Module 6 - 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 :

Collaborer efficacement sur des projets de science des données en utilisant GitHub.
Assurer la reproductibilité des analyses avec Quarto.
Fusionner et gérer plusieurs jeux de données.
Expliquer le cycle de vie des données et les principes de DataOps.

📚 Lectures

Dans ce module, nous allons explorer les concepts de base de la collaboration et de la reproductibilité dans GitHub, ainsi que l’utilisation de Quarto pour créer des rapports dynamiques. Voici quelques lectures initiales pour vous préparer :

GitHub Docs – Hello World Premier projet complet : dépôt, branche, pull request puis merge.
GitHub Docs – About pull requests Tout savoir sur la revue de code, les commentaires et la résolution de conflits.
Quarto Docs – Inline Code Insérer du code R directement dans le texte pour afficher dynamiquement des valeurs.
What is DataOps? (DataKitchen) Principes fondamentaux de DataOps : automatisation, qualité et collaboration. :contentReferenceoaicite:0
R for Data Science (2ᵉ éd.) – Chapitre 26 : Joins Apprendre à combiner des données de différentes sources avec dplyr.

Aventure

Aventure 6

🎯 Défi — Revue croisée des journaux de bord

Chaque équipe doit partager son journal de bord avec une autre équipe et fournir une rétroaction constructive. Cette étape simule le processus de revue par les pairs et renforce les compétences de communication critique.

Étapes à réaliser

Attribution des paires : l’enseignant·e publiera un tableau listant pour chaque équipe le journal de bord à examiner.
Partage du document :
- Le·la responsable du dépôt ajoute l’équipe destinataire comme Collaborator en lecture/écriture sur GitHub.
- L’URL du journal de bord HTML est communiqué.
Revue par les pairs :
- Chaque membre de l’équipe examinatrice ouvre une Issue dans le dépôt de l’équipe revue et dépose au moins un commentaire détaillé portant sur :
  1. Clarté du contenu (structure, titres, lisibilité)
  2. Rigueur de la méthodologie (description des rôles, reproductibilité du code)
  3. Pertinence des réflexions (cycle de vie des données, leçons apprises)
- Les commentaires doivent contenir :
  - Un énoncé d’aspect positif (« ce qui est réussi »)
  - Une suggestion d’amélioration spécifique (« ce qui pourrait être clarifié »)
Accusé de réception & révision :
- L’équipe réceptrice répond à chaque Issue et, si jugé nécessaire, pousse une mise à jour de son journal de bord.

Livrables

Équipe	Livrable	Où le déposer
Équipe examinatrice	≥ 3 Issues (une par membre) contenant une rétroaction complète	Dépôt GitHub de l’équipe revue
Équipe révisée	Journal de bord mis à jour (si modifications nécessaires) + réponses aux Issues	Même dépôt GitHub

Barème (20 pts)

Critère	Pts
Qualité des commentaires (clarté, constructivité, exemples)	10
Pertinence des suggestions vis‑à‑vis de la reproductibilité & collaboration	5
Suivi et réponses de l’équipe révisée	5

💡 Conseil : concentrez‑vous sur des rétroactions actionnables (ex. proposer un titre plus descriptif, ajouter un graphique supplémentaire, préciser un paramètre YAML) plutôt que des commentaires génériques.

🏋️ Exercices de consolidation

Objectif général – Maîtriser les différentes jointures dplyr (inner_join(), left_join(), right_join(), full_join(), semi_join(), anti_join()) sur des jeux de données variés.

1. Penguins & Islands

Jeux de données : palmerpenguins::penguins et palmerpenguins::penguins_raw (package palmerpenguins). Ajoute à chaque manchot la latitude (lat) et la longitude (long) de son île en faisant correspondre la variable island.

Tip

library(dplyr)
library(palmerpenguins)

islands <- penguins_raw |>
  distinct(island, lat = latitude, long = longitude)

penguins_loc <- penguins |>
  left_join(islands, by = "island")

2. Gapminder × Code ISO-3

Jeux de données : gapminder::gapminder (package gapminder) et countrycode::codelist (package countrycode). Récupère le code ISO‑3 (iso3c) et la région de la FAO pour chaque pays dans gapminder. Indice : clé = country.

Tip

library(dplyr)
library(gapminder)
library(countrycode)

gap_iso <- gapminder |>
  inner_join(
    select(countrycode::codelist, country = country.name.en, iso3c, region_fao),
    by = "country"
  )

3. Star Wars – Espèces & Classifications

Jeu de données : dplyr::starwars (package dplyr). Crée un tibble species_class listant quelques espèces et leur classification (mammal, reptilian, etc.). Fais une left_join() pour ajouter la colonne classification et calcule la taille moyenne (height) par classification.

Tip

library(dplyr)

species_class <- tibble::tribble(
  ~species, ~classification,
  "Human",  "mammal",
  "Droid",  "artificial",
  "Gungan", "amphibian",
  "Wookiee","mammal"
)

starwars_cls <- starwars |>
  left_join(species_class, by = "species") |>
  group_by(classification) |>
  summarise(mean_height = mean(height, na.rm = TRUE))

4. Baseball – Joueurs canadiens

Jeux de données : Lahman::People, Lahman::Batting (package Lahman).

Obtiens la liste des joueurs nés au Canada (birthCountry).
Calcule leur moyenne au bâton (H/AB) en fusionnant People ↔︎ Batting sur playerID.

Tip

library(dplyr)
library(Lahman)

can_players <- People |>
  filter(birthCountry == "Canada") |>
  select(playerID, nameFirst, nameLast)

can_stats <- can_players |>
  inner_join(select(Batting, playerID, H, AB), by = "playerID") |>
  group_by(playerID, nameFirst, nameLast) |>
  summarise(avg = sum(H, na.rm = TRUE) / sum(AB, na.rm = TRUE),
            .groups = "drop")

5. Prénoms & Première lettre

Jeu de données : babynames::babynames (package babynames). Crée un tibble alphabet comportant la première lettre (initial) et sa catégorie (« A‑M », « N‑Z »). Ajoute la catégorie à babynames, puis compte les naissances par catégorie en 2010.

Tip

library(dplyr)
library(babynames)

alphabet <- tibble::tibble(
  initial = LETTERS,
  group   = if_else(initial <= "M", "A-M", "N-Z")
)

babynames_2010 <- babynames |>
  filter(year == 2010) |>
  mutate(initial = substr(name, 1, 1)) |>
  inner_join(alphabet, by = "initial") |>
  group_by(group) |>
  summarise(total = sum(n))

6. Météo canadienne – Stations & Observations

Jeux de données : weathercan::stations_meta() et weathercan::weather_dl() (package weathercan). Télécharge les données quotidiennes de Québec‑Jean‑Lesage (station #7025250) pour 2024 et joins‑les aux métadonnées de station pour ajouter province et elevation.

Tip

library(weathercan)
library(dplyr)

meta <- stations_meta() |>
  filter(station_id == 7025250) |>
  select(station_id, province, elev = elevation)

qc24 <- weather_dl(station_ids = 7025250,
                   start = "2024-01-01", end = "2024-12-31",
                   interval = "day")

qc24_full <- qc24 |>
  left_join(meta, by = "station_id")

7. Pizza Ratings

Jeux de données : fivethirtyeight::pizza et fivethirtyeight::pizza_places (package fivethirtyeight). Associe chaque évaluation (pizza) à son restaurant (pizza_places) via place_id et trouve la note moyenne (rating) par state.

Tip

library(dplyr)
library(fivethirtyeight)

pizza_avg_state <- pizza |>
  inner_join(pizza_places, by = "place_id") |>
  group_by(state) |>
  summarise(mean_rating = mean(rating, na.rm = TRUE))

8. ONU – Votes & Résolutions

Jeux de données : unvotes::un_votes, unvotes::un_roll_calls (package unvotes). Relie chaque vote (un_votes) à la description de la résolution (un_roll_calls) via rcid. Énumère les cinq pays ayant voté le plus souvent « no » entre 2000 et 2010.

Tip

library(dplyr)
library(unvotes)

votes_desc <- un_votes |>
  inner_join(un_roll_calls, by = "rcid") |>
  filter(year >= 2000, year <= 2010, vote == "no") |>
  count(country, sort = TRUE) |>
  slice_head(n = 5)

9. Films & Oscars

Jeux de données : ggplot2movies::movies (package ggplot2movies) et un tibble oscars listant quelques titres et l’année de l’Oscar du meilleur film. Fais une full_join() puis repère les films présents dans un seul des deux ensembles.

Tip

library(dplyr)
library(ggplot2movies)

oscars <- tibble::tribble(
  ~title,            ~oscar_year,
  "The Hurt Locker", 2010,
  "Argo",            2013,
  "Parasite",        2020,
  "Nomadland",       2021
)

movies_oscar <- full_join(
  select(movies, title, year, rating),
  oscars,
  by = "title",
  keep = TRUE
)

only_one_side <- movies_oscar |>
  filter(is.na(year) | is.na(oscar_year))

10. Mini-projet EDA — Incendies de forêt

Jeux de données : fires::fires et fires::fire_weather (package fires).

Joins : relie fires (incidents) et fire_weather (conditions météo) via fid.
Calcule l’impact moyen de la température (temp) et du vent (wind) sur la superficie brûlée (area).
Visualise temp × area avec un nuage de points et une droite de régression.

Tip

library(dplyr)
library(ggplot2)
library(fires)

fires_full <- fires |>
  inner_join(fire_weather, by = "fid")

summary_tbl <- fires_full |>
  summarise(
    mean_area = mean(area, na.rm = TRUE),
    corr_temp = cor(temp, area, use = "complete.obs"),
    corr_wind = cor(wind, area, use = "complete.obs")
  )