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:
convert_week = function(w) {
ws = paste(w)
iso = paste0(substring(ws, 1, 4), "-W", substring(ws, 5, 6))
as.character(parse_iso_8601(iso))
}
Nous appliquons cette fonction à tous les points, créant une nouvelle colonne date
dans notre jeu de données:
data$date = as.Date(convert_week(data$week))
Vérifions qu’elle est de classe Date
:
class(data$date)
## [1] "Date"
Les points sont dans l’ordre chronologique inverse, il est donc nécessaire de les trier:
data = data[order(data$date),]
C’est l’occasion pour faire une vérification: nos dates doivent être séparées d’exactement sept jours:
all(diff(data$date) == 7)
## [1] TRUE
plot(data$date, data$inc, type="l", col="blue", xlab="Date", ylab="Incidence hebdomadaire")
Un zoom sur les dernières années montre mieux la localisation des pics.
with(tail(data, 200), plot(date, inc, type="l", xlab="Date", ylab="Incidence hebdomadaire"))
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 sptembre de l’année \(N\) au 1er spetembre 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 la varicelle est faible en été, cette modification ne risque pas de fausser nos conclusions.
pic_annuel = function(annee) {
debut = paste0(annee-1,"-09-01")
fin = paste0(annee,"-09-01")
semaines = data$date > debut & data$date <= fin
sum(data$inc[semaines])
}
Nous devons aussi faire attention aux premières et dernières années de notre jeux de données. Les données commencent en décembre 1990 (après le 1er septembre), ce qui ne permet pas de quantifier complètement le pic attribué à 1991. Pour une exécution en avril 2020, les données se terminent avant le 1er septembre 2020, ce qui ne nous permet pas d’inclure cette année. Nous enlevons donc les années 1991 et 2020 de notre analyse.
annees = 1992:2019
Nous créons un nouveau jeu de données pour l’incidence annuelle, en appliquant la fonction pic_annuel
à chaque année:
inc_annuelle = data.frame(annee = annees,
incidence = sapply(annees, pic_annuel))
head(inc_annuelle)
## annee incidence
## 1 1992 834935
## 2 1993 642921
## 3 1994 662750
## 4 1995 651333
## 5 1996 564994
## 6 1997 683577
Voici les incidences annuelles en graphique:
plot(inc_annuelle, type="p", xlab="Année", ylab="Incidence annuelle")
Une liste triée par ordre décroissant d’incidence annuelle permet de plus facilement repérer les valeurs les plus élevées:
head(inc_annuelle[order(-inc_annuelle$incidence),])
## annee incidence
## 18 2009 841233
## 1 1992 834935
## 19 2010 834077
## 25 2016 779816
## 13 2004 778914
## 12 2003 760765
L’année avec l’épidémie de varicelle la plus forte est 2009.
Une liste triée par ordre croissant d’incidence annuelle permet de plus facilement repérer les valeurs les plus faibles:
head(inc_annuelle[order(+inc_annuelle$incidence),])
## annee incidence
## 11 2002 515343
## 27 2018 539765
## 26 2017 552906
## 5 1996 564994
## 28 2019 584116
## 24 2015 605469
L’année avec l’épidémie de varicelle la moins forte est 2002.