Hadrien Commenges Université Paris 7, Géographie-cités Hélène Mathian CNRS – Géographie-cités Claude Grasland Université Paris 7, Géographie-cités Introduction.

Présentation au sujet: "Hadrien Commenges Université Paris 7, Géographie-cités Hélène Mathian CNRS – Géographie-cités Claude Grasland Université Paris 7, Géographie-cités Introduction."— Transcription de la présentation:

1 Hadrien Commenges Université Paris 7, Géographie-cités Hélène Mathian CNRS – Géographie-cités Claude Grasland Université Paris 7, Géographie-cités Introduction aux méthodes de traitement des données géographiques avec R

2 2 Expliquer la localisation d’un phénomène en un lieu Conjugaison de 3 dimensions localisation d’un phénomène en un lieu donné Spatiale Interactions avec les autres lieux « Ecologique » Caractéristiques humaines Et physiques de ce lieu Historique Héritage, succession d’événements en ce lieu D’après Durand-Dastès (Géopoint 1990) et Pumain, Saint-Julien (L’analyse spatiale, 1997, cursus, Colin) Composante horizontale Composantes verticales

3 3 Objectifs et moyens de l’analyse spatiale Objectifs : décrire et expliquer une organisation spatiale –Analyse des localisations et structures –Analyse des facteurs explicatifs Moyens : enchaînement de méthodes –Identification et description de structures spatiales –Tester la pertinence d’un modèle spatial –Simuler un processus spatial

4 4 Les méthodes statistiques au service de l’analyse spatiale Ensemble de techniques et méthodes statistiques pour décrire et expliquer les répartitions spatiales. -Approches exploratoires (Tukey) -Approches descriptives (analyse des données) -Approches explicatives (modèles linéaires, log-linéaires…) -Approche de généralisation (lissage)

5 5 L’analyse statistique de données spatiales A donné lieu à 3 types de développements méthodologiques: -l’analyse géostatistique -l’économétrie spatiale -l’analyse statistique spatiale et/ou analyse exploratoire des données spatiales (spatial data mining).

6 6 Différentes formalisations possibles pour un même objectif - décrire et comprendre l’évolution 1982-2010 de la distribution de la population au niveau communal dans la région de Montpellier ; - proposer des prévisions pour 2020 approche statistique Micro- simulation modèle dynamique de type logistique

7 7 Les méthodes statistiques dans une démarche d’analyse spatiale pour décrire et expliquer les répartitions spatiales 1 variable univarié Ordres de grandeur: -tendance centrale -dispersion, variabilité -hétérogénéité 2 variables bivarié Analyse des relations -corrélations -test du chi2 -analyse de la variance plusieurs variables multivarié Analyse des données Toutes les variables jouent le même rôle -classifications - analyses factorielles Modèles statistiques Une variable « à expliquer » -analyse de la variance - modèle logit

8 8 De la « réalité » au Système d’Information 3 grandes phases de modélisations Acquisition Modélisation Représentation

9 9 Les données L’ensemble des observations de n individus décrits par p variables se présente sous la forme d’un tableau individus/caractères qui constitue les données. X 1 X 2 X j X p 12in12in x 11 x 12 x 1j x 1p x 21 x 22 x 2j x 2p x i1 x i2 x ij x ip x n1 x n2 x nj x np

10 10 Un jeu … de données Distribution statistique et distribution spatiale

11 11 Mise en œuvre dans logiciels Logiciel à script Logiciel à interface Orienté données géographiques Orienté méthodes statistiques Gratuit Libre

12 12 Intro à Le logiciel Interface Rstudio

13 13 Premiers pas: les objets Stat Tableau de données (X i,j ) Colonne Ou ligne X i ou X j Paramètre ou valeur R data.frame Vecteur Scalaire

14 14 Accéder aux objets Stat Tableau de données (X i,j ) Identifiant Colonne X j Ou Ligne X i Paramètre ou valeur R Montab ID Montab[3,] Montab[,10] Montab[2,3]

15 15 Type Stat Variable quantitative Variable qualitative Données manquantes R Type numeric Type character Type numeric (!) Type factor NA

16 16 Premières opérations Instruction Pseudo code -Calculer 126+267/31 Code dans R Afficher le résultat : 126 + 267 / 31 Stocker le résultat : MonObj <- 126 + 267 / 31

17 17 Premières opérations Instruction Pseudo code -Faire somme de P.,j pour j = [1962… 2008] Code dans R sum(MonTab[, “POP1936”] sum(MonTab[, “POP1954”] etc. sum(MonTab[, 3] sum(MonTab[, 4] etc.

18 18 L’opérateur c() Créer un vecteur : vExemple1 <- c(1, 2, 3, 4, 5) vExemple1 ## [1] 1 2 3 4 5 vExemple2 <- c("CP", "CE1", "CE2", "CM1", "CM2") vExemple2 ## [1] "CP" "CE1" "CE2" "CM1" "CM2 » Pour « voir » le contenu Combinaison de 5 valeurs pour Créer un vecteur

19 19 Exemple: créer un dataframe, gérer sa structure Créer un dataframe dExemple <- data.frame(vExemple1, vExemple2, stringsAsFactors = FALSE) colnames(dExemple) ## [1] "vExemple1" "vExemple2" colnames(dExemple) <- c("ID", "CLASSE") dExemple <- data.frame(ID = vExemple1, CLASSE = vExemple2, stringsAsFactors = FALSE) dExemple ## ID CLASSE ## 1 1 CP ## 2 2 CE1 ## 3 3 CE2 ## 4 4 CM1 ## 5 5 CM2

20 20 bonus Script tout fait de la cartographie

21 21 2è exo: intro variable quali Obj: manipulation de données quali -Recodage %oui-/- %non (factor) -Tri à plat (listing et stocké) -Diagramme en bâton

22 22 3è exo : croisement de variable) -Crée la var département -Quali-quali: Tri croisé= res_réfx dep -Quali-quanti- Traitement différencié: -Somme population par département -moyenne des % d’ouvriers par résultat référendum

23 23 Parallèle entre descriptif et création d’information agrégée

24 24 4è exo: melting pot Créer la variable "distance à Paris centre". Recoder la variables distance à Paris en 4 classes: 15km. Calculer revenu_hab par département et par classe de distance à Paris. Faire une la représentation graphique associée au croisement du revenu_hab et de la distance à Paris. (nuage de point des communes) Refaire cette représentation en différenciant les communes par département. Qu'observe-t-on ?

25 25 5è exo: bivarié- régression Quanti-quanti Construire une matrice de corrélation (variables à définir) %ouvrier et %non= régréssion simple –Nuage de points –coefficent

26 26 Manipulations avancées Superposition et concaténation SuperpositionConcaténation ou jointure Colonne identiques Colonnes différentes Même lignesLignes différentes + + + +

27 27 Manipulations avancées Traitement par ligne et par colonne (apply)

28 28 Manipulations avancées Transposition

29 29 Conclusion Ouverture : –SQL –objets géo et traitement stat spatiale