Data url web et local pour les données de la varicelle

data_url_local = "D:/PhD/formation recherche reproductible/mooc-rr/module3/exo2/incidence-PAY-7.csv"

Lecture des données en locale

data_locale = read.csv(data_url_local, skip = 1)

Plot les

plot(data_locale$inc ~ data_locale$week,type = "l",col = "blue",xlab = "week", ylab = "incidence")

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 1990 et se termine avec une semaine récente. L’URL est:

data_url = "https://www.sentiweb.fr/datasets/incidence-PAY-7.csv"

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. ### Téléchargement

data = read.csv(data_url_local, skip=1)

Regardons ce que nous avons obtenu:

head(data)
##     week indicator   inc inc_low inc_up inc100 inc100_low inc100_up geo_insee
## 1 202106         7 14719   10462  18976     22         16        28        FR
## 2 202105         7 12379    9107  15651     19         14        24        FR
## 3 202104         7 12026    8826  15226     18         13        23        FR
## 4 202103         7  8913    6375  11451     13          9        17        FR
## 5 202102         7  7795    5430  10160     12          8        16        FR
## 6 202101         7 10525    7750  13300     16         12        20        FR
##   geo_name
## 1   France
## 2   France
## 3   France
## 4   France
## 5   France
## 6   France
tail(data)
##        week indicator   inc inc_low inc_up inc100 inc100_low inc100_up
## 1571 199102         7 16277   11046  21508     29         20        38
## 1572 199101         7 15565   10271  20859     27         18        36
## 1573 199052         7 19375   13295  25455     34         23        45
## 1574 199051         7 19080   13807  24353     34         25        43
## 1575 199050         7 11079    6660  15498     20         12        28
## 1576 199049         7  1143       0   2610      2          0         5
##      geo_insee geo_name
## 1571        FR   France
## 1572        FR   France
## 1573        FR   France
## 1574        FR   France
## 1575        FR   France
## 1576        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)

Non pas de données manquantes.

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 des entiers, tout va bien !

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)

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 utile 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

Regardons enfin à quoi ressemblent nos données !

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.

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 septembre de l’année \(N\) au 1er septembre 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 varicelle est très faible en été, cette modification ne risque pas de fausser nos conclusions. L’argument na.rm=True dans la sommation précise qu’il faut supprimer les points manquants.

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], na.rm=TRUE)
      }

Nous devons aussi faire attention aux premières et dernières années de notre jeux de données. Les données commencent en décembre 1990, ce qui ne permet pas de quantifier complètement le pic attribué à 1991 Nous l’enlevons donc de notre analyse. Par contre, pour une exécution en octobre 2020, les données se terminent après le 1er août 2020, ce qui nous permet d’inclure cette année.

annees = 1992:2019

Nous créons un nouveau jeu de données pour l’incidence annuelle, en applicant 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
## 11  2002    515343
## 27  2018    539765
## 26  2017    552906
## 5   1996    564994
## 28  2019    584116
## 24  2015    605469

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.

hist(inc_annuelle$incidence, breaks=10, xlab="Incidence annuelle", ylab="Nb d'observations", main="")