library(tidyverse)
library(scales)Module 7 - Exercices
STT-1100 Introduction à la science des données
ImportantDossier de travail du module
Télécharger le dossier prêt à ouvrir (.zip)
Décompressez le fichier, puis ouvrez le projet .Rproj. Les chemins utilisés dans les exercices fonctionneront sans déplacer les données.
Exercices de consolidation
Ces exercices sont indépendants de l’aventure et du défi. Ils servent à consolider les gestes du module 7: reconnaître une visualisation trompeuse, reconstruire un graphique défendable, réduire les risques de ré-identification et écrire une note éthique courte.
NoteDes données réelles déjà agrégées
Les exercices utilisent les incidents de sécurité publique de Sherbrooke, les estimations annuelles de population de Statistique Canada et le sondage auprès des utilisateurs de Données Québec. Le script scripts/build_module07_real_data.R retire les coordonnées et les dates exactes des incidents, puis agrège les observations par mois et par type. Le sondage est publié à l’origine sous forme de nombres et de pourcentages agrégés, sans réponses individuelles.
Bloc A - Diagnostiquer une visualisation
Exercice 1 - Comparer deux axes
Importez les incidents agrégés de Sherbrooke, puis produisez deux graphiques sur les mêmes totaux par type:
- un graphique avec un axe vertical tronqué;
- un graphique dont l’axe commence à zéro.
Que change la perception visuelle?
NoteSolution
incidents <- read_csv(
"data/incidents_securite_sherbrooke_agreges.csv",
show_col_types = FALSE
)
incidents_type <- incidents |>
group_by(type_incident) |>
summarise(
total_incidents = sum(nb_incidents),
.groups = "drop"
) |>
arrange(desc(total_incidents))
incidents_type# A tibble: 8 × 2
type_incident total_incidents
<chr> <dbl>
1 Vol 4159
2 Voie de fait 2001
3 Menace ou acte de violence 1421
4 Méfait 1222
5 Accident avec blessés 1086
6 Introduction par effraction 996
7 Conduite avec capacités affaiblies 530
8 Accident mortel 6ggplot(
incidents_type,
aes(x = reorder(type_incident, total_incidents), y = total_incidents)
) +
geom_col(fill = "#B33A3A") +
coord_flip(ylim = c(1000, max(incidents_type$total_incidents) * 1.05)) +
labs(
title = "Version trompeuse: axe tronqué",
x = "Type d'incident",
y = "Nombre d'incidents"
)
ggplot(
incidents_type,
aes(x = reorder(type_incident, total_incidents), y = total_incidents)
) +
geom_col(fill = "#3C6E71") +
coord_flip() +
scale_y_continuous(
limits = c(0, NA),
expand = expansion(mult = c(0, 0.05))
) +
labs(
title = "Version défendable: axe à zéro",
x = "Type d'incident",
y = "Nombre d'incidents"
)
L’axe tronqué amplifie les écarts et rend même certaines petites catégories invisibles. Pour des barres, la longueur encode la quantité; l’axe doit donc normalement partir de zéro.
Exercice 2 - Publier des effectifs agrégés
Produisez un graphique qui affiche les totaux par type, les effectifs et une note précisant la portée des données.
NoteSolution
ggplot(
incidents_type,
aes(x = reorder(type_incident, total_incidents), y = total_incidents)
) +
geom_col(fill = "#4C78A8") +
geom_text(aes(label = comma(total_incidents)), hjust = -0.1, size = 3.4) +
coord_flip() +
scale_y_continuous(
limits = c(0, max(incidents_type$total_incidents) * 1.15)
) +
labs(
title = "Incidents de sécurité publique par type",
subtitle = "Sherbrooke, 2022 à 2024; données mensuelles agrégées",
x = NULL,
y = "Nombre d'incidents"
)
Ce graphique ne publie aucune adresse, coordonnée ou date exacte. Il décrit les incidents enregistrés dans la source et non l’ensemble des situations qui ont pu survenir.
Exercice 3 - Éviter une comparaison injuste entre années
Joignez les totaux annuels aux estimations de population et calculez un taux par 10 000 personnes. Comparez ce taux aux nombres bruts.
NoteSolution
population <- read_csv(
"data/population_sherbrooke_2022_2024.csv",
show_col_types = FALSE
)
incidents_annee <- incidents |>
group_by(annee) |>
summarise(
total_incidents = sum(nb_incidents),
.groups = "drop"
) |>
left_join(population, by = "annee") |>
mutate(
taux_par_10000 = total_incidents / population_estimee * 10000
)
incidents_annee# A tibble: 3 × 5
annee total_incidents population_estimee geographie taux_par_10000
<dbl> <dbl> <dbl> <chr> <dbl>
1 2022 3750 177782 Sherbrooke (V), Québec 211.
2 2023 3790 180135 Sherbrooke (V), Québec 210.
3 2024 3881 183265 Sherbrooke (V), Québec 212.Le taux tient compte de l’évolution de la population. Il ne rend toutefois pas les années parfaitement comparables si les pratiques d’enregistrement ou le contexte changent.
Bloc B - Réduire les risques de ré-identification
Exercice 4 - Repérer les variables à risque
La source originale contient notamment OBJECTID, DATEINCIDENT, DATETEXTE, x, y, DESCRIPTION et ANNEE. Classez ces variables selon leur risque de divulgation et comparez-les aux champs retenus dans l’extrait du cours.
NoteSolution
tibble(
variable_source = c(
"OBJECTID", "DATEINCIDENT", "DATETEXTE", "x", "y",
"DESCRIPTION", "ANNEE"
),
diagnostic = c(
"identifiant technique retiré",
"date et heure exactes retirées",
"date exacte retirée",
"coordonnée retirée",
"coordonnée retirée",
"catégorie conservée",
"période large conservée"
)
)# A tibble: 7 × 2
variable_source diagnostic
<chr> <chr>
1 OBJECTID identifiant technique retiré
2 DATEINCIDENT date et heure exactes retirées
3 DATETEXTE date exacte retirée
4 x coordonnée retirée
5 y coordonnée retirée
6 DESCRIPTION catégorie conservée
7 ANNEE période large conservée names(incidents)[1] "annee" "mois" "type_incident" "nb_incidents" L’agrégation mensuelle réduit la précision temporelle et la suppression des coordonnées élimine la localisation fine. Cela réduit le risque sans garantir une anonymisation absolue.
Exercice 5 - Appliquer un seuil de diffusion
Créez nb_public, qui masque les cellules mensuelles contenant moins de cinq incidents.
NoteSolution
incidents_publics <- incidents |>
mutate(
nb_public = if_else(nb_incidents < 5, NA_integer_, nb_incidents),
statut_publication = if_else(
is.na(nb_public),
"masqué: petit effectif",
"publié"
)
)
incidents_publics |>
filter(is.na(nb_public))# A tibble: 6 × 6
annee mois type_incident nb_incidents nb_public statut_publication
<dbl> <dbl> <chr> <dbl> <dbl> <chr>
1 2022 7 Accident mortel 1 NA masqué: petit effectif
2 2022 8 Accident mortel 1 NA masqué: petit effectif
3 2022 11 Accident mortel 1 NA masqué: petit effectif
4 2022 12 Accident mortel 1 NA masqué: petit effectif
5 2023 8 Accident mortel 1 NA masqué: petit effectif
6 2024 7 Accident mortel 1 NA masqué: petit effectifLe seuil de cinq est une règle pédagogique prudente, pas une garantie universelle d’anonymat. Un seuil réel doit dépendre du contexte, des autres variables et des règles de l’organisation.
Exercice 6 - Mesurer l’effet du masquage
Comptez les cellules publiées et masquées par type d’incident.
NoteSolution
incidents_publics |>
count(type_incident, statut_publication) |>
pivot_wider(
names_from = statut_publication,
values_from = n,
values_fill = 0
)# A tibble: 8 × 3
type_incident publié `masqué: petit effectif`
<chr> <int> <int>
1 Accident avec blessés 36 0
2 Accident mortel 0 6
3 Conduite avec capacités affaiblies 36 0
4 Introduction par effraction 36 0
5 Menace ou acte de violence 36 0
6 Méfait 36 0
7 Voie de fait 36 0
8 Vol 36 0Exercice 7 - Visualiser sans surexposer les petites catégories
Calculez les totaux annuels par type, conservez seulement les cellules comptant au moins 20 incidents et produisez un graphique de taux par 10 000 personnes.
NoteSolution
taux_type_annee <- incidents |>
group_by(annee, type_incident) |>
summarise(
nb_incidents = sum(nb_incidents),
.groups = "drop"
) |>
left_join(population, by = "annee") |>
filter(nb_incidents >= 20) |>
mutate(
taux_par_10000 = nb_incidents / population_estimee * 10000
)
ggplot(
taux_type_annee,
aes(x = factor(annee), y = taux_par_10000, fill = type_incident)
) +
geom_col(position = "dodge") +
labs(
title = "Taux d'incidents enregistrés par type",
subtitle = "Catégories annuelles de 20 incidents ou plus",
x = "Année",
y = "Incidents par 10 000 personnes",
fill = "Type"
)
Le graphique ne doit pas servir à étiqueter un quartier ou une population. Il présente des catégories enregistrées à l’échelle de la ville.
Étude de cas 1 - Publication municipale responsable
Exercice 8 - Construire une table publiable
À partir de incidents_publics, créez une table mensuelle qui conserve le type, l’année et le mois, mais ne diffuse pas les petits nombres.
NoteSolution
table_publication <- incidents_publics |>
select(
annee,
mois,
type_incident,
nb_public,
statut_publication
) |>
arrange(annee, mois, type_incident)
table_publication# A tibble: 258 × 5
annee mois type_incident nb_public statut_publication
<dbl> <dbl> <chr> <dbl> <chr>
1 2022 1 Accident avec blessés 28 publié
2 2022 1 Conduite avec capacités affaiblies 6 publié
3 2022 1 Introduction par effraction 18 publié
4 2022 1 Menace ou acte de violence 30 publié
5 2022 1 Méfait 17 publié
6 2022 1 Voie de fait 43 publié
7 2022 1 Vol 76 publié
8 2022 2 Accident avec blessés 18 publié
9 2022 2 Conduite avec capacités affaiblies 8 publié
10 2022 2 Introduction par effraction 16 publié
# ℹ 248 more rowsExercice 9 - Écrire une note éthique courte
Rédigez trois phrases qui expliquent ce qui est publié, ce qui est masqué et la principale limite d’interprétation.
NoteExemple de réponse
La publication présente des nombres mensuels agrégés par type, sans date exacte ni coordonnées. Les cellules de moins de cinq incidents sont masquées pour réduire les risques de divulgation et d’interprétation excessive des très petits nombres. Ces données décrivent des incidents enregistrés et ne mesurent ni toutes les situations survenues ni les causes des variations observées.
Étude de cas 2 - Sondage public et communication prudente
Le fichier data/sondage_utilisateurs_donnees_quebec_2020_2025.csv contient des réponses agrégées à trois questions de la consultation publique de Données Québec. Il ne contient ni identifiant de répondant ni commentaire libre.
Exercice 10 - Inspecter les effectifs et les valeurs manquantes
Importez le fichier, comptez les valeurs manquantes et résumez le nombre de choix enregistrés par année et par question.
NoteSolution
sondage <- read_csv(
"data/sondage_utilisateurs_donnees_quebec_2020_2025.csv",
show_col_types = FALSE
)
sondage |>
summarise(
nb_manquants = sum(is.na(nb_reponses)),
pct_manquants = sum(is.na(pourcentage))
)# A tibble: 1 × 2
nb_manquants pct_manquants
<int> <int>
1 8 8resume_sondage <- sondage |>
filter(!is.na(nb_reponses)) |>
group_by(annee, question) |>
summarise(
total_choix = sum(nb_reponses),
nb_modalites = n(),
.groups = "drop"
)
resume_sondage# A tibble: 17 × 4
annee question total_choix nb_modalites
<dbl> <dbl> <dbl> <int>
1 2020 6 88 10
2 2020 11 41 10
3 2021 3 495 8
4 2021 6 286 10
5 2021 11 291 10
6 2022 3 535 8
7 2022 6 291 10
8 2022 11 292 10
9 2023 3 511 8
10 2023 6 263 10
11 2023 11 264 10
12 2024 3 446 8
13 2024 6 259 10
14 2024 11 260 10
15 2025 3 199 8
16 2025 6 124 10
17 2025 11 124 10Le total des choix n’est pas nécessairement le nombre de personnes si une question permet plusieurs réponses.
Exercice 11 - Produire un graphique défendable
Pour la question 6 en 2025, masquez les modalités comptant moins de cinq choix et produisez un graphique avec les effectifs.
NoteSolution
sondage_2025_q6 <- sondage |>
filter(
annee == 2025,
question == 6,
!is.na(nb_reponses),
nb_reponses >= 5
)
ggplot(
sondage_2025_q6,
aes(x = fct_reorder(reponse, nb_reponses), y = nb_reponses)
) +
geom_col(fill = "#2F4B7C") +
geom_text(aes(label = nb_reponses), hjust = -0.1, size = 3.4) +
coord_flip() +
scale_y_continuous(
limits = c(0, max(sondage_2025_q6$nb_reponses) * 1.2)
) +
labs(
title = "Usages déclarés des données ouvertes",
subtitle = "Question 6, 2025; modalités de moins de cinq choix non affichées",
x = NULL,
y = "Nombre de choix"
)
Les personnes ont choisi de participer à une consultation en ligne. Les résultats ne doivent pas être présentés comme représentatifs de toute la population québécoise.
Exercice 12 - Décider ce qu’il ne faut pas publier
Nommez deux types d’information qui ne devraient pas être ajoutés à cette publication ouverte et expliquez pourquoi.
NoteExemple de réponse
Il ne faudrait pas ajouter d’identifiant permettant de relier les choix d’une même personne, car cela transformerait un tableau agrégé en historique individuel. Les commentaires libres ne devraient pas être publiés sans un processus rigoureux, car ils peuvent contenir des noms, des organisations, des coordonnées ou des situations reconnaissables. Même dans un tableau agrégé, les très petits effectifs méritent une évaluation avant diffusion.