-
Notifications
You must be signed in to change notification settings - Fork 0
/
chapter-1-chapter-2-augmented.R
260 lines (210 loc) · 9.8 KB
/
chapter-1-chapter-2-augmented.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
# ---- Thèse de doctorat Annick Eudes JEAN-BAPTISTE ----
# Codes de réplication des calculs du Chapitre # 1 - augmentés d'autres calculs
# ---- Préliminaires ----
# Cleaning the session form other the objects in the environment
remove(list=ls())
ls()
# setting the working directory
setwd("~/OneDrive/Documents/2_Data_analysis_research/GitHub/Analyse-de-donnees-these-paris-saclay/datasets")
# Adding the packages used in this analysis
install.packages("xlsx") # Lire les fichers excel
install.packages("ggplot2") # Installer le packet ggplot2
install.packages("calibrate") # Pour ajouter les noms des points dans un scatter plot
install.packages("reshape2") # Load le packet qui permet de faire le reshaping et le melt:
install.packages("ggpubr") # ggpubr: 'ggplot2' Based Publication Ready Plots -
# stat() for the Pearson correlation in the plot
# Loading the required packages :
library("xlsx")
library("ggplot2")
library(calibrate)
library(reshape2)
library(ggpubr)
# Removinng the scientific notations
options(scipen=999)
# En francais :
# Sys.setenv(LANG = "fr")
# Ou en anglais Sys.setenv(LANG = "en")
# ---- Graphique # 3 ----
# Importer le ficher excel contenu dans le repertoire :"dataset"
df <- read_excel("Taux_de_croissance_PD PVD_PMA.xlsx")
str(df)
View(df)
# Figure 3. Taux de croissance du PIB per capita par
# catégories de revenus de 1971 à 2015 en USD constant en 2010
ggplot(df, aes(df$Date)) + geom_line(aes(y = df$`Pays Developpes`,
color = "Pays développés")) +
geom_line(aes(y = df$PVD, color = "PVD")) +
geom_line(aes(y = df$`PVS sans les PMA`, color = "PVD sans les PMA")) +
geom_line(aes(y = df$`PMA : Afrique et Haiti`, color = "PMA Afrique et Haiti")) +
geom_line(aes(y = df$`PMA : Asie`, color = "PMA d'Asie")) +
xlab("Années") +
ylab("Croissance du PIB par habitant (% annuel)")
# ---- Graphique # 4 ----
# Figure 4. Contribution du secteur agricole à la valeur ajoutée (en USD constant 2010)
library(readxl)
df <- read_excel("Contribution_VA_PIB.xlsx")
View(df)
# 1er chose à faire, elever la colonne "date" et "reshape" les variables pour les
# mettre dans le format adéquat :
df.pma = df
df.pma$Date <- NULL
# Load le packet qui permet de faire le reshaping et le melt:
library(reshape2)
# Shaping the data
melted_data = melt(df.pma)
View(melted_data)
# Change the names to make it less confusing if necessary
colnames(melted_data) = c("Pays", "va.agr.PIB")
# ploting with ggplot, x = variable and y = value (one can add cathegories)
ggplot(melted_data) + geom_boxplot(aes(x = Pays, y = va.agr.PIB))
# Ajouter des valeurs sur les axes x et y
ggplot(melted_data) +
geom_boxplot(aes(x = Pays, y = va.agr.PIB)) +
xlab("Groupes économiques") +
ylab("Agriculture, valeur ajoutée (% du PIB)")
# ---- Graphique # 8 ----
# Importer le ficher excel contenu dans le repertoire :"dataset"
library(readxl)
df <- read_excel("Commodity_prices.xlsx",
sheet = "Data")
View(df)
# Figure 8. Évolution du prix de quelques produits de base à forte demande dans les PMA
ggplot(df, aes(df$Annees)) +
geom_line(aes(y = df$`Moyenne en pétrole brut ($ / bbl)`, color = "Moyenne en pétrole brut (USD/baril)")) +
geom_line(aes(y = df$`Maïs - ($ / mt)`, color = "Maïs (USD/tonnes métriques)")) +
geom_line(aes(y = df$`Sorgho - ($ / mt)`, color = "Sorgo (USD/tonnes métriques)")) +
geom_line(aes(y = df$`Riz Thai 5% ($ / mt)`, color = "Riz Thai 5% (USD/tonnes métriques)")) +
geom_line(aes(y = df$`Blé US HRW ($ / mt)`, color = "Blé US (USD/tonnes métriques)")) +
scale_fill_discrete(name="Experimental\nCondition") +
xlab("Années") +
ylab("Prix en USD")
# ---- Graphique # 9 ----
# Figure 9. Solde du commerce de marchandises dans les PMA (1971 à 2016)
#### Figure 9 Situation du commerce externe des PMA
library(readxl)
df <- read_excel("balance_commerciale3.xlsx",
col_types = c("numeric",
"numeric",
"numeric",
"numeric"))
str(df)
ggplot(df, aes(df$Annee)) +
geom_line(aes(y = df$Afrique_et_Haiti, color = "PMA Afrique + Haiti")) +
geom_line(aes(y = df$PMA_Asie, color = "PMA d'Asie")) +
geom_line(aes(y = df$PMA_iles, color = "PMA îles")) +
ylab(label="En millions de USD") +
xlab("Années")
# ---- Graphique # 11 ----
# Figure 11. Perception de la corruption dans les économies par niveau de revenue
library(readxl)
df <- read_excel("CorruptionIndex_GDP_per_capita.xlsx",
col_types = c("text", "text", "numeric",
"numeric"))
View(df)
str(df)
# Modèle dans le graph avec intervalle de confiances
# on ajoute un model qui sera dans le graph après
model = lm(df$CPI_2014 ~ df$`GDP per capita (constant 2005 US$)_2014` + df$Categorie)
# abline ajoute le model au graphique
abline(model, lwd = 2)
df.m <- df
# Basic scater plot avec GGPLOT2, on prepare le graph, ensuite on ajoute le layer
# le layer c'est le ...+ geom_point()
p1 <- ggplot(df.m, aes(x = df.m$`GDP per capita (constant 2005 US$)_2014`, y = df.m$CPI_2014, label=df.m$Pays)) +
geom_point(color="blue") +
geom_smooth(method = "lm", se = TRUE) +
geom_text(check_overlap = TRUE) +
geom_point(aes(color=factor(df.m$Categorie))) +
#scale_fill_discrete(name="Niveau de revenu") + # If you wish to modify the legend.
xlab("PIB per Capita 2014 (Prix en USD constant 2005)") +
ylab("Indice de perception de la corruption 2014") +
scale_color_discrete(name = "Niveau de revenu") +
stat_cor(method = "pearson", label.x = 7500, label.y = 75) # Add correlation coefficients (label.x and lable.y are the positions in the grid of the plot)
#theme(legend.position="none") # If you wish to remove the legend
#aes(fill = df.m$Categorie)
p1
# ---- Graphique # 12 ----
# Figure 12. Investissements Directs Etrangers rentrants
# dans quelques zones économiques (1971 à 2016)
library(readxl)
df <- read_excel("IDE_1971_2016.xlsx",
col_types = c("numeric", "numeric", "numeric",
"numeric", "numeric"))
View(df)
df$Date <- NULL
df.m <- df
melted_data <- melt(df.m)
View(melted_data)
# Change the names to make it less confusing if necessary
colnames(melted_data) = c("Pays", "IDE")
ggplot(melted_data) + geom_boxplot(aes(x = Pays, y = IDE)) +
xlab("Groupe de pays") +
ylab("IDE (en milliards de USD courants")
# ---- Graphique # 13 ----
# Figure 13. Incidences de la violence sur les coûts des entreprises
# par niveaux de développement économique (2015)
# ---- Graphique # 14 ----
# Figure 14. Crédit intérieur au secteur privé par niveaux de revenus en 2015
library(readxl)
df <- read_excel("Credit_PIB.xlsx",
col_types = c("text", "numeric", "numeric",
"numeric", "text"))
str(df)
ggplot(df, aes(x = df$`PIB par habitant, ($ PPA internationaux courants)_2015` , y = df$`Crédit intérieur fourni au secteur privé (% du PIB)_2015` )) +
geom_point(aes(color = factor(df$Categories))) +
#geom_smooth(method = "lm", se = TRUE) +
scale_color_discrete(name = "Groupe de pays") +
stat_cor(method = "pearson", label.x = 150000, label.y = 225) +
xlab("PIB par habitant, (USD internationaux courants en PPA)") +
ylab("Crédit intérieur fourni au secteur privé (en pourcentage du PIB)")
# ---- Graphique # 17 ----
# Figure 17. Ressources internes par groupes de pays
# ---- Graphique # 18 ----
# Figure 18. Indicateurs de gouvernance des économies en 2015, par niveaux de revenus
library(readxl)
df <- read_excel("WGI_new.xlsx", col_types = c("text",
"text", "text", "numeric"))
str(df)
colnames(df) = c("Pays", "Niveau de revenu", "WGI", "Valeur")
View(df) # To verify that all is ok
ggplot(df) +
geom_boxplot(aes(x = df$WGI, df$Valeur)) +
facet_grid(.~df$`Niveau de revenu`) +
xlab("Indicateurs de gouvernance") +
ylab("Valeur") +
theme(axis.text.x = element_text(angle = 90, hjust = 1, nrow(4)))
# ---- Graphique # 19 ----
# Figure 19. Dépenses publiques en fonction des niveaux de revenus en 2011
# Figure 21 Dépenses publiques en fonction des niveaux de revenus
library(readxl)
df <- read_excel("Dep_en % PIB_PIB_per_capita2011.xlsx",
col_types = c("text", "text", "numeric",
"numeric", "numeric", "numeric"))
View(df)
str(df)
ggplot(df, aes(x = df$log_PIB_per_capita, y = df$`log_dep_pub_en%PIB`)) +
#geom_point(aes(color = df$`Niveau de revenus`)) +
scale_color_discrete(name = "Groupe de pays") +
geom_smooth(method = "lm", se = T) +
stat_cor(method = "pearson", label.x = 3.6, label.y = 1.7) +
xlab("PIB per capita (USD constant 2005) (log)") +
ylab("Dépenses publiques en pourcentage du PIB (log)") +
geom_jitter(aes(color = df$`Niveau de revenus`), position=position_jitter(width=.1, height=0))
# ---- Graphique # 26 ----
# Figure 26. L’aide publique au développement et l’envoie de fonds des migrants dans les Pays en Voie
# de Développement et dans les Pays les Moins Avancés (en USD courants, 2014)
library(readxl)
df <- read_excel("APD_Transferts_migrants.xlsx",
col_types = c("text", "text", "numeric",
"numeric"))
str(df)
df.pma = df
melted_data = melt(df.pma)
View(melted_data)
colnames(melted_data) = c("Pays", "Niveau de revenu", "Sources", "Montant")
View(melted_data)
ggplot(melted_data) +
geom_boxplot(aes(x = melted_data$`Niveau de revenu`, y = melted_data$Montant)) +
facet_grid(.~melted_data$Sources) +
xlab("Niveaux de revenus") +
ylab("En millions de USD à prix courants et à PPA")