FX Jollois

A FAIRE

Vous devez donc continuer l’application, avec le contenu suivant :

  • Premier onglet
    • Le travail fait précédemment
  • Deuxième onglet : Analyse de variables qualitatives
    • l’utilisateur peut choisir une variable parmi cyl, vs, am, gear et carb
    • le système affiche le diagramme en barres et le diagramme circulaire, ainsi qu’un tableau des occurences et des fréquences des modalités
  • Troisième onglet : croisement de variables qualitatives
    • l’utilisateur doit donc choisir deux variables parmi celles citées (on ne gère pas la possibilité que l’utilisateur choisisse la même deux fois pour le moment)
    • le système affiche un diagramme en barres empilées ainsi que le tableau de contingence, avec les sommes en lignes et en colonnes

Partie server

Nous reprenons le code du TP pour cette partie.

  • server.R
library(shiny)

shinyServer(function(input, output) {
    
    # Code pour le premier onglet
    output$nuage <- renderPlot({
        plot(mtcars$mpg ~ mtcars[,input$choix], main = "Consommation")
    })
    
    output$resumeMpg <- renderText({
        paste("Moyenne mpg :", mean(mtcars$mpg, na.rm = T))
    })
    output$resumeVar <- renderText({
        paste("Moyenne", input$choix, ":", mean(mtcars[,input$choix], na.rm = T))
    })
    
    output$tableau <- renderTable({
        sub = subset(mtcars, select = c("mpg", input$choix))
        sapply(sub, summary)
    })
    
    
    
    # Code pour le deuxième onglet
    
    
    
    # Code pour le troisième onglet
})

Système d’onglets (panels)

Comme déjà précisé dans le TP, nous désirons avoir un système d’onglet afin de limiter les déplacements avec la souris. Pour cela, nous utilisons donc tabsetPanel(), qui va prendre en paramètre autant de tabPanel() que d’onglets. Chacun contiendra, dans notre travail, trois paramètres :

  • le nom (court) apparaissant dans la partie à cliquer pour sélectionner l’onglet
  • un titre d’onglet (avec titlePanel())

  • un agencement en deux parties avec sidebarLayout()

  • ui.R

library(shiny)

shinyUI(fluidPage(
    titlePanel("Première application"),
    
    tabsetPanel(
        tabPanel(
            "TP",
            titlePanel("Contenu TP"),
            # Contenu de l'onglet 
            sidebarLayout(
                # -> tout le travail fait durant le TP
            )
        ),
        tabPanel(
            "Quali",
            titlePanel("Analyse d'une variable qualitative"),
            # Contenu de l'onglet
            sidebarLayout(
                # -> cf plus bas
            ) 
        ),
        tabPanel(
            "Quali-Quali",
            titlePanel("Croisement de variables qualitatives"),
            # Contenu de l'onglet
            sidebarLayout(
                # -> cf plus bas
            )
        )
    )
))

Onglet 2

Organisation

Comme indiqué, cet onglet contiendra donc un sidebarLayout(). Celui-ci prend au moins deux paramètres :

  • la partie placée sur le côté (à gauche par défaut), décrite dans sidebarPanel()
  • la partie principale, avec mainPanel()
  • éventuellement un troisième paramètre pour dire si on veut la première partie à droite

L’idée générale de ce type d’organisation est de mettre les inputs sur le côté, et les outputs dans la partie principale. Ici, voici la répartition que cela nous donnera.

  • ui.R
sidebarLayout(
    sidebarPanel(
        # choix de la variable qualitative
    ),
    mainPanel(
        # diagramme en barres
        # diagramme circulaire
        # table d'effectifs et de fréquences
    )
)

Choix de la variable qualitative

On décide d’utiliser une liste de sélection, avec selectInput(), que l’on placera donc plutôt dans la partie sidebarPanel(). Dans le selectInput(), nous devons donner trois paramètres (au moins) :

  • le nom de l’input pour l’utiliser par la suite dans la partie server
  • le titre de la liste de sélection
  • les choix possibles (ici, la liste des variables qualitatives de mtcars)

Ainsi, voici le code pour la partie ui. Et bien évidemment, dans la partie server, voici comment nous pourrons faire référence au choix de l’utilisateur.

  • ui.R :
selectInput("choixQl", "Variable qualitative",
            choices = c("cyl", "vs", "am", "gear", "carb"))
  • server.R :
input$choixQl

Descriptif de la variable qualitative choisie

Ici, dans l’ui, nous devons donc prévoir trois outputs pour la description d’une variable qualitative, comme demandée (2 graphiques avec plotOutput() et une table avec tableOutput()). Chacun doit prendre un paramètre, le nom permettant de leur affecter un rendu (avec respectivement renderPlot() et renderTable()). Et dans la partie server, voici comment définir le contenu des ces outputs.

  • ui.R :
plotOutput("graphQlBar"),
plotOutput("graphQlPie"),
tableOutput("tableQl")
  • server.R :
output$graphQlBar <- renderPlot({
    # Code pour la diagramme en barres
})
output$graphQlPie <- renderPlot({
    # Code pour la diagramme circulaire
})
output$tableQl <- renderTable({
    # Code pour le tableau des effectifs et fréquences
})

Diagramme en barres

Pour le diagramme en barres, il est possible de le faire de différentes façons, telles que présentées ci-dessous. Il faut prendre un de ces trois codes pour le placer dans le renderPlot() correspondant au diagramme en barres.

  • Première possibilité : avec R de base
barplot(table(mtcars[,input$choixQl]))
  • Deuxième possibilité : avec ggplot2 et création d’un data.frame temporaire
d = data.frame(x = factor(mtcars[,input$choixQl]))
ggplot(d, aes(x)) + 
    geom_bar() +
    labs(x = input$choixQl, y = element_blank())
  • Troisième possibilité : toujours avec ggplot2 et la fonction aes_string() permettant de déterminer les variables liées aux aspecets esthétiques via une chaîne de caractères
ggplot(mtcars, aes_string(input$choixQl)) + 
    geom_bar()

Diagramme circulaire

De même que pour le diagramme en barres, nous avons plusieurs possibilités, présentées ci-dessous.

  • Première possibilité : avec R de base
pie(table(mtcars[,input$choixQl]))
  • Deuxième possibilité : avec ggplot2 et création d’un data.frame temporaire
d = data.frame(x = factor(mtcars[,input$choixQl]))
ggplot(d, aes("", fill = x)) + 
    geom_bar(position = "fill", width = 1) +
    scale_y_continuous(labels = percent) +
    coord_polar(theta = "y") +
    labs(fill = input$choixQl, y = element_blank(), x = element_blank())

Tableau des effectifs et des fréquences

Le code suivant, à placer dans le renderTable() permet de créer un data.frame contenant trois colonnes :

  • les modalités, avec le nom de la table d’effectifs créée avec table()
  • les effectifs, résultat du table() (l’utilisation de c() permet ici de ne récupérer que les valeurs - sans ca, le tableau t est transformé en data.frame à 2 colonnes)
  • les proportions calculées avec prop.table(), auquelles on ajoute le sigle "%"
t = table(mtcars[,input$choixQl])
data.frame(
    Modalité = names(t),
    Effectif = c(t),
    Proportion = paste(round(100 * prop.table(t), 1), "%"),
    row.names = NULL
)

Onglet 3

Organisation

L’organisation est ici la même que pour les deux onglets précédents, avec les inputs dans le sidebarPanel() et les outputs dans le mainPanel().

  • ui.R
sidebarLayout(
    sidebarPanel(
        # Choix des deux variables qualitatives
    ),
    mainPanel(
        # Diagramme en barres empilées
        # Table de contingence
    )
)

Choix de deux variables qualitatives

  • ui.R :
selectInput("choixQl1", "Variable qualitative 1",
            choices = c("cyl", "vs", "am", "gear", "carb")),
selectInput("choixQl2", "Variable qualitative 2",
            choices = c("cyl", "vs", "am", "gear", "carb"))
  • server.R :
input$choixQl1
input$choixQl2

Descriptif du lien entre les variables

Dans l’ui, nous créons deux outputs pour recevoir le diagramme en barres empilées (avec plotOutput()) et la table de contingence (avec tableOutput()). Dans la partie server, nous déterminons leur rendu, avec les fonctions renderPlot() et renderTable().

On défini le paramètre rownames à TRUE pour l’affichage des modalités de la table de contingence.

  • ui.R
plotOutput("graphQlQl"),
tableOutput("tableQlQl")
  • server.R
output$graphQlQl <- renderPlot({
    # Code pour le diagramme en barres empilées
})
output$tableQlQl <- renderTable({
    # Code pour la table de contingence
}, rownames = TRUE)

Diagramme en barres empilées

Nous avons deux possibilités ici pour produire ce graphique. Remarquez que pour la première, il serait nécessaire d’ajouter une légende pour les modalités de la variable empilée.

  • Première possibilité : avec du code R de base
t = table(mtcars[,input$choixQl2], mtcars[,input$choixQl1])
p = prop.table(t, margin = 2)
barplot(p * 100, xlab = input$choixQl1, ylab = input$choixQl2)
  • Deuxième possibilité : avec ggplot2 en créant un nouveau data.frame
d = data.frame(
    x = factor(mtcars[,input$choixQl1]),
    y = factor(mtcars[,input$choixQl2])
)
ggplot(d, aes(x, fill = y)) + 
    geom_bar(position = "fill") +
    labs(x = input$choixQl1, fill = input$choixQl2, y = element_blank())

Tableau de contingence

Pour la table de contigence, nous utilisons le résultat de table(). Nous améliorons celui-ci en ajoutant le nom de la variable devant chaque modalité. Cela permet de mieux comprendre le tableau produit. Pour ajoutant les sommes en lignes et en colonnes (nommées aussi marges), nous utilisons la fonction addmargins().

t = table(mtcars[,input$choixQl2], mtcars[,input$choixQl1])
colnames(t) = paste(input$choixQl1, colnames(t), sep = ": ")
rownames(t) = paste(input$choixQl2, rownames(t), sep = ": ")
unclass(addmargins(t))

Si vous avez tout compris

Ajoutez deux onglets :

  • description d’une variable quantitative
  • description du lien entre une variable quantitative et une variable qualitative
Site créé avec R et la librairie rmarkdown.