From f39e8f709bf8d8da73edb03c440098eb61ef37e1 Mon Sep 17 00:00:00 2001 From: ec6c2d38b7cace4ce8fa0c82ca665c1e Date: Fri, 10 Dec 2021 15:24:32 +0000 Subject: [PATCH] Exo1 Module 3 --- module3/exo1/analyse-syndrome-grippal.org | 163 ++++++++++++++++++---- 1 file changed, 136 insertions(+), 27 deletions(-) diff --git a/module3/exo1/analyse-syndrome-grippal.org b/module3/exo1/analyse-syndrome-grippal.org index 1720b70..36610d9 100644 --- a/module3/exo1/analyse-syndrome-grippal.org +++ b/module3/exo1/analyse-syndrome-grippal.org @@ -10,7 +10,16 @@ #+HTML_HEAD: #+HTML_HEAD: -#+PROPERTY: header-args :session :exports both +#+PROPERTY: header-args :session + + +#+begin_src emacs-lisp :results silent :exports none + (org-babel-do-load-languages + 'org-babel-load-languages + '((python .t))) +(setq org-babel-python-command "python3") +#+end_src + * Préface @@ -21,25 +30,31 @@ Une version plus ancienne d'Emacs devrait suffire. Pour une version antérieure ** Python 3.6 ou plus Nous utilisons le traitement de dates en format ISO 8601, qui a été implémenté en Python seulement avec la version 3.6. -#+BEGIN_SRC python :results output +#+BEGIN_SRC python :results output :exports both import sys if sys.version_info.major < 3 or sys.version_info.minor < 6: print("Veuillez utiliser Python 3.6 (ou plus) !") #+END_SRC -#+BEGIN_SRC emacs-lisp :results output +#+RESULTS: + +#+BEGIN_SRC emacs-lisp :results output :exports both (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. -#+BEGIN_SRC emacs-lisp :results output +#+BEGIN_SRC emacs-lisp :results output :exports both (unless (featurep 'ob-R) (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: @@ -66,25 +81,43 @@ L'indication d'une semaine calendaire en format [[https://en.wikipedia.org/wiki/ ** Téléchargement Après avoir téléchargé les données, nous commençons par l'extraction des données qui nous intéressent. D'abord nous découpons le contenu du fichier en lignes, dont nous jetons la première qui ne contient qu'un commentaire. Les autres lignes sont découpées en colonnes. -#+BEGIN_SRC python :results silent :var data_url=data-url -from urllib.request import urlopen +#+BEGIN_SRC python :results silent :exports both + +import requests +import os.path +import codecs + +path='./incidence-PAY-3.csv' +if os.path.isfile(path)==False: + url = 'http://www.sentiweb.fr/datasets/incidence-PAY-3.csv' + r = requests.get(url, allow_redirects=True) + file=codecs.open(path, 'wb').write(r.content) + print ("File created") + +csv_file=codecs.open(path,'r',encoding="latin-1") +lines=csv_file.read().strip().split('\n') -data = urlopen(data_url).read() -lines = data.decode('latin-1').strip().split('\n') data_lines = lines[1:] table = [line.split(',') for line in data_lines] #+END_SRC Regardons ce que nous avons obtenu: -#+BEGIN_SRC python :results value +#+BEGIN_SRC python :results value :exports both table[:5] #+END_SRC +#+RESULTS: +| week | indicator | inc | inc_low | inc_up | inc100 | inc100_low | inc100_up | geo_insee | geo_name | +| 201911 | 3 | 31787 | 26747 | 36827 | 48 | 40 | 56 | FR | France | +| 201910 | 3 | 49871 | 43378 | 56364 | 76 | 66 | 86 | FR | France | +| 201909 | 3 | 88354 | 79564 | 97144 | 134 | 121 | 147 | FR | France | +| 201908 | 3 | 172604 | 160024 | 185184 | 262 | 243 | 281 | 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. Nous construisons un nouveau jeu de données sans les lignes qui contiennent des champs vides. Nous affichons ces lignes pour en garder une trace. -#+BEGIN_SRC python :results output +#+BEGIN_SRC python :results output :exports both valid_table = [] for row in table: missing = any([column == '' for column in row]) @@ -94,26 +127,44 @@ 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 +#+BEGIN_SRC python :results silent :exports both week = [row[0] for row in valid_table] assert week[0] == 'week' del week[0] inc = [row[2] for row in valid_table] -assert inc[0] == 'inc +assert inc[0] == 'inc' del inc[0] data = list(zip(week, inc)) #+END_SRC Regardons les premières et les dernières lignes. Nous insérons ~None~ pour indiquer à org-mode la séparation entre les trois sections du tableau: en-tête, début des données, fin des données. -#+BEGIN_SRC python :results value +#+BEGIN_SRC python :results value :exports both [('week', 'inc'), None] + data[:5] + [None] + data[-5:] #+END_SRC +#+RESULTS: +| week | inc | +|--------+--------| +| 201911 | 31787 | +| 201910 | 49871 | +| 201909 | 88354 | +| 201908 | 172604 | +| 201907 | 307338 | +|--------+--------| +| 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 +#+BEGIN_SRC python :results output :exports both for week, inc in data: if len(week) != 6 or not week.isdigit(): print("Valeur suspecte dans la colonne 'week': ", (week, inc)) @@ -121,12 +172,14 @@ for week, inc in data: print("Valeur suspecte dans la colonne 'inc': ", (week, inc)) #+END_SRC +#+RESULTS: + Pas de problème ! ** Conversions Pour faciliter les traitements suivants, nous remplaçons les numéros de semaine ISO par les dates qui correspondent aux lundis. A cette occasion, nous trions aussi les données par la date, et nous transformons les incidences en nombres entiers. -#+BEGIN_SRC python :results silent +#+BEGIN_SRC python :results silent :exports both import datetime converted_data = [(datetime.datetime.strptime(year_and_week + ":1" , '%G%V:%u').date(), int(inc)) @@ -135,53 +188,86 @@ converted_data.sort(key = lambda record: record[0]) #+END_SRC Regardons de nouveau les premières et les dernières lignes: -#+BEGIN_SRC python :results value +#+BEGIN_SRC python :results value :exports both 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 | +|------------+--------| +| 2019-02-11 | 307338 | +| 2019-02-18 | 172604 | +| 2019-02-25 | 88354 | +| 2019-03-04 | 49871 | +| 2019-03-11 | 31787 | + ** 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 +#+BEGIN_SRC python :results output :exports both dates = [date for date, _ in converted_data] for date1, date2 in zip(dates[:-1], dates[1:]): if date2-date1 != datetime.timedelta(weeks=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 +#+BEGIN_SRC python :results silent :exports both [('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 +#+BEGIN_SRC R :results output :var data=data-for-R :exports both data$date <- as.Date(data$date) summary(data) #+END_SRC +#+RESULTS: +: date inc +: Min. :1984-10-29 Min. : 0 +: 1st Qu.:1993-06-07 1st Qu.: 5137 +: Median :2002-01-07 Median : 16182 +: Mean :2002-01-06 Mean : 62939 +: 3rd Qu.:2010-08-09 3rd Qu.: 51746 +: Max. :2019-03-11 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 inc-plot.png :exports both 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 inc-plot-zoom.png :exports both 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 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 août de l'année /N/ au 1er août 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 du syndrome grippal est très faible en été, cette modification ne risque pas de fausser nos conclusions. Voici une fonction qui calcule l'incidence annuelle en appliquant ces conventions. -#+BEGIN_SRC R :results silent +#+BEGIN_SRC R :results silent :exports both pic_annuel = function(annee) { debut = paste0(annee-1,"-08-01") fin = paste0(annee,"-08-01") @@ -191,29 +277,52 @@ pic_annuel = function(annee) { #+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 +#+BEGIN_SRC R :results silent :exports both annees <- 1986:2018 #+END_SRC -#+BEGIN_SRC R :results value +#+BEGIN_SRC R :results value :exports both inc_annuelle = data.frame(annee = annees, incidence = sapply(annees, pic_annuel)) head(inc_annuelle) #+END_SRC +#+RESULTS: +| 1986 | 5100540 | +| 1987 | 2861556 | +| 1988 | 2766142 | +| 1989 | 5460155 | +| 1990 | 5233987 | +| 1991 | 1660832 | + ** 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 annual-inc-plot.png :exports both 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 +#+BEGIN_SRC R :results output :exports both head(inc_annuelle[order(-inc_annuelle$incidence),]) #+END_SRC +#+RESULTS: +: annee incidence +: 4 1989 5460155 +: 5 1990 5233987 +: 1 1986 5100540 +: 28 2013 4182265 +: 25 2010 4085126 +: 14 1999 3897443 + Enfin, un histogramme montre bien que les épidémies fortes, qui touchent environ 10% de la population française, sont assez rares: il y en eu trois au cours des 35 dernières années. -#+BEGIN_SRC R :results output graphics :file annual-inc-hist.png +#+BEGIN_SRC R :results output graphics :file annual-inc-hist.png :exports both hist(inc_annuelle$incidence, breaks=10, xlab="Incidence annuelle", ylab="Nb d'observations", main="") #+END_SRC + +#+RESULTS: +[[file:annual-inc-hist.png]] \ No newline at end of file -- 2.18.1