Solution proposée par Paul Faye

module3/exo1/analyse-syndrome-grippal.Rmd

 ---
 title: "Analyse de l'incidence du syndrôme grippal"
-author: "Konrad Hinsen"
+author: "Paul Faye"
 output:
   pdf_document:
     toc: true
@@ -44,7 +44,9 @@ Voici l'explication des colonnes donnée sur le [sur le site d'origine](https://
 La première ligne du fichier CSV est un commentaire, que nous ignorons en précisant `skip=1`.
 ### Téléchargement
 ```{r}
-data = read.csv(data_url, skip=1)
+library(readr)
+setwd("C:/Users/Paul Faye/Desktop/MOOC-RR/module3/exo1/")
+data = read_csv("incidence_PAY_3.csv", skip = 1)
 ```
 
 Regardons ce que nous avons obtenu:
@@ -63,6 +65,7 @@ Les deux colonnes qui nous intéressent sont `week` et `inc`. Vérifions leurs c
 ```{r}
 class(data$week)
 class(data$inc)
+
 ```
 Ce sont des entiers, tout va bien !
 
@@ -77,11 +80,13 @@ library(parsedate)
 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:
 
 ```{r}
+
 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:
@@ -90,13 +95,16 @@ data$date = as.Date(convert_week(data$week))
 ```
 
 Vérifions qu'elle est de classe `Date`:
+
 ```{r}
 class(data$date)
 ```
 
 Les points sont dans l'ordre chronologique inverse, il est donc utile de les trier:
 ```{r}
+
 data = data[order(data$date),]
+
 ```
 
 C'est l'occasion pour faire une vérification: nos dates doivent être séparées d'exactement sept jours:
@@ -108,12 +116,16 @@ all(diff(data$date) == 7)
 
 Regardons enfin à quoi ressemblent nos données !
 ```{r}
+
 plot(data$date, data$inc, type="l", xlab="Date", ylab="Incidence hebdomadaire")
+
 ```
 
 Un zoom sur les dernières années montre mieux la localisation des pics en hiver. Le creux des incidences se trouve en été.
 ```{r}
+
 with(tail(data, 200), plot(date, inc, type="l", xlab="Date", ylab="Incidence hebdomadaire"))
+
 ```
 
 ## L'incidence annuelle
@@ -129,6 +141,7 @@ pic_annuel = function(annee) {
       semaines = data$date > debut & data$date <= fin
       sum(data$inc[semaines], na.rm=TRUE)
       }
+
 ```
 
 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 1985. Nous l'enlevons donc de notre analyse. Par contre, pour une exécution en octobre 2018, les données se terminent après le 1er août 2018, ce qui nous permet d'inclure cette année.
@@ -141,6 +154,7 @@ Nous créons un nouveau jeu de données pour l'incidence annuelle, en applicant
 inc_annuelle = data.frame(annee = annees,
                           incidence = sapply(annees, pic_annuel))
 head(inc_annuelle)
+
 ```
 
 ### Inspection