3  Description des données

3.1 Obtenir une synthèse de données

Voici deux exemples pour obtenir des petits résumés.

d_long_paired_sum <- d_long_paired %>% 
   mutate(sex=ifelse(sex=="1", "garçons","filles")) %>% 
   group_by(temps, group, sex) %>% 
  summarise(n=n())

d_long_paired_sum2 <- d_long_paired %>% 
  group_by(temps, group) %>% 
  summarise(n=n(),
            mean_hbs=mean(hbs_sco),
            mean_pec=mean(pec_sco),
            mean_be=mean(be_sco),
            mean_est=mean(est_sco),
            mean_cli=mean(cli_sco),
            mean_sou=mean(sou_sco),
            mean_mot=mean(mot_sco),
            mean_sho1=mean(sho_1),
            mean_sho2=mean(sho_2),
            mean_sho3=mean(sho_3),
            mean_sho4=mean(sho_4))

3.2 Principes

3.3 Procédures

3.4 Le cas des boucles

La fonction for semble très utile pour faire faire des boucles. Quand je dois réaliser 10 plots de 10 VI, je peux juste préparer mon plot et l’intégrer dans une boucle. La contrainte semble être liée à aes et peut-être aussi au titre du plot dont on aimerait aussi “automatiser” la génération.

Infos à comprendre et tester ici : https://statistique-et-logiciel-r.com/comment-utiliser-ggplot-dans-une-boucle-ou-dans-une-fonction/

intégrer et expliquer le cas d’école réussi avec les données IBE:

#######################
#visualisation en loop#
#######################
# Liste des noms des variables que l'on veut (a à p uniquement).
var_list = names(d_paired)[6:21]

# création de la liste pour accueillir les 16 (21-5) plots
plot_list = list()

for (i in 1:16) {
  p <- d_paired %>% 
    ggplot() +
    aes(x = dat) +
    aes_string(y = var_list[i]) +
    geom_jitter(size = 5, alpha = .5, width = 0.3) +
    stat_summary(fun = mean, geom = "point", size = 3, shape = 4, color = "red") +
    stat_summary(fun = mean, geom = "line", aes(group = 1), color = "red") +
    labs(title = paste("Mesure item",i), y = "Score") +
    theme(plot.title = element_text(hjust = 0.5))  
  plot_list[[i]] = p
}
dev.off()

# enregistrement des plots en png par fichier séparé avec un nom correspondant au nom de la variable et non de son numéro.
for (i in 1:16) {
  temp_plot = plot_list[[i]]
  ggsave(temp_plot, file=paste0("plot_", var_list[[i]],".png"), width = 14, height = 10, units = "cm")
}

3.5 Tableaux

3.6 Plots

intégrer mes trouvailles de crips2019 et ce qu’un plot doit montrer.

Travail avec Zoe. Notes à intégrer :

Réaliser des boxplots avec barres d’erreurs

[ ] –> plutôt utiliser select des variables ou filter des participants gather –> 1er argument nom et 2ème argument valeur

set.sid dans Rmarkdown pour figer les aléatoires, p.ex. le jitter pour pas que ça change à chaque lancement.

installer des kits de couleurs au besoin.

shape : les numéros correspondent à des formes de points.

geom_line : 3 arguments minimum. avec group. –> pourquoi “group” et pourquoi “1”. Alt + N = ~

jitter –> position et positionjitterdodge pour comparer G et F

Afficher toutes les catégries, même les vides :

    scale_x_discrete(drop = FALSE) # Forcer l'affichage des catégories vides
# A voir si la variable doit être un facteur
d <- d %>% 
  mutate(
         q1 = factor(q1, levels = c("1","2","3","4"), labels = c("pas du tout", "plutôt non", "plutôt oui", "tout à fait")),
         q2 = factor(q2, levels = c("1","2","3","4"), labels = c("pas du tout", "plutôt non", "plutôt oui", "tout à fait")),
         q3 = factor(q3, levels = c("1","2","3","4"), labels = c("pas du tout", "plutôt non", "plutôt oui", "tout à fait")),
         q4 = factor(q4, levels = c("1","2","3","4"), labels = c("pas du tout", "plutôt non", "plutôt oui", "tout à fait")),
  )