Démo

Graphiques (HTML)

Description.
Rédigé et révisé par
Affiliations

Collègue Un

Université de X

Domaine,
Institution
Ville, État

Collègue Deux

Institut de Y

Domaine,
Institution
Ville, État

Mise à jour

avril 2026

Résumé
Résumé.

Avant propos

Un article dédié à la visualisation graphique.

Pigeons de course

Figure 1: Pigeon voyageur.

L’American Racing Pigeon Union dispose d’une excellente base de données les résultats de ses courses.

pigeon <- readr::read_csv("data/pigeons.csv")

pigeon

str(pigeon)

Tableaux

Avec un sous-ensemble des données, nous classifions les pigeons par couleur pour trouver les types les plus usités.

library(tidyverse)

# Regrouper les couleurs
# Dénombrer chaque catégorie
# Afficher les plus grandes valeurs
décompte <- pigeon |> 
  dplyr::group_by(Couleur) |> 
  dplyr::summarize(Décompte = n()) |> 
  dplyr::filter(Décompte > 10) 

décompte
# A tibble: 4 × 2
  Couleur Décompte
  <chr>      <int>
1 BB           177
2 BBWF          36
3 BC            92
4 RC            16

Nous affichons les résultats avec une première table.

# https://haozhu233.github.io/kableExtra/awesome_table_in_html.html
knitr::kable(décompte,
             col.names = c('Couleur', 'Décompte'),
             align = c('l', 'l'),
             booktabs = TRUE) |>
  kableExtra::kable_styling(c('striped', 'hover', 'condensed'),
                            full_width = FALSE,
                            position = "center",
                            fixed_thead = TRUE,
                            latex_options = c('striped', 'hold_position', 'scale_down'))
Table 1: Catégorie de pigeon.
Couleur Décompte
BB 177
BBWF 36
BC 92
RC 16

Graphiques

Nous reprenons les données pour tracer un graphique démontrant la corrélation entre la vitesse du pigeon et son rang dans une course. Les gagnants sont les plus rapides!

library(ggplot2)

ggplot(pigeon, aes(x = Pos, y = Vitesse)) +
  geom_point(color='tomato') + 
  xlab("Rang du pigeon") +
  ylab("Vitesse du pigeon") +
  ggtitle("Résultats d'une course \nde la 1ère à la dernière position")
Figure 2: Décompte.

La production d’argent

Figure 3: Real espagnol.

Les Espagnols ont gardé des registres très détaillés sur la quantité d’argent qu’ils produisaient à l’époque coloniale (1720 - 1800).

argent <- readr::read_csv("data/argent.csv")

argent

str(argent)
argent$situados_payé_g <- argent$situados_payé * argent$guerre_ind_américaine
argent$argent_frappé_g <- argent$argent_frappé * argent$guerre_ind_américaine

argent

La quantité d’argent frappé

library(ggplot2)

ggplot(argent, aes(x = année, y = argent_frappé/1000)) +
  geom_area(colour = 'darkgray', size = 0.2, fill = 'yellow', alpha = 0.5) +
  xlab("Année") +
  ylab("Argent frappé (000)")
Figure 4: Quantité d’argent frappé.

Voyons l’effet de la guerre d’Indépendance américaine. La Déclaration d’Indépendance a lieu en 1776 et la guerre prend fin en 1783.

ggplot(argent, aes(x = année, y = argent_frappé/1000)) +
  geom_area(colour = 'darkgray', size = 0.2, fill = 'yellow', alpha = 0.5) +
  geom_area(aes(x = année, y = argent_frappé_g/1000), fill = 'orange', alpha = 0.5) +
  xlab("Année") +
  ylab("Argent frappé (000)")
Figure 5: Quantité d’argent frappé.

Nous aurions pu illustrer l’effet inflationniste d’autres périodes de guerres:

  • Guerre de Succession d’Autriche (1740-48).
  • Guerre de Sept Ans dans les Amériques (1754-1760; en Europe, 1756-1763).
  • Guerres suivant la Révolution française dont la Première Coalition (1792-1797).

La quantité cumulative

argent$argent_frappé_cum <- cumsum(argent$argent_frappé)
argent$argent_frappé_cum_g <- argent$argent_frappé_cum * argent$guerre_ind_américaine

ggplot(argent, aes(x = année, y = argent_frappé_cum/1000000)) + 
  geom_area(colour = 'darkgray', size = 0.2, fill = 'yellow', alpha = 0.5) +
  geom_area(aes(x = année, y = argent_frappé_cum_g/1000000), fill = 'orange', alpha = 0.5) +
  xlab("Année")  + 
  ylab("Argent frappé cumulatif (000,000)")
Figure 6: Quantité d’argent frappé.

Une superposition

ggplot(argent) + 
  geom_area(aes(x = année, y = argent_frappé_cum/1000000), colour = 'darkgray', size = 0.2, fill = 'yellow', alpha = 0.5) +
  geom_area(aes(x = année, y = argent_frappé/1000000), colour = 'darkgray', size = 0.2, fill = 'red', alpha = 0.5) +
  geom_area(aes(x = année, y = argent_frappé_cum_g/1000000), fill = 'orange', alpha = 0.5) +
  xlab("Année") +
  ylab("Argent frappé (000,000) \n annuel et cumulatif") +
  scale_fill_discrete() +
  theme(legend.position='upperleft')
Figure 7: Quantité d’argent frappé.

Avec un thème

Les thèmes prédéfinis sauvent du temps. Voyons le thème «The Economist».

library(ggthemes)

ggplot(argent) + 
  geom_area(aes(x = année, y = argent_frappé_cum/1000000), colour = 'darkgray', size = 0.2, alpha = 0.4) +
  geom_area(aes(x = année, y = argent_frappé/1000000), colour = 'darkgray', size = 0.2, fill = 'darkblue', alpha = 0.4) +
  geom_area(aes(x = année, y = argent_frappé_cum_g/1000000), alpha = 0.4) +
  xlab("Année") +
  ylab("Argent frappé (000,000) \n annuel et cumulatif") +
  theme_economist() +
  scale_colour_economist()
Figure 8: Quantité d’argent frappé.