Module 3 - Plan d’apprentissage

STT-1100 Introduction à la science des données

Objectifs du module

À la fin de ce module, vous devriez être capable de

  • Manipuler des chaînes de caractères avec stringr.
  • Reconnaitre des motifs avec des expressions régulières.
  • Utiliser les expressions régulières pour sélectionner, manipuler et modifier des chaînes de caractères.
  • Calculer et interpréter des statistiques descriptives pour des variables catégoriques (tableaux de fréquences, proportions, incluant par groupes, tableau croisé).
  • Produire et interpréter des visualisations de variables catégoriques avec ggplot2 (diagramme à bandes, en bâtons empilés, en bâtons empilés standardisé, en bâtons empilés groupés, en mosaïque, en secteurs et en gaufre).

Lectures initiales

📘 Lectures à faire avant l’aventure

Dans ce module, nous allons explorer les variables catégoriques et la visualisation adaptée à ce type de données. Deux lectures sont proposées pour vous préparer :

  • R for Data Science – Strings
    Ce chapitre vous introduit à la manipulation des chaînes de caractères avec le package stringr.
    > 📝 Note : Bien que ce chapitre soit plus largement utilisé au module 4, certaines fonctions utiles comme str_detect() ou str_to_lower() peuvent déjà vous aider pour nettoyer ou préparer des variables catégoriques.

  • Introduction to Modern Statistics – Chapitre 6 : Explore categorical data
    Ce chapitre de IMS présente les concepts statistiques associés aux données catégoriques. On y parle notamment de tableaux de fréquence, de proportions et des façons de représenter visuellement ce type de variables.

Prenez le temps de parcourir ces deux ressources. Elles vous seront utiles pour comprendre comment traiter les données qualitatives, tant du point de vue statistique que pratique.

Aventure

Aventure 3

Défi

Au terme de ce module, vous endosserez le rôle de journaliste de données pour Le Courrier Gourmand.
Votre mission :

  1. Explorer et nettoyer le jeu listecondamnation (infractions alimentaires au Québec).
  2. Extraire des faits marquants (top infractions, montants d’amendes, comparaison Montréal / hors-Montréal).
  3. Illustrer vos analyses par au moins deux visuels (un graphique de catégories + la carte des amendes).
  4. Rédiger un article Quarto (HTML) clair et accrocheur : chapeau ➜ contexte ➜ méthodologie ➜ résultats ➜ recommandations.
  5. Citer deux chiffres narratifs et intégrer une courte citation d’Alexandre pour humaniser la conclusion.

À remettre : le fichier .qmd et le HTML généré, livrés via votre dépôt GitHub avant la date limite.

📝 Grille d’évaluation

Votre article sera évalué selon les critères suivants. Assurez-vous de bien respecter le canevas fourni et les consignes données.

Critère Excellent (3) Satisfaisant (2) À améliorer (1) Commentaire
📰 Chapeau introductif Accroche percutante, angle clair, chiffres clés bien choisis Présent mais peu engageant ou peu clair Absent ou très vague
📊 Contexte & présentation des données Source bien identifiée, pertinence expliquée, limites évoquées Contexte partiel ou explication sommaire Source absente ou non justifiée
🧪 Méthodologie (section sans code) Démarche bien résumée, claire et logique Présente mais confuse ou trop technique Absente ou très floue
📈 Résultat clé #1 (graphique + interprétation) Visuel clair, bonne interprétation, apport analytique évident Visuel ou commentaire peu approfondi Visuel ou analyse absente
📊 Résultat clé #2 (graphique + interprétation) Visuel pertinent, insight bien formulé Visuel correct mais analyse faible Résultat peu exploité ou manquant
📉 Résultat clé #3 (graphique + interprétation) Résultat original ou complémentaire, bien expliqué Présent mais peu développé Manquant ou superficiel
🧠 Discussion (section 4) Réflexion critique, mise en perspective des résultats Discussion partielle ou descriptive Discussion absente ou sans valeur ajoutée
✅ Conclusion & recommandations Messages d’action clairs, utiles, bien formulés Messages présents mais peu convaincants Peu clairs ou hors sujet
🗣️ Chiffres narratifs + citation d’Alexandre Deux chiffres bien choisis + citation bien intégrée Un des éléments présent seulement Aucun ou mal intégré
📂 Qualité du rendu (Quarto + dépôt GitHub) .qmd fonctionnel, HTML lisible, dépôt propre et complet Quelques problèmes techniques ou dépôt désorganisé Exécution impossible ou rendu partiel/absent

🧮 Total sur 30 points : XX / 30

✍️ N’oubliez pas de relire la checklist en fin de template avant de publier votre article.

Exercices de consolidation

# Charger les librairies nécessaires
library(tidyverse)
library(stringr)

❓ Exercice 1 – Identifier les variables catégoriques

Voici un petit jeu de données :

data <- tibble::tibble(
  sexe = c("Homme", "Femme", "Femme", "Homme", "Homme"),
  age = c(25, 32, 29, 40, 23),
  région = c("Est", "Ouest", "Est", "Nord", "Sud")
)

Parmi les trois variables ci-dessus, lesquelles sont catégorielles ?

Les variables sexe et région sont catégorielles. age est numérique.

❓ Exercice 2 – Tableau de fréquence

Crée un tableau de fréquence pour la variable sexe.

Utilise count() du package dplyr.

data %>% count(sexe)
# A tibble: 2 × 2
  sexe      n
  <chr> <int>
1 Femme     2
2 Homme     3

❓ Exercice 3 – Proportions

Calcule les pourcentages pour chaque modalité de la variable région.

Ajoute une colonne avec mutate(n / sum(n)).

data %>% count(région) %>% mutate(pourcentage = n / sum(n) * 100)
# A tibble: 4 × 3
  région     n pourcentage
  <chr>  <int>       <dbl>
1 Est        2          40
2 Nord       1          20
3 Ouest      1          20
4 Sud        1          20

❓ Exercice 4 – Barplot d’une variable catégorielle

Fais un barplot représentant la variable région.

Utilise geom_bar() avec aes(x = région).

ggplot(data, aes(x = région)) + geom_bar()

❓ Exercice 5 – Comparaison de deux variables catégorielles

Ajoute une couleur par sexe dans le graphique précédent.

ggplot(data, aes(x = région, fill = sexe)) + geom_bar(position = "dodge")

❓ Exercice 6 – Nettoyer une variable catégorielle

Voici une variable catégorielle incohérente :

reponses <- c("Oui", "oui", "Non", "non", "OUI", "NON")

Nettoie cette variable pour que toutes les réponses soient en minuscules et sans doublons.

unique(str_to_lower(reponses))
[1] "oui" "non"

❓ Exercice 7 – Tableau croisé

Voici un autre jeu de données :

data2 <- tibble(
  fumeur = c("Oui", "Non", "Non", "Oui", "Oui", "Non", "Non"),
  sport = c("Oui", "Oui", "Non", "Non", "Oui", "Non", "Non")
)

Crée un tableau croisé (contingence) entre les deux variables.

data2 %>% count(fumeur, sport) %>% pivot_wider(names_from = sport, values_from = n, values_fill = 0)
# A tibble: 2 × 3
  fumeur   Non   Oui
  <chr>  <int> <int>
1 Non        3     1
2 Oui        1     2

❓ Exercice 8 – Pour aller plus loin : Mosaic plot

Utilise le package ggplot2 (ou ggmosaic si disponible) pour représenter visuellement la relation entre fumeur et sport.

# En regroupant en barres groupées pour une approximation
ggplot(data2, aes(x = fumeur, fill = sport)) +
  geom_bar(position = "fill") +
  ylab("Proportion")

📦 Problèmes

🐧 Exercice 9 – Palmer Penguins

On utilise le jeu de données penguins du package palmerpenguins.

  • Variable catégorielle : species, island, sex
  • Variable numérique : flipper_length_mm, body_mass_g

Questions : 1. Crée un tableau de fréquence pour species 2. Visualise la distribution des espèces par île 3. Compare les sexes pour chaque espèce

library(palmerpenguins)

Attaching package: 'palmerpenguins'
The following objects are masked from 'package:datasets':

    penguins, penguins_raw
penguins %>% count(species)
# A tibble: 3 × 2
  species       n
  <fct>     <int>
1 Adelie      152
2 Chinstrap    68
3 Gentoo      124
ggplot(penguins, aes(x = island, fill = species)) + geom_bar(position = "dodge")

ggplot(penguins, aes(x = species, fill = sex)) + geom_bar(position = "fill")

🚌 Exercice 10 – Données Titanic

Utilise titanic::titanic_train

Variables catégoriques : Sex, Embarked, Survived

Questions : 1. Tableau croisé entre Sex et Survived 2. Proportion de survie par port d’embarquement (Embarked) 3. Représentation graphique croisée Sex × Embarked × Survived

library(titanic)
titanic_train <- titanic::titanic_train

titanic_train %>% count(Sex, Survived)
     Sex Survived   n
1 female        0  81
2 female        1 233
3   male        0 468
4   male        1 109
titanic_train %>% count(Embarked, Survived) %>%
  group_by(Embarked) %>% mutate(p = n / sum(n))
# A tibble: 7 × 4
# Groups:   Embarked [4]
  Embarked Survived     n     p
  <chr>       <int> <int> <dbl>
1 ""              1     2 1    
2 "C"             0    75 0.446
3 "C"             1    93 0.554
4 "Q"             0    47 0.610
5 "Q"             1    30 0.390
6 "S"             0   427 0.663
7 "S"             1   217 0.337
ggplot(titanic_train, aes(x = Embarked, fill = factor(Survived))) +
  geom_bar(position = "fill") +
  facet_wrap(~Sex)