31:T753,txt = new Map([ [ "quantile", "La méthode des **quantiles** (ou effectifs égaux) construit des classes dans lesquelles il y a le même nombre d'unités statistiques. Lorsqu'il y a 4 classes, le terme utilisé est celui de quartiles (un quart du nombre total dans chaque classe), lorsqu'il y a 10 classes, on parle de déciles, et pour 100 classes, ce seront des centiles. Cette discrétisation est adaptée aux distributions non symétriques.. En réalité, cette méthode de classification peut être utilisée avec tout type de distribution, et elle permet de comparer les cartes entre elles." ], [ "jenks", "La méthode de **Jenks** est une méthode de discrétisation automatique basée sur le principe de dissemblance/ressemblance. Elle fonctionne par itérations. Elle est pratique. Mais attention, elle ne permet pas de comparer les cartes entre elles." ], [ "q6", "La méthode **q6** est une variation de la méthode des quantiles. La difference est que les classes extremes sont isolées et mises en évidence." ], [ "equal", "La méthode des **amplitudes égales** (equal) construit des classes qui ont toutes la même étendue. Cette méthide est à éviter fortement pour les distribution dissymétriques." ], [ "msd", "La méthode par **discrétisation standardisée** (msd) se réfère aux valeurs significatives moyenne et écart-type. La moyenne peut être définie comme borne de classe ou centre de classe. Cette discrétisation est idéale pour les distributions symétriques." ], [ "geometric", "La méthode par **progression géométrique** (geometric) est adaptée aux distributions fortement asymétriques. Elle consiste à construire des classes dont l'étendue augmente avec chaque classe, ce qui permet de suivre de près les séries statistiques." ] ])32:[{"id":"51bff604c064451b16864b1adb2b1ff507a247131f3c38d6789dc4d3985995e12cf44b02764b77e7ab892803e74c97685ec30e48cfc6cd9f99a695db940ee090","href":"https://static.observableusercontent.com/files/51bff604c064451b16864b1adb2b1ff507a247131f3c38d6789dc4d3985995e12cf44b02764b77e7ab892803e74c97685ec30e48cfc6cd9f99a695db940ee090","name":"formes.png","type":"image/png","lastModified":1666018418051.137,"size":45019},{"id":"7febbc28d71bd7aad7d4cab1f0a1d36b1e4620f2a9689206102169ace89cf6c42e60d478304c9b8366e42f05d6ab6e572028f3116d94dd17f506daf3484e84e5","href":"https://static.observableusercontent.com/files/7febbc28d71bd7aad7d4cab1f0a1d36b1e4620f2a9689206102169ace89cf6c42e60d478304c9b8366e42f05d6ab6e572028f3116d94dd17f506daf3484e84e5","name":"choix.png","type":"image/png","lastModified":1666018747868.496,"size":59148},{"id":"04b776ac337ad3dfcd18a21c6ccc2617a3e46440273b287f2e26e62488dfd52d6b56da1b6082753de5f5e654ae06c08841d6af1f803b3f77920b5cc4b3dc53c1","href":"https://static.observableusercontent.com/files/04b776ac337ad3dfcd18a21c6ccc2617a3e46440273b287f2e26e62488dfd52d6b56da1b6082753de5f5e654ae06c08841d6af1f803b3f77920b5cc4b3dc53c1","name":"worldbank.csv","type":"text/csv","lastModified":1663684278405.916,"size":11101},{"id":"a1db6ed14631c5980b7b730b067e5cddcbe226a1547f9ea4cfac591c12b772eea8b77911f10618634b76c3f12c7db66cc6fd244b76b8b862738cae3b65bc2da1","href":"https://static.observableusercontent.com/files/a1db6ed14631c5980b7b730b067e5cddcbe226a1547f9ea4cfac591c12b772eea8b77911f10618634b76c3f12c7db66cc6fd244b76b8b862738cae3b65bc2da1","name":"world.geojson","type":"application/geo+json","lastModified":1663753838698.728,"size":765648}] 2f:{"title":"Les discrétisations","cells":[{"id":0,"value":"# Les discrétisations","pinned":false,"hidden":false,"mode":"md"},{"id":771,"value":"disclaimer","pinned":false,"hidden":false,"mode":"ojs"},{"id":453,"value":"En cartographie thématique, selon les règles de la sémiologie graphique, les données quantitatives relatives (pourcentages indices, ratio) doivent être représentées à l'aide de variables visuelles d'ordre. La représentation la plus classique est la carte choroplèthe.\n\nProblème : imaginons les départements français. Si on devait affecter une couleur à chaque département, on n'arriverait pas à différencier les valeurs les unes des autres. L’œil ne peut pas différence 100 variations de vert différentes. Il faut donc faire des regroupements. Tout l'enjeu consiste à faire des regroupements qui ont du sens. ","pinned":false,"hidden":false,"mode":"md"},{"id":7,"value":"La **discrétisation** consiste à découper une série en classes de valeur. Cette opération doit respecter différentes caractéristiques de la distribution","pinned":false,"hidden":false,"mode":"md"},{"id":89,"value":"# 1. Les données","pinned":false,"hidden":false,"mode":"md"},{"id":40,"value":"

Importer un tableau de donnnées

","pinned":false,"hidden":false,"mode":"md"},{"id":25,"value":"data = FileAttachment(\"worldbank.csv\").csv({ typed: true })","pinned":false,"hidden":false,"mode":"ojs"},{"id":84,"value":"Inputs.table(data)","pinned":false,"hidden":false,"mode":"ojs"},{"id":47,"value":"

Extraire une variable

","pinned":false,"hidden":false,"mode":"html"},{"id":38,"value":"gdppc = data.map((d) => d[\"gdppc\"])","pinned":false,"hidden":false,"mode":"ojs"},{"id":98,"value":"# 2. Paramètres de position","pinned":false,"hidden":false,"mode":"md"},{"id":810,"value":"Utiliser `d3` plutôt que `Math`.","pinned":false,"hidden":false,"mode":"md"},{"id":76,"value":"

Minimum

","pinned":false,"hidden":false,"mode":"md"},{"id":807,"value":"Math.min(gdppc)","pinned":true,"hidden":false,"mode":"ojs"},{"id":103,"value":"d3.min(gdppc)","pinned":true,"hidden":false,"mode":"ojs"},{"id":108,"value":"

Maximum

","pinned":false,"hidden":false,"mode":"html"},{"id":110,"value":"d3.max(gdppc)","pinned":true,"hidden":false,"mode":"ojs"},{"id":112,"value":"

Etendue

","pinned":false,"hidden":false,"mode":"html"},{"id":114,"value":"d3.max(gdppc) - d3.min(gdppc)","pinned":true,"hidden":false,"mode":"ojs"},{"id":122,"value":"

Mediane

","pinned":false,"hidden":false,"mode":"md"},{"id":126,"value":"d3.median(gdppc)","pinned":true,"hidden":false,"mode":"ojs"},{"id":128,"value":"

Moyenne

","pinned":false,"hidden":false,"mode":"md"},{"id":136,"value":"d3.mean(gdppc)","pinned":true,"hidden":false,"mode":"ojs"},{"id":820,"value":"

Etendue

","pinned":false,"hidden":false,"mode":"html"},{"id":877,"value":"d3.extent(gdppc)","pinned":true,"hidden":false,"mode":"ojs"},{"id":828,"value":"etendue = d3.max(gdppc) - d3.min(gdppc)","pinned":true,"hidden":false,"mode":"ojs"},{"id":832,"value":"Math.round(etendue)","pinned":true,"hidden":false,"mode":"ojs"},{"id":823,"value":"Math.round(etendue * 100) / 100","pinned":true,"hidden":false,"mode":"ojs"},{"id":138,"value":"# 2. Paramètres de dispersion","pinned":false,"hidden":false,"mode":"md"},{"id":140,"value":"

Variance

","pinned":false,"hidden":false,"mode":"html"},{"id":145,"value":"d3.variance(gdppc)","pinned":true,"hidden":false,"mode":"ojs"},{"id":142,"value":"

Écart type

","pinned":false,"hidden":false,"mode":"html"},{"id":147,"value":"d3.deviation(gdppc)","pinned":true,"hidden":false,"mode":"ojs"},{"id":149,"value":"# 3. Analyser la distribution","pinned":false,"hidden":false,"mode":"md"},{"id":651,"value":"Analyser la forme de la distribution va ce qui nous permettre de déterminer la bonne méthode de disecrétisation.","pinned":false,"hidden":false,"mode":"md"},{"id":687,"value":"

Comparaison des valeurs centrales

","pinned":false,"hidden":false,"mode":"md"},{"id":656,"value":"formes = FileAttachment(\"formes.png\").image()","pinned":false,"hidden":false,"mode":"ojs"},{"id":441,"value":"Comment déterminer la forme avec des vraies données ?","pinned":false,"hidden":false,"mode":"md"},{"id":158,"value":"

Ticks

","pinned":false,"hidden":false,"mode":"html"},{"id":185,"value":"Plot.plot({\n marginTop: 15,\n\n marks: [\n Plot.tickX(data, { x: \"gdppc\" }),\n Plot.text(data, {\n filter: (d) => d.gdppc >= 100000,\n x: \"gdppc\",\n text: \"id\",\n dy: -25\n })\n ]\n})","pinned":true,"hidden":false,"mode":"ojs"},{"id":226,"value":"Plot.plot({\n marginLeft: 80,\n marks: [Plot.tickX(data, { x: \"gdppc\", y: \"region\" })]\n})\n","pinned":true,"hidden":false,"mode":"ojs"},{"id":316,"value":"

Dots

","pinned":false,"hidden":false,"mode":"html"},{"id":302,"value":"Plot.plot({\n marks: [\n Plot.dotX(data, {\n x: \"gdppc\",\n fill: \"black\",\n stroke: \"white\",\n strokeWidth: 0.2\n })\n ]\n})","pinned":true,"hidden":false,"mode":"ojs"},{"id":190,"value":"

Boite à moustaches

","pinned":false,"hidden":false,"mode":"html"},{"id":192,"value":"Plot.plot({\n marks: [Plot.boxX(data, { x: \"gdppc\", fill: \"red\" })]\n})","pinned":true,"hidden":false,"mode":"ojs"},{"id":198,"value":"// Plot.plot({\n// marks: [Plot.boxY(data, { y: \"gdppc\", x: \"region\" })]\n// })\n","pinned":false,"hidden":false,"mode":"ojs"},{"id":288,"value":"

Dodge

","pinned":false,"hidden":false,"mode":"html"},{"id":323,"value":"https://observablehq.com/@observablehq/plot-dodge?collection=@observablehq/plot","pinned":false,"hidden":false,"mode":"md"},{"id":286,"value":"Plot.plot({\n height: 340,\n marks: [\n Plot.dotX(\n data,\n Plot.dodgeY({ x: \"gdppc\", title: \"name\", fill: \"red\", padding: 0 })\n )\n ]\n})","pinned":false,"hidden":false,"mode":"ojs"},{"id":325,"value":"

Barplot

","pinned":false,"hidden":false,"mode":"html"},{"id":339,"value":"viewof thresholds = Inputs.range([5, 100], {\n label: \"Nombre de barres\",\n step: 1\n})","pinned":false,"hidden":false,"mode":"ojs"},{"id":330,"value":"Plot.plot({\n height: 180,\n marks: [\n Plot.rectY(\n data,\n Plot.binX({ y: \"count\" }, { x: \"gdppc\", thresholds: thresholds })\n ),\n Plot.ruleY([0])\n ]\n})","pinned":true,"hidden":false,"mode":"ojs"},{"id":426,"value":"

Cells

","pinned":false,"hidden":false,"mode":"md"},{"id":344,"value":"Plot.plot({\n height: 65,\n color: {\n scheme: \"reds\"\n //type: \"symlog\"\n },\n marks: [\n Plot.rect(\n data,\n Plot.bin({ fill: \"count\" }, { x: \"gdppc\", y: 1, thresholds: 40 })\n )\n ]\n})","pinned":false,"hidden":false,"mode":"ojs"},{"id":865,"value":"

Densité

","pinned":false,"hidden":false,"mode":"html"},{"id":867,"value":"Plot.plot({\n height: 100,\n inset: 10,\n marks: [\n Plot.density(data, {\n x: \"gdppc\",\n stroke: \"steelblue\",\n strokeWidth: 0.25,\n bandwidth: 10\n }),\n Plot.density(data, {\n x: \"gdppc\",\n stroke: \"steelblue\",\n thresholds: 4,\n bandwidth: 10\n }),\n Plot.dot(data, { x: \"gdppc\", fill: \"currentColor\", r: 1.5 })\n ]\n})","pinned":false,"hidden":false,"mode":"ojs"},{"id":801,"value":"

Histogrammes

","pinned":false,"hidden":false,"mode":"md"},{"id":798,"value":"Voir https://observablehq.com/@fil/irregular-bins-histogram","pinned":false,"hidden":false,"mode":"md"},{"id":248,"value":"# 3. Les méthodes de discrétisation","pinned":false,"hidden":false,"mode":"md"},{"id":567,"value":"Différentes méthodes de discrétisation sont disponibles dans `bertin` ou dans la librairie `statsbreaks`","pinned":false,"hidden":false,"mode":"md"},{"id":840,"value":"

","pinned":false,"hidden":false,"mode":"html"},{"id":5,"value":"discr = require(\"statsbreaks@0.4\")","pinned":true,"hidden":false,"mode":"ojs"},{"id":690,"value":"viewof method = Inputs.select(\n [\"quantile\", \"q6\", \"equal\", \"jenks\", , \"msd\", \"geometric\"],\n {\n label: \"methode\",\n value: \"quantile\"\n }\n)","pinned":false,"hidden":false,"mode":"ojs"},{"id":702,"value":"$${txt.get(method)}","pinned":false,"hidden":false,"mode":"md"},{"id":266,"value":"viewof range = Inputs.range([3, 9], {\n label: \"nb classes\",\n step: 1,\n value: 6,\n disabled: method == \"msd\" || method == \"q6\" ? true : false\n})","pinned":false,"hidden":false,"mode":"ojs"},{"id":710,"value":"viewof pal = Inputs.select(\n [\n \"Blues\",\n \"Greens\",\n \"Greys\",\n \"Oranges\",\n \"Purples\",\n \"BuGn\",\n \"BuPu\",\n \"GnBu\",\n \"OrRd\",\n \"PuBuGn\",\n \"PuBu\",\n \"PuRd\",\n \"RdPu\",\n \"YlGnBu\",\n \"YlGn\",\n \"YlOrBr\",\n \"YlOrRd\",\n \"BrBG\",\n \"PRGn\",\n \"PiYG\",\n \"PuOr\",\n \"RdBu\",\n \"RdGy\",\n \"RdYlBu\",\n \"RdYlGn\",\n \"Spectral\"\n ],\n {\n label: \"colors\",\n value: \"YlGn\"\n }\n)","pinned":false,"hidden":false,"mode":"ojs"},{"id":738,"value":"viewof msd_k = Inputs.range([0.9, 2], {\n label: \"k (nombre d'écarts types dans méthode msd)\",\n step: 0.1,\n value: 1,\n disabled: method == \"msd\" ? false : true\n})","pinned":false,"hidden":false,"mode":"ojs"},{"id":740,"value":"viewof middle = Inputs.toggle({\n label: \"Moyenne comme centre de classe (méthode msd)\",\n disabled: method == \"msd\" ? false : true\n})","pinned":false,"hidden":false,"mode":"ojs"},{"id":264,"value":"breaks = discr.breaks({\n values: gdppc,\n method: method,\n nb: range,\n precision: 2\n})","pinned":false,"hidden":false,"mode":"ojs"},{"id":570,"value":"Plot.plot({\n height: 370,\n color: {\n type: \"threshold\",\n scheme: pal,\n domain: breaks\n },\n marks: [\n Plot.dotX(\n data,\n Plot.dodgeY({\n x: \"gdppc\",\n title: \"name\",\n fill: \"currentColor\",\n padding: 0.5,\n fill: \"gdppc\",\n title: (d) => `${d.name} \\n gdppc: ${d.gdppc}` // \\n makes a new line\n })\n )\n ]\n})","pinned":false,"hidden":false,"mode":"ojs"},{"id":490,"value":"viz.plot({\n type: \"choro\",\n data: world,\n var: \"gdppc\",\n breaks: breaks,\n colors: pal,\n leg_pos: [50, 100]\n})","pinned":false,"hidden":false,"mode":"ojs"},{"id":736,"value":"Pour la méthode moyenne-écart type (discrétisation standardisée), ce n'est pas le nombre de classe qu'on fait varier mais le nombre d'écart types séparant 2 classes. ","pinned":false,"hidden":false,"mode":"md"},{"id":743,"value":"On peut aussi choisir si la moyenne est un centre de classe ou une borne de classe. ","pinned":false,"hidden":false,"mode":"md"},{"id":648,"value":"# 4. Comment choisir une méthode ?","pinned":false,"hidden":false,"mode":"md"},{"id":681,"value":"Il y a 2 cas de figures principaux.\n\n- Si la distribution est __normale__ (symétrique), on va choisir une méthode basée sur la __moyenne__. On choisit donc la méthode de discrétisation standardisée.\n- Si la distribution n'est __pas normale__, on va utiliser une méthode basée sur la __médiane__ (quantiles, Q6)\n\nPour __comparer deux cartes__, on utilise la discrétisation standardisée (msd) si les deux distributions sont symétriques.\nSi l'une des distributions n'est pas symétrique, on doit utiliser la méthode des effectifs égaux (quantile ou Q6).","pinned":false,"hidden":false,"mode":"md"},{"id":794,"value":"choix = FileAttachment(\"choix.png\").image()","pinned":false,"hidden":false,"mode":"ojs"},{"id":28,"value":"## Annexes","pinned":false,"hidden":false,"mode":"md"},{"id":693,"value":"$31","pinned":false,"hidden":false,"mode":"ojs"},{"id":276,"value":"viz = require(\"geoviz@0.7.2\")","pinned":false,"hidden":false,"mode":"ojs"},{"id":279,"value":"geom = FileAttachment(\"world.geojson\").json()","pinned":false,"hidden":false,"mode":"ojs"},{"id":483,"value":"world = viz.tool.merge({\n geom: geom,\n geom_id: \"ISO3\",\n data: data,\n data_id: \"id\"\n}).featureCollection","pinned":false,"hidden":false,"mode":"ojs"},{"id":33,"value":"","pinned":false,"hidden":false,"mode":"html"},{"id":762,"value":"import { disclaimer } from \"d41fbc44e11a58e6\"","pinned":false,"hidden":false,"mode":"ojs"}],"files":"$W32","stdlib":"1","titling":"auto"}