...
 
Commits (2)
......@@ -33,6 +33,6 @@ COMPUTADORA,ordinateur
TELEFONO,ligne de téléphone terrestre
CELULAR, téléphone mobile
INTERNET,accès internet
TENENCIA,propiétaire du logement
TENENCIA,propriétaire du logement
NUMPERS,nombre de résidents du logement
TIPOHOG,type de foyer
......@@ -3,10 +3,23 @@ title: "StatsViviendaPersona15"
output: html_document
---
```{r library}
library(cluster)
library(cartography)
library(reshape2)
library(ggplot2)
library(rgdal)
#install.packages("cartography")
#install.packages("ggplot2")
#install.packages("reshape2")
#install.packages("cluster")
source("http://www.sthda.com/upload/rquery_cormat.r")
```
# Création du taux d'équipement des ménages par municipalité
```{r read.csv}
tab_frequence_2015_viv <- read.csv("tab_frequence_2015_viv.csv",header=TRUE, sep=",")
tab_frequence_2015_viv <- read.csv("../data/traitees/tab_frequence_2015_viv.csv",header=TRUE, sep=",")
```
```{r read.csv}
tab_Equipement <- tab_frequence_2015_viv[,c(114:144)]
......@@ -24,11 +37,6 @@ TabCor <- as.data.frame(cor(tab_Equipement_SI))
Le tableau "TabCor" contient l'ensemble des coefficient de corrélation des variables d'équipement entre elles.
```{r source}
source("http://www.sthda.com/upload/rquery_cormat.r")
```
```{r rquery.cormat}
TabCorAttrib<- rquery.cormat(TabCor, type="flatten", graph=FALSE)
```
......@@ -43,7 +51,7 @@ Les scores de la valeur-p sont extrêment faible, ce qui indique que les coeffic
rquery.cormat(tab_Equipement_SI)
```
L'ensemble des variables d'équipements sont extrêment corrélées entre elles. Les coefficients de corrélations sont supérieurs à 0.9 dans l'ensemble des cas. La construction d'un indicateur qui regroupe les variablements d'équipement permettraient de résumer le taux d'équipement des ménages par municipalités.
L'ensemble des variables d'équipements sont extrêment corrélées entre elles. Les coefficients de corrélations sont supérieurs à 0.9 dans l'ensemble des cas. La construction d'un indicateur qui regroupe les variables d'équipement permettraient de résumer le taux d'équipement des ménages par municipalités.
Cet indicateur sera relatif au contexte des municipalités de l'entité administrative de Mexico car il s'appuie sur les résultats statistiques obtenus pour l'étude de cet espace géographique.
......@@ -109,7 +117,7 @@ NbrOccupant<-(Tab_NUMPERS[,1]*1/(rowSums(Tab_NUMPERS)))+
```
# Calcule du nombre moyen de pièce par vivienda
# Calcule du nombre d'occupant moyen de pièce par vivienda
```{r}
Tab_TOTCUART <- tab_frequence_2015_viv[,c(16:40)]
......@@ -158,7 +166,7 @@ TotPersCuart <- as.data.frame(NbrOccupant/NbrPiece)
Hypothèse: Il existe une relation entre le niveau d'étude et le niveau de vie des population des différentes municipalités qui compose l'entité administrative de Mexico. Le niveau de vie des population sera caractérisé par leur taux d'équipement.
```{r readRDS}
tab_freq_pourc_pers_viv <- readRDS("tab_freq_pourc_pers_viv.rds")
tab_freq_pourc_pers_viv <- readRDS("../data/traitees/tab_freq_pourc_pers_viv.rds")
```
°) Sélection des variables caractérisant le niveau de formation
......@@ -173,26 +181,19 @@ Tab_NIVACAD <- tab_freq_pourc_pers_viv[,c(212:216,222:225)]
Data <- cbind(Tab_NIVACAD,TxEquipement)
```
°) Centrage-réduction des valeurs
°) Centrage-réduction des valeurs pour donner le même poids à chaque variable dans l'analyse
```{r scale}
M <-as.data.frame(scale(Data ))
```
```{r install.packages}
install.packages("cluster")
```
```{r library}
library(cluster)
```
°) Classification des variables par rapport à leur distance euclidenne
```{r agnes}
ClusterM <- agnes(M,metric = "euclidean", method = "ward")
```
°) Création du dendrogramme
°) Création du dendrogramme pour représenter l'inertie entre classe et entre individu
```{r as.dendrogram}
dendroM <- as.dendrogram(ClusterM)
```
......@@ -207,14 +208,16 @@ plot(dendroM, type = "triangle", ylab = "Height", xlab = "Municipio")
Le choix du nombre de classe est selon l'appréciation de l'auteur. Il doit trouver un nombre de classe pour maximiser l'inertie entre classe (Height) et minimiser l'inertie entre individus (Municipio).
```{r cutree}
Tab <- cutree(ClusterM,k=3)
Tab <- cutree(ClusterM,k=4)
```
°) La fonction factor permet d'e pondérer d'associer aux valeurs centrées-réduites chaque classes auxquelles elles appartiennent.
```{r factor}
M$Cluster <- factor(Tab,levels = 1:3,labels = paste("Clus",1:3))
M$Cluster <- factor(Tab,levels = 1:4,labels = paste("Clus",1:4))
```
°) La fonctionction aggregate sert dans la cadre de cet analyse, à calculer la moyenne des valeurs centrées-réduites pour chaque variables associées à une classe.
```{r aggregate}
ClusProfile<- aggregate(M[, 1:10],by=list(M$Cluster),mean)
......@@ -222,23 +225,22 @@ ClusProfile<- aggregate(M[, 1:10],by=list(M$Cluster),mean)
```{r colnames}
colnames(ClusProfile)[1] <-"CLUSTER"
```
```{r install.packages}
install.packages("reshape2")
```
```{r library}
library(reshape2)
```
colnames(ClusProfile)[2] <-"Preescolar"
colnames(ClusProfile)[3] <-"Primaria"
colnames(ClusProfile)[4] <-"Secundaria"
colnames(ClusProfile)[5] <-"bachillerato"
colnames(ClusProfile)[6] <-"bachillerato_Tech"
colnames(ClusProfile)[7] <-"Licenciatura"
colnames(ClusProfile)[8] <-"Especialidad"
colnames(ClusProfile)[9] <-"Maestría"
colnames(ClusProfile)[10] <-"Doctorado"
```
°) La fonction melt permet de transposer la modalité Cluster en une variable à part entière
```{r melt}
clusLong <-melt(ClusProfile, id.vars = "CLUSTER")
```
```{r install.packages}
install.packages("ggplot2")
```
```{r library}
library(ggplot2)
......@@ -247,12 +249,15 @@ library(ggplot2)
```{r ggplot}
ggplot(clusLong) +
geom_bar(aes(x = variable, y = value, fill = CLUSTER ),stat = "identity") +
scale_fill_manual("Classes :", values = c("dodgerblue", "green3","darkviolet")) +
scale_fill_manual("Classes :", values = c("dodgerblue", "green3","darkviolet","darkorange")) +
facet_wrap (~ CLUSTER) +
coord_flip() + theme_dark()
```
```{r library}
°) DataMap est une table qui associe les codes municipaux aux résultats de la CAH dans le but de concevoir un tableau de données attributaires pour cartographier les résultats de la CAH.
```{r data.frame}
DataMap <- data.frame(tab_freq_pourc_pers_viv$code_mun, row.names(M), M$Cluster)
colnames(DataMap)[1] <-"Code_Mun"
```
......@@ -261,10 +266,6 @@ colnames(DataMap)[1] <-"Code_Mun"
library(rgdal)
```
```{r library}
library(rgdal)
```
```{r readOGR}
Municipios_2015 <- readOGR(dsn= "../data/areas_geoestadisticas_municipales.shp", layer = "areas_geoestadisticas_municipales",encoding= "utf8", stringsAsFactors = FALSE)
......@@ -275,16 +276,13 @@ projection <- "+proj=utm +zone=14 +datum=WGS84 +units=m +no_defs + ellps=WGS84"
```
```{r spTransform}
Municipios_2015 <- spTransform(Mexico_ZMVM, projection)
Municipios_2015 <- spTransform(Municipios_2015, projection)
```
```{r paste}
Municipios_2015$ID <- paste(Municipios_2015$CVE_ENT, Municipios_2015$CVE_MUN, sep="")
```
```{r installe.packages}
install.packages("cartography")
```
......@@ -304,20 +302,36 @@ typoLayer(spdf = Municipios_2015,
var = "M.Cluster",
spdfid = "ID",
dfid = "Code_Mun",
col = c("dodgerblue", "green3","darkviolet"),
col = c("dodgerblue", "green3","darkviolet","darkorange"),
legend.title.txt = "Cluster",
legend.frame = FALSE,
legend.pos = "topleft",
border = "grey20")
border = "gray0")
layoutLayer(title = "CAH Niveau d'étude/Taux d'équipement de la population des Municipios de Mexico",
layoutLayer(title = "CAH Municipios de Mexico: Niveau d'étude et taux d'équipement",
postitle = "center",
sources = "INEGI,encuesta intercensal 2015",
author = ,
sources = "Source: INEGI, encuesta intercensal 2015",
author ="" ,
scale = 0,
north = TRUE)
```
\ No newline at end of file
```
```{r library}
library(factoextra)
```
°) Le découpage des classes qui a été opéré, est matérialisé sur le dendrogramme suivant:
```{r fviz_dend}
plot(dendroM,type = "triangle")
fviz_dend(dendroM, k = 4,
k_colors = c("#0092ff", "#00ff0d","#8c1aff","#F07800"),
color_labels_by_k = TRUE,
rect = TRUE,
rect_border = c("#0092ff", "#00ff0d","#8c1aff","#F07800"),
rect_fill = TRUE,main = "",xlab = "Municipos",ylab="Inertie")
```