Préparation des données

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"

Explications de la structure du jeu de données

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.

Télécharger le fichier en local

data_file = "incidence-PAY-7.csv"
if (!file.exists(data_file)) {  
    download.file(data_url, data_file, method="auto")   
}

Lecture du fichier téléchargé

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.

Conversion des numéros de semaine

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

Inspection : analyse du jeu de données de l’incidence de la varicelle

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"))

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 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

Inspection

Voici les incidences annuelles en graphique:

plot(inc_annuelle, type="p", xlab="Année", ylab="Incidence annuelle")

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:

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.

Identification des épidémies les plus faibles

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.