Package 'statAfrikR'

Title: Statistical Tools for African National Statistics Institutes
Description: A comprehensive statistical toolbox for National Statistics Institutes (INS) in Africa. Provides functions for survey data import ('KoboToolbox', 'ODK', 'CSPro', 'Excel', 'Stata', 'SPSS'), data processing and validation, weighted statistical analysis (descriptive statistics, cross-tabulations, regression, Human Development Index (HDI), Multidimensional Poverty Index (MPI) following Alkire and Foster (2011) <doi:10.1093/oep/gpr051>, inequalities), visualization (age pyramids, thematic maps, official charts) and dissemination ('SDMX' export, 'DDI' metadata, anonymization, Word/PDF reports). Designed to work in resource-constrained environments, offline and in French.
Authors: Dikers Amoko [aut, cre]
Maintainer: Dikers Amoko <[email protected]>
License: GPL (>= 3)
Version: 0.2.0
Built: 2026-05-30 22:58:28 UTC
Source: https://github.com/damoko2004/statafrikr

Help Index

Analyse de régression

Description

Ajuste un modèle de régression linéaire, logistique ou de Poisson avec prise en compte optionnelle du plan de sondage complexe. Produit un tableau de résultats formaté avec OR/RR si approprié.

Usage

analyse_regression(
  formule,
  data,
  type = c("lineaire", "logistique", "poisson"),
  niveau_confiance = 0.95,
  format_sortie = c("tibble", "liste", "flextable")
)

Arguments

formule

formula — Formule du modèle (ex: revenu ~ age + sexe)
data

data.frame, tibble ou objet svydesign — Données
type

character — Type de modèle : "lineaire", "logistique", "poisson". Défaut : "lineaire".
niveau_confiance

numeric — Niveau de confiance pour les IC. Défaut : 0.95.
format_sortie

character — "liste", "tibble" ou "flextable". Défaut : "tibble".

Value

Selon format_sortie : liste complète, tibble ou flextable des coefficients avec IC et p-valeurs.

Examples

## Not run: 
  donnees <- data.frame(
    revenu = rnorm(100, 200000, 50000),
    age    = sample(20:65, 100, replace=TRUE),
    sexe   = sample(c("H","F"), 100, replace=TRUE)
  )
  analyse_regression(revenu ~ age + sexe, donnees)

## End(Not run)

Analyse spatiale — jointure et indicateurs par zone

Description

Joint un jeu de données statistiques avec un shapefile géographique et calcule des indicateurs par aire géographique. Produit un objet sf enrichi prêt pour la cartographie.

Usage

analyse_spatiale(
  data,
  shapefile,
  var_geo_data,
  var_geo_shape,
  indicateurs = NULL,
  fonctions = list(moyenne = function(x) mean(x, na.rm = TRUE), n = function(x)
    sum(!is.na(x)))
)

Arguments

data

data.frame ou tibble — Données avec variable géographique
shapefile

sf ou character — Objet sf ou chemin vers un fichier shapefile (.shp, .gpkg, .geojson)
var_geo_data

character — Variable géographique dans data
var_geo_shape

character — Variable géographique dans le shapefile
indicateurs

character ou NULL — Variables à agréger par zone. Si NULL, toutes les variables numériques. Défaut : NULL.
fonctions

list — Fonctions d'agrégation nommées. Défaut : list(moyenne = mean, n = length).

Value

Un objet sf avec les indicateurs calculés par zone.

Examples

## Not run: 
  carte <- analyse_spatiale(
    data          = donnees_enquete,
    shapefile     = "data/shapefiles/regions.shp",
    var_geo_data  = "region",
    var_geo_shape = "NOM_REGION",
    indicateurs   = c("taux_pauvrete", "revenu_moyen")
  )

## End(Not run)

Anonymiser un jeu de données

Description

Applique les techniques d'anonymisation conformes aux standards IHSN/PARIS21 : suppression, masquage, generalisation, perturbation et pseudonymisation des variables sensibles.

Usage

anonymiser_donnees(
  data,
  vars_supprimer = NULL,
  vars_masquer = NULL,
  vars_perturber = NULL,
  vars_generaliser = NULL,
  niveau_bruit = 0.05,
  graine = 42L,
  rapport = TRUE
)

Arguments

data

data.frame ou tibble — Données à anonymiser
vars_supprimer

character ou NULL — Variables à supprimer entièrement. Défaut : NULL.
vars_masquer

character ou NULL — Variables à remplacer par des codes anonymes. Défaut : NULL.
vars_perturber

character ou NULL — Variables numériques à perturber par bruit aléatoire. Défaut : NULL.
vars_generaliser

list ou NULL — Liste nommée de variables à généraliser avec les bornes : list(age = 5, revenu = 10000). Défaut : NULL.
niveau_bruit

numeric — Niveau de bruit pour la perturbation (proportion de l'écart-type). Défaut : 0.05.
graine

integer — Graine aléatoire. Défaut : 42.
rapport

logical — Produire un rapport d'anonymisation. Défaut : TRUE.

Value

Si rapport = FALSE : tibble anonymisé. Si rapport = TRUE : liste avec $donnees et $rapport.

Examples

## Not run: 
  resultat <- anonymiser_donnees(
    donnees_enquete,
    vars_supprimer  = c("nom", "prenom", "telephone"),
    vars_masquer    = c("id_menage", "id_individu"),
    vars_perturber  = c("revenu_mensuel"),
    vars_generaliser = list(age = 5)
  )
  donnees_anon <- resultat$donnees

## End(Not run)

Appliquer les pondérations d'enquête

Description

Crée un objet de plan de sondage complexe à partir d'un tibble et des variables de pondération, strates et grappes. Enveloppe ergonomique autour de survey::svydesign() avec validation complète des poids et messages d'erreur en français.

Usage

appliquer_ponderations(
  data,
  var_poids,
  var_strate = NULL,
  var_grappe = NULL,
  var_fpc = NULL,
  normaliser = FALSE
)

Arguments

data

data.frame ou tibble — Données de l'enquête
var_poids

character — Nom de la variable de pondération finale
var_strate

character ou NULL — Variable de stratification. Défaut : NULL.
var_grappe

character ou NULL — Variable d'unité primaire de sondage (UPS/cluster). Défaut : NULL.
var_fpc

character ou NULL — Variable de correction pour population finie (FPC). Défaut : NULL.
normaliser

logical — Normaliser les poids pour que leur somme soit égale à l'effectif de l'échantillon. Défaut : FALSE.

Value

Un objet svydesign du package survey.

See Also

tab_croisee, stat_descr

Examples

if (requireNamespace("survey", quietly = TRUE)) {
  donnees <- data.frame(
    revenu      = rnorm(50, 200000, 50000),
    poids_final = runif(50, 0.5, 3),
    strate      = sample(1:4, 50, replace = TRUE),
    grappe_id   = sample(1:10, 50, replace = TRUE)
  )
  appliquer_ponderations(donnees,
    var_poids = "poids_final",
    var_strate = "strate",
    var_grappe = "grappe_id")
}

Calcul des indices de pauvrete FGT

Description

Calcule les indices Foster-Greer-Thorbecke (FGT0, FGT1, FGT2) avec prise en compte optionnelle du plan de sondage complexe. Les trois indices mesurent respectivement l'incidence, la profondeur et la severite de la pauvrete monetaire.

Usage

calcul_fgt(
  data,
  var_depense,
  seuil_pauvrete,
  poids = NULL,
  strate = NULL,
  grappe = NULL,
  sous_groupes = NULL,
  alpha = c(0, 1, 2),
  ic = TRUE,
  na.rm = TRUE
)

Arguments

data

data.frame, tibble ou objet svydesign – Donnees source
var_depense

character – Nom de la variable de depenses ou revenus par tete (en monnaie locale, strictement positive)
seuil_pauvrete

numeric – Seuil de pauvrete en monnaie locale. Meme unite que var_depense
poids

character ou NULL – Nom de la variable de ponderation. Ignore si data est un svydesign. Defaut : NULL
strate

character ou NULL – Variable de stratification. Defaut : NULL
grappe

character ou NULL – Variable d'identifiant de grappe. Defaut : NULL
sous_groupes

character ou NULL – Variables de decomposition (region, milieu, sexe). Defaut : NULL
alpha

numeric – Parametre de sensibilite : 0, 1, 2 ou vecteur. Defaut : c(0, 1, 2)
ic

logical – Calculer les intervalles de confiance a 95%. Defaut : TRUE
na.rm

logical – Exclure les valeurs manquantes. Defaut : TRUE

Value

Un objet de classe saf_fgt

References

Foster, J., Greer, J., & Thorbecke, E. (1984). A class of decomposable poverty measures. Econometrica, 52(3), 761-766. doi:10.2307/1913475

Examples

set.seed(42)
menages <- data.frame(
  depense_pc = c(rexp(70, rate = 1/150000), rexp(30, rate = 1/400000)),
  poids      = runif(100, 0.8, 1.2),
  region     = sample(c("Bangui", "Ombella", "Lobaye"), 100, TRUE),
  milieu     = sample(c("urbain", "rural"), 100, TRUE, prob = c(0.4, 0.6))
)
fgt <- calcul_fgt(menages, var_depense = "depense_pc",
                  seuil_pauvrete = 220000, poids = "poids")
print(fgt)

Calculer l'Indice de Développement Humain (IDH)

Description

Calcule l'IDH et ses trois dimensions (santé, éducation, revenu) selon la méthodologie officielle PNUD post-2010. Applicable au niveau national ou infranational.

Usage

calcul_idh(
  esperance_vie,
  annees_scol_moy,
  annees_scol_att,
  rnb_habitant,
  niveau = c("national", "infranational"),
  annee = NULL
)

Arguments

esperance_vie

numeric — Espérance de vie à la naissance (années)
annees_scol_moy

numeric — Durée moyenne de scolarisation (années)
annees_scol_att

numeric — Durée attendue de scolarisation (années)
rnb_habitant

numeric — RNB par habitant en PPA (USD constants 2017)
niveau

character — "national" ou "infranational". Défaut : "national".
annee

integer ou NULL — Année de référence. Défaut : NULL.

Value

Une liste avec : idh, indice_sante, indice_education, indice_revenu, categorie.

References

PNUD (2023). Technical Notes: Calculating the Human Development Indices.

Examples

idh <- calcul_idh(
  esperance_vie   = 61.2,
  annees_scol_moy = 5.4,
  annees_scol_att = 9.8,
  rnb_habitant    = 2350,
  annee           = 2023
)
cat("IDH :", idh$idh)

Calculer l'Indice de Pauvreté Multidimensionnelle (IPM)

Description

Calcule l'IPM selon la méthodologie OPHI/PNUD (Alkire-Foster). Supporte les dimensions standard (santé, éducation, niveau de vie) et des dimensions personnalisées.

Usage

calcul_ipm(
  data,
  indicateurs,
  poids_dimensions = NULL,
  seuil_pauvrete = 1/3,
  var_poids = NULL
)

Arguments

data

data.frame ou tibble — Données individuelles ou ménages
indicateurs

list — Liste nommée des indicateurs par dimension. Chaque élément est un vecteur de noms de variables (0/1 : 1 = privation). Ex: list(sante = c("malnutrition", "mortalite_enfant"), ...)
poids_dimensions

numeric ou NULL — Poids de chaque dimension (doit sommer à 1). Si NULL, poids égaux. Défaut : NULL.
seuil_pauvrete

numeric — Seuil de privation pour être considéré multidimensionnellement pauvre (entre 0 et 1). Défaut : 1/3.
var_poids

character ou NULL — Variable de pondération. Défaut : NULL.

Value

Une liste avec : ipm, H (incidence), A (intensité), contributions par dimension, donnees_enrichies.

References

Alkire, S. & Foster, J. (2011). Counting and multidimensional poverty measurement. Journal of Public Economics, 95(7-8), 476-487.

Examples

## Not run: 
  donnees <- data.frame(
    malnutrition         = sample(0:1, 50, replace = TRUE),
    mortalite_enfant     = sample(0:1, 50, replace = TRUE),
    annees_scolarisation = sample(0:1, 50, replace = TRUE),
    enfants_scolarises   = sample(0:1, 50, replace = TRUE),
    electricite          = sample(0:1, 50, replace = TRUE),
    eau_potable          = sample(0:1, 50, replace = TRUE)
  )
  indicateurs <- list(
    sante      = c("malnutrition", "mortalite_enfant"),
    education  = c("annees_scolarisation", "enfants_scolarises"),
    niveau_vie = c("electricite", "eau_potable")
  )
  calcul_ipm(donnees, indicateurs)

## End(Not run)

Carte choroplethe statistique institutionnelle

Description

Produit une carte choroplethe professionnelle. Utilise uniquement ggplot2 (deja installe avec statAfrikR) et sf. Gestion automatique des labels pour les petits pays.

Usage

carte_choroplethe(
  sf_obj,
  var,
  titre = NULL,
  sous_titre = NULL,
  legende = NULL,
  palette = c("pauvrete", "developpement", "eau", "neutre"),
  n_classes = 5L,
  methode = c("quantile", "jenks", "egal", "sd"),
  col_label = NULL,
  inverser = FALSE,
  source = NULL
)

Arguments

sf_obj

sf – Objet sf enrichi (depuis carte_joindre())
var

character – Variable numerique a cartographier
titre

character ou NULL – Titre. Defaut : NULL
sous_titre

character ou NULL – Sous-titre. Defaut : NULL
legende

character ou NULL – Titre de la legende. Defaut : NULL
palette

character – Palette : "pauvrete" (jaune-rouge), "developpement" (rouge-vert), "eau" (bleu clair-fonce), "neutre" (gris-bleu). Defaut : "pauvrete"
n_classes

integer – Nombre de classes (2-9). Defaut : 5L
methode

character – Discretisation : "quantile", "jenks", "egal", "sd". Defaut : "quantile"
col_label

character ou NULL – Variable a afficher comme label sur chaque zone. Defaut : NULL
inverser

logical – Inverser la palette. Defaut : FALSE
source

character ou NULL – Note de source. Defaut : NULL

Value

Un objet ggplot2

Examples

rca <- carte_zones("rca")
n <- nrow(rca)
stats <- data.frame(
  prefecture    = rca$prefecture,
  taux_pauvrete = c(74.2, 71.8, 68.5, 65.3, 72.1,
                    55.4, 48.7, 51.2, 62.3, 58.9,
                    28.4, 42.1, 52.8, 63.7, 59.4,
                    44.6, 70.5)[seq_len(n)]
)
sf_enr <- carte_joindre(rca, stats, "prefecture", "prefecture")
carte_choroplethe(sf_enr, "taux_pauvrete",
                  titre = "Pauvrete en RCA",
                  source = "Donnees simulees")

Exporter une carte en fichier image

Description

Exporte un objet ggplot2 en PNG, PDF ou SVG.

Usage

carte_exporter(carte, chemin, largeur = 20, hauteur = 15, resolution = 300L)

Arguments

carte

ggplot – Objet ggplot2
chemin

character – Chemin de sortie (.png, .pdf, .svg)
largeur

numeric – Largeur en cm. Defaut : 20
hauteur

numeric – Hauteur en cm. Defaut : 15
resolution

integer – Resolution DPI (PNG). Defaut : 300L

Value

Chemin du fichier (invisible)

Examples

## Not run: 
  g <- carte_choroplethe(sf_enrichi, "taux_pauvrete")
  carte_exporter(g, file.path(tempdir(), "carte.png"))

## End(Not run)

Importer un fichier geographique

Description

Importe un fichier geographique externe (shapefile, GeoJSON, GeoPackage) fourni par l'utilisateur ou l'INS.

Usage

carte_import(chemin, crs = 4326L, couche = NULL, simplifier = FALSE)

Arguments

chemin

character – Chemin vers le fichier (.shp, .geojson, .gpkg)
crs

integer – Code EPSG cible. Defaut : 4326 (WGS 84)
couche

character ou NULL – Couche GeoPackage. Defaut : NULL
simplifier

logical – Simplifier la geometrie. Defaut : FALSE

Value

Un objet sf

Examples

## Not run: 
  regions <- carte_import("data/regions_enquete.shp")

## End(Not run)

Joindre des donnees statistiques a un fond de carte

Description

Joint un objet sf avec un data.frame statistique. Normalise automatiquement les cles pour eviter les erreurs de correspondance dues aux accents, casses et espaces.

Usage

carte_joindre(
  sf_obj,
  data,
  cle_geo,
  cle_data = NULL,
  type = c("gauche", "interne"),
  normaliser = TRUE
)

Arguments

sf_obj

sf – Objet geographique (depuis carte_zones() ou carte_import())
data

data.frame – Donnees statistiques
cle_geo

character – Variable cle dans sf_obj
cle_data

character – Variable cle dans data. Si NULL, utilise cle_geo. Defaut : NULL
type

character – "gauche" (toutes zones conservees) ou "interne" (zones appariees uniquement). Defaut : "gauche"
normaliser

logical – Normaliser les cles (recommande). Defaut : TRUE

Value

Un objet sf enrichi

Examples

# Avec les fonds de cartes integres
rca <- carte_zones("rca")
stats <- data.frame(
  prefecture    = rca$prefecture,
  taux_pauvrete = c(74.2, 71.8, 68.5, 65.3, 72.1,
                    55.4, 48.7, 51.2, 62.3, 58.9,
                    28.4, 42.1, 52.8, 63.7, 59.4,
                    44.6, 70.5)[seq_len(nrow(rca))]
)
sf_enrichi <- carte_joindre(rca, stats,
                             cle_geo  = "prefecture",
                             cle_data = "prefecture")

Carte thematique de la pauvrete (FGT0)

Description

Specialisation de carte_choroplethe() pour les indices de pauvrete. Symbologie standardisee AFRISTAT/Banque mondiale avec seuil d'alerte.

Usage

carte_pauvrete(
  sf_obj,
  var_fgt0,
  seuil_alerte = 0.5,
  col_label = NULL,
  titre = NULL,
  source = NULL
)

Arguments

sf_obj

sf – Objet sf avec taux de pauvrete
var_fgt0

character – Variable de taux de pauvrete
seuil_alerte

numeric – Seuil d'alerte. Defaut : 0.5
col_label

character ou NULL – Variable de label. Defaut : NULL
titre

character ou NULL – Titre. Defaut : titre automatique
source

character ou NULL – Source. Defaut : NULL

Value

Un objet ggplot2

Examples

rca <- carte_zones("rca")
n <- nrow(rca)
stats <- data.frame(
  prefecture    = rca$prefecture,
  taux_pauvrete = c(74.2, 71.8, 68.5, 65.3, 72.1,
                    55.4, 48.7, 51.2, 62.3, 58.9,
                    28.4, 42.1, 52.8, 63.7, 59.4,
                    44.6, 70.5)[seq_len(n)]
)
sf_enr <- carte_joindre(rca, stats, "prefecture", "prefecture")
sf_enr$taux_prop <- sf_enr$taux_pauvrete / 100
carte_pauvrete(sf_enr, var_fgt0 = "taux_prop",
               source = "Donnees simulees")

Carte thématique choroplèthe

Description

Génère une carte choroplèthe à partir d'un objet sf enrichi ou de la jointure d'un shapefile avec des données statistiques.

Usage

carte_thematique(
  data_sf = NULL,
  shapefile = NULL,
  data = NULL,
  var_geo_shape = NULL,
  var_geo_data = NULL,
  var_couleur,
  titre = NULL,
  sous_titre = NULL,
  source = NULL,
  palette = c("sequentiel", "divergent"),
  n_classes = 5L,
  na_couleur = "#cccccc"
)

Arguments

data_sf

sf ou NULL — Objet sf avec données. Si NULL, utilise shapefile + data. Défaut : NULL.
shapefile

sf ou character ou NULL — Shapefile si data_sf est NULL. Défaut : NULL.
data

data.frame ou NULL — Données à joindre si data_sf est NULL. Défaut : NULL.
var_geo_shape

character ou NULL — Variable clé dans le shapefile. Défaut : NULL.
var_geo_data

character ou NULL — Variable clé dans les données. Défaut : NULL.
var_couleur

character — Variable à représenter par la couleur
titre

character ou NULL — Titre de la carte. Défaut : NULL.
sous_titre

character ou NULL — Sous-titre. Défaut : NULL.
source

character ou NULL — Source des données. Défaut : NULL.
palette

character — Palette de couleurs : "sequentiel", "divergent". Défaut : "sequentiel".
n_classes

integer — Nombre de classes. Défaut : 5.
na_couleur

character — Couleur pour les NA. Défaut : "#cccccc".

Value

Un objet ggplot.

Examples

## Not run: 
  carte_thematique(
    data_sf      = regions_sf_enrichi,
    var_couleur  = "taux_pauvrete_moyenne",
    titre        = "Taux de pauvrete par region"
  )

## End(Not run)

Charger un fond de carte africain integre

Description

Charge un fond de carte geographique directement integre dans statAfrikR. Aucun package supplementaire requis.

Usage

carte_zones(
  zone = c("afrique", "cemac", "cedeao", "eau", "sadc", "rca", "subdivisions"),
  pays = NULL
)

Arguments

zone

character – Zone geographique : "afrique" (54 pays), "cemac" (6 pays), "cedeao" (15 pays), "eau" (Afrique de l'Est), "sadc" (Afrique Australe), "rca" (17 prefectures RCA). Defaut : "afrique"
pays

character ou NULL – Filtrer par noms de pays (colonne pays) ou codes ISO3 (colonne iso3). Defaut : NULL

Value

Un objet sf pret a l'emploi

Examples

# Tous les pays africains
afrique <- carte_zones("afrique")

# Zone CEMAC uniquement
cemac <- carte_zones("cemac")

# Prefectures de la RCA
rca <- carte_zones("rca")

# Filtrer : Cameroun + Centrafrique uniquement
sous_zone <- carte_zones("afrique", pays = c("CMR", "CAF"))

Détecter les valeurs manquantes

Description

Calcule le taux de valeurs manquantes par variable et produit un rapport de complétude. Alerte sur les variables dépassant le seuil.

Usage

check_na(data, seuil = 0.1, vars = NULL, alerter = TRUE)

Arguments

data

data.frame ou tibble — Données à analyser
seuil

numeric — Taux de NA à partir duquel une alerte est émise (entre 0 et 1). Défaut : 0.1 (10%).
vars

character ou NULL — Variables à analyser. Si NULL, toutes les variables. Défaut : NULL.
alerter

logical — Émettre des avertissements pour les variables dépassant le seuil. Défaut : TRUE.

Value

Un tibble avec les colonnes : variable, n_total, n_manquant, taux_na, statut.

Examples

## Not run: 
  rapport_na <- check_na(donnees_enquete)
  rapport_na <- check_na(donnees_enquete, seuil = 0.05, vars = c("age", "revenu"))

## End(Not run)

Vérifier les types de variables

Description

Vérifie la cohérence des types de variables par rapport aux types attendus. Détecte les problèmes courants : dates stockées en caractères, nombres stockés en texte, variables binaires incohérentes.

Usage

check_types(data, dictionnaire = NULL)

Arguments

data

data.frame ou tibble — Données à vérifier
dictionnaire

data.frame ou NULL — Dictionnaire avec colonnes nom_variable et type_attendu. Si NULL, détection automatique des problèmes courants. Défaut : NULL.

Value

Un tibble avec les anomalies détectées : variable, type_actuel, type_attendu, probleme.

Examples

## Not run: 
  anomalies <- check_types(donnees_enquete)

## End(Not run)

Compresser un package de diffusion

Description

Crée une archive ZIP structurée prête à diffuser, incluant les données, la documentation, les métadonnées et les scripts de traitement. Conforme aux standards IHSN de documentation des enquêtes.

Usage

compresser_package_diffusion(
  donnees,
  repertoire_sortie,
  nom_package,
  inclure_csv = TRUE,
  inclure_rds = TRUE,
  fichiers_supplementaires = NULL,
  metadonnees = NULL
)

Arguments

donnees

data.frame ou tibble — Données à archiver
repertoire_sortie

character — Répertoire de destination de l'archive
nom_package

character — Nom de base de l'archive (sans extension)
inclure_csv

logical — Inclure les données en CSV. Défaut : TRUE.
inclure_rds

logical — Inclure les données en RDS. Défaut : TRUE.
fichiers_supplementaires

character ou NULL — Chemins vers des fichiers additionnels à inclure (rapports, scripts, etc.). Défaut : NULL.
metadonnees

list ou NULL — Métadonnées à inclure dans un fichier README automatique. Défaut : NULL.

Value

Chemin de l'archive ZIP (invisible).

Examples

## Not run: 
  compresser_package_diffusion(
    donnees              = donnees_emop_anon,
    repertoire_sortie    = "diffusion/",
    nom_package          = "EMOP_BEN_2023_v1",
    fichiers_supplementaires = c(file.path(tempdir(), "rapport.docx"),
                                  file.path(tempdir(), "emop_ddi.xml")),
    metadonnees = list(
      titre       = "EMOP Bénin 2023",
      institution = "INSAE",
      version     = "1.0"
    )
  )

## End(Not run)

Decomposer les indices FGT par sous-groupe

Description

Decompose un indice FGT en contributions relatives de chaque sous-groupe a la pauvrete nationale.

Usage

decomposer_fgt(fgt_obj, variable, alpha_cible = 0)

Arguments

fgt_obj

objet saf_fgt – Resultat de calcul_fgt() avec sous_groupes renseigne
variable

character – Sous-groupe a decomposer
alpha_cible

numeric – Indice a decomposer : 0, 1 ou 2. Defaut : 0

Value

Tibble avec contributions absolues et relatives

Examples

set.seed(42)
menages <- data.frame(
  depense_pc = c(rexp(70, rate = 1/150000), rexp(30, rate = 1/400000)),
  poids  = runif(100, 0.8, 1.2),
  milieu = sample(c("urbain", "rural"), 100, TRUE, prob = c(0.4, 0.6))
)
fgt <- calcul_fgt(menages, "depense_pc", 220000,
                  poids = "poids", sous_groupes = "milieu")
decomposer_fgt(fgt, "milieu", alpha_cible = 0)

Décomposer les inégalités

Description

Calcule les mesures d'inégalité (Gini, Theil, Atkinson) et leur décomposition inter/intra-groupe pour une variable de revenu ou de dépense.

Usage

decomposer_inegalite(
  data,
  var_revenu,
  var_groupe = NULL,
  var_poids = NULL,
  mesures = c("all", "gini", "theil", "atkinson")
)

Arguments

data

data.frame ou tibble — Données
var_revenu

character — Variable de revenu/dépense (strictement positive)
var_groupe

character ou NULL — Variable de groupe pour la décomposition. Défaut : NULL.
var_poids

character ou NULL — Variable de pondération. Défaut : NULL.
mesures

character — Mesures à calculer : "gini", "theil", "atkinson", "all". Défaut : "all".

Value

Une liste avec les mesures d'inégalité et leur décomposition.

Examples

## Not run: 
  donnees <- data.frame(
    depense_totale = rnorm(100, 250000, 80000),
    milieu = sample(c("urbain", "rural"), 100, replace = TRUE)
  )
  decomposer_inegalite(donnees, var_revenu="depense_totale", var_groupe="milieu")

## End(Not run)

Export Excel institutionnel multi-feuilles

Description

Exporte une liste de tableaux dans un classeur Excel avec feuille de sommaire.

Usage

exporter_excel_ins(
  tableaux,
  chemin,
  titre_classeur = "Statistiques INS",
  pays = NULL,
  annee = NULL,
  style = c("ins_standard", "minimal")
)

Arguments

tableaux

list – Liste nommee de data.frames a exporter
chemin

character – Chemin du fichier Excel
titre_classeur

character – Titre general. Defaut : "Statistiques INS"
pays

character ou NULL – Pays/organisation. Defaut : NULL
annee

integer ou NULL – Annee de reference. Defaut : NULL
style

character – Style : "ins_standard" ou "minimal". Defaut : "ins_standard"

Value

Chemin du fichier cree (invisible)

Examples

## Not run: 
  tableaux <- list(
    "Descriptif" = data.frame(
      variable = c("age", "revenu"),
      n        = c(200L, 200L),
      moyenne  = c(38.2, 245000)
    ),
    "Croisement" = data.frame(
      region = c("Nord", "Sud"),
      urbain = c(45.2, 32.1),
      rural  = c(54.8, 67.9)
    )
  )
  chemin <- file.path(tempdir(), "stats_ins.xlsx")
  exporter_excel_ins(tableaux, chemin,
                     titre_classeur = "Enquete menages 2026",
                     pays = "Centrafrique", annee = 2026L)

## End(Not run)

Exporter un graphique en haute résolution

Description

Exporte un objet ggplot en PNG, PDF ou SVG avec les paramètres optimaux pour publication officielle.

Usage

exporter_graphique(
  graphique,
  chemin,
  largeur = 20,
  hauteur = 14,
  dpi = 300L,
  fond = "white"
)

Arguments

graphique

ggplot — Objet graphique à exporter
chemin

character — Chemin de sortie avec extension (.png, .pdf, .svg)
largeur

numeric — Largeur en cm. Défaut : 20.
hauteur

numeric — Hauteur en cm. Défaut : 14.
dpi

integer — Résolution pour PNG (ignoré pour PDF/SVG). Défaut : 300.
fond

character — Couleur de fond. Défaut : "white".

Value

Chemin du fichier exporté (invisible).

Examples

## Not run: 
  donnees <- data.frame(age=sample(0:80,100,replace=TRUE), sexe=sample(c("H","F"),100,replace=TRUE))
  p <- pyramide_ages(donnees, "age", "sexe")
  exporter_graphique(p, file.path(tempdir(), "pyramide.png"))

## End(Not run)

Exporter des données au format SDMX

Description

Génère un fichier SDMX-CSV ou SDMX-ML (Structure Data Message) conforme aux standards SDMX 2.1 pour l'échange de données statistiques avec les organisations internationales (FMI, BM, OCDE, etc.).

Usage

exporter_sdmx(
  data,
  flux_donnees,
  agence = "INS",
  vars_dimensions,
  vars_mesures,
  vars_attributs = NULL,
  fichier_sortie,
  version = "2.1"
)

Arguments

data

data.frame ou tibble — Données à exporter
flux_donnees

character — Identifiant du flux de données (DataFlow). Ex: "BEN_EMOP_2023"
agence

character — Identifiant de l'agence productrice. Ex: "INSAE", "INSD". Défaut : "INS".
vars_dimensions

character — Variables identifiant les dimensions (axes d'analyse). Ex: c("PAYS", "ANNEE", "REGION").
vars_mesures

character — Variables contenant les valeurs mesurées.
vars_attributs

character ou NULL — Variables d'attributs (métadonnées). Défaut : NULL.
fichier_sortie

character — Chemin du fichier de sortie (.csv).
version

character — Version SDMX. Défaut : "2.1".

Value

Chemin du fichier exporté (invisible).

Examples

## Not run: 
  exporter_sdmx(
    data            = indicateurs_regionaux,
    flux_donnees    = "BEN_IDH_2023",
    agence          = "INSAE",
    vars_dimensions = c("region", "annee"),
    vars_mesures    = c("idh", "taux_pauvrete"),
    fichier_sortie  = file.path(tempdir(), "indicateurs_sdmx.csv")
  )

## End(Not run)

Fusionner plusieurs jeux de données

Description

Fusionne plusieurs datasets horizontalement (jointure) ou verticalement (empilement). Gère les conflits de noms de variables et produit un rapport de fusion.

Usage

fusion_datasets(
  liste_data,
  type = c("vertical", "horizontal"),
  cle = NULL,
  jointure = c("gauche", "interne", "droite", "complete"),
  suffixes = c("_1", "_2")
)

Arguments

liste_data

list — Liste nommée de data.frames/tibbles à fusionner
type

character — Type de fusion : "horizontal" (jointure par clé), "vertical" (empilement / append). Défaut : "vertical".
cle

character ou NULL — Variable(s) clé(s) pour la fusion horizontale. Obligatoire si type = "horizontal". Défaut : NULL.
jointure

character — Type de jointure horizontale : "interne", "gauche", "droite", "complete". Défaut : "gauche".
suffixes

character — Suffixes pour les variables en conflit lors d'une fusion horizontale. Défaut : c("_1", "_2").

Value

Un tibble fusionné.

Examples

## Not run: 
  # Empilement de deux vagues d'enquête
  donnees_total <- fusion_datasets(
    liste_data = list(vague1 = emop_2022, vague2 = emop_2023),
    type       = "vertical"
  )
  # Jointure ménages + individus
  donnees_merged <- fusion_datasets(
    liste_data = list(menages = df_menages, individus = df_individus),
    type       = "horizontal",
    cle        = "id_menage"
  )

## End(Not run)

Generer un bulletin statistique periodique

Description

Genere un bulletin statistique mensuel ou trimestriel avec indicateurs cles, graphiques de tendance et tableau de bord.

Usage

generer_bulletin(
  indicateurs,
  periode,
  pays = "Pays",
  sortie = c("html", "word"),
  chemin_sortie = tempdir(),
  ouvrir = FALSE
)

Arguments

indicateurs

data.frame – Tableau des indicateurs avec colonnes : indicateur, valeur, unite, periode
periode

character – Periode de reference (ex : "T1 2026", "Janvier 2026")
pays

character – Nom du pays. Defaut : "Pays"
sortie

character – Format : "html" ou "word". Defaut : "html"
chemin_sortie

character – Repertoire de destination. Defaut : tempdir()
ouvrir

logical – Ouvrir apres generation. Defaut : FALSE

Value

Chemin du fichier genere (invisible)

Examples

## Not run: 
  indicateurs <- data.frame(
    indicateur = c("Taux de pauvrete", "Taux de chomage",
                   "Acces eau potable", "Taux alphabetisation"),
    valeur     = c(71.8, 14.5, 42.3, 56.7),
    unite      = c("%", "%", "%", "%"),
    periode    = rep("2026", 4)
  )
  generer_bulletin(indicateurs, periode = "T1 2026",
                   pays = "Republique Centrafricaine")

## End(Not run)

Générer une fiche de métadonnées DDI

Description

Produit une fiche de métadonnées au format DDI (Data Documentation Initiative) Codebook 2.5, standard international pour l'archivage des enquêtes statistiques (IHSN, NADA, NESSTAR).

Usage

generer_metadonnees_ddi(
  data,
  titre = NULL,
  pays = NULL,
  annee = NULL,
  institution = NULL,
  auteurs = NULL,
  description = NULL,
  fichier_sortie = NULL,
  langue = "fr"
)

Arguments

data

data.frame ou tibble — Données de l'enquête
titre

character — Titre de l'enquête
pays

character — Pays concerné
annee

integer ou character — Année de l'enquête
institution

character — Institution productrice
auteurs

character ou NULL — Auteurs. Défaut : NULL.
description

character ou NULL — Description de l'enquête. Défaut : NULL.
fichier_sortie

character — Chemin du fichier XML de sortie
langue

character — Langue principale. Défaut : "fr".

Value

Chemin du fichier généré (invisible).

Examples

## Not run: 
  generer_metadonnees_ddi(
    data        = donnees_emop,
    titre       = "Enquête Modulaire sur les Conditions de Vie — 2023",
    pays        = "Bénin",
    annee       = 2023,
    institution = "INSAE",
    fichier_sortie = file.path(tempdir(), "emop_2023_ddi.xml")
  )

## End(Not run)

Générer un rapport statistique officiel

Description

Produit un rapport Word (.docx) ou PDF à partir d'un template R Markdown. Intègre automatiquement les tableaux, graphiques et métadonnées. Compatible avec les templates AFRISTAT et PARIS21.

Usage

generer_rapport(
  donnees,
  template = "bulletin_mensuel",
  format_sortie = c("word", "pdf"),
  fichier_sortie = NULL,
  metadonnees = NULL,
  ouvrir = FALSE
)

Arguments

donnees

data.frame ou tibble — Données à inclure dans le rapport
template

character — Chemin vers le template .Rmd ou nom d'un template intégré : "bulletin_mensuel", "rapport_annuel", "fiche_pays". Défaut : "bulletin_mensuel".
format_sortie

character — "word" ou "pdf". Défaut : "word".
fichier_sortie

character ou NULL — Chemin du fichier de sortie. Si NULL, génère un nom automatique. Défaut : NULL.
metadonnees

list ou NULL — Liste de métadonnées à injecter : titre, auteur, pays, annee, institution. Défaut : NULL.
ouvrir

logical — Ouvrir le rapport après génération. Défaut : FALSE.

Value

Chemin du fichier généré (invisible).

Examples

## Not run: 
  generer_rapport(
    donnees        = resultats_enquete,
    template       = "bulletin_mensuel",
    format_sortie  = "word",
    metadonnees    = list(
      titre       = "Bulletin mensuel — Mars 2024",
      pays        = "Bénin",
      institution = "INSAE",
      annee       = 2024
    )
  )

## End(Not run)

Generer un rapport d'enquete menage parametre

Description

Genere un rapport statistique complet a partir de donnees d'enquete menage, en utilisant un template R Markdown pre-construit. Le rapport inclut une page de garde, des statistiques descriptives, une pyramide demographique et les indicateurs cles.

Usage

generer_rapport_enquete(
  donnees,
  meta = list(),
  template = c("enquete_menage", "bulletin"),
  sortie = c("html", "pdf", "word"),
  chemin_sortie = tempdir(),
  vars_analyse = NULL,
  var_poids = NULL,
  ouvrir = FALSE
)

Arguments

donnees

data.frame – Donnees d'enquete menage
meta

list – Metadonnees du rapport. Elements attendus : pays, titre, annee, source, auteur (tous optionnels)
template

character – Nom du template : "enquete_menage" ou "bulletin". Defaut : "enquete_menage"
sortie

character – Format de sortie : "html", "pdf" ou "word". Defaut : "html"
chemin_sortie

character – Repertoire de destination. Defaut : tempdir()
vars_analyse

character ou NULL – Variables a analyser. Si NULL, detecte automatiquement les variables numeriques. Defaut : NULL
var_poids

character ou NULL – Variable de ponderation. Defaut : NULL
ouvrir

logical – Ouvrir le rapport apres generation. Defaut : FALSE

Value

Chemin du fichier genere (invisible)

Examples

## Not run: 
  set.seed(42)
  donnees <- data.frame(
    age    = sample(18:70, 200, replace = TRUE),
    revenu = rexp(200, rate = 1/250000),
    sexe   = sample(c("H","F"), 200, TRUE),
    milieu = sample(c("urbain","rural"), 200, TRUE),
    poids  = runif(200, 0.8, 1.3)
  )
  meta <- list(
    pays   = "Republique Centrafricaine",
    titre  = "Enquete sur les conditions de vie des menages",
    annee  = 2026L,
    source = "ICASEES",
    auteur = "Direction des Statistiques"
  )
  generer_rapport_enquete(donnees, meta, sortie = "html")

## End(Not run)

Generer un rapport de suivi des ODD parametre

Description

Genere un rapport de suivi des Objectifs de Developpement Durable au format standard PARIS21/Nations Unies.

Usage

generer_rapport_odd(
  resultats_odd,
  pays = "Pays",
  annee = as.integer(format(Sys.Date(), "%Y")),
  cibles = NULL,
  sortie = c("html", "pdf", "word"),
  chemin_sortie = tempdir(),
  ouvrir = FALSE
)

Arguments

resultats_odd

list – Liste d'objets saf_odd (resultats de odd_indicateur())
pays

character – Nom du pays. Defaut : "Pays"
annee

integer – Annee de reference. Defaut : annee courante
cibles

list ou NULL – Cibles nationales par code ODD. Defaut : NULL
sortie

character – Format : "html", "pdf" ou "word". Defaut : "html"
chemin_sortie

character – Repertoire. Defaut : tempdir()
ouvrir

logical – Ouvrir apres generation. Defaut : FALSE

Value

Chemin du fichier genere (invisible)

Examples

## Not run: 
  set.seed(42)
  menages <- data.frame(
    depense_pc  = c(rexp(70, 1/150000), rexp(30, 1/500000)),
    electricite = sample(c(0L,1L), 100, TRUE, c(0.45, 0.55)),
    internet    = sample(c(0L,1L), 100, TRUE, c(0.72, 0.28))
  )
  r1 <- odd_indicateur(menages, "1.2.1",
                       var_depense = "depense_pc", seuil = 200000)
  r2 <- odd_indicateur(menages, "7.1.1",
                       var_indicateur = "electricite")
  generer_rapport_odd(
    list(r1, r2),
    pays  = "Republique Centrafricaine",
    annee = 2026L,
    cibles = list("1.2.1" = 50, "7.1.1" = 80)
  )

## End(Not run)

Graphique en barres pondéré

Description

Génère un graphique en barres avec intervalles de confiance optionnels, adapté aux résultats d'enquêtes pondérées.

Usage

graphique_barres(
  data,
  var_x,
  var_y,
  var_groupe = NULL,
  var_ic_bas = NULL,
  var_ic_haut = NULL,
  position = c("dodge", "stack"),
  titre = NULL,
  label_x = NULL,
  label_y = NULL,
  pourcentage = FALSE,
  trier = FALSE
)

Arguments

data

data.frame, tibble ou résultat de tab_croisee() — Données source
var_x

character — Variable en abscisse (catégories)
var_y

character — Variable en ordonnée (valeurs)
var_groupe

character ou NULL — Variable de regroupement (barres groupées). Défaut : NULL.
var_ic_bas

character ou NULL — Variable borne inférieure IC. Défaut : NULL.
var_ic_haut

character ou NULL — Variable borne supérieure IC. Défaut : NULL.
position

character — "dodge" (groupé) ou "stack" (empilé). Défaut : "dodge".
titre

character ou NULL — Titre. Défaut : NULL.
label_x

character ou NULL — Label axe X. Défaut : NULL.
label_y

character ou NULL — Label axe Y. Défaut : NULL.
pourcentage

logical — Formater l'axe Y en pourcentage. Défaut : FALSE.
trier

logical — Trier les barres par valeur décroissante. Défaut : FALSE.

Value

Un objet ggplot.

Examples

if (requireNamespace("ggplot2", quietly = TRUE)) {
  df <- data.frame(region=c("Nord","Sud","Est","Ouest"), valeur=c(35.2,28.7,41.1,22.5))
  graphique_barres(df, var_x="region", var_y="valeur", titre="Indicateur")
}

Graphique des indices FGT

Description

Visualise les indices FGT nationaux et/ou par sous-groupe.

Usage

graphique_fgt(
  fgt_obj,
  type = c("barres", "indices"),
  variable = NULL,
  couleur = "#1B4965"
)

Arguments

fgt_obj

objet saf_fgt – Resultat de calcul_fgt()
type

character – "barres" ou "indices". Defaut : "barres"
variable

character ou NULL – Variable de sous-groupe a representer
couleur

character – Couleur principale. Defaut : "#1B4965"

Value

Objet ggplot2

Examples

## Not run: 
  set.seed(42)
  menages <- data.frame(
    depense_pc = c(rexp(70, 1/150000), rexp(30, 1/400000)),
    poids  = runif(100, 0.8, 1.2),
    milieu = sample(c("urbain", "rural"), 100, TRUE, c(0.4, 0.6))
  )
  fgt <- calcul_fgt(menages, "depense_pc", 220000,
                    poids = "poids", sous_groupes = "milieu")
  graphique_fgt(fgt, type = "barres", variable = "milieu")

## End(Not run)

Graphique de tendance temporelle

Description

Génère un graphique de tendance pour un ou plusieurs indicateurs sur une période temporelle. Adapté au suivi des indicateurs ODD et des indicateurs macroéconomiques.

Usage

graphique_tendance(
  data,
  var_temps,
  var_valeur = NULL,
  var_indicateur = NULL,
  vars_indicateurs = NULL,
  titre = NULL,
  label_y = "Valeur",
  afficher_points = TRUE,
  afficher_valeurs = FALSE,
  lisser = FALSE
)

Arguments

data

data.frame ou tibble — Données en format long ou large
var_temps

character — Variable temporelle (année, trimestre...)
var_valeur

character — Variable de valeur (format long) ou NULL si format large. Défaut : NULL.
var_indicateur

character ou NULL — Variable d'indicateur (format long). Défaut : NULL.
vars_indicateurs

character ou NULL — Vecteur de colonnes à tracer (format large). Défaut : NULL.
titre

character ou NULL — Titre. Défaut : NULL.
label_y

character — Label axe Y. Défaut : "Valeur".
afficher_points

logical — Afficher les points. Défaut : TRUE.
afficher_valeurs

logical — Annoter les valeurs. Défaut : FALSE.
lisser

logical — Ajouter une courbe lissée (loess). Défaut : FALSE.

Value

Un objet ggplot.

Examples

if (requireNamespace("ggplot2", quietly = TRUE)) {
  df <- data.frame(annee=2015:2023, pib=c(45,48,51,49,53,55,52,58,61))
  graphique_tendance(df, var_temps="annee", vars_indicateurs="pib", titre="PIB")
}

Harmoniser les noms de régions/provinces

Description

Standardise les noms de régions géographiques selon un référentiel national ou africain. Corrige les variantes orthographiques, les abréviations et les noms en langues locales.

Usage

harmoniser_regions(
  data,
  var_region,
  pays = NULL,
  table_correspondance = NULL,
  var_sortie = "region_std",
  signaler_non_trouves = TRUE
)

Arguments

data

data.frame ou tibble — Données à harmoniser
var_region

character — Nom de la variable contenant les régions
pays

character ou NULL — Code pays ISO2 pour utiliser le référentiel intégré (ex: "BJ", "BF", "SN", "CI", "ML", "NE", "TG", "CM", "GN"). Si NULL, utilise table_correspondance. Défaut : NULL.
table_correspondance

data.frame ou NULL — Table de correspondance avec colonnes original et standardise. Si NULL et pays est NULL, tente une correspondance floue automatique. Défaut : NULL.
var_sortie

character — Nom de la nouvelle colonne standardisée. Défaut : "region_std".
signaler_non_trouves

logical — Afficher les valeurs non reconnues. Défaut : TRUE.

Value

Le tibble avec une colonne var_sortie ajoutée contenant les régions standardisées.

Examples

## Not run: 
  donnees <- data.frame(region = c("Littoral","Atlantique","Borgou"))
  harmoniser_regions(donnees, var_region = "region", pays = "BJ")

## End(Not run)

Importer des données CSPro

Description

Lit les fichiers de données produits par CSPro (format .dat avec dictionnaire .dcf associé). Retourne un tibble avec les labels issus du dictionnaire CSPro. Fonction prioritaire pour les RGPH africains. Compatible avec CSPro 4.x à 8.x.

Usage

import_cspro(
  fichier_dat,
  fichier_dcf = NULL,
  niveau = NULL,
  encoding = "UTF-8",
  max_lignes = NULL,
  verbose = TRUE
)

Arguments

fichier_dat

character — Chemin vers le fichier de données (.dat)
fichier_dcf

character ou NULL — Chemin vers le dictionnaire (.dcf). Si NULL, recherche automatiquement un .dcf de même nom dans le même répertoire. Défaut : NULL.
niveau

character ou NULL — Niveau d'enregistrement à lire (ex: "MENAGE", "INDIVIDU", "LOGEMENT"). Si NULL, lit le premier niveau. Défaut : NULL.
encoding

character — Encodage du fichier source. Défaut : "UTF-8".
max_lignes

integer ou NULL — Nombre maximum de lignes à lire (utile pour les tests sur grands fichiers RGPH). Défaut : NULL (tout lire).
verbose

logical — Afficher les messages. Défaut : TRUE.

Value

Un tibble avec une colonne par variable CSPro. Les labels de valeurs sont stockés dans les attributs du tibble (attr(., "labels_cspro")).

Examples

## Not run: 
  # Import du niveau ménage d'un RGPH
  menages <- import_cspro(
    fichier_dat = "data/rgph_2024.dat",
    fichier_dcf = "data/rgph_2024.dcf",
    niveau      = "MENAGE"
  )

  # Test sur les 1000 premières lignes
  test <- import_cspro("data/rgph_2024.dat", max_lignes = 1000)

## End(Not run)

Importer un fichier CSV

Description

Importe un fichier CSV avec détection automatique de l'encodage, du séparateur et du séparateur décimal. Gère les formats courants des INS africains (séparateurs point-virgule, virgule, tabulation).

Usage

import_csv(
  chemin,
  separateur = NULL,
  encodage = "UTF-8",
  decimal = ".",
  na = c("", "NA", "N/A", "n/a", ".", " "),
  verbose = TRUE
)

Arguments

chemin

character — Chemin vers le fichier CSV
separateur

character ou NULL — Séparateur de colonnes. Si NULL, détection automatique. Défaut : NULL.
encodage

character — Encodage du fichier. Défaut : "UTF-8" (essaie aussi "latin1" si UTF-8 échoue).
decimal

character — Séparateur décimal ("." ou ","). Défaut : ".".
na

character — Valeurs à interpréter comme NA. Défaut : c("", "NA", "N/A", "n/a", ".", " ").
verbose

logical — Afficher les messages. Défaut : TRUE.

Value

Un tibble.

Examples

## Not run: 
  donnees <- import_csv("data/prix_marches.csv")
  donnees_fr <- import_csv("data/donnees_fr.csv", decimal = ",")

## End(Not run)

Importer un fichier Excel

Description

Importe un fichier Excel (.xlsx, .xls) avec détection automatique des feuilles, gestion des en-têtes multiples et conversion intelligente des types de colonnes. Optimisé pour les formats courants des INS africains.

Usage

import_excel(
  chemin,
  feuille = 1,
  skip = 0,
  col_types = NULL,
  na = c("", "NA", "N/A", "n/a", ".", " "),
  verbose = TRUE
)

Arguments

chemin

character — Chemin vers le fichier Excel (.xlsx ou .xls)
feuille

character ou integer ou NULL — Nom ou numéro de la feuille à importer. Si NULL, importe toutes les feuilles sous forme de liste. Défaut : 1 (première feuille).
skip

integer — Nombre de lignes à ignorer avant l'en-tête. Défaut : 0.
col_types

character ou NULL — Types des colonnes (voir readxl). Si NULL, détection automatique. Défaut : NULL.
na

character — Valeurs à interpréter comme NA. Défaut : c("", "NA", "N/A", "n/a", ".", " ").
verbose

logical — Afficher les messages de progression. Défaut : TRUE.

Value

Un tibble si une seule feuille, une liste de tibbles si feuille = NULL.

See Also

import_csv, valider_dictionnaire

Examples

## Not run: 
  # Import de la première feuille
  donnees <- import_excel("data/enquete_menage.xlsx")

  # Import d'une feuille spécifique
  menages <- import_excel("data/emop_2024.xlsx", feuille = "Menages")

  # Import de toutes les feuilles
  toutes <- import_excel("data/rapport.xlsx", feuille = NULL)

## End(Not run)

Importer des données depuis KoboToolbox

Description

Importe un formulaire KoboToolbox via fichier local (XLS/JSON) ou via l'API REST KoboToolbox. Retourne un tibble annoté avec les métadonnées du formulaire. Compatible avec KoboToolbox et KoBoCAT.

Usage

import_kobo(
  source,
  uid = NULL,
  token = Sys.getenv("KOBO_TOKEN"),
  format = c("xls", "json"),
  langue = "French (fr)",
  verbose = TRUE
)

Arguments

source

character — Chemin vers un fichier XLS/JSON local, ou URL de base de l'API (ex: "https://kf.kobotoolbox.org").
uid

character ou NULL — Identifiant unique du formulaire (requis si source = URL API). Défaut : NULL.
token

character — Jeton d'authentification API. Peut aussi être défini via la variable d'environnement KOBO_TOKEN. Défaut : Sys.getenv("KOBO_TOKEN").
format

character — Format du fichier local : "xls" ou "json". Ignoré si source est une URL. Défaut : "xls".
langue

character — Code langue pour les labels multilingues (ex: "French (fr)", "English (en)"). Défaut : "French (fr)".
verbose

logical — Afficher les messages. Défaut : TRUE.

Value

Un tibble avec les colonnes du formulaire. L'attribut attr(., "metadonnees_kobo") contient le dictionnaire des variables.

Examples

## Not run: 
  # Import depuis fichier XLS local
  donnees <- import_kobo(source = "data/enquete_2024.xls")

  # Import depuis API KoboToolbox
  Sys.setenv(KOBO_TOKEN = "mon_token_secret")
  donnees <- import_kobo(
    source = "https://kf.kobotoolbox.org",
    uid    = "aXmNk7pQrS",
    langue = "French (fr)"
  )

## End(Not run)

Importer des données ODK Central

Description

Importe les soumissions d'un formulaire ODK Central via l'API REST ou depuis un fichier d'export local (ZIP ou CSV). Compatible avec ODK Central 1.x et 2.x.

Usage

import_odk(
  source,
  projet_id = NULL,
  formulaire_id = NULL,
  email = Sys.getenv("ODK_EMAIL"),
  mot_de_passe = Sys.getenv("ODK_PASSWORD"),
  inclure_metadonnees = FALSE,
  verbose = TRUE
)

Arguments

source

character — URL du serveur ODK Central (ex: "https://odk.monins.org") ou chemin vers un fichier d'export .zip/.csv.
projet_id

integer ou NULL — ID du projet ODK. Requis si source est une URL. Défaut : NULL.
formulaire_id

character ou NULL — ID du formulaire ODK. Requis si source est une URL. Défaut : NULL.
email

character ou NULL — Email de connexion ODK Central. Peut aussi être défini via ODK_EMAIL. Défaut : NULL.
mot_de_passe

character — Mot de passe ODK Central. Peut aussi être défini via ODK_PASSWORD. Défaut : Sys.getenv("ODK_PASSWORD").
inclure_metadonnees

logical — Inclure les colonnes de métadonnées ODK (timestamps, deviceid, etc.). Défaut : FALSE.
verbose

logical — Afficher les messages. Défaut : TRUE.

Value

Un tibble contenant les soumissions du formulaire.

Examples

## Not run: 
  # Import depuis export ZIP local
  donnees <- import_odk(source = "data/odk_export_2024.zip")

  # Import depuis API ODK Central
  Sys.setenv(ODK_EMAIL = "[email protected]", ODK_PASSWORD = "motdepasse")
  donnees <- import_odk(
    source        = "https://odk.monins.org",
    projet_id     = 1,
    formulaire_id = "enquete_menage_2024"
  )

## End(Not run)

Importer un fichier SAS

Description

Importe un fichier SAS (.sas7bdat) ou un fichier de formats SAS (.sas7bcat) avec préservation des labels.

Usage

import_sas(chemin, chemin_formats = NULL, encoding = "UTF-8", verbose = TRUE)

Arguments

chemin

character — Chemin vers le fichier .sas7bdat
chemin_formats

character ou NULL — Chemin vers le fichier de formats .sas7bcat (optionnel). Défaut : NULL.
encoding

character — Encodage. Défaut : "UTF-8".
verbose

logical — Afficher les messages. Défaut : TRUE.

Value

Un tibble.

Examples

## Not run: 
  donnees <- import_sas("data/enquete_emploi.sas7bdat")

## End(Not run)

Importer un fichier SPSS

Description

Importe un fichier SPSS (.sav ou .zsav) avec préservation des labels de variables et de valeurs SPSS.

Usage

import_spss(
  chemin,
  garder_labels = TRUE,
  convertir_labels = FALSE,
  encoding = NULL,
  verbose = TRUE
)

Arguments

chemin

character — Chemin vers le fichier .sav ou .zsav
garder_labels

logical — Conserver les labels. Défaut : TRUE.
convertir_labels

logical — Convertir en facteurs. Défaut : FALSE.
encoding

character ou NULL — Encodage. Si NULL, détection auto. Défaut : NULL.
verbose

logical — Afficher les messages. Défaut : TRUE.

Value

Un tibble.

Examples

## Not run: 
  mics <- import_spss("data/mics6_enfants.sav")

## End(Not run)

Importer un fichier Stata

Description

Importe un fichier Stata (.dta) avec préservation des labels de variables et de valeurs. Compatible avec toutes les versions Stata (Stata 8 à Stata 18).

Usage

import_stata(
  chemin,
  encoding = "UTF-8",
  garder_labels = TRUE,
  convertir_labels = FALSE,
  verbose = TRUE
)

Arguments

chemin

character — Chemin vers le fichier .dta
encoding

character — Encodage pour les labels. Défaut : "UTF-8".
garder_labels

logical — Conserver les labels comme attributs. Défaut : TRUE.
convertir_labels

logical — Convertir les variables labellisées en facteurs. Défaut : FALSE.
verbose

logical — Afficher les messages. Défaut : TRUE.

Value

Un tibble avec attributs de labels si garder_labels = TRUE.

Examples

## Not run: 
  eds <- import_stata("data/eds_2021.dta")
  eds_facteurs <- import_stata("data/eds_2021.dta", convertir_labels = TRUE)

## End(Not run)

Imputer les valeurs manquantes

Description

Impute les valeurs manquantes d'un dataset selon la méthode spécifiée. Supporte l'imputation simple (statistiques descriptives), hot-deck et par régression. Produit un rapport de traçabilité.

Usage

imputer_valeurs(
  data,
  vars = NULL,
  methode = c("mediane", "moyenne", "mode", "hot_deck", "regression"),
  vars_auxiliaires = NULL,
  graine = 42L,
  rapport = TRUE
)

Arguments

data

data.frame ou tibble — Données avec valeurs manquantes
vars

character ou NULL — Variables à imputer. Si NULL, toutes les variables avec valeurs manquantes. Défaut : NULL.
methode

character — Méthode d'imputation : "mediane", "moyenne", "mode", "hot_deck", "regression". Défaut : "mediane".
vars_auxiliaires

character ou NULL — Variables auxiliaires pour l'imputation par régression ou hot-deck. Défaut : NULL.
graine

integer — Graine aléatoire pour la reproductibilité. Défaut : 42.
rapport

logical — Retourner un rapport d'imputation. Défaut : TRUE.

Value

Si rapport = FALSE : tibble imputé. Si rapport = TRUE : liste avec $donnees et $rapport.

Examples

## Not run: 
  donnees <- data.frame(revenu_mensuel=c(150000,NA,200000), age=c(25,34,NA))
  imputer_valeurs(donnees, vars=c("revenu_mensuel","age"), methode="mediane")

## End(Not run)

Lister les templates de rapport disponibles

Description

Retourne la liste des templates R Markdown disponibles dans statAfrikR avec leur description et parametres.

Usage

lister_templates()

Value

Un tibble avec : nom, description, parametres, format_sortie

Examples

lister_templates()

Nettoyer les libellés de variables textuelles

Description

Normalise les chaînes de caractères : suppression des espaces superflus, normalisation de la casse, gestion des caractères spéciaux, correction des encodages. Préserve les caractères accentués africains et francophones.

Usage

nettoyer_libelles(
  data,
  vars = NULL,
  casse = c("titre", "majuscule", "minuscule", "aucune"),
  supprimer_espaces = TRUE,
  supprimer_ponctuation = FALSE,
  encodage = "UTF-8"
)

Arguments

data

data.frame ou tibble — Données à nettoyer
vars

character ou NULL — Variables à nettoyer. Si NULL, toutes les variables de type character. Défaut : NULL.
casse

character — Normalisation de la casse : "titre" (Première Lettre Majuscule), "majuscule", "minuscule", "aucune". Défaut : "titre".
supprimer_espaces

logical — Supprimer les espaces multiples et les espaces en début/fin. Défaut : TRUE.
supprimer_ponctuation

logical — Supprimer la ponctuation superflue. Défaut : FALSE.
encodage

character — Encodage cible. Défaut : "UTF-8".

Value

Un tibble avec les variables textuelles nettoyées.

Examples

## Not run: 
  donnees <- data.frame(region = c(" nord ","SUD"), commune = c("Cotonou "," parakou"))
  nettoyer_libelles(donnees, vars = c("region", "commune"))

## End(Not run)

Catalogue des indicateurs ODD pour les INS africains

Description

Retourne le catalogue des indicateurs ODD implementes dans statAfrikR, selectionnes selon leur pertinence et disponibilite pour les INS africains (reference PARIS21, AFRISTAT, Nations Unies).

Usage

odd_catalogue(
  objectif = NULL,
  disponibilite = NULL,
  statut = NULL,
  format = c("tibble", "flextable")
)

Arguments

objectif

integer ou NULL – Filtrer par numero d'ODD (1 a 17). NULL retourne tous les indicateurs. Defaut : NULL
disponibilite

character ou NULL – Filtrer par disponibilite des donnees : "haute", "moyenne" ou "faible". Defaut : NULL
statut

character ou NULL – Filtrer par statut d'implementation : "implementee" ou "documentation". Defaut : NULL
format

character – "tibble" ou "flextable". Defaut : "tibble"

Value

Tibble ou flextable du catalogue filtre

Examples

# Tous les indicateurs
odd_catalogue()

# Indicateurs ODD 1 (pauvrete) implementes
odd_catalogue(objectif = 1, statut = "implementee")

# Indicateurs a haute disponibilite
odd_catalogue(disponibilite = "haute")

Calculer un indicateur ODD

Description

Calcule un indicateur ODD specifique a partir des donnees d'enquete. Retourne un objet saf_odd avec la valeur, les metadonnees et les composantes du calcul.

Usage

odd_indicateur(data, code_odd, ..., poids = NULL, na.rm = TRUE)

Arguments

data

data.frame ou svydesign – Donnees d'enquete
code_odd

character – Code ODD au format "X.Y.Z" (ex : "1.1.1", "7.1.1"). Voir odd_catalogue() pour la liste
...

Arguments specifiques a chaque indicateur (voir Details)
poids

character ou NULL – Variable de ponderation. Defaut : NULL
na.rm

logical – Exclure les NA. Defaut : TRUE

Details

Arguments specifiques par indicateur :

1.1.1

var_depense : variable de depenses par tete, seuil : seuil en monnaie locale (defaut : equivalence 2.15 USD PPA)

1.2.1

var_depense : variable de depenses par tete, seuil : seuil national de pauvrete

2.2.1

var_taille : taille de l'enfant (cm), var_age_mois : age en mois, var_sexe : sexe (1=M, 2=F ou "M"/"F")

3.2.1

var_deces_enfant : indicateur deces enfant (0/1), var_naissances : nombre de naissances vivantes ou variable indicatrice

5.3.1

var_age_mariage : age au premier mariage, var_age_actuel : age actuel, seuil_age : seuil (defaut : 18)

5.5.2, 8.5.2, 8.6.1, 6.1.1, 7.1.1, 10.2.1, 11.1.1, 16.9.1, 17.8.1

var_indicateur : variable binaire (1 = condition remplie, 0 = non)

10.1.1

var_depense : variable de depenses, var_periode : variable de periode (annees), seuil_pct : percentile inferieur (defaut : 40)

Value

Un objet de classe saf_odd avec :

valeur

Valeur de l'indicateur

unite

Unite de mesure

code_odd

Code ODD

titre_court

Libelle court

numerateur

Numerateur du calcul

denominateur

Denominateur du calcul

n_obs

Observations utilisees

na_count

Valeurs manquantes exclues

meta

Metadonnees completes du catalogue

Examples

set.seed(42)
menages <- data.frame(
  depense_pc = c(rexp(70, rate = 1/150000), rexp(30, rate = 1/500000)),
  poids      = runif(100, 0.8, 1.2),
  electricite = sample(c(0L, 1L), 100, TRUE, prob = c(0.45, 0.55)),
  eau_potable = sample(c(0L, 1L), 100, TRUE, prob = c(0.35, 0.65)),
  internet    = sample(c(0L, 1L), 100, TRUE, prob = c(0.7, 0.3))
)

# ODD 1.2.1 - Pauvrete nationale
odd_indicateur(menages, "1.2.1",
               var_depense = "depense_pc", seuil = 200000,
               poids = "poids")

# ODD 7.1.1 - Acces a l'electricite
odd_indicateur(menages, "7.1.1", var_indicateur = "electricite",
               poids = "poids")

Palette de couleurs INS

Description

Retourne une palette de couleurs officielle pour les graphiques INS, compatible daltonisme.

Usage

palette_ins(n = 6, type = c("categoriel", "sequentiel", "divergent"))

Arguments

n

integer — Nombre de couleurs souhaité. Défaut : 6.
type

character — "categoriel", "sequentiel", "divergent". Défaut : "categoriel".

Value

Vecteur de codes couleurs hexadécimaux.

Examples

palette_ins(4)

Pyramide des âges

Description

Génère une pyramide des âges pondérée à partir de données individuelles ou agrégées. Adapté aux recensements et enquêtes démographiques.

Usage

pyramide_ages(
  data,
  var_age,
  var_sexe,
  var_poids = NULL,
  modalite_homme = "Masculin",
  modalite_femme = "Féminin",
  largeur_classe = 5L,
  age_max = 80L,
  titre = NULL,
  pourcentage = TRUE,
  couleur_homme = "#1B6CA8",
  couleur_femme = "#E8872A"
)

Arguments

data

data.frame ou tibble — Données individuelles
var_age

character — Variable d'âge
var_sexe

character — Variable de sexe/genre
var_poids

character ou NULL — Variable de pondération. Défaut : NULL.
modalite_homme

character — Modalité masculine. Défaut : "Masculin".
modalite_femme

character — Modalité féminine. Défaut : "Féminin".
largeur_classe

integer — Largeur des classes d'âge en années. Défaut : 5.
age_max

integer — Âge maximum affiché. Défaut : 80.
titre

character ou NULL — Titre du graphique. Défaut : NULL.
pourcentage

logical — Afficher en pourcentage (TRUE) ou effectifs (FALSE). Défaut : TRUE.
couleur_homme

character — Couleur hommes. Défaut : "#1B6CA8".
couleur_femme

character — Couleur femmes. Défaut : "#E8872A".

Value

Un objet ggplot.

Examples

if (requireNamespace("ggplot2", quietly = TRUE)) {
  donnees <- data.frame(age=sample(0:80,100,replace=TRUE), sexe=sample(c("H","F"),100,replace=TRUE))
  pyramide_ages(donnees, var_age="age", var_sexe="sexe")
}

Recoder une variable

Description

Recode une variable selon une table de correspondance explicite. Supporte le recodage numérique (classes d'âge, quintiles) et textuel (modalités). Traçabilité complète des transformations.

Usage

recoder_variable(
  data,
  var,
  table_recodage,
  var_sortie = NULL,
  na_si_absent = TRUE
)

Arguments

data

data.frame ou tibble — Données
var

character — Nom de la variable à recoder
table_recodage

data.frame — Table avec colonnes avant et apres, ou vecteur nommé.
var_sortie

character ou NULL — Nom de la variable recodée. Si NULL, remplace la variable originale. Défaut : NULL.
na_si_absent

logical — Mettre NA si la valeur n'est pas dans la table de recodage. Défaut : TRUE.

Value

Le tibble avec la variable recodée.

Examples

## Not run: 
  # Recodage des classes d'âge
  table_age <- data.frame(
    avant = c("15-24", "25-34", "35-49", "50+"),
    apres = c("Jeune", "Adulte", "Adulte", "Senior")
  )
  donnees <- recoder_variable(donnees, "classe_age", table_age)
  # Recodage avec vecteur nommé
  donnees <- recoder_variable(
    donnees, "sexe",
    table_recodage = c("1" = "Masculin", "2" = "Féminin")
  )

## End(Not run)

Departements du Cameroun

Description

10 regions du Cameroun.

Usage

saf_cameroun_departements

Format

Objet sf avec colonnes : departement, code, geometry.

Source

Natural Earth – statAfrikR Foundation

Examples

cam <- carte_zones('subdivisions', pays = 'CMR')

Zone CEDEAO – 15 pays membres

Description

Communaute Economique des Etats de l'Afrique de l'Ouest.

Usage

saf_cedeao

Format

Objet sf (sous-ensemble de saf_pays_afrique)

Source

Natural Earth – statAfrikR Foundation

Examples

cedeao <- carte_zones('cedeao')

Zone CEMAC – 6 pays membres

Description

Cameroun, Centrafrique, Congo, Gabon, Guinee Equatoriale, Tchad.

Usage

saf_cemac

Format

Objet sf (sous-ensemble de saf_pays_afrique)

Source

Natural Earth – statAfrikR Foundation

Examples

cemac <- carte_zones('cemac')

Zone EAC – Afrique de l'Est

Description

Communaute d'Afrique de l'Est.

Usage

saf_eau

Format

Objet sf (sous-ensemble de saf_pays_afrique)

Source

Natural Earth – statAfrikR Foundation

Examples

eau <- carte_zones('eau')

Pays africains – fond de carte integre

Description

Fond de carte des 54 pays africains.

Usage

saf_pays_afrique

Format

Objet sf avec colonnes : pays, pays_fr, iso2, iso3, sous_region, geometry.

Source

Natural Earth via rnaturalearth – statAfrikR Foundation

Examples

afrique <- carte_zones('afrique')

Prefectures de la Republique Centrafricaine

Description

17 prefectures de la RCA avec codes administratifs.

Usage

saf_rca_prefectures

Format

Objet sf avec colonnes : pays, iso3, prefecture, code, geometry.

Source

Natural Earth – statAfrikR Foundation

Examples

rca <- carte_zones('rca')

Zone SADC – Afrique Australe

Description

Communaute de Developpement de l'Afrique Australe.

Usage

saf_sadc

Format

Objet sf (sous-ensemble de saf_pays_afrique)

Source

Natural Earth – statAfrikR Foundation

Examples

sadc <- carte_zones('sadc')

Regions du Senegal

Description

14 regions du Senegal.

Usage

saf_senegal_regions

Format

Objet sf avec colonnes : region, code, geometry.

Source

Natural Earth – statAfrikR Foundation

Examples

sen <- carte_zones('subdivisions', pays = 'SEN')

Subdivisions de niveau 1 – tous les pays africains

Description

Prefectures, regions et provinces de 43 pays africains (744 subdivisions + 17 prefectures RCA = 761 total).

Usage

saf_subdivisions_afrique

Format

Objet sf avec colonnes : pays, iso3, subdivision, code_admin, geometry.

Source

Natural Earth – statAfrikR Foundation

Examples

cam <- carte_zones('subdivisions', pays = 'CMR')

Standardiser les âges déclarés

Description

Détecte et corrige le "heap effect" (attraction vers les âges ronds) fréquent dans les enquêtes africaines où les âges sont déclarés. Calcule l'indice de Whipple et l'indice de Myers pour évaluer la qualité.

Usage

standardiser_ages(
  data,
  var_age = "age",
  methode = c("aucune", "interpolation", "united_nations"),
  age_min = 0L,
  age_max = 120L
)

Arguments

data

data.frame ou tibble — Données
var_age

character — Nom de la variable d'âge
methode

character — Méthode de correction : "aucune" (diagnostic uniquement), "interpolation" (répartition uniforme autour des âges ronds), "united_nations" (méthode Nations Unies). Défaut : "aucune".
age_min

integer — Âge minimum valide. Défaut : 0.
age_max

integer — Âge maximum valide. Défaut : 120.

Value

Une liste avec :

donnees

tibble avec âges corrigés si methode != "aucune"
indice_whipple

numeric — Indice de Whipple (1 = parfait, > 1.05 = problème)
indice_myers

numeric — Indice de Myers (0 = parfait)
diagnostic

character — Évaluation de la qualité

Examples

## Not run: 
  donnees <- data.frame(age = sample(0:80, 200, replace=TRUE))
  standardiser_ages(donnees, var_age="age")

## End(Not run)

Statistiques descriptives pondérées

Description

Calcule les statistiques descriptives complètes pour une ou plusieurs variables numériques, avec prise en compte optionnelle du plan de sondage complexe. Produit un tableau formaté prêt à publier.

Usage

stat_descr(
  data,
  vars,
  groupe = NULL,
  ponderee = TRUE,
  ic = TRUE,
  format_sortie = c("tibble", "flextable")
)

Arguments

data

data.frame, tibble ou objet svydesign — Données source
vars

character — Noms des variables à analyser
groupe

character ou NULL — Variable de regroupement. Défaut : NULL.
ponderee

logical — Utiliser les pondérations si data est un svydesign. Défaut : TRUE.
ic

logical — Calculer les intervalles de confiance à 95%. Défaut : TRUE.
format_sortie

character — Format : "tibble" ou "flextable". Défaut : "tibble".

Value

Tibble ou flextable avec : n, moyenne, médiane, écart-type, min, max, IC95.

Examples

## Not run: 
  donnees <- data.frame(age=c(25,34,45), revenu=c(150000,200000,180000))
  stat_descr(donnees, vars=c("age","revenu"))

## End(Not run)

Détecter et supprimer les doublons

Description

Identifie et supprime les enregistrements dupliqués selon une ou plusieurs clés d'identification. Produit un rapport des doublons détectés.

Usage

supprimer_doublons(
  data,
  cles = NULL,
  garder = c("premier", "dernier", "aucun"),
  rapport = TRUE
)

Arguments

data

data.frame ou tibble — Données à dédupliquer
cles

character ou NULL — Variables clés pour la détection. Si NULL, utilise toutes les colonnes. Défaut : NULL.
garder

character — Quel doublon conserver : "premier" (première occurrence), "dernier" (dernière occurrence), "aucun" (supprimer tous les doublons). Défaut : "premier".
rapport

logical — Retourner un rapport des doublons. Défaut : TRUE.

Value

Si rapport = FALSE : tibble dédupliqué. Si rapport = TRUE : liste avec $donnees et $rapport.

Examples

## Not run: 
  donnees <- data.frame(id=c(1,2,2,3), val=c(10,20,20,30))
  supprimer_doublons(donnees, cles="id")

## End(Not run)

Tableau croisé pondéré avec intervalles de confiance

Description

Produit un tableau croisé (ou tableau de fréquences simple) avec prise en compte optionnelle de la pondération et du plan de sondage complexe. Résultat formaté pour publication directe.

Usage

tab_croisee(
  data,
  var_ligne,
  var_col = NULL,
  var_poids = NULL,
  ic = TRUE,
  pourcentage = c("colonne", "ligne", "total"),
  format_sortie = c("flextable", "tibble")
)

Arguments

data

data.frame, tibble ou objet svydesign — Données source
var_ligne

character — Variable en ligne
var_col

character ou NULL — Variable en colonne. Si NULL, tableau de fréquences simple. Défaut : NULL.
var_poids

character ou NULL — Variable de pondération (ignorée si data est un svydesign). Défaut : NULL.
ic

logical — Calculer les IC à 95%. Défaut : TRUE.
pourcentage

character — Type : "colonne", "ligne", "total". Défaut : "colonne".
format_sortie

character — "tibble" ou "flextable". Défaut : "flextable".

Value

Tibble ou flextable du tableau croisé.

Examples

## Not run: 
  donnees <- data.frame(
    region = sample(c("Nord", "Sud", "Est"), 50, replace = TRUE),
    sexe   = sample(c("H", "F"), 50, replace = TRUE)
  )
  tab_croisee(donnees, "region", "sexe")

## End(Not run)

Tableau croise pondere - format institutionnel INS

Description

Produit un tableau de contingence pondere avec marges, pourcentages et test du chi-deux.

Usage

tableau_croise_ins(
  data,
  ligne,
  colonne,
  poids = NULL,
  type_pct = c("colonne", "ligne", "total"),
  marges = TRUE,
  chi2 = TRUE,
  format = c("tibble", "flextable", "excel"),
  chemin = NULL,
  titre = NULL
)

Arguments

data

data.frame, tibble ou svydesign – Donnees
ligne

character – Variable en ligne
colonne

character – Variable en colonne
poids

character ou NULL – Variable de ponderation. Defaut : NULL
type_pct

character – "colonne", "ligne" ou "total". Defaut : "colonne"
marges

logical – Afficher les totaux. Defaut : TRUE
chi2

logical – Calculer le test du chi-deux. Defaut : TRUE
format

character – "tibble", "flextable" ou "excel". Defaut : "tibble"
chemin

character ou NULL – Chemin Excel. Defaut : NULL
titre

character ou NULL – Titre. Defaut : NULL

Value

Tibble, flextable ou chemin Excel

Examples

set.seed(42)
donnees <- data.frame(
  region = sample(c("Nord", "Sud", "Est", "Ouest"), 300, TRUE),
  milieu = sample(c("urbain", "rural"), 300, TRUE, prob = c(0.4, 0.6)),
  poids  = runif(300, 0.7, 1.4)
)
tableau_croise_ins(donnees, "region", "milieu", poids = "poids")

Tableau de statistiques descriptives institutionnel

Description

Produit un tableau de statistiques descriptives pondere, formate selon les conventions des INS africains. Exportable en Word (flextable) ou Excel (openxlsx2).

Usage

tableau_descriptif(
  data,
  vars,
  poids = NULL,
  par = NULL,
  stats = c("n", "moyenne", "mediane", "ecart_type", "min", "max", "ic"),
  format = c("tibble", "flextable", "excel"),
  chemin = NULL,
  titre = NULL,
  source = NULL
)

Arguments

data

data.frame, tibble ou objet svydesign – Donnees
vars

character – Variables numeriques a analyser
poids

character ou NULL – Variable de ponderation. Defaut : NULL
par

character ou NULL – Variable de ventilation (groupe). Defaut : NULL
stats

character – Statistiques parmi : "n", "moyenne", "mediane", "ecart_type", "min", "max", "ic". Defaut : toutes
format

character – "tibble", "flextable" ou "excel". Defaut : "tibble"
chemin

character ou NULL – Chemin Excel. Defaut : NULL
titre

character ou NULL – Titre du tableau. Defaut : NULL
source

character ou NULL – Note source. Defaut : NULL

Value

Tibble, flextable ou chemin fichier Excel

Examples

set.seed(42)
donnees <- data.frame(
  age    = sample(18:65, 200, replace = TRUE),
  revenu = rexp(200, rate = 1/250000),
  poids  = runif(200, 0.8, 1.3),
  milieu = sample(c("urbain", "rural"), 200, TRUE)
)
tableau_descriptif(donnees, vars = c("age", "revenu"), poids = "poids")

Tableau institutionnel des indices FGT

Description

Genere un tableau des indices FGT formate selon les conventions des INS africains et de la Banque mondiale (EHCVM).

Usage

tableau_fgt(
  fgt_obj,
  format = c("tibble", "flextable", "excel"),
  chemin = NULL,
  titre = NULL,
  inclure_sous_groupes = TRUE
)

Arguments

fgt_obj

objet saf_fgt – Resultat de calcul_fgt()
format

character – Format de sortie : "tibble", "flextable" ou "excel". Defaut : "tibble"
chemin

character ou NULL – Chemin du fichier Excel. Si NULL, utilise tempdir(). Defaut : NULL
titre

character – Titre du tableau
inclure_sous_groupes

logical – Inclure les tableaux par sous-groupe. Defaut : TRUE

Value

Tibble, flextable ou chemin du fichier Excel

Examples

set.seed(42)
menages <- data.frame(
  depense_pc = c(rexp(70, rate = 1/150000), rexp(30, rate = 1/400000)),
  poids      = runif(100, 0.8, 1.2)
)
fgt <- calcul_fgt(menages, "depense_pc", 220000, poids = "poids")
tableau_fgt(fgt)

Tableau de suivi des indicateurs ODD

Description

Calcule et presente plusieurs indicateurs ODD dans un tableau de suivi formate selon les standards de reporting PARIS21/Nations Unies.

Usage

tableau_odd(
  resultats,
  pays = NULL,
  annee = NULL,
  cibles = NULL,
  format = c("tibble", "flextable", "excel"),
  chemin = NULL
)

Arguments

resultats

list – Liste nommee d'objets saf_odd (resultats de odd_indicateur())
pays

character ou NULL – Nom du pays. Defaut : NULL
annee

integer ou NULL – Annee de reference. Defaut : NULL
cibles

list ou NULL – Liste nommee des cibles nationales par code ODD. Ex : list("1.2.1" = 25, "7.1.1" = 80). Defaut : NULL
format

character – "tibble", "flextable" ou "excel". Defaut : "tibble"
chemin

character ou NULL – Chemin Excel. Defaut : NULL

Value

Tibble, flextable ou chemin Excel

Examples

set.seed(42)
menages <- data.frame(
  depense_pc  = c(rexp(70, 1/150000), rexp(30, 1/500000)),
  poids       = runif(100, 0.8, 1.2),
  electricite = sample(c(0L, 1L), 100, TRUE, c(0.45, 0.55)),
  eau_potable = sample(c(0L, 1L), 100, TRUE, c(0.35, 0.65))
)
r1 <- odd_indicateur(menages, "1.2.1",
                     var_depense = "depense_pc", seuil = 200000)
r2 <- odd_indicateur(menages, "7.1.1",
                     var_indicateur = "electricite")
tableau_odd(list(r1, r2), pays = "Centrafrique", annee = 2026L)

Thème ggplot2 officiel INS

Description

Applique un thème graphique professionnel adapté aux publications officielles des Instituts Nationaux de Statistique africains. Inspiré des chartes graphiques AFRISTAT/PARIS21.

Usage

theme_ins(
  base_size = 11,
  base_family = "sans",
  couleur_fond = "white",
  grille = TRUE,
  grille_mineure = FALSE
)

Arguments

base_size

numeric — Taille de base de la police. Défaut : 11.
base_family

character — Famille de police. Défaut : "sans".
couleur_fond

character — Couleur de fond du panneau. Défaut : "white".
grille

logical — Afficher les lignes de grille. Défaut : TRUE.
grille_mineure

logical — Afficher la grille mineure. Défaut : FALSE.

Value

Un objet theme ggplot2.

Examples

if (requireNamespace("ggplot2", quietly = TRUE)) {
  ggplot2::ggplot(mtcars, ggplot2::aes(wt, mpg)) +
    ggplot2::geom_point() + theme_ins()
}

Tracer le flux de traitement

Description

Crée et maintient un journal horodaté des transformations appliquées à un dataset. Permet l'auditabilité complète du pipeline de traitement des données.

Usage

tracer_flux_traitement(data, action, journal = NULL, details = NULL)

Arguments

data

data.frame ou tibble — Données traitées
action

character — Description de l'action effectuée
journal

list ou NULL — Journal existant à compléter. Si NULL, crée un nouveau journal. Défaut : NULL.
details

list ou NULL — Détails supplémentaires à enregistrer (ex: paramètres utilisés). Défaut : NULL.

Value

Une liste mise à jour avec $donnees et $journal.

Examples

## Not run: 
  donnees <- data.frame(id=1:3, val=c(10,20,30))
  e1 <- tracer_flux_traitement(donnees, action="Import")
  e2 <- tracer_flux_traitement(e1$donnees, action="Nettoyage", journal=e1$journal)
  print(e2$journal)

## End(Not run)

Valider la cohérence données / dictionnaire

Description

Vérifie que les variables d'un dataset correspondent au dictionnaire fourni : présence des variables, types, plages de valeurs, modalités attendues. Produit un rapport de validation structuré avec un score de qualité global.

Usage

valider_dictionnaire(data, dictionnaire, stopper_si_critique = FALSE)

Arguments

data

data.frame ou tibble — Données à valider
dictionnaire

data.frame — Dictionnaire avec colonnes obligatoires : nom_variable, type. Colonnes optionnelles : valeurs_valides, min, max, obligatoire.
stopper_si_critique

logical — Arrêter l'exécution si des erreurs critiques sont détectées. Défaut : FALSE.

Value

Une liste avec :

valide

logical — TRUE si aucune erreur critique
rapport

data.frame — Détail des anomalies
score_qualite

numeric — Score de 0 à 100

Examples

## Not run: 
  dico <- data.frame(
    nom_variable = c("age", "sexe", "region"),
    type         = c("numeric", "character", "character"),
    obligatoire  = c(TRUE, TRUE, FALSE)
  )
  resultat <- valider_dictionnaire(donnees, dico)
  if (!resultat$valide) print(resultat$rapport)

## End(Not run)

Valider la qualité globale d'un jeu de données

Description

Calcule un score de qualité composite (0-100) en évaluant la complétude, la cohérence, l'unicité et la plausibilité des données.

Usage

valider_qualite_donnees(data, seuil_na = 0.1, vars_cles = NULL)

Arguments

data

data.frame ou tibble — Données à évaluer
seuil_na

numeric — Seuil acceptable de valeurs manquantes. Défaut : 0.1.
vars_cles

character ou NULL — Variables clés pour le test d'unicité. Défaut : NULL.

Value

Une liste avec score_global et le détail par dimension.

Examples

## Not run: 
  donnees <- data.frame(
    id_menage = 1:50,
    age       = c(sample(20:70, 45, replace = TRUE), rep(NA, 5)),
    revenu    = c(rnorm(48, 200000, 50000), NA, NA)
  )
  valider_qualite_donnees(donnees, vars_cles="id_menage")

## End(Not run)