In MTES-MCT/parcours_r_exercices: Exercices for mtes-mctrct r course modules

Nous travaillons toujours sur le dataset df calculé à l'exercice précédent.

À l’aide de l’aide mémoire ggplot2 :

Réaliser un histogramme de la population communale
Transformer les données avec la fonction log pour y voir plus clair
Faire un barplot (qui n'est pas un histogramme !!!!) du nombre de communes par REG.
Utiliser le paramètre fill de la fonction aes() pour améliorer le graphique
Réaliser un graphique (nuage de points) croisant la densité de population et le taux de mortalité
Ajouter une dimension supplémentaire avec la couleur des points (paramètre color de aes())

library(dplyr)
df <- read.csv(file = system.file("extdata", "Base_synth_territoires.csv", package = "savoirfR"),
               header = TRUE, sep = ";", dec = ",", fileEncoding = "latin1",
               colClasses = c(rep("character", 2), rep("factor", 4) , rep(NA, 32))) %>% 
  mutate(densite = P14_POP / SUPERF,
         tx_natal = 1000 * NAISD15 / P14_POP,
         tx_mort = 1000 * DECESD15 / P14_POP)

Résultat attendu :

library(dplyr)
df <- read.csv(file = system.file("extdata", "Base_synth_territoires.csv", package = "savoirfR"),
               header = TRUE, sep = ";", dec = ",",
               colClasses = c(rep("character", 2), rep("factor", 4) , rep(NA, 32))) %>% 
  mutate(densite = P14_POP / SUPERF,
         tx_natal = 1000 * NAISD15 / P14_POP,
         tx_mort = 1000 * DECESD15 / P14_POP)

library(ggplot2)
ggplot(data = df, aes(x = P14_POP)) +
  geom_histogram()

# Ce n'est pas très informatif, avec une transformation log, on y voit plus clair !
ggplot(data = df, aes(x = log(P14_POP))) +
  geom_histogram()

# barplot 
ggplot(data = df, aes(x = REG)) +
  geom_bar()

# améliorer avec le paramètre `fill`
ggplot(data = df, aes(x = REG, fill = REG)) +
  geom_bar()

# nuage de points
ggplot(data = df, aes(x = densite, y = tx_mort)) +
  geom_point()

# ajout couleur
ggplot(data = df, aes(x = densite, y = tx_mort, color = REG)) +
  geom_point()