14 Corrections des exercices de synthèse

Méthode

Tentez d’abord Chapter 13 sans regarder cette page.

14.1 Correction S1

library(tidyverse)

ventes <- read_csv("data/ventes.csv", show_col_types = FALSE) |>
  distinct() |>
  filter(!is.na(region)) |>
  mutate(date = as.Date(date), mois = floor_date(date, "month"))

ca_mois <- ventes |>
  group_by(mois) |>
  summarise(ca = sum(montant), .groups = "drop")
head(ca_mois)

#> # A tibble: 6 × 2
#>   mois          ca
#>   <date>     <dbl>
#> 1 2023-01-01 1550.
#> 2 2023-02-01 1682.
#> 3 2023-03-01 1675.
#> 4 2023-04-01 2333.
#> 5 2023-05-01 2041.
#> 6 2023-06-01 2254.

top5 <- ventes |>
  group_by(produit) |>
  summarise(ca = sum(montant), .groups = "drop") |>
  slice_max(ca, n = 5)

ggplot(top5, aes(reorder(produit, ca), ca)) +
  geom_col(fill = "#1a5276") +
  coord_flip() +
  labs(title = "Top 5 produits par CA", x = NULL, y = "CA") +
  theme_minimal()

cor(ventes$quantite, ventes$montant)

#> [1] NA

# Phrase : association positive — davantage d'unités tend à augmenter le montant, sans impliquer un mécanisme causal unique.

14.2 Correction S2

demo <- read_csv("data/demographie.csv", show_col_types = FALSE)
demo |> filter(age > 100 | revenu_mensuel > 20000)

#> # A tibble: 2 × 6
#>      id   age sexe  ville revenu_mensuel niveau_etudes
#>   <dbl> <dbl> <chr> <chr>          <dbl> <chr>        
#> 1     3   150 Femme Paris           1104 Bac          
#> 2     7    54 Femme Paris          50000 Master

# Règle : exclure âge hors [18, 100] et revenus > 20000 comme erreurs de saisie
# documentées pour ce jeu pédagogique synthétique.

demo_c <- demo |>
  filter(age >= 18, age <= 100, revenu_mensuel <= 20000)

demo_c |>
  group_by(niveau_etudes) |>
  summarise(revenu_median = median(revenu_mensuel), n = n(), .groups = "drop") |>
  arrange(desc(revenu_median))

#> # A tibble: 5 × 3
#>   niveau_etudes revenu_median     n
#>   <chr>                 <dbl> <int>
#> 1 Doctorat              2334.     8
#> 2 Licence               2307     59
#> 3 Autre                 2168     19
#> 4 Master                2168.    24
#> 5 Bac                   2068.    38

14.3 Correction S3 (contenu attendu)

---
title: "Mini-rapport météo"
format: html
---

```{r}
library(tidyverse)
meteo <- read_csv("data/meteo.csv", show_col_types = FALSE) |>
  mutate(date = as.Date(date))
mean(meteo$temperature_c)

Limite : une seule ville simulée, pas de généralisation nationale.


## Correction S4

Dans `server`, ajouter par exemple :

```r
output$n_lignes <- renderText({
  paste("Lignes filtrées :", nrow(donnees()$data))
})

Et dans ui : textOutput("n_lignes") au-dessus de plotOutput("histo").

14.4 Réponses du quiz final

"integer"
readr::read_csv (ou read.csv)
Oui, les lignes où x est NA
geom_line (souvent avec date en x)
La dispersion typique autour de la moyenne
Non (dépendance non linéaire possible)
quarto render --to pdf
renderPlot
Traçabilité et possibilité de recommencer le nettoyage
Non