In ACCCertDS/ACC: Base accident

knitr::opts_chunk$set(
  fig.dpi = 96,
  fig.height = 3.5,
  fig.width = 7,
  collapse = TRUE,
  comment = "#>"
)

Chargement des packages

library(tidyverse)
library(dplyr)
library(reshape2)
library(ggmap) # Pour la cartographie
library(raster)
library(cartography)
library(leaflet)
library(lubridate)
library(ACC)

Exploration des données de coordonnées gps et recodages nécessaires

summary(accidents[,c(12,13)])

2622 lignes n'ont pas de coordonnées gps renseignées.

class(accidents$lat)
class(accidents$long)

Nous observons que les variables lat et long sont au format caractères. Nous commençons par les recoder afin qu'elles soient au format de degrés décimaux (format classique coordonnées gps).

accidents$lat <- type.convert(accidents$lat, dec=".")
class(accidents$lat)
accidents$long <- type.convert(accidents$long, dec=".")
class(accidents$long)
accidents$lat <- as.numeric(accidents$lat)
accidents$long <- as.numeric(accidents$long)

accidents_gps <- accidents %>%
 mutate(lat = case_when(
              abs(lat) > 100 ~ lat/100000,
              TRUE ~ lat),
        long = case_when(
              abs(long) > 100 ~ long/100000,
              TRUE ~ long)
        )

summary(accidents_gps[,c(12,13)])

On crée un dataframe contenant le nombre d'accidents par coordonnées gps

accidents_gps_group <- accidents_gps %>%
  dplyr::select(Num_Acc, dep, date_acc, lat, long) %>%
  dplyr::group_by(Num_Acc, lat, long, date_acc) %>%
  summarise(n = n()) %>%
  dplyr::select(Num_Acc, lat, long, date_acc)

Combien d'accidents avec des coordonnées gps renseignées nulles ?

accidents_gps_group %>% filter(lat==0, long==0)

On obtient 13 043 accidents sans coordonnées gps renseignées sur 236 570 soit 5,5 %. On les retire de la base accidents_gps_group.

accidents_gps_group <- accidents_gps_group %>%
  filter(lat != 0, long != 0)

summary(accidents_gps_group[,c(2,3)])

Cartographie

On cherche les coins de la carte avec la fonction make_bbox du package ggmap

bbox <- make_bbox(long, lat, data=accidents_gps_group)
bbox

Carte <- get_map(bbox)
ggmap(Carte)

La carte n'est pas centrée sur la France comme nous le souhaiterions.

la <- 48.293024
lo <- 4.079306
zoom <- 4
#Carte <- get_map(bbox)
#ggmap(Carte)
Carte2 <- get_map(location=c(lon = 1.7, lat = 47), zoom = 6, source="google", maptype="terrain", crop=TRUE, language= "fr-FR")
ggmap(Carte2)

L'accès à l'API de Google nécessite un enregistrement avec communication d'une CB. J'abandonne cette piste.

Intégration des Régions pour représentation par région avec le package cartography

Création de la carte de France puis conversion au format sf pour utilisation avec le package cartography

# Import d'une table de correspondance Département/Région
# regions <- read.csv("departements-region.csv",header=T, sep=",")
data("regions", package="ACC")
head(regions)

Jointure entre accidents et regions pour ajout de la région de l'accident

class(accidents$dep)
accidents$dep <- as.numeric(accidents$dep)
class(regions$num_dep)
regions$num_dep <- as.numeric(regions$num_dep)
accidents_region <- accidents %>%
  dplyr::left_join(regions, by = c("dep"="num_dep"))

Regroupement des accidents par région

accidents_par_region <- accidents_region %>%
  dplyr::select(Num_Acc,region_name) %>%
  group_by(region_name) %>%
  summarise(n=n())

Regroupement des accidents par département

accidents_par_dept <- accidents_region %>%
  dplyr::select(Num_Acc,dep,dep_name) %>%
  group_by(dep, dep_name) %>%
  summarise(nbre_acc=n())

On colore les régions les plus accidentogènes.

library(GADMTools)
library(classInt)
Fr<-gadm_sf_loadCountries("FRA",level=2)
listNames(Fr,level=2)
plotmap(Fr)
accidents_par_dept <- data.frame(accidents_par_dept)
 choropleth(Fr, 
               data = accidents_par_dept, 
               step=4,
               value = "nbre_acc", 
               adm.join = "dep_name",
               breaks = "quantile", 
               palette = "Reds",
               legend="Nombre d'accidents",
                title="Nombre d'accidents par département en 2018")

Carte avec un marqueur par accident

accidents_2018 <- accidents_gps_group %>%
  filter(year(date_acc) == 2018)

france <- leaflet(data=accidents_2018) %>%
  setView(lng=1.7, lat=47, zoom=5) %>%
  addTiles()
#print(france)
france %>% addCircles(~long, ~lat, weight = 0.25)

Les modalités de la variable grav dans la table accidents :

accidents %>% dplyr::select(grav) %>% 
  group_by(grav) %>%
  summarise(n=n())

On compte 4 modalités, on va colorer les points du jaune au rouge, du niveau de gravité le plus faible (Indemne) au niveau le plus grave (Tué).

accidents_2018_bis <- accidents_gps %>%
  dplyr::filter(year(date_acc)==2018) %>%
  dplyr::select(Num_Acc, grav, lat, long, date_acc) %>%
  mutate(ye = year(date_acc))

accidents_2018_bis <- accidents_2018_bis[1:10000,]

#accidents_2018_bis$grav <- factor(sample.int(4L, nrow(accidents_2018_bis), TRUE))

#factpal <- colorFactor(topo.colors(4), accidents_2018_bis$grav)
factpal <- colorFactor(c("firebrick","orange","gold","forestgreen"), accidents_2018_bis$grav)

factpal(accidents_2018_bis$grav[1:10])

france_test <- leaflet(data=accidents_2018_bis) %>%
  setView(lng=1.7, lat=47, zoom=5) %>%
  addTiles() %>%
  addCircleMarkers(~long, 
                   ~lat, 
                   radius = 0.1, 
                   color = ~factpal(grav),
                   stroke = FALSE,
                   fillOpacity = 0.5)
print(france_test)