feat: add exploratory data analysis and visualizations for the iris dataset

Big Data/TP1/Exercice1.R

@@ -0,0 +1,194 @@
+data(iris)
+
+# 1. Quelle est la nature de iris ? (matrix, vector, data.frame....)
+cat("Iris est une matrice ?", is.matrix(iris), "\n")
+cat("Iris est un vecteur ?", is.vector(iris), "\n")
+cat("Iris est une data frame ?", is.data.frame(iris), "\n")
+
+# 2. Les données. Combien d'individus ? de variables ? Pour chacune des variables donner
+# leur nature (quantitative, qualitative, ...).
+
+# Nombre d'individus et de variables
+cat("Nombre d'individus:", nrow(iris), "\n")
+cat("Nombre de variables:", ncol(iris), "\n\n")
+
+# Nature de chaque variable
+cat("Nature de chaque variable:\n")
+for (i in 1:ncol(iris)) {
+  var_name <- names(iris)[i]
+  var_type <- if (is.factor(iris[, i])) {
+    "qualitative nominale"
+  } else if (is.numeric(iris[, i])) {
+    "quantitative continue"
+  } else {
+    "autre"
+  }
+
+  cat("- ", var_name, ": ", var_type, "\n", sep="")
+}
+
+# 3. Calculer pour chaque variable lorsque cela a un sens, la moyenne et la variance
+# empirique. Même question en divisant la population selon le niveau de la variable
+# Species.
+
+# Calculer la moyenne et la variance pour chaque variable numérique
+cat("Statistiques pour toutes les données:\n")
+for (i in 1:4) {  # Les 4 premières variables sont numériques
+  var_name <- names(iris)[i]
+  var_mean <- mean(iris[, i])
+  var_var <- var(iris[, i])
+
+  cat("- ", var_name, ":\n", sep="")
+  cat("  Moyenne: ", round(var_mean, 2), "\n", sep="")
+  cat("  Variance: ", round(var_var, 2), "\n", sep="")
+}
+
+# Calculer la moyenne et la variance par niveau de Species
+cat("\nStatistiques par espèce:\n")
+species_levels <- levels(iris$Species)
+
+for (species in species_levels) {
+  cat("\nEspèce: ", species, "\n", sep="")
+
+  # Filtrer les données pour l'espèce actuelle
+  species_data <- iris[iris$Species == species, ]
+
+  for (i in 1:4) {  # Les 4 premières variables sont numériques
+    var_name <- names(iris)[i]
+    var_mean <- mean(species_data[, i])
+    var_var <- var(species_data[, i])
+
+    cat("- ", var_name, ":\n", sep="")
+    cat("  Moyenne: ", round(var_mean, 2), "\n", sep="")
+    cat("  Variance: ", round(var_var, 2), "\n", sep="")
+  }
+}
+
+# 4. On s'intéresse au 4 premières variables. Standardiser les données (retirer la moyenne
+# et diviser par l'écart-type).
+
+# Création d'un nouveau dataframe pour les données standardisées
+iris_standardized <- iris
+
+# Standardisation des 4 premières variables
+for (i in 1:4) {
+  var_name <- names(iris)[i]
+  iris_standardized[, i] <- scale(iris[, i])
+}
+
+# Afficher un résumé des données standardisées
+cat("Résumé des données standardisées:\n")
+summary(iris_standardized[, 1:4])
+
+# Vérifier que la moyenne est proche de 0 et l'écart-type est proche de 1
+cat("\nVérification des moyennes (doivent être proches de 0):\n")
+for (i in 1:4) {
+  var_name <- names(iris_standardized)[i]
+  var_mean <- mean(iris_standardized[, i])
+  cat("- ", var_name, ": ", round(var_mean, 4), "\n", sep="")
+}
+
+cat("\nVérification des écarts-types (doivent être proches de 1):\n")
+for (i in 1:4) {
+  var_name <- names(iris_standardized)[i]
+  var_sd <- sd(iris_standardized[, i])
+  cat("- ", var_name, ": ", round(var_sd, 4), "\n", sep="")
+}
+
+# 5. Tracer le graphique variable Petal.Length versus Petal.Width en utilisant des couleurs
+# différentes selon le niveau de la variable Species. Essayer tous les "croisements"
+# possibles et commentez ces graphiques.
+
+# Définir une palette de couleurs distincte
+iris_colors <- c("red", "blue", "green")
+
+# 1. Graphique Petal.Length vs Petal.Width
+plot(iris$Petal.Length, iris$Petal.Width,
+     main="Petal.Length vs Petal.Width",
+     xlab="Petal.Length",
+     ylab="Petal.Width",
+     pch=19,
+     col=iris_colors[as.numeric(iris$Species)])
+
+# Ajouter une légende
+legend("topleft",
+       legend=levels(iris$Species),
+       col=iris_colors,
+       pch=19)
+
+# 2. Matrice de nuages de points pour toutes les combinaisons
+pairs(iris[, 1:4],
+      main="Matrices de nuages de points",
+      pch=19,
+      col=iris_colors[as.numeric(iris$Species)])
+
+# Ajouter une légende
+legend("bottomright",
+       legend=levels(iris$Species),
+       col=iris_colors,
+       pch=19,
+       cex=0.8)
+
+# 3. Graphiques individuels pour chaque combinaison
+par(mfrow=c(2, 3))
+
+# Toutes les combinaisons de variables
+plot(iris$Sepal.Length, iris$Sepal.Width, main="Sepal.Length vs Sepal.Width",
+     xlab="Sepal.Length", ylab="Sepal.Width", pch=19,
+     col=iris_colors[as.numeric(iris$Species)])
+legend("topright", legend=levels(iris$Species), col=iris_colors, pch=19, cex=0.6)
+
+plot(iris$Sepal.Length, iris$Petal.Length, main="Sepal.Length vs Petal.Length",
+     xlab="Sepal.Length", ylab="Petal.Length", pch=19,
+     col=iris_colors[as.numeric(iris$Species)])
+legend("topleft", legend=levels(iris$Species), col=iris_colors, pch=19, cex=0.6)
+
+plot(iris$Sepal.Length, iris$Petal.Width, main="Sepal.Length vs Petal.Width",
+     xlab="Sepal.Length", ylab="Petal.Width", pch=19,
+     col=iris_colors[as.numeric(iris$Species)])
+legend("topleft", legend=levels(iris$Species), col=iris_colors, pch=19, cex=0.6)
+
+plot(iris$Sepal.Width, iris$Petal.Length, main="Sepal.Width vs Petal.Length",
+     xlab="Sepal.Width", ylab="Petal.Length", pch=19,
+     col=iris_colors[as.numeric(iris$Species)])
+legend("topright", legend=levels(iris$Species), col=iris_colors, pch=19, cex=0.6)
+
+plot(iris$Sepal.Width, iris$Petal.Width, main="Sepal.Width vs Petal.Width",
+     xlab="Sepal.Width", ylab="Petal.Width", pch=19,
+     col=iris_colors[as.numeric(iris$Species)])
+legend("topright", legend=levels(iris$Species), col=iris_colors, pch=19, cex=0.6)
+
+plot(iris$Petal.Length, iris$Petal.Width, main="Petal.Length vs Petal.Width",
+     xlab="Petal.Length", ylab="Petal.Width", pch=19,
+     col=iris_colors[as.numeric(iris$Species)])
+legend("topleft", legend=levels(iris$Species), col=iris_colors, pch=19, cex=0.6)
+
+# Réinitialiser la mise en page
+par(mfrow=c(1, 1))
+
+# Commentaires sur les graphiques
+cat("\nCommentaires sur les graphiques:\n")
+
+cat("\nPetal.Length vs Petal.Width:\n")
+cat("- Forte corrélation positive entre ces variables\n")
+cat("- Setosa est clairement isolée avec des pétales plus petits\n")
+cat("- Bonne séparation entre les trois espèces\n")
+
+cat("\nSepal.Length vs Sepal.Width:\n")
+cat("- Corrélation moins évidente\n")
+cat("- Setosa a des sépales plus courts mais plus larges\n")
+cat("- Chevauchement important entre Versicolor et Virginica\n")
+
+cat("\nSepal.Length vs Petal.Length/Width:\n")
+cat("- Bonne séparation des espèces\n")
+cat("- Setosa bien isolée\n")
+cat("- Corrélation positive au sein de chaque espèce\n")
+
+cat("\nSepal.Width vs Petal.Length/Width:\n")
+cat("- Tendance à une corrélation négative\n")
+cat("- Setosa a des sépales larges mais des pétales courts\n")
+
+cat("\nConclusion:\n")
+cat("- Les variables liées aux pétales sont plus discriminantes\n")
+cat("- Setosa est la plus facilement identifiable\n")
+cat("- La combinaison Petal.Length/Petal.Width offre la meilleure séparation\n")

Big Data/TP1/TP1.R

@@ -0,0 +1,19 @@
+# https://github.com/BreizhHardware/TD-R/tree/main/Big%20Data/TP1
+
+v1 <- c(175, 182, 165, 187, 158)
+v2 <- c(19, 18, 21, 22, 20)
+tableau <- data.frame(taille=v1,age=v2)
+names(tableau)
+print(tableau$taille)
+summary(tableau)
+write.table(tableau, "sortie.csv", sep=";")
+
+options(repos = c(CRAN = "https://cran.irsn.fr/"))
+# install.packages("maps")
+library(maps)
+map("france")
+
+datas <- rnorm(20)
+barplot(datas)
+hist(datas, nclass=4)
+plot(seq(0,2*pi,by=0.01), sin(seq(0,2*pi,by=0.01)))

TP3/Exercice1.R

@@ -2,7 +2,7 @@
 
 
 # Spécifier un miroir CRAN
-options(repos = c(CRAN = "https://cran.rstudio.com/"))
+options(repos = c(CRAN = "https://cran.irsn.fr/"))
 
 # Installer le package readxl
 install.packages("readxl")