---
title: "Prise en main de ggplot2"
author: "Quentin Guibert"
date: "Année 2025-2026"
institute: "Université Paris-Dauphine | Master ISF"
lang: fr
link-citations: true
output:
  rmdformats::robobook:
    highlight: kate
    use_bookdown: true
    css: style.css
    lightbox : true
    gallery: true
    code_folding: show
    theme: flatly
    toc_float:
      collapsed: no
editor_options: 
  markdown: 
    wrap: 72
# bibliography: references.bib
---

```{r setup, include=FALSE}
## Global options
knitr::opts_chunk$set(
  cache = FALSE,
  warning = FALSE,
  message = FALSE,
  fig.retina = 2,
  fig.height = 6,
  fig.width = 12
)
options(encoding = "UTF-8")
```

```{r, echo = FALSE, fig.keep= 'none'}
# Chargement des librairies graphiques
library(lattice)
library(grid)
library(ggplot2)
require(gridExtra)
library(locfit)
library(scales)
library(formattable)
library(RColorBrewer)
library(plotly)
library(dplyr)
library(tidyr)
library(rmarkdown)
library(ggthemes)
library(cowplot)
library(kableExtra)
```

# Objectifs du TP

L'objectif de ce TP vise à se familiariser avec le package **ggplot2**
de `R`. Il s'agit de faire des manipulations graphiques élémentaires et
d'interpréter les résultats de ces visualisations.

Dans un premier temps, vous pouvez suivre l'exemple introductif en
répliquant le code fourni. Dans un deuxième temps, il convient de
réaliser l'exercice point par point.

# Prérequis

-   Avoir installer `R` [ici](https://www.r-project.org/).
-   Avoir installer un IDE, par exemple `RStudio`
    [ici](https://posit.co/download/rstudio-desktop/).
-   Créer un nouveau projet (`File`, puis `New Projet`) dans un dossier
    sur votre ordinateur.
-   Télécharger [ici](https://moodle.psl.eu/course/view.php?id=33799)
    les fichiers nécessaires au TD.

Vous pouvez ensuite écrire vos codes soit :

-   En ouvrant un nouveau script `.R` ;
-   En ouvrant le ouvrant le rapport Rmarkdown `3-td_ggplot2 - enonce`.
    Certains codes sont partiels et sont à compléter (indication `???`).
    N'oubliez pas de modifier l'option `eval = TRUE` pour que les
    calculs puissent être réalisés.

# Exemple introductif

Pour illustrer cette première partie, nous reprenons l'exemple
introductif fourni par @wickham2023 sur le jeu de données `penguins` du
package **palmerpenguins**. Ce jeu de données s'intèresse des mesures
réalisées sur des manchots sur 3 îles de l'archipelle Palmer.

## Données

Dans un premier temps, il faut installer le package et le charger.

```{r}
# install.packages("palmerpenguins") #nolint
library(palmerpenguins)
```

Ce jeu de données contient 344 observations où chaque ligne correspond à
un individu.

```{r}
paged_table(penguins, options = list(rows.print = 15))
```

On se concentre plus particulièrement sur les variables suivantes :

-   `species` : l'espèce de manchot ;
-   `flipper_length_mm` : la longueur de la nageoire en mm ;
-   `body_mass_g` : la masse en gramme.

Pour plus détails, voir l'aide `?penguins`.

## But de la visualisation

On s'intéresse au lien entre le masse et la taille des nageoires des
manchots :

-   ceux dont les nageoires sont les plus longues sont-ils plus lourds
    que les manchots aux nageoires courtes ?
-   si oui quelle est le type de relation (linéaire, croissante,
    décroissante, ...) ?
-   quels facteurs influencent également cette relation (lieu, l'espèce,
    ... ) ?

On cherche à recréer la figure suivante.

![](images\manchot.png)

## Création de la figure étape par étape

### Etape 1 : Scatterplot {.unnumbered}

On commence par créer un scatterplot pour examiner la relation entre la
masse et la taille de la nageoire.

```{r}
ggplot(
  data = penguins,
  mapping = aes(x = flipper_length_mm, y = body_mass_g)
) +
  geom_point()
```

Cette figure fait clairement apparaître une relation croissante et a
priori linéaire entre les deux variables.

::: remark-box
Un message d'erreur apparaît pour deux individus avec des données
manquantes. Ils sont automatiquement exclus.
:::

### Etape 2 : Ajout d'élements esthétiques {.unnumbered}

On cherche à présent exhiber le rôle de l’espèce à partir d'une couleur.
Trois espèces sont présents, ainsi l'ajout de 3 couleurs à la figure ne
devrait pas surcharger le graphique.

```{r}
ggplot(
  data = penguins,
  mapping = aes(x = flipper_length_mm, y = body_mass_g, color = species)
) +
  geom_point()
```

Compte tenu du nombre important de points, nous pouvons renforcer les
différences par espèce en ajoutant une variation de forme aux points.

```{r}
ggplot(
  data = penguins,
  mapping = aes(x = flipper_length_mm, y = body_mass_g)
) +
  geom_point(
    mapping = aes(
      color = species,
      shape = species
    )
  )
```

### Etape 3 : Ajout d'une géométrie {.unnumbered}

Voyons à présent comment interpréter la nature de la relation entre
masse et longueur de la nageoire. Pour ce faire, nous essayons d'ajout
des courbes de tendance. Nous commençons par une tendance linéaire.

```{r}
ggplot(
  data = penguins,
  mapping = aes(x = flipper_length_mm, y = body_mass_g)
) +
  geom_point(
    mapping = aes(
      color = species,
      shape = species
    )
  ) +
  geom_smooth(method = "lm")
```

La même figure peut être générée par espèce en déplaçant l'argument
`color = species`.

```{r}
ggplot(
  data = penguins,
  mapping = aes(x = flipper_length_mm, y = body_mass_g, color = species)
) +
  geom_point(
    mapping = aes(
      shape = species
    )
  ) +
  geom_smooth(method = "lm")
```

Les pentes entre les espèces ne sont pas si éloignées. Nous décidons que
conserver une relation commune pour toutes espèces. Pour tester si la
nature linéaire de la relation est a priori une bonne hypothèse, nous
considérons un lissage non-paramétrique.

```{r}
ggplot(
  data = penguins,
  mapping = aes(x = flipper_length_mm, y = body_mass_g)
) +
  geom_point(
    mapping = aes(
      color = species,
      shape = species
    )
  ) +
  geom_smooth(method = "loess")
```

L'ajout d'un lissage non-paramétrique permet d'affiner l’adéquation aux
données, mais sans pour autant clairement remettre en cause la tendance
linéaire qui sera donc conservée.

### Etape 4 : Ajout des titres et changement de thème {.unnumbered}

Afin de finaliser la figure, nous ajouter :

-   un titre ;
-   un sous-titre ;
-   des titres aux axes ;
-   un titre à la légende.

Ces informations sont ajoutées avec `labs()`.

De plus, nous modifions le thème avec la commande `theme_bw()`.

```{r}
ggplot(
  data = penguins,
  mapping = aes(x = flipper_length_mm, y = body_mass_g)
) +
  geom_point(aes(color = species, shape = species)) +
  geom_smooth(method = "lm") +
  labs(
    title = "Masse et taille de la nageoire",
    subtitle = "Manchots d'Adelie, a
    jugulaire et de Gentoo",
    x = "Longueur de la nageoire (mm)",
    y = "Masse (g)",
    color = "Espece",
    shape = "Espece"
  ) +
  scale_color_colorblind() +
  theme_bw()
```

------------------------------------------------------------------------

# Exercice

## Données

Nous travaillons avec les jeux de données `FreMTPL2freq` et
`FreMTPL2sev` du package **Casdatasets**. Ces données ont été
préalablement pré-formatées et regroupées.

Ce jeux de données regroupent les caractéristiques de 677 991 polices de
responsabilité civile automobile, observées principalement sur une
année. Dans les données regroupées, on dispose des numéros de sinistre
par police, des montants de sinistre correspondants, des
caractéristiques du risque et du nombre de sinistres.

On présente ci-dessous un aperçu des données.

```{r begin}
# Folds
fold <- getwd()

# Load data
# load(paste0(fold, "/M2/Data Visualisation/tp1", "/data/datafreMPTL.RData")) # VSCode
load(paste0(fold, "/data/datafreMPTL.RData")) # RStudio
paged_table(dat, options = list(rows.print = 15))
```

Le tableau suivant présente une définition des variables.

```{r}
kableExtra::kable(
  data.frame(
    Variable = c(
      "IDpol",
      "Exposure",
      "VehPower",
      "VehAge",
      "DrivAge",
      "BonusMalus",
      "VehBrand",
      "VehGas",
      "Area",
      "Density",
      "Region",
      "ClaimTotal",
      "ClaimNb"
    ),
    Description = c(
      "Identifiant de la police",
      "Exposition au risque",
      "Puissance du véhicule",
      "Age du véhicule en année",
      "Age du conducteur en année",
      "Coefficient de bonus-malus",
      "Marque du véhicule",
      "Carburant du véhicule",
      "Catégorie correspondant à la densité de la zone assurée",
      "Densité de population",
      "Region (selon la classication 1970-2015)",
      "Montant total des sinistres",
      "Nombre de sinistres sur la période"
    ),
    Type = c(
      rep("Reel", 2),
      rep("Entier", 4),
      rep("Cat", 3),
      "Entier",
      "Cat",
      rep("Reel", 2)
    )
  ),
  booktabs = TRUE
)
# Short summary
str(dat)
```

Pour plus de détails, consulter l'aide `?CASdatasets::freMTPL2freq`.

------------------------------------------------------------------------

## But de la visualisation

Nous effectuons une première analyse descriptive de données et cherchons
à étudier la relation entre :

-   la fréquence, calculée avec les variables `ClaimNb` et `Exposure`
    (période d'exposition en année).
-   les variables `Area` et `DrivAge`.

Le but de la visualisation est de fait ressortir les liens entre la
fréquence et ces deux variables.

### Etape 1 : Visualisation de la fréquence et de l'exposition {.unnumbered}

::: exercise-box
A partir des données `dat` :

-   afficher les statistiques descriptives du nombre de sinistres
    `ClaimNb` et de la variable `Exposure` ;
-   afficher des histogrammes pour visualiser leur distribution ;
-   afficher les figures côte a côte avec la fonction `plot_grid()`.

Essayer de choisir un thème de couleur et un écartement des barres de
l'histogramme facilitant sa lisibilité.
:::

::: indice-box
On pourra développer une fonction qui utilise `geom_histogram()` sous la
package **ggplot2**.
:::

```{r, fig.height = 6, fig.width = 12}
# Descriptive statistics
summary(dat$ClaimNb)
summary(dat$Exposure)

p1 <- ggplot(dat) +
  geom_histogram(
    aes(x = ClaimNb),
    binwidth = 0.25,
    fill = "lightblue",
    color = "black"
  ) +
  labs(
    title = "Distribution du nombre de sinistres",
    x = "Nombre de sinistres",
    y = "Effectif"
  ) +
  theme_bw()

p2 <- ggplot(dat) +
  geom_histogram(
    aes(x = Exposure),
    binwidth = 0.05,
    fill = "lightblue",
    color = "black"
  ) +
  labs(title = "Exposition", x = "Nombre de sinistres", y = "Effectif") +
  theme_bw()

plot_grid(p1, p2, ncol = 2)
```

### Etape 2 : Calculer la fréquence {.unnumbered}

::: exercise-box
Construire un tableau présentant l’exposition cumulée et le nombre
d’observations avec 0 sinistre, 1 sinistre, …
:::

```{r}
dat |>
  group_by(ClaimNb) |>
  summarise(n = n(), Exposure = round(sum(Exposure), 0)) |>
  kable(
    col_names = c(
      "Nombre de sinistres",
      "Nombres d'observations",
      "Exposition totale"
    )
  ) |>
  kable_styling(full_width = FALSE)
```

```{r}
pf_freq <- round(sum(dat$ClaimNb) / sum(dat$Exposure), 4)
pf_freq
```

Ce calcul de fréquence sera ensuite utile pour l'affichage des
résultats.

### Etape 3 : Calculer l'exposition et la fréquence par variable {.unnumbered}

::: exercise-box
Pour la variable `DrivAge`, présenter :

1.  un histogramme de l'exposition en fonction de cette variable.
2.  un histogramme de la fréquence moyenne de sinistres en fonction de
    cette variable.

Remplacer ensuite le second histogramme par un scatter plot avec une
courbe de tendance. Est-ce plus clair ?

**Indice**

On pourra développer une fonction qui utilise `geom_bar()` sous la
package **ggplot2**.
:::

```{r, eval = FALSE}
# On regroupe selon les modalites de la DrivAge
# l'exposition, le nombre de sinistres et la frequence
df_plot <- dat |>
  group_by(DrivAge) |>
  summarize(
    exp = sum(Exposure),
    nb_claims = sum(ClaimNb),
    freq = sum(ClaimNb) / sum(Exposure)
  )

# Histogramme exposition
p1 <- ggplot(df_plot, aes(x = DrivAge, y = exp)) +
  geom_bar(stat = "identity", fill = "grey", color = "black", alpha = 0.5) +
  labs(x = "Age du conducteur", y = "Exposition en années") +
  theme_bw()

# Histogramme frequence
p2 <- ggplot(df_plot, aes(x = DrivAge, y = freq)) +
  geom_bar(stat = "identity", fill = "grey", color = "black", alpha = 0.5) +
  labs(x = "Age du conducteur", y = "Frequence") +
  theme_bw()

plot_grid(p1, p2, labels = c("A", "B"), label_size = 12)
```

```{r}
df_plot <- dat |>
  group_by(DrivAge) |>
  summarize(
    exp = sum(Exposure),
    nb_claims = sum(ClaimNb),
    freq = sum(ClaimNb) / sum(Exposure)
  )

# Scatter plot frequence
p3 <- ggplot(df_plot, aes(x = DrivAge, y = freq)) +
  geom_point() +
  geom_smooth() +
  labs(x = "Age du conducteur", y = "Frequence") +
  theme_bw()
p3
```

### Etape 4 : Examiner l'intéraction avec une autre variable {.unnumbered}

::: exercise-box
A partir du scatter plot réalisé à l'étape précédente, distinguer les
évolutions de fréquence en fonction de `DrivAge` et de `BonusMalus`.

Ce graphique vous paraît-il transmettre un message clair ? Proposez des
améliorations en modifiant les variables `DrivAge` et `BonusMalus`.
:::

```{r}
# On regroupe selon les modalites de la DrivAge et de Area
# l'exposition, le nombre de sinistres et la frequence
df_plot <- dat |>
  group_by(DrivAge, BonusMalus) |>
  summarize(
    exp = sum(Exposure),
    nb_claims = sum(ClaimNb),
    freq = sum(ClaimNb) / sum(Exposure)
  )

p4 <- ggplot(df_plot, aes(x = DrivAge, y = freq, color = BonusMalus)) +
  geom_point() +
  geom_smooth() +
  labs(x = "Age du conducteur", y = "Frequence", color = "Bonus-Malus") +
  theme_bw()
p4
```

On propose 4 ajustements :

-   Exclure les âges extrêmes au-delà de 85 ans pour lesquels
    l'exposition est très faible.
-   Faire des classes d'âges.
-   Limiter le Bonus-Malus à 125.
-   Faire des classes de Bonus-Malus.

```{r}
# Classes d'âges pour Bonus-Malus
lim_classes <- c(50, 75, 100, 125, Inf)

# Exclusion des donnees "extremes" et faire les regroupement
df_plot <- dat |>
  filter(DrivAge <= 85, BonusMalus <= 125) |>
  # regroupement en classes d'ages de 5 ans
  mutate(DrivAge = ceiling(pmin(DrivAge, 85) / 5) * 5) |>
  mutate(
    BonusMalus = cut(BonusMalus, breaks = lim_classes, include.lowest = TRUE)
  )

# On regroupe selon les modalites de la DrivAge et de Area
# l'exposition, le nombre de sinistres et la frequence
df_plot <- df_plot |>
  group_by(DrivAge, BonusMalus) |>
  summarize(
    exp = sum(Exposure),
    nb_claims = sum(ClaimNb),
    freq = sum(ClaimNb) / sum(Exposure)
  )

# Scatter plot frequence
p5 <- ggplot(df_plot, aes(x = DrivAge, y = freq, color = BonusMalus)) +
  geom_point() +
  geom_smooth() +
  labs(x = "Age du conducteur", y = "Frequence", color = "Bonus-Malus") +
  theme_bw()
p5
```

### Conclure {.unnumbered}

::: exercise-box
Comparer à présenter comment l'exposition se répartie entre âge et
bonus-malus.
:::

```{r, fig.height = 6, fig.width = 12}
# Histogramme plot frequence
p6 <- ggplot(df_plot, aes(x = DrivAge, y = exp, fill = BonusMalus)) +
  geom_bar(stat = "identity", color = "black", alpha = 0.5) +
  scale_x_continuous(breaks = seq(20, 85, 20), limits = c(20, 85)) +
  labs(x = "Age du conducteur", y = "Exposition en années") +
  theme_bw()


# Ajustement des legendes pour faire un graphique multiple
p5 <- p5 +
  theme(
    legend.position = "bottom"
  ) +
  labs(color = "BonusMalus")
p6 <- p6 +
  theme(
    legend.position = "bottom"
  ) +
  labs(fill = "BonusMalus")

# Creation d'un graphique avec deux figures et une légende commune
plot_grid(p6, p5, ncol = 2)
```

### Bonus - Analyse des couples {.unnumbered}

::: exercise-box
En traitant toutes les variables comme des variables catégorielles,
analyser graphiquement comment évolue la fréquence de sinistres selon
les couples de variables.

Compléter pour cela la fonction suivante et appliquer la à différents
couples.

```{r}
# Fonction d'analyse bivariée
# df : nom du data.frame
# var1 : nom de la variable explicative 1
# var2 : nom de la variable explicative 2
plot_pairwise_disc <- function(df, var1, var2) {
  df <- rename(df, "varx" = all_of(var1), "vary" = all_of(var2))

  # replace variable vname by the binning variable
  if (is.numeric(df$varx)) {
    df <- df |>
      mutate(varx = ntile(varx, 5))
  }

  if (is.numeric(df$vary)) {
    df <- df |>
      mutate(vary = ntile(vary, 5), vary = factor(vary))
  }

  df |>
    group_by(varx, vary) |>
    summarize(
      exp = sum(Exposure),
      nb_claims = sum(ClaimNb),
      freq = sum(ClaimNb) / sum(Exposure), .groups = "drop"
    ) |>
    ggplot(aes(x = varx, y = freq, colour = vary, group = vary), alpha = 0.3) +
    geom_point() +
    geom_line() +
    theme_bw() +
    labs(x = var1, y = "Frequence", colour = var2)
}
```

```{r}
p1 <- plot_pairwise_disc(dat, "DrivAge", "BonusMalus")
p2 <- plot_pairwise_disc(dat, "VehAge", "BonusMalus")
p3 <- plot_pairwise_disc(dat, "BonusMalus", "VehBrand")
p4 <- plot_pairwise_disc(dat, "VehBrand", "Area")
p5 <- plot_pairwise_disc(dat, "BonusMalus", "VehGas")
p6 <- plot_pairwise_disc(dat, "BonusMalus", "Area")
p7 <- plot_pairwise_disc(dat, "DrivAge", "Area")
p8 <- plot_pairwise_disc(dat, "VehPower", "VehGas")
grid.arrange(p1, p2, p3, p4, p5, p6, p7, p8, ncol = 2)
```
:::

# Informations de session {.unnumbered}

sessionInfo()
```

# Références
:::