Merge branch 'InseeFrLab:master' into wrong-url

.github/workflows/bookdown-test.yaml

@@ -37,7 +37,7 @@ jobs:
           retention-days: 5
       - name: Install npm
         if: ${{ github.event.pull_request.head.repo.full_name == github.repository }}
-        uses: actions/setup-node@v2          
+        uses: actions/setup-node@v4          
         with:
           node-version: '18'        
       - name: Deploy to Netlify

01_R_Insee/Fiche_utiliser_utilitR.qmd

@@ -110,7 +110,7 @@ Ces jeux de données sont mis à disposition par l'intermédiaire d'un _package_
 Voici la liste des tables disponibles dans `doremifasolData` :
 
 ```{r "contenu_doremifasolData", echo = FALSE, results = "asis"}
-tables <- data(package = "doremifasolData")$result
+tables <- data(package = "doremifasolData")$results
 
 output <- 
   knitr::kable(

02_Bonnes_pratiques/02-structure-code.qmd

@@ -4,7 +4,8 @@
 
 L'utilisateur souhaite améliorer la structuration de ses projets `R` afin de favoriser leur maintenabilité et leur réutilisation.
 
-::: {.callout-important} ## Tâche concernée et recommandation
+::: {.callout-important} 
+## Tâche concernée et recommandation
 - Il est recommandé d'utiliser systématiquement les projets `RStudio` dans
 des projets impliquant des programmes `R`.
 - Il est recommandé de structurer les projets en dossiers thématiques

03_Fiches_thematiques/Fiche_api.qmd

@@ -375,7 +375,7 @@ Le résultat est formaté sous forme de JSON, ce qui est pratique mais peu
 intelligible :
 
 ```{r}
-resultats
+jsonlite::prettify(resultats)
 ```
 
 Pour en faire une information exploitable, il est nécessaire de retraiter le résultat de la requête. Par exemple, pour n'extraire que le libellé et le nutriscore d'un produit, ainsi que son indice de transformation NOVA, il faut utiliser une boucle sur les différentes caractéristiques à extraire :

03_Fiches_thematiques/Fiche_arrow.qmd

@@ -9,7 +9,7 @@ L'utilisateur souhaite manipuler des données structurées sous forme de `data.f
 
 - Pour des tables de données de taille petite et moyenne (inférieure à 1 Go ou moins d'un million d'observations), il est recommandé d'utiliser les *packages* `tibble`, `dplyr` et `tidyr` qui sont présentés dans la fiche [Manipuler des données avec le `tidyverse`](#tidyverse);
 
-- Pour des tables de données de grande taille (plus de 1 Go en CSV, plus de 200 Mo en Parquet, ou plus d'un million d'observations), il est recommandé d'utiliser soit les *packages* `arrow` (qui fait l'objet de la présente fiche) et `#duckdb` (voir la fiche [Manipuler des données avec `arrow`](#duckdb)), soit le *package* `data.table` qui fait l'objet de la fiche [Manipuler des données avec `data.table`](#datatable).
+- Pour des tables de données de grande taille (plus de 1 Go en CSV, plus de 200 Mo en Parquet, ou plus d'un million d'observations), il est recommandé d'utiliser soit les *packages* `arrow` (qui fait l'objet de la présente fiche) et `#duckdb` (voir la fiche [Manipuler des données avec `duckdb`](#duckdb)), soit le *package* `data.table` qui fait l'objet de la fiche [Manipuler des données avec `data.table`](#datatable).
 
 - Il est essentiel de travailler avec la dernière version d'`arrow`, de `duckdb` et de `R` car les *packages* `arrow` et `duckdb` sont en cours de développement. Par ailleurs, les recommandations d'`utilitR` peuvent évoluer en fonction du développement de ces _packages_.
 
@@ -50,7 +50,7 @@ Le projet `arrow` présente cinq spécificités:
 <summary>
 Illustration de ce principe
 </summary>
-![Illustration de ce principe du stockage orienté colonnes (droite) par rapport au csv](https://raw.githubusercontent.com/InseeFrLab/ssphub/news-janvier/infolettre/infolettre_17/parquet.png)
+![Illustration de ce principe du stockage orienté colonnes (droite) par rapport au csv](https://raw.githubusercontent.com/InseeFrLab/ssphub/main/infolettre/infolettre_17/parquet.png)
 </details>
 
 

03_Fiches_thematiques/Fiche_donnees_temporelles.qmd

@@ -23,7 +23,8 @@ des séries temporelles (création d'objets `ts` en R).
 Pour installer les packages :
 
 ```{r}
-#| eval: False
+#| echo: true
+#| eval: false
 install.packages(c("lubridate", "parsedate", "zoo"))
 install.packages(c("ggplot2", "dygraphs"))
 ```
@@ -41,12 +42,7 @@ La fonction `as.Date()`{.r} existe dans les packages `base` et
 ### Les dates
 
 Une date en R signifie généralement un jour d'une année. Elle peut
-s'écrire sous différents formats :
-
-| Format           | Type       | Exemple (Noël 2023) |
-|------------------|------------|---------------------|
-| Format européen  | JJ/MM/AAAA | 25/12/2023          |
-| Format américain | AAAA-MM-JJ | 2023-12-25          |
+s'écrire sous différents formats (voir [encadré sur les normes ISO8601 et RFC3339](@iso8601-rfc3339)).
 
 Une date peut aussi désigner un horaire ou un moment précis. On peut
 alors spécifier les heures, les minutes, les secondes.
@@ -67,12 +63,16 @@ Pour créer une date en R, il suffit de faire appel à la fonction
 correspond au format américain :
 
 ```{r}
+#| echo: true
+#| eval: true
 M_Drucker_birth <- base::as.Date(x = "1942-09-12")
 ```
 
 Il suffit de le changer pour créer une date à partir d'un autre format :
 
 ```{r}
+#| echo: true
+#| eval: true
 noel_2023 <- base::as.Date(x = "25/12/2023", format = "%d/%m/%Y")
 ```
 
@@ -93,6 +93,8 @@ classe `POSIXt`. Pour cela, on peut utiliser les fonctions
     composants de la date (année, mois, jour, heure...).
 
 ```{r}
+#| echo: true
+#| eval: true
 pied_sur_la_lune <- as.POSIXct(x = "1969-07-21 02:56:20", 
                                format = "%Y-%m-%d %H:%M:%S", tz = "UTC")
 ```
@@ -105,16 +107,25 @@ d'appliquer différents fuseaux horaires à un évènement.
 
 Par exemple :
 
-Neil Armstrong a posé le pied sur la lune le
-`r as.POSIXct(pied_sur_la_lune, tz = "Europe/Paris")` à Paris mais le
-`r as.POSIXct(pied_sur_la_lune, tz = "America/Los_Angeles")` à Los
-Angeles.
-
 ```{r}
-heure_en_france <- as.POSIXct(x = pied_sur_la_lune, tz = "Europe/Paris")
-heure_los_angeles <- as.POSIXct(x = pied_sur_la_lune, tz = "America/Los_Angeles")
+#| echo: true
+#| eval: true
+# changement du fuseau horaire avec le package base
+heure_en_france <- pied_sur_la_lune
+attr(heure_en_france , "tzone") <- "Europe/Paris"
+
+# changement du fuseau horaire avec le package lubridate
+heure_los_angeles <- lubridate::with_tz(
+    time = pied_sur_la_lune, 
+    tzone = "America/Los_Angeles"
+)
 ```
 
+Neil Armstrong a posé le pied sur la lune le
+`r heure_en_france` à Paris mais le
+`r heure_los_angeles` à Los
+Angeles.
+
 Pour connaître la liste des différents fuseaux horaires, il faut appeler
 la fonction `OlsonNames()`{.r} (du nom de l'Olson Database).
 
@@ -141,27 +152,31 @@ des fuseaux horaires.
 -   Par exemple en hiver (CET = UTC+1) :
 
 ```{r}
+#| echo: true
+#| eval: true
 # définition en date et heure locale avec le bon fuseau horaire
 chute_mur_berlin <- as.POSIXct(x = "1989-11-09 18:00", tz = "Europe/Berlin")
 
 # Heure locale
 print(chute_mur_berlin)
 
 # Heure UTC (exemple en islande)
-print(as.POSIXct(chute_mur_berlin, tz = "UTC"))
+print(chute_mur_berlin, tz = "UTC")
 ```
 
 -   En été (CEST = UTC+2) :
 
 ```{r}
+#| echo: true
+#| eval: true
 # définition en date et heure locale avec le bon fuseau horaire
 victoire_fifa_1998 <- as.POSIXct(x = "1998-07-12 21:00", tz = "Europe/Paris")
 
 # Heure locale
 print(victoire_fifa_1998)
 
 # Heure UTC (exemple au Burkina Faso)
-print(as.POSIXct(victoire_fifa_1998, tz = "UTC"))
+print(victoire_fifa_1998, tz = "UTC")
 ```
 
 ## Autres fonctions
@@ -174,6 +189,8 @@ formater une date selon *n'importe quelle* représentation.
 Par exemple pour des dates :
 
 ```{r}
+#| echo: true
+#| eval: true
 # On prend la date d'aujourd'hui
 format(Sys.Date(), format = "Nous sommes le %A %d %B %Y.")
 format(Sys.Date(), format = "Date du jour : %x")
@@ -182,6 +199,8 @@ format(Sys.Date(), format = "Date du jour : %x")
 Par exemple pour des temps :
 
 ```{r}
+#| echo: true
+#| eval: true
 # On prend la date d'aujourd'hui
 format(Sys.time(), format = "Nous sommes le %d %B %Y et il est %Hh%M et %Ss.")
 format(Sys.time(), format = "Il s'est écoulé %ss depuis le 1er janvier 1970.")
@@ -192,7 +211,7 @@ La liste des formats de données est disponible sur la page d'aide de
 `strptime()`{.r} (accessible via `help(strptime)`{.r}).
 
 ::: {.callout-note}
-### Les normes ISO8601 et RFC3339
+### Les normes ISO8601 et RFC3339  {#iso8601-rfc3339}
 
 Les normes ISO8601 et RFC3339 sont des conventions de représentation des
 dates. Selon ces 2 normes, certains formats de dates sont acceptés ou
@@ -214,7 +233,10 @@ https://ijmacd.github.io/rfc3339-iso8601/.
 On peut aussi utiliser le package `parsedate` qui permet de lire une
 date au format ISO8601
 
-```{r, warning = FALSE}
+```{r}
+#| echo: true
+#| eval: true
+#| warning: false
 library("parsedate")
 
 parse_iso_8601("2023-05-24T08:43:00+08:00") # Accepté par ISO8601
@@ -235,6 +257,8 @@ Il peut être utile de vouloir changer les paramètres régionaux sous R.
 Pour cela, il faut faire appel à la fonction `Sys.setlocale()`{.r}
 
 ```{r}
+#| echo: true
+#| eval: true
 # Paramètres locaux en France
 Sys.setlocale("LC_TIME", "fr_FR.UTF-8")
 format(Sys.time(), format = "%c")
@@ -267,6 +291,8 @@ parmi les 3 restants.
 Exemple :
 
 ```{r}
+#| echo: true
+#| eval: true
 date1 <- base::as.Date("2016-02-29")
 date2 <- base::as.Date("2021-10-02")
 date3 <- base::as.Date("2023-08-15")
@@ -289,6 +315,8 @@ seq(from = time2, to = time3, by = "sec")
 Le objets de classe `difftime` représentent des durées.
 
 ```{r}
+#| echo: true
+#| eval: true
 age <- Sys.Date() - M_Drucker_birth
 print(age)
 
@@ -310,6 +338,8 @@ arrivee_toronto - decollage_paris
 Avec la fonction `units()`{.r}, on peut changer l'unité de la durée.
 
 ```{r}
+#| echo: true
+#| eval: true
 # En minutes
 units(age) <- "mins"
 print(age)
@@ -321,7 +351,10 @@ print(age)
 
 Le package `lubridate` propose aussi d'autres formatages des durées :
 
-```{r, warning = FALSE}
+```{r}
+#| echo: true
+#| eval: true
+#| warning: false
 library("lubridate")
 
 time_length(age, unit = "year")
@@ -350,6 +383,8 @@ Une date au format `Date` est stockée sous la forme d'un nombre de jours
 ainsi :
 
 ```{r}
+#| echo: true
+#| eval: true
 # En R base
 Sys.Date() + 5L # Date dans 5 jours
 
@@ -360,6 +395,8 @@ Sys.Date() + days(5L) # Date dans 5 jours
 Par exemple, si je veux avoir la même date il y a 5 ou 4 ans :
 
 ```{r}
+#| echo: true
+#| eval: true
 fev_29 <- base::as.Date("2016-02-29")
 
 # Il y a 5 ans, 29 fevrier 2011 n'existe pas :
@@ -380,6 +417,8 @@ package `stats`. L'argument `frequency` est le nombre de période en 1
 an.
 
 ```{r}
+#| echo: true
+#| eval: true
 # Pour une série annuelle, frequency = 1L
 serie_annuelle <- ts(1:20, start = 2003L, frequency = 1L)
 
@@ -438,6 +477,8 @@ fonctions suivantes :
     temporelle
 
 ```{r}
+#| echo: true
+#| eval: true
 start(serie_mensuelle)
 end(serie_mensuelle)
 frequency(serie_mensuelle)
@@ -449,6 +490,9 @@ Les dates en output de `time()`{.r} sont au format ts et non au format
 `zoo::as.Date()`{.r} :
 
 ```{r, warning = FALSE}
+#| echo: true
+#| eval: true
+#| warning: false
 library("zoo")
 
 zoo::as.Date(time(serie_mensuelle))
@@ -462,6 +506,8 @@ haute-fréquence.
 On peut construire des séries journalières :
 
 ```{r}
+#| echo: true
+#| eval: true
 #data : https://www.letour.fr/fr/parcours-general
 date_tour_de_france <- seq(from = as.Date("2023-06-29"), 
                            to = as.Date("2023-07-21"), by = "day")
@@ -477,6 +523,8 @@ On peut construire des séries infra-journalières (heure par heure ou
 encore plus haute-fréquence) :
 
 ```{r}
+#| echo: true
+#| eval: true
 #data : https://joint-research-centre.ec.europa.eu/photovoltaic-geographical-information-system-pvgis/pvgis-tools/hourly-radiation_en
 heures_journee <- seq(from = as.POSIXct("2016-07-01 00:10:00"), 
                            to = as.POSIXct("2016-07-01 23:10:00"), by = "hours")
@@ -498,6 +546,8 @@ La fonction `plot()`{.r} du package `graphics` (méthode `plot.ts()`{.r}
 du package `stats`) permet d'afficher simplement des séries temporelles :
 
 ```{r plot}
+#| echo: true
+#| eval: true
 plot(x = tour_de_france_ts, col = "blue", 
      ylab = "Distance (en km)", xlab = "Time", 
      main = "Distance parcourue par jour (TDF 2023)")
@@ -511,7 +561,10 @@ Le package `ggplot2` propose une grande variété de graphiques. Il est
 nécessaire au préalable de convertir l'objet en `data.frame` pour
 construire le graphique.
 
-```{r ggplot2, warning = FALSE}
+```{r ggplot2}
+#| echo: true
+#| eval: true
+#| warning: false
 library("ggplot2")
 
 sunspots_df <- data.frame(date = time(sunspots), value = sunspots)
@@ -530,7 +583,10 @@ Le package `dygraphs` propose aussi des graphiques pour séries
 temporelles. L'avantage de ce package est l'interactivité et la
 possibilité de zoomer dans les graphiques.
 
-```{r dygraphs, warning = FALSE}
+```{r dygraphs}
+#| echo: true
+#| eval: true
+#| warning: false
 library("dygraphs")
 
 dygraph(temp_ts)
@@ -539,6 +595,8 @@ dygraph(temp_ts)
 On peut aussi afficher plusieurs courbes sur le même graphique :
 
 ```{r dygraph_multiple_plot}
+#| echo: true
+#| eval: true
 dygraph(cbind(fdeaths, mdeaths))
 ```