Élections législatives

Recodage relativement avancé, avec l’utilisation de across() et une jointure difficile. Attire également l’attention sur les pièges de l’importation. Permet de réviser l’étude de la distribution d’une variable, les principes de la discrétisation et la production de cartes choroplèthes.

Préparation

• Téléchargez les résultats du premier tour des élections législatives anticipées de 2024, par commune.
• Chargez les packages tidyverse et sf.
• À l’aide du package readxl, importez les données téléchargées.

Recodages

• Combien d’observations et de variables contient cette base de données ? Pourquoi y a-t-il autant de variables ?
• Sélectionnez les variables donnant les informations générales (nombre d’inscrits, de votants, de votes nuls, blancs, d’abstentions et pourcentages correspondants). Vous pourrez utiliser la fonction select.
• Quel est le type des variables exprimées en pourcentage ?
• Convertissez toutes ces variables dans un type plus adapté. Vous pourrez utiliser la fonction parse_number du package readr.

Inspection

• À l’aide de la fonction skim du package skimr, inspectez rapidement l’ensemble de vos variables et tout particulièrement le nombre de valeurs manquantes pour chacune d’entre elles.
• Si vous constatez qu’une variable contient des valeurs manquantes, isolez les observations concernées dans un nouveau dataframe à l’aide des fonctions filter et is.na. Que remarquez-vous ?

M’appeler à ce stade

Pour que je vous explique le problème et vous donne la solution.

Couche géographique

• À l’aide du package CARTElette, téléchargez les contours des communes pour l’année 2024. Faites en sorte que les fichiers correspondants soient enregistrés dans un sous-dossier data de votre projet R.

Astuce

Vous utiliserez pour cela la fonction charger_carte, et trois de ses arguments : destfile, COG et nivsupra.

• Importez cette couche géographique à l’aide de la fonction st_read du package sf.
• Sélectionnez les variables correspondant au code de la commune et du département, au nom de la commune et à sa population.
• Triez les observations par code géographique croissant. Vous pourrez utiliser la fonction arrange.

Jointure

L’objectif est de réaliser une jointure entre le dataframe des résultats électoraux, et le dataframe/objet sf contenant les contours des communes, afin de pouvoir cartographier les résultats.

• Examinez les variables contenues dans les deux dataframes. Lesquelles pourraient faire office de clef commune pour la jointure ? Sont-elles exactement identiques ?
• Recodez la variable que vous avez choisie comme clef commune de manière à ce qu’elle soit absolument identique dans les deux dataframes.

M’appeler à ce stade

Pour que je vous indique les fonctions dont vous aurez besoin.

• Une fois que la variable commune est rigoureusement identique dans les deux dataframes, identifiez les observations (les communes) éventuellement présentes dans l’un, mais pas dans l’autre, à l’aide de la fonction anti_join. Y a-t-il une logique dans ces absences ?
• Réalisez la jointure à l’aide de la fonction left_join.

Distribution de l’abstention

Vous désirez étudier le pourcentage d’abstention par commune.

• Utilisez la fonction summary pour avoir une première idée de la distribution de cette variable.
• Représentez sa distribution à l’aide des fonctions geom_boxplot, geom_histogram et geom_density.
• Représentez, sur un même graphe, le pourcentage de votes blancs, de votes nuls et d’absentions. Que remarquez-vous ?

Astuce

Vous pourrez utiliser la fonction geom_point et jouer avec les scales suivantes : x, y, fill.

Discrétisation

• Vu la distribution du pourcentage d’abstentions, quelle discrétisation vous semble la plus adaptée ?
• À l’aide de la fonction classInt::classIntervals, procédez à la discrétisation.

Cartographie

Cartographiez la distribution de l’abstention en utilisant ces trois fonctions : ggplot, geom_sf et scale_fill_viridis_b.

M’appeler à ce stade

Pour discuter des améliorations esthétiques à apporter.