Résultats du second tour: Nature du vote et Distance au littoral

Article en français

French elections: nature of votes versus distance to the coast : In the previous post, we saw how to make a simple choropleth of votes. Here, I detail how to create a dataviz combining a map and a standard xy plot to visualize the relation that exists between the nature of votes and the distance to the coast. A good opportunity to use a very interesting R library: spatstat.

 Dans le précédent post, nous avons vu comment ajouter les résultats du vote à de la donnée spatialisée afin d’aboutir à une petite choroplèthe des résultats:

Avant de réaliser l’article sur la réalisation d’une carte isarithmique et de partir en week-end prolongé :), je vous propose ici un petit article sur une méthode de représentation graphique de la relation existant entre la nature des votes et la distance séparant chaque commune au littoral.

Pour cela, dans un premier temps, il faut télécharger le trait de côte disponible sur le site du Service Hydrographique et Océanique de la Marine:

La représentation que nous allons voir se prête assez peu, en soi, à l’analyse mais elle nous permettra de voir comment utiliser la librairie spatiale R spatstat à travers le calcul de distance au plus proche voisin, et de voir l’affichage de graphiques.

Voici le code en entier. Les explications suivent par la suite:
 

Voici le résultat:

Nature du vote et distance au littoral

Le code expliqué:

Afin de déterminer la distance séparant chaque commune au trait de côte, on va utiliser la librairie spatstat. Celle-ci n’utilise pas les mêmes types d’objets que les librairies spatiales standardes, à savoir SpatialPoints/Lines/Polygones. Pour les points, elle définit la classe ppp et pour les lignes, la classe psp. On effectue en préalable une coercion des classes SpatialPoints/Lines vers ppp et psp afin de pouvoir utiliser les données spatiales dans spatstat.

tc <- readOGR("F:/DATAS/TRAIT_COTE/TCH.shp", "TCH")
tc.psp <- as(tc, "psp")
 
comm.pp <- SpatialPointsDataFrame(coordinates(comm2), data=comm2@data)
comm.pp <- as(comm.pp, "ppp")

Une fois cela fait, on peut alors utiliser la fonction nncross. Celle-ci permet de déterminer le voisin le plus proche (segment ou point) ainsi que la distance qui le sépare de ce dernier.

nn <- spatstat::nncross(comm.pp, tc.psp)

On peut regarder ce que cela donne au niveau des distances commune – littoral. Pour cela, on utilise la fonction spplot qui adapte les fonctions d’affichage graphique de la librairie lattice aux objets géographiques. C’est une autre possibilité d’affichage, en plus de la fonction de base plot vue dans le post précédent.

comm2$dist <- nn$dist
spplot(comm2, "dist", col=NA)
Distances entre chaque commune et le littoral
PS: on dirait du raster mais ça n’en est pas 🙂

Les données que l’on va utiliser pour les représentations suivantes sont:
– Les coordonnées xy des centroïdes de communes
– Le pourcentage de vote pour l’un et l’autre des candidats
– La distance de séparation commune – trait de côte

Nous allons créer un data.frame exprès pour cela, concentrant toutes ces informations:

df <- data.frame(pcsar=comm2$pc.sar, x=comm.pp$x, y=comm.pp$y, dist=nn$dist)

Attaquons-nous aux graphiques.

On va utiliser une couleur rouge pour les votes dominants de gauche et bleue pour ceux de droite (logique). Contrairement à avant, on n’utilisera pas de nuance liée au pourcentage. On intègre également une valeur de transparence de 10%.

alpha <- .1
cols <- rgb(ifelse(pcsar > .5, 0, 1), 0, ifelse(pcsar > .5, 1, 0), alpha)

Il n’y aura rien de nouveau au niveau du graphique géographique par rapport au post précédent, à part que l’on affiche des points et non des polygones. On superposera aussi le trait de côte.

plot(comm2.ctrd, col=cols, pch=16, cex=2, xlim=bb[1,], ylim=bb[2,])
plot(tc, col="white", lwd=4, add=TRUE)

C’est là, la partie nouvelle: à partir du data.frame appelé sobrement df, nous allons réaliser un plot x versus y assez standard. En x, nous aurons la distance séparant chaque commune de la côte, en y, la latitude et en couleur de point la nature du vote. Cette dernière sera donc la troisième dimension de ce graphique.

plot(dist, df$y, pch=16, cex=2, col=cols, xlab=NA, ylab=NA, axes=FALSE)

Le paramètre graphique par(mfrow=c(1,2)) a permis de mettre côte à côte le graphique géographique et le graphique xy. 

par(mfrow=c(1,2), bg="black")

 J’ai choisi de représenter les traits de la même couleur afin de pouvoir faire la relation entre les deux. En quelque sorte, pour aboutir au second graphique. C’est comme si on prenait la France et qu’on la dépliait, l’étendait selon son littoral.

abline(v=0, col="white", lwd=4)

Nature du vote et distance au littoral

Intéressant ou pas, à vous de voir! En tout cas, nous avons pu voir quelques fonctions bien sympathiques!

 
 

Résultats du second tour: ma première choroplèthe avec R


 article en français

French elections – my first choropleth with R : Many journalists say that the electoral campaigns are becoming « data campaigns ». The candidates are fighting, making massive use of numbers. They’re looking for the number that will make the other one wrong. They’re speaking numbers, displaying plots, graphics – interactive or not – about what the actual state of the country is, and how they intend to change it. Why not taking the most of the elections data to learn how to make a simple choropleth with R?

The entire code is available for download at the end of the article

Dans cet article, nous allons créer une petite choroplèthe des résultats du second tour des élections présidentielles.

Voici les adresses de téléchargement des fichiers source:
– Contours des communes : http://professionnels.ign.fr/ficheProduitCMS.do?idDoc=6185461
– Résultats des élections : http://www.data-publica.com/opendata/13495–resultats-du-deuxieme-tour-de-l-election-presidentielle-2012

Dans un premier temps, nous avons besoin d’installer les paquets appropriés: rgdal pour lire les données au format ESRI et maptools pour certains traitements associés aux données géographiques.

install.packages(c("rgdal", "maptools"))

Puis, nous importons, d’un côté les contours des communes de GEOFLA:

comm <- readOGR("F:/DATAS/GEOFLA/COMMUNES/COMMUNE.SHP", "COMMUNE")

et le fichier du résultat du second tour des élections présidentielles.

votes <- read.csv2("IN/resultats2012.csv", sep=",", quote=""")

Le fichier des votes contient plusieurs colonnes. Pour les afficher:

names(votes)

Calculons le pourcentage de votants par parti:

votes$pc.sar <- votes$results.sarkozy /  votes$results.exprimes
votes$pc.hol <- votes$results.hollande / votes$results.exprimes
On peut d’ores et déjà afficher quelques statistiques:
summary(votes$pc.sar)
summary(votes$pc.hol)
 

Retenons uniquement les communes pour lesquelles des résultats électoraux sont renseignés dans le fichier.

nmatch <- which(is.na(match(comm@data$INSEE_COM, votes$commune.code)))
print(comm@data[nmatch, c("INSEE_COM", "NOM_COMM")])
comm <- comm[-nmatch, ]

Et hop, la jointure:

m <- merge(comm@data, votes, by.x="INSEE_COM", by.y="commune.code", all.x=TRUE)

Il faut aussi affecter un nom unique à chaque ligne. Pour les objets géographiques, on utilise la fonction spChFIDs et pour les data frames, row.names. Affectons le numéro INSEE de la commune:

comm <- spChFIDs(comm, as.character(comm$INSEE_COM))
rownames(m) <- as.character(m$INSEE_COM)

Maintenant, on peut aboutir à un nouvel objet géographique muni des résultats des élections.

comm2 <- SpatialPolygonsDataFrame(as(comm, "SpatialPolygons"), data=m)

Voici un petit diagramme qui schématise toutes les étapes:

Effectuer une jointure avec R

Nous allons, dans la carte, créer 20 classes de valeurs à partir des pourcentages avec la fonction classIntervals

cls <- classIntervals(comm2$pc.sar, n=20, style="equal")

Notre palette de couleurs ira du rouge pour Mr Hollande au bleu, pour Mr Sarkozy, mais en passant par un point d’arrêt: le blanc là où il n’y a pas d’affection particulière pour l’un ou l’autre des candidats (votes proches de 50%). Considérant cette palette à trois couleurs, nous retrouvons les couleurs de chaque valeur et classe de cette façon:

colcode <- findColours(cls, c("red", "white", "blue"))

Affichons le résultat:

plot(comm2, col=colcode, border=NA)
title(main="résultats des élections présidentielles - second tour") 

Cela pourrait être sympa de mettre les contours des régions en plus. Cela nous permettra de voir en même temps comment dissoudre des polygones en fonction d’une valeur. Les contours des régions n’existent pas dans GEOFLA mais on peut les créer à partir du fichier des départements. On le fait comme ceci:

dep <- readOGR("F:/DATAS/GEOFLA/DEPARTEMENTS/DEPARTEMENT.SHP", "DEPARTEMENT")
reg <- maptools::unionSpatialPolygons(dep, dep$NOM_REGION)
 

On ajoute les contours de régions en les convertissant vers des objets lignes. Dans le jargon spatial R, on parle de coercion et cela se fait avec la librairie maptools. On ajoute aussi les libellés des régions. Pour la transparence des contours et des libellés, on utilise le 4e argument de la fonction rgb.

plot(as(reg, "SpatialLines"), col=rgb(0,0,0,.2), lwd=2, add=T)
text(coordinates(reg), labels=row.names(reg), cex=.5, col=rgb(0,0,0,.5))
title(main="résultats des élections présidentielles - second tour")

Dans le prochain post, nous verrons comment aboutir à une représentation de ce type, toujours pour les élections présidentielles

Carte isarithmique des élections selon David B. Sparks

N’hésitez pas à poser vos questions dans l’espace des commentaires si vous rencontrez des difficultés!

Le code entier https://gist.github.com/2857180