Examen

1 Présentation des données

1.1 Lecture du cog

cog <- read.csv("data/cog.csv", fileEncoding = "UTF-8" , colClasses = "character")

Le cog permet d’avoir l’équivalent libellé ville / code INSEE Il s’agit des 72 villes choisies par les étudiants, sur toute l’étendue du territoire.

1.2 Les 4 sources proposées

data <- read.csv("data/examenVar.csv")
knitr::kable(data)

X	gr1	gr2	gr3	rattrapage
donnée	Insee – iris	Filosofi – carreau	valeur foncière – parcelle	logement social – appartement
univarié	nb de logements	nb d’individus	nb de ventes	nb de logement social
khi2	ancienneté des logements par iris	tranches d’age des individus par carreaux	type de local par type de rue	type d’appartement par année de construction
régression	résidences secondaires et logements vacants	foyer monoparental et logement social	montant par surface	année de construction par surface

L’important c’est

t <- t(data [1,])
t <- t [-1,]
knitr::kable(t, col.names = "lien donnée géométrie", row.names = F)

lien donnée géométrie
Insee – iris
Filosofi – carreau
valeur foncière – parcelle
logement social – appartement

1.2.1 Cartographies

1.2.1.1 Les IRIS

1.2.1.2 Les carreaux

1.2.1.3 Les parcelles cadastrales

1.3 Base logement (IRIS)

1.3.1 Extraction

lgt <- read.csv("data/gros/lgt.csv", fileEncoding = "UTF-8")

1.3.2 Bondy

bondy <- lgt [lgt$X.COM. == "93010",]
plot(bondy$P19_LOGVAC, bondy$P19_MAISON)

1.3.3 Enregistrement par dpt

lgt$dpt <- substring(lgt$COM,1,2)
dpt <- unique(lgt$dpt)
for (d in dpt){
  sel <- lgt [lgt$dpt == d,]
  write.csv2(sel [,-98], paste0("data/examen/lgt/", d, "_lgtEXAMEN.csv"), fileEncoding = "UTF-8", quote = c(1:3,5), row.names = F)
}
# on attend 31 fichiers
list.files("data/examen/lgt")

1.4 Carreaux Filosofi

library(sf)
library(mapsf)
car <- st_read("data/gros/carreaux_200m_met.gpkg")
# extraction du premier code insee du carreau
car$cog <- substring(car$lcog_geo,1,5)
carSel <- car [car$cog %in% cog$INSEE_COM,]
length(unique(carSel$cog))

toujours 61

Bondy

bondy <- carSel [carSel$lcog_geo == '93010',]
plot(bondy$men_pauv, bondy$men_mais)
hist(bondy$men_pauv)
str(bondy)

Enregistrement des carreaux par commune

valDpt <- unique(vfSel$Code.departement)
carSel$dpt <- substring(carSel$lcog_geo,1,2)
carSel <- carSel [,c(37,1:33), drop = T]
for (i in valDpt){
  sel <- carSel [carSel$dpt == i,]
  write.csv2(sel, paste0("data/examen/car/", i, "_carEXAMEN.csv"), fileEncoding = "UTF-8")
}

Enregistrement des carreaux par dpt

valDpt <- unique(vfSel$Code.departement)
carSel$dpt <- substring(carSel$lcog_geo,1,2)
carSel <- carSel [,c(37,1:33), drop = T]
for (i in valDpt){
  sel <- carSel [carSel$dpt == i,]
  write.csv2(sel, paste0("data/examen/car/", i, "_carEXAMEN.csv"), fileEncoding = "UTF-8")
}

1.5 Valeurs foncières

test bondy

bondy <- vfSel [vfSel$cog == '93010',]
tab <- table(bondy$Valeur.fonciere)
hist(bondy$Valeur.fonciere)
table(bondy$Voie [bondy$Valeur.fonciere > 30000000])
barplot(table(bondy$Voie [bondy$Valeur.fonciere < 3000]), las = 2)

On enregistre le fichier.

names(vfSel)
write.csv(vfSel [, c(48,1:43)], "data/gros/vfEXAMEN.csv", fileEncoding = "UTF-8")

on enregistre par dpt

valDpt <- unique(vfSel$Code.departement)
for (i in valDpt){
  sel <- vfSel [vfSel$Code.departement == i,]
  write.csv2(sel [, c(48,1:43)], paste0("data/examen/vf/", i, "_vfEXAMEN.csv"), fileEncoding = "UTF-8")
}

on enregistre par dpt

valDpt <- unique(vfSel$Code.departement)
for (i in valDpt){
  sel <- vfSel [vfSel$Code.departement == i,]
  write.csv2(sel [, c(48,1:43)], paste0("data/examen/vf/", i, "_vfEXAMEN.csv"), fileEncoding = "UTF-8")
}

2 Corrections

2.1 Généralités aux 3 groupes

Description des données et notamment de la base géographique

3 Choix des variables

4 Graphiques à commenter

4.1 Groupe 1 logement

4.1.1 Distribution du logement par nombre d’Iris

4.1.2 Ecart observés / théoriques ancienneté logement par iris

4.1.3 Distribution des khi2 partiels

4.1.4 Régression

4.2 Groupe 2 Filosofi

4.2.1 Distribution du nb d’individus par carreaux

4.2.2 Ecart observés / théoriques tranches d’age population par carreau

4.2.3 Distribution des khi2 partiels

4.2.4 Régression

L5GEABIM Analyses bivariées et multivariées