04-get_started.Rmd

# Bien commencer

## Créer un projet sous Rstudio pour vous permettre de recenser vos travaux.

```{r collecte prez projet rstudio, warning=FALSE, echo=FALSE, results='asis'}
# Utilisation du chapitre de présentation des projets RStudio présent dans https://github.com/MTES-MCT/parcours-r

cat(text = stringi::stri_read_lines("https://raw.githubusercontent.com/MTES-MCT/parcours-r/master/parties_communes/bien_commencer.Rmd", encoding = "UTF-8"), sep = '\n')


```

## Utilisation du package `{savoirfR}`

```{r collecte prez savoirfR, warning=FALSE, echo=FALSE, results='asis'}
# Utilisation du chapitre de présentation de savoirfR présent dans https://github.com/MTES-MCT/parcours-r
a <-  knitr::knit_child(text = stringi::stri_read_lines("https://raw.githubusercontent.com/MTES-MCT/parcours-r/master/parties_communes/savoir_faire.Rmd", encoding = "UTF-8"), quiet = TRUE)

cat(a, sep = '\n')

```

## Intégrer vos données

Une bonne pratique est de créer un sous répertoire `/data` pour stocker les données sur lesquelles vous aurez à travailler. 

Vous pouvez le faire depuis l'explorateur de fichier de votre système d'exploitation ou directement à partir de l'explorateur de fichier de RStudio.

![](images/creerprojet3.png){#id .class width=500}

Cela marche bien quand on a un seul type de données, mais en général on va avoir à travailler sur des données brutes que l'on va retravailler ensuite et vouloir stocker à part. Si par la suite vous souhaitez avoir des exemples de bonnes pratiques sur comment structurer vos données, vous pouvez vous référer au [chapitre data](http://r-pkgs.had.co.nz/data.html) du livre d'Hadley Wickham sur la construction de packages R (tout package R étant aussi un projet !).  


## Créer votre arborescence de projet

- Créer un répertoire `/R` ou vous mettrez vos scripts R.
- Créer un répertoire `/figures` ou vous mettrez vos illustrations issues de R.  

## Activer les packages nécessaires

Commencer par rajouter un script dans le répertoire `/R` à votre projet qui commencera par : 

- activer l'ensemble des packages nécessaires

- charger les données dont vous aurez besoin.


```{r, warning=FALSE, message=FALSE}
library(tidyverse)
library(GGally) 
library(plotly)

base <- read.csv(file = "extdata/Base_synth_territoires.csv", fileEncoding = 'latin1',
                 header = TRUE, sep = ";", dec = ",")

```


## Bien structurer ses projets *data*

Plusieurs documents peuvent vous inspirer sur la structuration de vos projets *data* par la suite.

En voici quelques uns : 

- https://github.com/pavopax/new-project-template
- https://nicercode.github.io/blog/2013-04-05-projects/
- https://www.inwt-statistics.com/read-blog/a-meaningful-file-structure-for-r-projects.html
- http://projecttemplate.net/architecture.html

À partir du moment où quelques grands principes sont respectés (un répertoire pour les données brutes en lecture seule par exemple), le reste est surtout une question d'attirance plus forte pour l'une ou l'autre solution. 
L'important est de vous tenir ensuite à conserver toujours la même arborescence dans vos projets afin de vous y retrouver plus simplement.