Exercice 1 du module 3: syndromes grippaux. Réécriture des scripts R en Python

module3/exo1/analyse-syndrome-grippal.org

@@ -10,7 +10,7 @@
 #+HTML_HEAD: <script type="text/javascript" src="http://www.pirilampo.org/styles/lib/js/jquery.stickytableheaders.js"></script>
 #+HTML_HEAD: <script type="text/javascript" src="http://www.pirilampo.org/styles/readtheorg/js/readtheorg.js"></script>
 
-#+PROPERTY: header-args  :session  :exports both
+#+PROPERTY: header-args  :session :exports both
 
 * Préface
 
@@ -27,11 +27,18 @@ 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.
 
@@ -40,6 +47,8 @@ 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:
@@ -80,6 +89,13 @@ 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 |
+| 202011 |         3 | 101704 |  93652 | 109756 |    154 |       142 |      166 | FR       | France  |
+| 202010 |         3 | 104977 |  96650 | 113304 |    159 |       146 |      172 | FR       | France  |
+| 202009 |         3 | 110696 | 102066 | 119326 |    168 |       155 |      181 | FR       | France  |
+| 202008 |         3 | 143753 | 133984 | 153522 |    218 |       203 |      233 | 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 +110,11 @@ 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 +132,21 @@ 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 |
+|--------+--------|
+| 202011 | 101704 |
+| 202010 | 104977 |
+| 202009 | 110696 |
+| 202008 | 143753 |
+| 202007 | 183610 |
+|--------+--------|
+| 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 +157,11 @@ for week, inc in data:
         print("Valeur suspecte dans la colonne 'inc': ", (week, inc))
 #+END_SRC
 
+#+RESULTS:
+: 
+: 
+: 
+
 Pas de problème !
 
 ** Conversions
@@ -140,6 +181,21 @@ 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 |
+|------------+--------|
+| 2020-02-10 | 183610 |
+| 2020-02-17 | 143753 |
+| 2020-02-24 | 110696 |
+| 2020-03-02 | 104977 |
+| 2020-03-09 | 101704 |
+
 ** 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
@@ -149,32 +205,62 @@ 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.
 
 Nous utilisons le mécanisme d'échange de données proposé par org-mode, ce qui 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
+ #+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
+ #+BEGIN_SRC R :results output :var data=data-for-R
+ # data$date <- as.Date(data$date)
+ # summary(data)
+ #+END_SRC
 
 ** Inspection
 Regardons enfin à quoi ressemblent nos données !
-#+BEGIN_SRC R :results output graphics :file inc-plot.png
-plot(data, type="l", xlab="Date", ylab="Incidence hebdomadaire")
+ #+BEGIN_SRC R :results output graphics :file inc-plot.png
+ # plot(data, type="l", xlab="Date", ylab="Incidence hebdomadaire")
+ #+END_SRC
+
+#+BEGIN_SRC python :results file :var nom="inc-plot.png"
+import matplotlib.pyplot as plt
+
+inc = [d[1] for d in converted_data]
+plt.clf()
+plt.plot(inc, '.')
+plt.savefig(nom)
+
+nom
 #+END_SRC
 
+#+RESULTS:
+[[file:]]
+
 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
-plot(tail(data, 200), type="l", xlab="Date", ylab="Incidence hebdomadaire")
+ #+BEGIN_SRC R :results output graphics :file inc-plot-zoom.png
+ # plot(tail(data, 200), type="l", xlab="Date", ylab="Incidence hebdomadaire")
+ #+END_SRC
+
+#+BEGIN_SRC python :results file :var nom="inc-plot-zoom.png"
+plt.clf()
+plt.plot(inc[-200:], '.')
+plt.savefig(nom)
+
+nom
 #+END_SRC
 
+#+RESULTS:
+[[file:]]
+
 * Étude de l'incidence annuelle
 
 ** Calcul de l'incidence annuelle
@@ -190,30 +276,96 @@ pic_annuel = function(annee) {
       }
 #+END_SRC
 
+#+BEGIN_SRC python :results silent
+def pic_annuel(année):
+    début = datetime.date(année-1, 8, 1)
+    fin = datetime.date(année, 8, 1)
+    semaines = filter(lambda x: début < x[0] <= fin, converted_data)
+    
+    return sum([d[1] for d in semaines])
+#+END_SRC
+
 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
 #+END_SRC
 
+#+BEGIN_SRC python :results silent
+années = range(1986, 2019)
+#+END_SRC
+
 #+BEGIN_SRC R :results value
 inc_annuelle = data.frame(annee = annees,
                           incidence = sapply(annees, pic_annuel))
 head(inc_annuelle)
 #+END_SRC
 
+#+BEGIN_SRC python :result value
+import pandas as pd
+
+pics_annuels = [pic_annuel(a) for a in années]
+inc_annuelle = pd.DataFrame({'années': années, 'incidence': pics_annuels})
+
+inc_annuelle.head()
+#+END_SRC
+
+#+RESULTS:
+:    années  incidence
+: 0    1986    5100540
+: 1    1987    2861556
+: 2    1988    2766142
+: 3    1989    5460155
+: 4    1990    5233987
+
 ** Inspection
 Voici les incidences annuelles en graphique.
 #+BEGIN_SRC R :results output graphics :file annual-inc-plot.png
 plot(inc_annuelle, type="p", xlab="Année", ylab="Incidence annuelle")
 #+END_SRC
 
+#+BEGIN_SRC python :results file :var nom="annual-inc-plot.png"
+plt.clf()
+plt.plot(inc_annuelle.années, inc_annuelle.incidence, '.')
+plt.savefig(nom)
+
+nom
+#+END_SRC
+
+#+RESULTS:
+[[file:]]
+
 ** 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
 
+#+BEGIN_SRC python :results output
+inc_annuelle.sort_values(by='années', ascending=False).head()
+#+END_SRC
+
+#+RESULTS:
+: années  incidence
+: 32    2018    2704117
+: 31    2017    2321148
+: 30    2016    2857239
+: 29    2015    3653594
+: 28    2014    1602814
+: 
+: 
+
 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
 hist(inc_annuelle$incidence, breaks=10, xlab="Incidence annuelle", ylab="Nb d'observations", main="")
 #+END_SRC
+
+#+BEGIN_SRC python :results file :var nom="annual-inc-hist.png"
+plt.clf()
+plt.hist(inc_annuelle.incidence, bins=10)
+plt.savefig(nom)
+
+nom
+#+END_SRC
+
+#+RESULTS:
+[[file:]]