---
title: "support du cours sur Rmarkdown"
author: "Damien Belvèze"
date: "`r Sys.Date()`"
output:
  pdf_document: default
#  html_document: default
number_sections: true
---

# Créer un document en Rmarkdown

(provoque le chargement du package Rmarkdown et de quelques autres packages)

## Spécificités du Rmarkdown

Rmarkdown est une saveur de markdown destinée à accompagner du code exécutable.
(on ne peut pas exécuter du code dans un document en markdown commun)

Il existe d'autres "saveurs" de Markdown (par ex. github markdown)

## processus éditorial

```{r}
library(DiagrammeR)
DiagrammeR::mermaid("
graph TD
  A[R markdown] -->|Knitter| B(conversion Pandoc)
  B --> C{formats de sortie}
  C -->|portable| D[PDF]
  C -->|en ligne| E[html]
  C -->|inscriptible| F[word]
  C -->|editable| G[Latex]
")
```


## Pour bien commencer la gestion de données avec R

Pour bien commencer avec la gestion de données avec R, je recommande le guide "Programming Historians" : [Gestion et Manipulation des données avec R](https://programminghistorian.org/fr/lecons/gestion-manipulation-donnees-r#un-exemple-du-fonctionnement-de-dplyr)

# traiter et visualiser des données avec R

Rmarkdown est un des moyens d'écrire un article reproductible. 
Le reviewer aura à sa disposition non seulement le PDF mais aussi le document natif avec son historique et la liste des opérations. 
Pour plus de réplicabilité, on peut utiliser des environnements virtuels comme *renv* ou *rix* pour capturer aussi les dépendances utilisées (et certaines variables systèmes dans le cas du package *rix*)

## charger un tableau de données en CSV

un *chunck* est un bout de code dans un texte en Rmarkdown. 
Il commence par trois apostrophes arrière (*backticks* en anglais), suivies de *r* entre accolades. 
Il se termine par trois autres apostrophes arrières.

Ce chunck peut être exécuté de différentes manières : 

| position | partie | rôle | commentaire |
|:--|:--|:--|:--|
| 1 |\`\`\`| ouverture du chunck | obligatoire, 3 backticks |
| 2 | \{r | mention du langage (ici R) | dans du markdown commun \`\`\`r permet d'afficher un bloc de code mais pas de l'exécuter |
| 3 | nom du chunck | optionnel, il doit être unique dans le document et ne pas comporter de caractère spécial | optionnel, attention aux apostrophes dans les noms de chuncks |
| 4 | echo  | FALSE= n'affiche pas le code | optionnel |
| 5 | message  | FALSE= n'affiche pas les messages | optionnel |
| 6 | includes  | FALSE= n'affiche ni le code, ni le résultat | optionnel |
| 7 | eval | FALSE = n'exécute pas automatiquement quand on knitte | optionnel, utile si le code génère une erreur |



```{r chargement CSV, echo=TRUE, message=TRUE, warning=TRUE, paged.print=TRUE}
install.packages("tidyverse", repos = "http://cran.us.r-project.org")
library(tidyverse)
df <- read.csv("unemployment.csv", header=TRUE, sep = ",")
print(df)
```

## filtrer des données

La fonction *read.csv* permet de charger un tableau de données. 

```{r}
install.packages("dplyr")
library(dplyr)
df_NZL <- df %>%
  filter(iso == "NZL")
print(df_NZL)
```

La fonction *filter* du package *dplyr* permet d'extraire des données d'un dataframe ('tableau de données') au moyen d'un filtre ; ici on extrait les données dans la colonne *iso* qui correspondent au code *NZL*

```{r}
print(df)
```


```{r}
library(dplyr)
df_2022 <- df %>%
  filter(year == 2018)
mean_2018 <- mean(df_2022$value)
print(mean_2018)
```

## afficher une variable

La moyenne de l'investissement réalisés pour soutenir les salariés touchés par le chômage entre l'Autriche, la Nouvelle-Zélande et l'ensemble de l'OCDE est de `r mean_2018`


# réaliser un graphique à partir de ces données

## produire un diagramme en bar avec ggplot2

```{r}
install.packages("ggplot2")
library(ggplot2)
plot <- ggplot(data=df, aes(x=year, y=value, fill=country))
plot + geom_bar(stat = "identity")
```



## créer des données fictives pour le Japon et les ajouter au graphique 

```{r}


# créer un vecteur 'years' pour notre nouveau dataframe allant de 2010 à 2022
years <- 2010:2022

# assigner des valeurs minimales et maximale à notre nouveau dataframe en fonction des valeurs minimales et maximales de la colonne value dans df
min_value <- min(df$value)
max_value <- max(df$value)

# générer pour chaque année (year) une valeur aléatoire entre les valeurs maximale et minimale définies plus haut
random_values <- runif(n = length(years), min = min_value, max = max_value)

# créer un nouveau dataframe avec ces données et ajouter JPN à chaque ligne dans la colonne iso et 'Japan' à chaque ligne dans la colonne 'country'
new_df <- data.frame(
  iso = "JPN",
  country = "Japan",
  year = years,
  value = round(random_values, 3)
)

# concatenater les deux tableaux, le premier (df et le second 'new_df)
df_concat <- rbind(df, new_df)

# imprimer le tableau concaténé
print(df_concat)
```