mirror of
https://github.com/ArthurDanjou/ArtStudies.git
synced 2026-01-14 13:54:06 +01:00
629 lines
15 KiB
Plaintext
629 lines
15 KiB
Plaintext
---
|
||
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")
|
||
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.
|
||
|
||
|
||
|
||
## 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, "/data/datafreMPTL.RData"))
|
||
load(paste0(fold, "/M2/Data Visualisation/tp1", "/data/datafreMPTL.RData"))
|
||
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$Exposure)
|
||
|
||
p1 <- ggplot(dat) +
|
||
geom_histogram(
|
||
aes(x = ClaimNb),
|
||
binwidth = 0.25,
|
||
fill = "lightblue",
|
||
color = "black"
|
||
) +
|
||
labs(
|
||
title = "Distribution du nombre de sinistres",
|
||
x = "Nombre de sinistres",
|
||
y = "Effectif"
|
||
) +
|
||
theme_bw()
|
||
|
||
p2 <- ggplot(dat) +
|
||
geom_histogram(
|
||
aes(x = Exposure),
|
||
binwidth = 0.05,
|
||
fill = "lightblue",
|
||
color = "black"
|
||
) +
|
||
labs(title = "Exposition", x = "Nombre de sinistres", y = "Effectif") +
|
||
theme_bw()
|
||
|
||
plot_grid(p1, p2, ncol = 2)
|
||
```
|
||
|
||
### Etape 2 : Calculer la fréquence {.unnumbered}
|
||
|
||
::: exercise-box
|
||
Construire un tableau présentant l’exposition cumulée et le nombre
|
||
d’observations avec 0 sinistre, 1 sinistre, …
|
||
:::
|
||
|
||
```{r}
|
||
dat %>%
|
||
group_by(ClaimNb) %>%
|
||
summarise(n = n(), Exposure = round(sum(Exposure), 0)) %>%
|
||
kable(
|
||
col_names = c(
|
||
"Nombre de sinistres",
|
||
"Nombres d'observations",
|
||
"Exposition totale"
|
||
)
|
||
) %>%
|
||
kable_styling(full_width = F)
|
||
```
|
||
|
||
```{r}
|
||
pf_freq <- round(sum(dat$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 = Exposure, nb_claims = ClaimNb, freq = nb_claims / exp)
|
||
|
||
# Histogramme exposition
|
||
ggplot(df_plot) +
|
||
geom_bar(
|
||
aes(x = DrivAge, y = exp),
|
||
stat = "identity",
|
||
fill = "lightblue",
|
||
color = "blue"
|
||
) +
|
||
labs(
|
||
title = "Exposition par âge du conducteur",
|
||
x = "Âge du conducteur",
|
||
y = "Exposition"
|
||
) +
|
||
theme_minimal()
|
||
|
||
# Histogramme frequence
|
||
ggplot(df_plot) +
|
||
geom_bar(
|
||
aes(x = DrivAge, y = freq),
|
||
stat = "identity",
|
||
fill = "lightblue",
|
||
color = "blue"
|
||
) +
|
||
labs(
|
||
title = "Fréquence par âge du conducteur",
|
||
x = "Âge du conducteur",
|
||
y = "Fréquence"
|
||
) +
|
||
theme_minimal()
|
||
```
|
||
|
||
```{r}
|
||
|
||
# Scatter plot frequence
|
||
|
||
# A compléter
|
||
|
||
```
|
||
|
||
### 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
|
||
|
||
# A compléter
|
||
|
||
```
|
||
|
||
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
|
||
|
||
# A compléter
|
||
|
||
```
|
||
|
||
### Conclure {.unnumbered}
|
||
|
||
::: exercise-box
|
||
Comparer à présenter comment l'exposition se répartie entre âge et
|
||
bonus-malus.
|
||
:::
|
||
|
||
```{r, fig.height = 6, fig.width = 12}
|
||
|
||
# A compléter
|
||
```
|
||
|
||
### 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, eval = F}
|
||
# 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(??) %>%
|
||
summarize(exp = ??,
|
||
nb_claims = ??,
|
||
freq = ??,
|
||
.groups = "drop") %>%
|
||
ggplot(aes(x = ??,
|
||
y = ??,
|
||
colour = ??,
|
||
group = vary),
|
||
alpha = 0.3) +
|
||
geom_point() + geom_line() + theme_bw() +
|
||
labs(x = var1, y = "Frequence", colour = var2)
|
||
}
|
||
`
|
||
``
|
||
:::
|
||
|
||
# Informations de session {.unnumbered}
|
||
|
||
```{r}
|
||
sessionInfo()
|
||
```
|
||
|
||
# Références |