From 6cecc8e0c20a026468e98c2043df0d17bd7a1c5f Mon Sep 17 00:00:00 2001 From: Louis Lacoste Date: Mon, 21 Nov 2022 21:51:28 +0100 Subject: [PATCH] =?UTF-8?q?Module=203=20Exo=201,=20actualisation=20du=20fi?= =?UTF-8?q?chier=20avec=20les=20donn=C3=A9es=20de=20jusqu'=C3=A0=202022?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit --- module3/exo1/analyse-syndrome-grippal.org | 116 ++++++++++++++++++++-- 1 file changed, 109 insertions(+), 7 deletions(-) diff --git a/module3/exo1/analyse-syndrome-grippal.org b/module3/exo1/analyse-syndrome-grippal.org index 1720b70..071fbe4 100644 --- a/module3/exo1/analyse-syndrome-grippal.org +++ b/module3/exo1/analyse-syndrome-grippal.org @@ -27,11 +27,15 @@ if sys.version_info.major < 3 or sys.version_info.minor < 6: print("Veuillez utiliser Python 3.6 (ou plus) !") #+END_SRC +#+RESULTS: + #+BEGIN_SRC emacs-lisp :results output (unless (featurep 'ob-python) (print "Veuillez activer python dans org-babel (org-babel-do-languages) !")) #+END_SRC +#+RESULTS: + ** R 3.4 Nous n'utilisons que des fonctionnalités de base du langage R, une version antérieure devrait suffire. @@ -40,11 +44,13 @@ Nous n'utilisons que des fonctionnalités de base du langage R, une version ant (print "Veuillez activer R dans org-babel (org-babel-do-languages) !")) #+END_SRC +#+RESULTS: + * Préparation des données Les données de l'incidence du syndrome grippal sont disponibles du site Web du [[http://www.sentiweb.fr/][Réseau Sentinelles]]. Nous les récupérons sous forme d'un fichier en format CSV dont chaque ligne correspond à une semaine de la période d'observation. Nous téléchargeons toujours le jeu de données complet (rien d'autre n'est proposé), qui commence en 1984 et se termine avec une semaine récente. L'URL est: #+NAME: data-url -http://www.sentiweb.fr/datasets/incidence-PAY-3.csv +https://www.sentiweb.fr/datasets/incidence-PAY-3.csv Voici l'explication des colonnes donnée sur [[https://ns.sentiweb.fr/incidence/csv-schema-v1.json][le site d'origine:]] @@ -80,6 +86,13 @@ Regardons ce que nous avons obtenu: table[:5] #+END_SRC +#+RESULTS: +| week | indicator | inc | inc_low | inc_up | inc100 | inc100_low | inc100_up | geo_insee | geo_name | +| 202245 | 3 | 46092 | 39549 | 52635 | 70 | 60 | 80 | FR | France | +| 202244 | 3 | 34713 | 28880 | 40546 | 52 | 43 | 61 | FR | France | +| 202243 | 3 | 44769 | 36884 | 52654 | 68 | 56 | 80 | FR | France | +| 202242 | 3 | 47462 | 40773 | 54151 | 72 | 62 | 82 | FR | France | + ** Recherche de données manquantes Il y a malheureusement beaucoup de façon d'indiquer l'absence d'un point de données. Nous testons ici seulement pour la présence de champs vides. Il faudrait aussi rechercher des valeurs non-numériques dans les colonnes à priori numériques. Nous ne le faisons pas ici, mais une vérification ultérieure capterait des telles anomalies. @@ -94,6 +107,9 @@ for row in table: valid_table.append(row) #+END_SRC +#+RESULTS: +: ['198919', '3', '0', '', '', '0', '', '', 'FR', 'France'] + ** Extraction des colonnes utilisées Il y a deux colonnes qui nous intéressent: la première (~"week"~) et la troisième (~"inc"~). Nous vérifions leurs noms dans l'en-tête, que nous effaçons par la suite. Enfin, nous créons un tableau avec les deux colonnes pour le traitement suivant. #+BEGIN_SRC python :results silent @@ -111,6 +127,21 @@ Regardons les premières et les dernières lignes. Nous insérons ~None~ pour in [('week', 'inc'), None] + data[:5] + [None] + data[-5:] #+END_SRC +#+RESULTS: +| week | inc | +|--------+--------| +| 202245 | 46092 | +| 202244 | 34713 | +| 202243 | 44769 | +| 202242 | 47462 | +| 202241 | 48583 | +|--------+--------| +| 198448 | 78620 | +| 198447 | 72029 | +| 198446 | 87330 | +| 198445 | 135223 | +| 198444 | 68422 | + ** Vérification Il est toujours prudent de vérifier si les données semblent crédibles. Nous savons que les semaines sont données par six chiffres (quatre pour l'année et deux pour la semaine), et que les incidences sont des nombres entiers positifs. #+BEGIN_SRC python :results output @@ -121,6 +152,8 @@ for week, inc in data: print("Valeur suspecte dans la colonne 'inc': ", (week, inc)) #+END_SRC +#+RESULTS: + Pas de problème ! ** Conversions @@ -140,6 +173,21 @@ str_data = [(str(date), str(inc)) for date, inc in converted_data] [('date', 'inc'), None] + str_data[:5] + [None] + str_data[-5:] #+END_SRC +#+RESULTS: +| date | inc | +|------------+--------| +| 1984-10-29 | 68422 | +| 1984-11-05 | 135223 | +| 1984-11-12 | 87330 | +| 1984-11-19 | 72029 | +| 1984-11-26 | 78620 | +|------------+--------| +| 2022-10-10 | 48583 | +| 2022-10-17 | 47462 | +| 2022-10-24 | 44769 | +| 2022-10-31 | 34713 | +| 2022-11-07 | 46092 | + ** Vérification des dates Nous faisons encore une vérification: nos dates doivent être séparées d'exactement une semaine, sauf autour du point manquant. #+BEGIN_SRC python :results output @@ -149,6 +197,9 @@ for date1, date2 in zip(dates[:-1], dates[1:]): print(f"Il y a {date2-date1} entre {date1} et {date2}") #+END_SRC +#+RESULTS: +: Il y a 14 days, 0:00:00 entre 1989-05-01 et 1989-05-15 + ** 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. @@ -158,23 +209,38 @@ Nous utilisons le mécanisme d'échange de données proposé par org-mode, ce qu [('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. :1984-10-29 Min. : 0 +: 1st Qu.:1994-05-07 1st Qu.: 5171 +: Median :2003-11-06 Median : 16100 +: Mean :2003-11-05 Mean : 59562 +: 3rd Qu.:2013-05-07 3rd Qu.: 47769 +: Max. :2022-11-07 Max. :1001824 + ** 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 @@ -192,7 +258,8 @@ pic_annuel = function(annee) { Nous devons aussi faire attention aux premières et dernières années de notre jeux de données. Les données commencent en octobre 1984, ce qui ne permet pas de quantifier complètement le pic attribué à l'année 1985. Nous le supprimons donc de notre analyse. Pour la même raison, nous arrêtons en 2018. Nous devons attendre les données pour juillet 2019 avant d'augmenter la dernière année à 2019. #+BEGIN_SRC R :results silent -annees <- 1986:2018 +annees <- 1986:2021 # Au préalable, arrêt en 2018 pour 2019, + # donc arrêt en 2021 pour 2022 #+END_SRC #+BEGIN_SRC R :results value @@ -201,19 +268,54 @@ inc_annuelle = data.frame(annee = annees, head(inc_annuelle) #+END_SRC +#+RESULTS: +| 1986 | 5100540 | +| 1987 | 2861556 | +| 1988 | 2766142 | +| 1989 | 5460155 | +| 1990 | 5233987 | +| 1991 | 1660832 | + +#+begin_src R :results value +tail(inc_annuelle) +#+end_src + +#+RESULTS: +| 2016 | 2857239 | +| 2017 | 2321148 | +| 2018 | 2704117 | +| 2019 | 2254675 | +| 2020 | 2011122 | +| 2021 | 748872 | + ** 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$incidence),]) #+END_SRC +#+RESULTS: +: annee incidence +: 4 1989 5460155 +: 5 1990 5233987 +: 1 1986 5100540 +: 28 2013 4182265 +: 25 2010 4085126 +: 14 1999 3897443 + Enfin, un histogramme montre bien que les épidémies fortes, qui touchent environ 10% de la population française, sont assez rares: il y en eu trois au cours des 35 dernières années. -#+BEGIN_SRC R :results output graphics :file annual-inc-hist.png +#+BEGIN_SRC R :results output graphics file :file annual-inc-hist.png hist(inc_annuelle$incidence, breaks=10, xlab="Incidence annuelle", ylab="Nb d'observations", main="") #+END_SRC + +#+RESULTS: +[[file:annual-inc-hist.png]] -- 2.18.1