ReadMe.Rmd

---
title: "Parcoursup Analyse"
author: "Mathéo, Noé, Essomanam, Xinyuan"
date: "2023"
output:
  prettydoc::html_pretty:
    theme: cayman
    toc: true
editor_options: 
  markdown: 
    wrap: 72
---

<style>
body {
text-align: justify}
</style>


```{r setup, include=FALSE}
knitr::opts_chunk$set(warning = FALSE, message = FALSE, echo = FALSE, fig.align="center", fig.width = 8)
options("scipen"=10)
```

# Présentation

Nous avons choisis le dataset "Parcoursup 2022 - vœux de poursuite
d'études et de réorientation dans l'enseignement supérieur et réponses
des établissements", disponible via
<a href="https://data.education.gouv.fr/explore/dataset/fr-esr-parcoursup/table/?sort=tri" target="_blank">
ce lien</a>.Nous avons également à notre disposition la méthodologie
permettant d'interpréter ce jeu de données, qui est téléchargeable
depuis
<a href="https://data.education.gouv.fr/api/datasets/1.0/fr-esr-parcoursup/attachments/methodologie_opendata_2022_pdf/" target="_blank">
ce lien</a>. Ce fichier nous permet surtout d'interpréter les noms de
variables.

Ce jeu de données, de source gouvernementale, présente les voeux de
poursuite d'études et de réorientation ainsi que les propositions des
établissements. Les données sont collectées à partir de la plateforme
Parcoursup, couvrant l'ensemble de la campagne 2022 jusqu'au 16
septembre 2022. Pour certaines études, nous avons récupéré les données
de 2021 et 2020.

L'objectif des études ci-dessous à de parcourir progressivement les
données. Nous allons dans un premier temps analyser de manière générale
le dataset pour comprendre si les formations sont équitablement
réparties en france. Ensuite nous analyserons le nombre de candidats
ainsi que les taux d'acceptations. Enfin nous analyserons un cas
particulier: les différences entre les écoles d'un même groupe (UT).

```{r}
library(readr)
library(ggplot2)
library(dplyr)
library(tidyverse)
library(sf)
library(rnaturalearth)
library(rnaturalearthdata)

fr_esr_parcoursup <- read_delim("data/fr-esr-parcoursup.csv", 
            delim = ";", escape_double = FALSE, na = "NA", 
            trim_ws = TRUE, show_col_types = FALSE)

fr_esr_parcoursup_2021 <- read_delim("data/fr-esr-parcoursup_2021.csv",
            delim = ";", escape_double = FALSE, na = "NA", trim_ws = TRUE)

fr_esr_parcoursup_2020 <- read_delim("data/fr-esr-parcoursup_2020.csv", 
            delim = ";", 
            escape_double = FALSE, na = "NA", trim_ws = TRUE)
```

# Établissements en général

```{r}
ggplot(data=fr_esr_parcoursup, aes(fili)) + labs(x = "Formations",
       y = "Quantité") + geom_bar(fill="blue") + ylim(0,6000) + coord_flip() + 
  geom_text(stat='count', aes(label=..count..), hjust = -0.2) + labs(title="Nombres de types de formations")

```

Graphique représentant le nombre de formations proposées sur parcourpsup
pour l'année 2022. On remarque que les Licences et les BTS sont les
formations les plus proposées.<br> <br>

## Cartes

```{r fig.height=10}
data_graph <- subset(fr_esr_parcoursup, select = c("dep_lib","fili", "g_olocalisation_des_formations"))

data_graph <- data_graph %>% separate(g_olocalisation_des_formations, c("lat","long"), sep=",") %>% transform(long = as.numeric(long), lat = as.numeric(lat)) %>%  filter(lat > 41.6, lat < 51.5)

data_graph <- data_graph %>% group_by(lat,long,fili) %>% mutate(quantite=n())

world <- ne_countries(scale = "medium", returnclass = "sf")

ggplot(data = world) +
  geom_sf() +
  geom_point(data = data_graph, aes(x = long, y = lat, color=fili, size=quantite)) +
  coord_sf(xlim = c(-5, 9.5), ylim = c(41, 52), expand = FALSE, datum = NA) +
  labs(title="Répartition des formations en France métropolitaine", color="Formations", size="Quantités") +
  theme(plot.title = element_text(hjust = 0.5),
        legend.position = "bottom", legend.box = "vertical",
        axis.title = element_blank())

```

Carte de la France métropolitaine représentant chaque formation proposé
ainsi que le nombre de formations associé. Comme vu précédemment les BTS
sont les plus représentés en nombre: ils sont également très bien
réparti sur le territoire. A l'inverse, les Licences, Ecoles
d'Ingénieurs ou encore les Ecoles de Commerces sont surtout situés dans
les alentours des grandes villes.<br> <br>

```{r}
data_graph <- subset(fr_esr_parcoursup, select = c("dep_lib","fili", "g_olocalisation_des_formations", "acc_tot", "voe_tot"))

data_graph <- data_graph %>% separate(g_olocalisation_des_formations, c("lat","long"), sep=",") %>% transform(long = as.numeric(long), lat = as.numeric(lat)) %>%  filter(lat > 41.6, lat < 51.5)

fra <- readRDS("data/carte_france.rds")
liste_capa <- data_graph %>% count(dep_lib, wt=acc_tot) %>% rename(NAME_2 = dep_lib)
liste_demande <- data_graph %>% count(dep_lib, wt=voe_tot) %>% rename(NAME_2 = dep_lib)
liste_capa <- merge(liste_capa,liste_demande, "NAME_2")
liste_capa$pourcent <- liste_capa$n.x*100/liste_capa$n.y
liste_capa$NAME_2 <- tolower(liste_capa$NAME_2)
fra$NAME_2 <- tolower(fra$NAME_2)
liste_capa[liste_capa=="corse du sud"] <- "corse-du-sud"
fra <- merge(fra, liste_capa, "NAME_2")
#fra <- fra %>% filter(NAME_2 != "paris")

ggplot(fra, aes(fill = n.y, geometry = geometry), color = "white", size = 0.2) +
  geom_sf() +
  coord_sf(datum = NA, expand = FALSE) +
  ggtitle("Répartitions du nombre de candidature\ndes départements en métropole") +
  theme(panel.background = element_blank(),
        plot.title = element_text(hjust = 0.5, size = 16)) + 
  scale_fill_gradient(low="white", high = "#004b05") +
  labs(fill="Nombres de demandes d'étudiants")
```

Carte représentant les départements en France métropolitaine en fonction
du nombre de candidature en 2022. On peut voir que Paris attire
énormément. Cependant, Le Nord-Pas-de-Calais et le Rhône restent très
demandés. De plus, on remarque que la diagonale du vide est présente
avec moins de demandes dans ces départements.<br> <br>

## Quel est le nombre de candidatures par filière en 2022 ?

```{r}
options(scipen = 999)
resume_by_fili <- fr_esr_parcoursup %>%
  group_by(fili) %>%

  summarise(
    sum_by_fili = sum(voe_tot)
  )

 # ordonne les filieres regroupeé dans l'ordre croissant de ccandidatures
resume_by_fili$fili <- factor(resume_by_fili$fili, levels = resume_by_fili$fili[order(resume_by_fili$sum_by_fili)])

ggplot(resume_by_fili, aes(y = sum_by_fili, x = fili, fill = fili)) + 
  geom_bar(stat = "identity") +
  
  # Ajout les valeurs sur les barres avec geom_text
  geom_text(aes(label = sum_by_fili), hjust = 0.5, vjust = -0.2) +  
  labs(title = "Candidatures par formation sur Parcoursup en 2022",
       y = "Nombre de candidatures",
       x = "Filière") +
  scale_fill_discrete(name = "Formations") +
  theme(axis.text.x = element_text(angle = 90, hjust = 0.4))
  
```

Les Licences regroupent la majorité des candidature en 2022, à l'oposé,
les formation EFTS sont beaucoup attrayante.<br> <br>

## Effectif des boursiers en fonction des candidats

```{r}
library(ggplot2)

ggplot(fr_esr_parcoursup, aes(y = nb_voe_pp_bt_brs , x = voe_tot, fill = fili, color =fili)) +
  geom_point() +
  labs(y = "Boursier terminale pedagogique et profetionelle",
       x = "nombre de candidat par etablissement" ,
       title = "graphe des boursiers en fonction des candidats")
```

Nous souhaitions analyser la relation entre le nombre de candidatures
dans une formation et le nombre de boursiers candidats.<br> Pour cela
nous avons réalisé un nuage de points, mais ce dernier n'étant pas très
clair, nous avons décidé de faire un boxplot afin de d'avoir une
répartition et un graphe plus lisible.<br> <br>

```{r message=FALSE, warning=FALSE}
ggplot(fr_esr_parcoursup,
       aes(x= fili, y = ((nb_voe_pp_bt_brs + nb_cla_pp_bp_brs)/voe_tot)*100) ) + 
  geom_boxplot(notch = FALSE, outlier.shape = NA,fill = "green", color = "black", size = 0.5) +
  labs(y = "Ratio des boursiers",
       x = "Type de Formation",
       title = "boxplot du ratio des des boursiers par filiere") +
  ylim(0, 33)+
  theme(axis.text.x = element_text(angle =90, hjust = 0.4))

```

Le boxplot nous permet de voir qu'il y a moins de boursier dans les
filières d'ingénieurs et dans les écoles de commerce (les boursiers sont
en moyenne quasi inexistante). Les BTS ont, quant à eux, énormément de
boursiers (généralement plus de 10% des candidats sont boursiers).<br>
Cela montre que dans la majeure partie des formations, le nombre de
boursiers évolue en fonction du nombre de candidatures sauf dans les
Ecoles d'ingénieurs et dans les CPGE où le nombre de boursiers reste
constant.<br> <br>

## Quel est le taux d'acceptation global pour toutes les filières ?

```{r}
tauxDAcceptation <- fr_esr_parcoursup$prop_tot/fr_esr_parcoursup$voe_tot
moyenne_tauxDAcceptation <- sum(tauxDAcceptation)/nrow(fr_esr_parcoursup)

horizontal_bar_donnees_Acceptation <- data.frame(accepter = c("Oui", "Non"), tauxRespectif = c(moyenne_tauxDAcceptation, (1-moyenne_tauxDAcceptation)))
AcceptationHorizontalBar <- ggplot(horizontal_bar_donnees_Acceptation, aes(x = accepter, y = tauxRespectif))+
  geom_col(aes(fill = tauxRespectif), width = 0.5) +
  ggtitle("Taux d'acceptation global en phase principale des établissements") + 
  xlab("Accepté?") + ylab("Taux d'acceptation/de non-acceptation") + 
  scale_y_continuous(labels = scales::percent_format()) + 
  coord_flip() +
  theme(legend.position = "none") +
  geom_label(aes(label = paste0(round(tauxRespectif*100, 1), "%")), color = "black", fontface = "bold", position = position_stack(vjust = 0.5), size = 5)

AcceptationHorizontalBar
```

Ce diagramme, sous forme d'un bar chart horizontal, illustre la
comparaison entre le taux d'acceptation global et le taux de
non-acceptation global des établissement sur la plateforme ParcourSup en
2022. L'axe des abscisses représente les taux et l'axe des ordonnées
représente les deux cas: "accepté" et "non-accepté". <br> Nous
constatons que le taux de non-acceptation est assez important par
rapport au taux d'acceptation.<br>

<br>

## Quels sont les taux d'acceptation par académie ?

```{r}
tauxParAcademie <- fr_esr_parcoursup %>%
  group_by(acad_mies) %>%
  summarize(tauxParAcademie = mean(prop_tot/voe_tot))

bar_tauxParAcademie <- ggplot(tauxParAcademie, aes(x = acad_mies, y = tauxParAcademie)) +
  coord_cartesian(ylim = c(0, 0.63)) +  # Limite de l'axe Y étendue à 120*
  geom_bar(stat = "identity", fill="#234E70") +
  geom_text(aes(label = paste0(round(tauxParAcademie*100,1),"%")), angle = 90, vjust = 0.5, hjust = 0.2, size = 4, nudge_y = 0.03) +
  scale_y_continuous(labels = scales::percent_format()) +
  xlab("Académie") +
  ylab("Taux d'acceptation") +
  ggtitle("Taux d'acceptation par académie en phase principale") +
  theme(axis.text.x = element_text(angle = 90, vjust = 0.5, hjust=1))

bar_tauxParAcademie
```

Nous avons ici un diagramme du type bar plot, illustrant le taux
d'acceptation de chaque académie en phase principale. Sur l'axe des
abscisses nous avons les académies, et sur l'axe des ordonnées nous
avons les taux d'acceptation. Nous constatons que l'académie avec le
taux d'acceptation le plus haut est celle de Corse, et l'académie ayant
le taux le plus bas est celle de Mayotte.<br>

<br>

## Quels sont les taux d'acceptation par type de baccalauréat en 2022 ?

```{r}
### taux d'acceptation terminale générale:
subset_terminaleGenerale <- subset(fr_esr_parcoursup, prop_tot_bg > 0 & nb_voe_pp_bg > 0)
taux_terminale_generale <- subset_terminaleGenerale$prop_tot_bg / (subset_terminaleGenerale$nb_voe_pp_bg+subset_terminaleGenerale$nb_voe_pc_bg) #"pc": phase complémentaire
moyenne_taux_terminale_generale <- mean(taux_terminale_generale)

### taux d'acceptation terminale technologique:
subset_terminaleTech <- subset(fr_esr_parcoursup, prop_tot_bt > 0 & nb_voe_pp_bt > 0)
taux_terminale_Tech <- subset_terminaleTech$prop_tot_bt / (subset_terminaleTech$nb_voe_pp_bt+subset_terminaleTech$nb_voe_pc_bt)
moyenne_taux_terminale_Tech <- mean(taux_terminale_Tech)

### taux d'acceptation terminale Pro:
subset_terminalePro <- subset(fr_esr_parcoursup, prop_tot_bp > 0 & nb_voe_pp_bp > 0)
taux_terminale_Pro <- subset_terminalePro$prop_tot_bp / (subset_terminalePro$nb_voe_pp_bp+subset_terminalePro$nb_voe_pc_bp)
moyenne_taux_terminale_Pro <- mean(taux_terminale_Pro)

### taux d'acceptation autres candidats:
subset_AutresCandidats <- subset(fr_esr_parcoursup, prop_tot_at > 0 & nb_voe_pp_at > 0)
taux_AutresCandidats <- subset_AutresCandidats$prop_tot_at / (subset_AutresCandidats$nb_voe_pp_at+subset_AutresCandidats$nb_voe_pc_at)
moyenne_taux_AutresCandidats <- mean(taux_AutresCandidats)

typeFormation <- rep(c("Générale", "Technologique", "Professionnelle", "Autres Candidats"), each = 2)
siAccepte <- rep(c("Oui", "Non"), 4)

#changer l'ordre
typeFormation <- factor(typeFormation, levels = c("Générale", "Technologique", "Professionnelle", "Autres Candidats"))
siAccepte <- factor(siAccepte, levels = c("Oui", "Non")) 

tauxParFormation<- c(moyenne_taux_terminale_generale, 1-moyenne_taux_terminale_generale, moyenne_taux_terminale_Tech, 1-moyenne_taux_terminale_Tech, moyenne_taux_terminale_Pro, 1-moyenne_taux_terminale_Pro, moyenne_taux_AutresCandidats, 1-moyenne_taux_AutresCandidats)
df_tauxParType <- data.frame(typeFormation, siAccepte, tauxParFormation) 
grapheTauxParType <- ggplot(df_tauxParType, aes(fill=siAccepte, x=typeFormation, y=tauxParFormation)) +
  geom_bar(position="fill", stat="identity") +
  xlab("Type de baccalauréat") + 
  ylab("Taux d'acceptation/de non-acceptation") +
  ggtitle("Taux d'acceptation par type de baccalauréat, en phases principale et complémentaire") + 
  labs(fill = "Accepté?") +
  scale_y_continuous(labels = scales::percent_format())+
  geom_text(aes(label = scales::percent(tauxParFormation)), fontface = "bold", position = position_fill(vjust = 0.5), color = "white")+
  scale_fill_manual(values = c("#56b1f7","#132b43"))

grapheTauxParType
```

Nous avons ici un diagramme du type stacked bar chart, illustrant les
taux d'accepttation par type de baccalauréat, en phases principale et
complémentaire. Sur l'axe des abscisses nous avons les quatre types de
baccalauréat dont les candidats sont issus:Terminale Générale, Terminale
Technologique, Terminale Professionnelle et Autres candidats. Sur l'axe
des ordonnées nous avons les taux d'acceptation/de non-acceptation.
Enfin, nous avons utilisé deux couleurs pour représenter les deux cas:
jaune pour "accepté" et bleu foncé pour "non accepté".<br> Sur chaque
colonne, nous avons les pourcentages respectifs des deux cas. Nous
pouvons constater que les candidats qui sont issus de Terminale Générale
ont le taux d'acceptation le plus haut, et ceux qui ne sont pas issus de
Terminale Générale, Technologique ou Professionnelle ont le taux
d'acceptation le plus bas.<br> <br>

# L'UTT

Lors de nos recherches, on s'est questionné sur l'UTT en particulier,
ainsi que sur les UT en général.<br> Nous nous sommes posé la question
sur les différences entre les UT.<br>

Mais dans un premier temps, on s'est demandé quel était le ratio Homme /
Femme sur les candidatures à l'UTT. Selon <i>l'étudiant</i>, début 2022,
28% des étudiants en écoles d'ingénieurs sont des femmes.<br> Nous avons
décidé de faire un comparatif sur 3 ans, de 2020 à 2022.<br> <br>

```{r filterUT}
#Filtrer le dataset pour avoir seulement les UT (UTT, UTC, UTBM)
UT <- filter(fr_esr_parcoursup,  lib_for_voe_ins == "Formation d'ingénieur Bac + 5 - Série générale", str_detect(g_ea_lib_vx,"Université de Technologie"))
UT <- UT[-4,]

UT21 <- filter(fr_esr_parcoursup_2021,  lib_for_voe_ins == "Formation d'ingénieur Bac + 5 - Série générale", str_detect(g_ea_lib_vx,"Université de Technologie"))
UT21 <- UT21[-3,]

UT20 <- filter(fr_esr_parcoursup_2020,  regr_forma == "Réseau des Universités de Technologie", str_detect(g_ea_lib_vx,"Université de Technologie"), detail_forma == "Bac S")
UT20 <- UT20[-3,]

#On récupère les données sur les candidats totaux et candidates des années 2020, 2021 et 2022
comparUT <- UT %>%
  filter(g_ea_lib_vx == "UTT Université de Technologie de Troyes")%>%
  select(session, voe_tot, voe_tot_f)
comparUT21 <- UT21 %>%
  filter(g_ea_lib_vx == "UTT Université de Technologie de Troyes")%>%
  select(session, voe_tot, voe_tot_f)
comparUT20 <- UT20 %>%
  filter(g_ea_lib_vx == "UTT Université de Technologie de Troyes")%>%
  select(session, voe_tot, voe_tot_f)

#Fusion des dataset en une seule
evolCandidats <- rbind(comparUT, comparUT21, comparUT20) %>%
  mutate(voe_tot_h = voe_tot - voe_tot_f) %>%
  gather(Voeux, Nombre, -session, -voe_tot)

evolCandidats$Voeux = factor(evolCandidats$Voeux, levels = c("voe_tot_h", "voe_tot_f"))

# Création du graphique en courbes
ggplot(evolCandidats, aes(x = session, y = Nombre, fill = Voeux)) +
  geom_area(colour = "black", size = .2, alpha = .4) +
  geom_line(aes(x = session, y = voe_tot)) +
  geom_point(aes(x = session, y = voe_tot)) +
  scale_fill_manual(labels = c("Candidats",
                               "Canditates"),
                    values = c("lightblue3","red")) +
  labs(x = "\n Année", y = "Nombre de candidats\n", title = "\n Nombre de candidats / candidates à l'UTT \n") +
  scale_x_continuous(breaks = c(2020, 2021, 2022))
```

Ce graphe montre qu'en moyenne, il y a environ 25% de candidats de l'UTT
qui sont des femmes.<br> C'est un peu moins que ce qu'indique l'étudiant
mais cela reste dans la moyenne.<br> En gardant bien en tête que ce
graphe montre les candidatures à l'UTT et non les étudiants acceptés
dans la formation.<br> <br>

## Comparaison entre les UT

L'UTT faisant partie du groupe des Universités de Technologie, nous
avons trouvé intéressant le fait de comparer les écoles. (Uniquement la
formation d'ingénieur)<br> Si l'on regarde le classement des écoles
d'ingénieurs en France, l'ordre des UT est le suivant : <br> - UTC
(Compiègne)<br> - UTT (Troyes)<br> - UTBM (Belfort Montbéliard)<br>

Nous allons donc voir si les différentes données présentes dans le
dataset de parcoursup 2022 reflète ce classement.<br> <br>

```{r}
#Sélectionne seulement le nombre de candidature pour les UT et le nombre de place disponible

dataUT <- UT20 %>%
  select(g_ea_lib_vx,voe_tot, capa_fin) %>%
  arrange(g_ea_lib_vx)


dataUT$g_ea_lib_vx <- c("Belfort", "Compiègne", "Troyes")
dataUT<- gather(dataUT, legend, value, -g_ea_lib_vx)

#Graphique qui compare le nombre de candidature et le nombre de place pour chaque UT
ggplot(dataUT, aes(x = g_ea_lib_vx, y = value, fill = legend)) +
  geom_col(position = "dodge") + 
  geom_text(aes(label=value), vjust= -0.3, color="black",position = position_dodge(0.9), size=3.5)+
  labs(x = "\n Université de Technologie", y = "Nombre\n", title = "\n Nombre de places / nombre de candidatures aux UT \n") +
  scale_fill_discrete(name = "Légende", labels = c("Capacité", "Candidature"))

```

Dans ce premier graphes nous comparons le nombre de candidature avec le
nombre de place disponible dans la formation. On peut voir que l'UTC est
bien plus demandé que l'UTT et l'UTBM avec environ 1600 demandes de
plus.<br> On retrouve ici l'odre indiqué au début, avec l'UTC ayant le
plus de candidature, vient ensuite l'UTT puis l'UTBM avec presque 1500
candidatures de moins.<br> <br>

```{r Proposition}
dataUT2 <- UT21 %>%
  select(g_ea_lib_vx,prop_tot, acc_tot, acc_tot_f) %>%
  mutate(acc_tot = acc_tot - acc_tot_f) %>%
  rename(c(Ville = g_ea_lib_vx, proposition_total = prop_tot, masculin = acc_tot, féminin = acc_tot_f))%>%
  arrange(Ville)

dataUT2$Ville <- c("Belfort", "Compiègne", "Troyes")
dataUT2 <- gather(dataUT2, legend, value, -Ville)

ggplot(dataUT2, aes(x = Ville, y = value, fill = legend)) +
  geom_col(position = "dodge") + 
  #facet_grid(. ~legend)+
  geom_text(aes(label=value), vjust= -0.3, color="black",position = position_dodge(0.9), size=3.5)+
  scale_fill_manual(name = "Candidats",
                    values = c("proposition_total" = "#66c2a5",
                               "masculin" = "#8da0cb",
                               "féminin" = "#e78ac3"),
                    labels = c("Féminin ayant accepté",
                               "Masculin ayant accepté",
                               "Ayant reçu une proposition")) +  
  labs(x = "\n Université de Technologie", y = "Nombre\n", title = "\n Proposition d'admission \n")

```

Dans ce deuxième graphe on retrouve les candidats ayant acceptés la
proposition d'admission (femme et homme) ainsi que le nombre de
candidats ayant reçu une proposition d'admission.<br> Grâce à ce graphe,
on peut voir la parité homme femme dans la formation ainsi qu'une
estimation sur le nombre de désistement malgré une proposition
d'admission.<br> Encore une fois, on retrouve un même classement avec
l'UTC en premier qui à envoyé une proposition d'admission à 1000
candidats pour environ 400 places, les candidats ont donc vite accepté
leurs voeux.<br> Egalement, il y a une parité homme femme parfaite à
l'UTC, ce qu'on ne retrouve pas dans les autres écoles.<br> L'UTT arrive
en second avec 1600 candidats avec une proposition d'admission pour 280
admis, l'école est donc moins souvent en premier voeux des candidats que
l'UTC.<br> Et en troisième l'UTBM où il y a 2350 candidats ayant reçu
une proposition d'admission pour 265 places.<br> <br>

```{r }
dataUT3 <- UT21 %>%
  select(g_ea_lib_vx, pct_sansmention ,pct_ab, pct_b, pct_tb, pct_tbf) %>%
  arrange(g_ea_lib_vx) %>%
  rename(c(Ville = g_ea_lib_vx, Sans_Mention = pct_sansmention, Assez_Bien = pct_ab, Bien = pct_b, Très_Bien = pct_tb, Fécilitations = pct_tbf)) 
dataUT3$Ville <- c("Belfort", "Compiègne", "Troyes")
dataUT3 <- gather(dataUT3, Mention, Nombre, -Ville)

dataUT3$Mention <- factor(dataUT3$Mention, levels = c("Fécilitations", "Très_Bien", "Bien", "Assez_Bien", "Sans_Mention"))

ggplot(dataUT3, aes(x = Ville, y = Nombre, fill = Mention)) +
  labs(title = "\n Mention au bac des admis \n") +
  geom_col(colour = "black", position = "fill") +
  scale_y_continuous(labels = scales::percent) +
  scale_fill_brewer(palette = "PuBu")

```

Pour ce dernier graphe, on s'est demandé quelle était la mention au bac
des étudiants admis dans les UT.<br> Ici, seul les bac généraux sont
comparé car aucun bac technologique est admis dans les UT que ce soit
l'UTC, l'UTT ou l'UTBM. Ainsi, on retrouve ici aussi le même classement
avec l'UTC ayant beaucoup d'étudiants avec les félicitations au bac,
environ 70% de mention très bien et quelques mentions bien.<br> Vient en
second l'UTT puis l'UTBM <br>

Ces trois graphes nous montrent donc que ce classement à un impact qu'on
retrouve dans les voeux des candidats.<br> <br>

# Conclusion

Au cours de nos analyses, nous avons découverts de nombreuses statistiques sur Parcoursup. Nous avons réalisé quels étaient la répartitions des formations, les taux de candidatures et d'acceptations et nous avons analysé le cas des écoles du groupe UT. Lors de notre travail, nous nous sommes rendus comptes que même si le dataset était dense, il nous manquait des données exprimant la temporalité. Il aurait été intéressant par exemple d'avoir les données que nous avons mais évoluant au cours des phases de réponses de parcoursup.