reprise app 5.2

R/checkpoints/application2/script.R

@@ -28,8 +28,8 @@ df <- df |>
 
 # STATISTIQUES AGREGEES ---------------------------------------
 
-fonction_de_stat_agregee(df |> filter(SEXE == "Homme") |> pull(AGED))
-fonction_de_stat_agregee(df |> filter(SEXE == "Femme") |> pull(AGED))
+calculer_stat_agregee(df |> filter(SEXE == "Homme") |> pull(AGED))
+calculer_stat_agregee(df |> filter(SEXE == "Femme") |> pull(AGED))
 
 
 # PYRAMIDE AGES =============================

R/checkpoints/application3/script.R

@@ -32,8 +32,8 @@ df <- df |>
 # STATISTIQUES AGREGEES ---------------------------------------
 
 
-stat_desc_variable(df |> filter(SEXE == "Homme") |> pull(AGED))
-stat_desc_variable(df |> filter(SEXE == "Femme") |> pull(AGED))
+calculer_stat_agregee(df |> filter(SEXE == "Homme") |> pull(AGED))
+calculer_stat_agregee(df |> filter(SEXE == "Femme") |> pull(AGED))
 
 
 # PYRAMIDE AGES =============================

R/checkpoints/application4/script.R

@@ -32,8 +32,8 @@ df <- df |>
 # STATISTIQUES AGREGEES ---------------------------------------
 
 
-stat_desc_variable(df |> filter(SEXE == "Homme") |> pull(AGED))
-stat_desc_variable(df |> filter(SEXE == "Femme") |> pull(AGED))
+calculer_stat_agregee(df |> filter(SEXE == "Homme") |> pull(AGED))
+calculer_stat_agregee(df |> filter(SEXE == "Femme") |> pull(AGED))
 
 
 # PYRAMIDE AGES =============================

R/checkpoints/application5_part1/script_ls3.R

@@ -36,8 +36,8 @@ df <- df |>
 # STATISTIQUES AGREGEES ---------------------------------------
 
 
-stat_desc_variable(df |> filter(SEXE == "Homme") |> pull(AGED))
-stat_desc_variable(df |> filter(SEXE == "Femme") |> pull(AGED))
+calculer_stat_agregee(df |> filter(SEXE == "Homme") |> pull(AGED))
+calculer_stat_agregee(df |> filter(SEXE == "Femme") |> pull(AGED))
 
 
 # PYRAMIDE AGES =============================

R/checkpoints/application5_part1/script_sspcloud.R

@@ -41,8 +41,8 @@ df <- df |>
 # STATISTIQUES AGREGEES ---------------------------------------
 
 
-stat_desc_variable(df |> filter(SEXE == "Homme") |> pull(AGED))
-stat_desc_variable(df |> filter(SEXE == "Femme") |> pull(AGED))
+calculer_stat_agregee(df |> filter(SEXE == "Homme") |> pull(AGED))
+calculer_stat_agregee(df |> filter(SEXE == "Femme") |> pull(AGED))
 
 
 # PYRAMIDE AGES =============================

R/checkpoints/application5_part2/R/functions_stats_desc.R

@@ -1,3 +1,48 @@
+decennie_a_partir_annee <- function(annee) {
+  return(annee - annee %% 10)
+}
+
+#' @title Calcul d'une statistique agrégée
+#' 
+#' @description
+#' Cette fonction calcule une statistique agrégée (moyenne, écart-type ou variance) pour un vecteur donné.
+#'
+#' @param x Un vecteur numérique pour lequel la statistique doit être calculée.
+#' @param statistique Le nom de la statistique à calculer. Peut être `"moyenne"`, `"ecart-type"` (ou `"sd"`), ou `"variance"`. Par défaut, `"moyenne"`.
+#' @param ... Arguments supplémentaires passés à la fonction de calcul sous-jacente (voir [mean()], [sd()], [var()]).
+#'
+#' @return La valeur de la statistique agrégée calculée.
+#'
+#' @details
+#' - Pour `"moyenne"`, la fonction utilise [mean()].
+#' - Pour `"ecart-type"` ou `"sd"`, la fonction utilise [sd()].
+#' - Pour `"variance"`, la fonction utilise [var()].
+#'
+#' @examples
+#' calculer_stat_agregee(rnorm(10))
+#' calculer_stat_agregee(rnorm(10), "ecart-type")
+#' calculer_stat_agregee(rnorm(10), "variance")
+#'
+#' @export
+
+calculer_stat_agregee <- function(x, statistique = "moyenne", ...) {
+
+  stopifnot(is.numeric(x), 
+            is.character(statistique), 
+            statistique %in% c("moyenne", "ecart-type", "sd", "variance"))
+
+  if (statistique == "moyenne") {
+    resultat <- mean(x, na.rm = TRUE, ...)
+  } else if (statistique == "ecart-type" || statistique == "sd") {
+    resultat <- sd(x, na.rm = TRUE, ...)
+  } else if (statistique == "variance") {
+    resultat <- var(x, na.rm = TRUE, ...)
+  }
+
+  return(resultat)
+}
+
+
 # Fonction pour générer une pyramide des âges
 generer_pyramide_ages <- function(df) {
   print("Pyramide des âges de la population française")

R/checkpoints/application5_part2/main_sspcloud.R

@@ -47,8 +47,8 @@ part_seniors <- compute_part_seniors_by_dep(bucket_path)
 # STATISTIQUES AGREGEES ---------------------------------------
 
 
-stat_desc_variable(df |> filter(SEXE == "Homme") |> pull(AGED))
-stat_desc_variable(df |> filter(SEXE == "Femme") |> pull(AGED))
+calculer_stat_agregee(df |> filter(SEXE == "Homme") |> pull(AGED))
+calculer_stat_agregee(df |> filter(SEXE == "Femme") |> pull(AGED))
 
 
 # Pyramide des âges

slides/applications_r/_application5.qmd

@@ -1,6 +1,6 @@
 ## Application 5 {.smaller}
 
-:::: {.callout-tip .nonincremental collapse="true" icon=false}
+:::: {.callout-tip .nonincremental collapse="true" icon=false .nonincremental}
 ## Partie 1 : Transition vers le stockage `S3`
 
 ::: {.justify}
@@ -81,32 +81,40 @@ departements <- aws.s3::s3read_using(
 :::
 
 
+
+
 ## Application 5 {.smaller}
 
-:::: {.callout-tip collapse="true" icon=false}
+:::: {.callout-tip collapse="true" icon=false .nonincremental}
 ## Partie 2 : Orchestrer sa chaîne de production
 
-Au fil des chapitres précédents, nous avons appliqué un ensemble de bonnes pratiques à notre chaîne de production pour accroître sa qualité et sa maintenabilité. Néanmoins, celle-ci est encore sous la forme d'un unique *script*. 
+::: {.justify}
+Au fil des chapitres précédents, nous avons appliqué un ensemble de bonnes pratiques à notre chaîne de production pour accroître sa qualité et sa maintenabilité. Néanmoins, celle-ci est encore sous la forme d'un unique *script*. De manière générale, on a plutôt envie de **modéliser les étapes d'une chaîne comme une série de fonctions, avec un script "chef d'orchestre"** qui les appelle dans le bon ordre.
+:::
+
+* Créer les scripts suivants et inspecter leur contenu respectif :
+  + `R/functions_import.R` ([contenu](https://raw.githubusercontent.com/InseeFrLab/formation-bonnes-pratiques-git-R/refs/heads/main/R/checkpoints/application5_part2/R/functions_import.R))
+  + `R/functions_stats_desc.R` ([contenu](https://raw.githubusercontent.com/InseeFrLab/formation-bonnes-pratiques-git-R/refs/heads/main/R/checkpoints/application5_part2/R/functions_stats_desc.R))
+  + `R/functions_models.R` ([contenu](https://raw.githubusercontent.com/InseeFrLab/formation-bonnes-pratiques-git-R/refs/heads/main/R/checkpoints/application5_part2/R/functions_models.R))
 
-De manière générale, on a plutôt envie de modéliser les étapes d'une chaîne comme une série de fonctions, avec une fonction "cheffe d'orchestre" qui appelle les autres dans le bon ordre.
+* Modifier `script.R` pour qu'il appelle les fonctions des scripts précédemment créés, avec les paramètres pertinents
 
-::: {.nonincremental}
+* Renommer `script.R` en `main.R`, une convention qui permet de comprendre que le script est le **"point d'entrée"** du projet
 
-1. Créer les scripts suivants:
-  * `R/functions_import.R` ([contenu](https://raw.githubusercontent.com/InseeFrLab/formation-bonnes-pratiques-git-R/refs/heads/main/R/checkpoints/application5_part2/R/functions_import.R))
-  * `R/functions_stats_desc.R` ([contenu](https://raw.githubusercontent.com/InseeFrLab/formation-bonnes-pratiques-git-R/refs/heads/main/R/checkpoints/application5_part2/R/functions_stats_desc.R))
-  * `R/functions_models.R` ([contenu](https://raw.githubusercontent.com/InseeFrLab/formation-bonnes-pratiques-git-R/refs/heads/main/R/checkpoints/application5_part2/R/functions_models.R))
+* En vue de sortir du mode interactif et aller vers le **mode batch**, exécuter le script `main.R` via le terminal avec les commandes suivante :
 
-2. Modifier `main.R` pour tenir compte de la modularisation ([version {{< fa brands github >}} + sspcloud](https://raw.githubusercontent.com/InseeFrLab/formation-bonnes-pratiques-git-R/refs/heads/main/R/checkpoints/application5_part2/main_sspcloud.R) ou [version {{< fa brands gitlab >}} + LS3](https://raw.githubusercontent.com/InseeFrLab/formation-bonnes-pratiques-git-R/refs/heads/main/R/checkpoints/application5_part2/main_sspcloud.R))
+```bash
+cd nom_du_projet
+Rscript main.R &> main.log  # Redirige stdout et stderr vers un fichier
+```
 
-3. Passer la souris sur une des nouvelles fonctions et faire <kbd>F1</kbd>
+* Analyser les *logs* générés dans le fichier `main.log`
 
-:::
+:::::::
 
-::::
 
 
-::: {.callout-note}
+::: {.callout-note .nonincremental}
 ## `targets`: un orchestrateur formel
 
 On aurait pu également utiliser un **orchestrateur** dédié pour effectuer cette tâche, comme le package [targets](https://books.ropensci.org/targets/). Les plus curieux d'entre vous pourront aller voir [le chapitre et les exercices](https://github.com/InseeFrLab/formation-bonnes-pratiques-git-R/blob/main/slides/legacy/targets.qmd) qui lui étaient auparavant dédiés dans cette formation.