Le principe de la reproductibilité est au fondement même des sciences

La reproductibilité est le meilleur test de la validité d'une expérimentation scientifique. "La science est infaillible ; mais les savants se trompent toujours" (Anatole France, 1889)

[CONSTAT] Par rapport aux sciences experimentales, Les sciences basées sur l'informatique ont l'avantage d'être plus facilement reproductibles.

[OBJECTIF] Accompagner les publications scientifiques des jeux de données et codes sources pour permettre aux collègues de reproduire les résultats.

Peng, 2011

Les cartes, comme les autres production graphiques ou statistiques sont des éléments à part entière des études scientifique.

La grande majorité des cartes produites dans un contexte académique sont issues de processus comlexes. Elles sont donc souvent produites en utilisant une grande variété de logiciels et de formats.

Cette variété de formats et de logiciels rend difficile la reproduction des cartes.

=> UN OBJECTIF : simplifier les chaines de traitement

Un langage commun permetant de couvrir les différentes étapes de la constructuion cartographique

• Garder une trace cohérente des traitements effectués
  
• Partager ses méthodes
  
• Etre transparent, s'exposer à la critique
  
• Faciliter les mises à jour
  
• Travailler collectivement
  
• Automatiser des taches
  
• Lier fortement l'analyse et la représentation

• Disponibilité (question du coût des licences)

• Transparence (open-source, licence d'utilisation)

• Simplicité d'utilisation (degrès d'adoption de la solution dans la communauté concernée)

• Le logiciel R

• Son écosystème de packages

• Un environnement de développement intégré (IDE).

+

=> Des solutions de literate programming, tel que le Markdown et le RMardown.
Literate programming : Une explication de la logique du programme en langage naturel, entremêlée de morceaux de code source.

=> Un logiciel de gestion de version, tel que git et la plateforme d'hébergement Github pour diffuser et partager ses résultats, travailler en équipe ou faire appel à des contributeurs.

• R est un langage et un environnement permettant de réaliser une variété de traitements statistiques et de représentations graphiques.

• R est un logiciel libre sous license GNU General Public License.

• R est multiplateforme (GNU/Linux, Windows, OS X…).

10762 packages dans le Comprehensive R Archive Network (CRAN) (6 juin 2017)

CRAN package data through 2016 by Andrie de Vries

library(cartography)
data(nuts2006)
nuts2.df$cagr <- (((nuts2.df$pop2008 / nuts2.df$pop1999)^(1/9)) - 1) * 100
cols <- carto.pal(pal1 = "green.pal", n1 = 2, pal2 = "red.pal", n2 = 4) 
plot(nuts0.spdf, border = NA, col = NA, bg = "#A6CAE0")
plot(world.spdf, col  = "#E3DEBF", border=NA, add=TRUE)
choroLayer(spdf = nuts2.spdf, df = nuts2.df, 
           var = "cagr", 
           breaks = c(-2.43,-1,0,0.5,1,2,3.1), 
           col = cols, border = "grey40", lwd = 0.5, 
           legend.pos = "right", 
           legend.title.txt = "Compound Annual\nGrowth Rate", 
           legend.values.rnd = 2, add = TRUE) 
plot(nuts0.spdf,border = "grey20", lwd=0.75, add=TRUE)
layoutLayer(title = "Demographic Trends", author = "cartography", 
            sources = "Eurostat, 2008", frame = TRUE, col = NA, 
            scale = NULL, coltitle = "black",
            south = TRUE) 
barscale(size = 400)

# ...

## Plot Stamen tiles (using OpenStreetMap data) as basemap 
EUosm <- getTiles(spdf = nuts0.spdf, type = "stamenwatercolor", zoom = 4)
# Plot the tiles
tilesLayer(EUosm)

# ...

# Plot countries population 
propSymbolsLayer(spdf = nuts0.spdf, # SpatialPolygonsDataFrame of the countries
                 df = nuts0.df,  # data frame of the regions
                 var = "pop",  # population
                 symbols = "circle", # type of symbol
                 border = "white", # color of the symbols borders
                 lwd = 1.5, # width of the symbols borders
                 legend.pos = "topleft", 
                 legend.title.txt = "Total population\n(in thousands)")
# ...

# ...

# Plot symbols with choropleth coloration
propSymbolsChoroLayer(spdf = nuts2.spdf, 
                      df = nuts2.df, 
                      var = "pop2008", #  field in df to plot the symbols sizes
                      inches = 0.1, # set the symbols sizes
                      var2 = "cagr", #  field in df to plot the colors
                      col = cols, # symbols colors
                      breaks = c(-2.43,-1,0,0.5,1,2,3.1), # breaks
                      border = "grey50",  # border colors of the symbols
                      lwd = 0.75, # symbols width
                      legend.var.pos = "topright", # size legend position
                      legend.var.values.rnd = -3, # size legend value roundinf
                      legend.var.title.txt = "Total Population", # size legend title
                      legend.var.style = "e", # size legend type
                      legend.var2.pos = "right", # color legend position
                      legend.var2.title.txt = "Compound Annual\nGrowth Rate") # legend title

# ...

# ...
# Create a grid layer
mygrid <- getGridLayer(spdf=nuts2.spdf, # SpatialPolygonsDataFrame
                       cellsize = 200000) # output cell size, in map units (200 km)

# ...

# Plot the gridded population density
choroLayer(spdf = mygrid$spdf,df = datagrid.df,var = "densitykm", 
           border = "grey80", col = cols, legend.pos = "topright",
           method = "q6", add = TRUE,
           legend.title.txt = "Population Density\n(inhabitant/km²)")
# ...

# ...
# Get a SpatialLinesDataFrame of countries borders
nuts0.contig.spdf <- getBorders(nuts0.spdf)
# ...
# Plot discontinuities
discLayer(spdf = nuts0.contig.spdf, # SpatialLinesDataFrame of borders
          df = nuts0.df, # data frame on countries
          var = "gdpcap", # variable used to compute discontinuties 
          type = "rel", # type of discontinuity measure 
          method="equal", # discretisation of discontinuities
          nclass=4, # number of discontinuities classes
          threshold = 0.5, # representation threshold of discontinuities  
          sizemin = 0.5, # minimum size of discontinuities lines
          sizemax = 6, # maximum size of discontinuities lines
          col="red", # color of the lines
          legend.values.rnd = 1,
          legend.title.txt = "Discontinuities in \nGDP per Capita\n(relative)",
          legend.pos = "topright", 
          add=TRUE)

# ...

# ...

# compute & display the potential map
smoothLayer(spdf = mygrid$spdf, df = df1, var = "gdp", var2 = "pop2008", breaks = v, 
            span = 1e+05, beta = 2, mask = nuts0.spdf, resolution = 49000, col = cols, 
            legend.title.txt = "Potential\nGDP per capita\n(in euros)", legend.values.rnd = -2, 
            border = "grey80", lwd = 0.5, add = T, legend.pos = "topright")

# ...

• Extraction des données
• Nettoyage et mise en forme
• Analyse
• Cartographie

## Chargement des packages

library(xml2)
library(rvest)

• A l'aide des boucles, on 'parse' les lien pour afficher les pages de chaque commune.
• Grace a xml2 et rvet, on accède aux données précises dans la page
• A la fin du processus, on sauvegarde des données dans un fichier csv
• On réalise cette extraction pour les elections de 2012 et celles de 2017

==> result2017.csv
==> result2012.csv

• On peut passer à l'étape suivante… en live