From fc516bb322819e5cf3efecc2e2ceb4e98204d06d Mon Sep 17 00:00:00 2001
From: "Christelle.Belkacem"
<christelle.belkacem@developpement-durable.gouv.fr>
Date: Wed, 2 Apr 2025 20:51:05 +0200
Subject: [PATCH 1/3] =?UTF-8?q?#4=20Modif=20suite=20=C3=A0=20maj=20des=20f?=
=?UTF-8?q?icheirs=20DJU?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit
---
R/prep_dju.R | 20 +++++-----
vignettes/exploration.Rmd | 80 ++++++++++++++-------------------------
2 files changed, 39 insertions(+), 61 deletions(-)
diff --git a/R/prep_dju.R b/R/prep_dju.R
index b34162b..e7dcf4f 100644
--- a/R/prep_dju.R
+++ b/R/prep_dju.R
@@ -29,24 +29,24 @@ prep_dju <- function(url_dju_nat = NULL, url_dju_reg = NULL, reg = "52", an = 20
url_base <- "https://www.statistiques.developpement-durable.gouv.fr/sites/default/files/"
if(is.null(url_dju_nat)) {
url_dju_nat <- "2024-02/dju_1970_2023.xlsx"
- }
+ }
if(is.null(url_dju_reg)) {
url_dju_reg <- "2024-02/dju_anciennes_regions_1981_2023_0.xlsx"
}
url_dju_nat_full <- paste0(url_base, url_dju_nat)
url_dju_reg_full <- paste0(url_base, url_dju_reg)
-
+
curl::curl_download(url = url_dju_nat_full, destfile = paste0(path, "/dju_nat.xlsx"))
curl::curl_download(url = url_dju_reg_full, destfile = paste0(path, "/dju_reg.xlsx"))
- period_ref <- readxl::read_xlsx(path = paste0(path, "/dju_nat.xlsx"), range = "A7:A7", col_names = "periode_normale") %>%
+ period_ref <- readxl::read_xlsx(path = paste0(path, "/dju_nat.xlsx"), sheet = "DJU ancienne méthode", range = "A8:A8", col_names = "periode_normale") %>%
dplyr::mutate(bornes = stringr::str_extract(string = .data$periode_normale, pattern = "[[:digit:]]{4}-[[:digit:]]{4}")) %>%
tidyr::separate(col = "bornes", into = c("min", "max"), sep = "-", remove = FALSE)
attempt::stop_if(all(grepl("[[:digit:]]{4}", period_ref$min), grepl("[[:digit:]]{4}", period_ref$max)), isFALSE,
msg = "Les bornes de la periode de reference n\'ont pas pu \u00eatre d\u00e9tect\u00e9es dans le fichier DJU du SDES, signalez ce bug \u00e0 l\'administrateur du package.")
-
- dju_nat <- readxl::read_xlsx(path = paste0(path, "/dju_nat.xlsx"), sheet = 1, skip = 2, n_max = 3) %>%
+
+ dju_nat <- readxl::read_xlsx(path = paste0(path, "/dju_nat.xlsx"), sheet = "DJU 17°C", skip = 3, n_max = 3) %>%
dplyr::mutate(var = tricky::str_standardize(.data$...1) %>%
gsub("dju_de_reference_moyenne_sur_la_periode_de_reference_", paste0("dju_ref_", period_ref$bornes), .),
nom_region = "France m\u00e9tropolitaine", code_region = "00") %>%
@@ -54,15 +54,17 @@ prep_dju <- function(url_dju_nat = NULL, url_dju_reg = NULL, reg = "52", an = 20
dplyr::select(-"...1") %>%
tidyr::pivot_wider(names_from = "var", values_from = "valeur")
- dju_reg <- readxl::read_xlsx(path = paste0(path, "/dju_reg.xlsx"), sheet = 1, skip = 3, n_max = 23 ) %>%
+ dju_reg <- readxl::read_xlsx(path = paste0(path, "/dju_reg.xlsx"), sheet = "DJU 17°C", skip = 3, n_max = 23 ) %>%
tidyr::pivot_longer(cols = -c(1:2), names_to = "annee", values_to = "valeur" ) %>%
tricky::set_standard_names() %>%
- dplyr::mutate(var = "dju", code_region = as.character(.data$code_region)) %>%
+ # dplyr::mutate(var = "dju", code_region = as.character(.data$code_region)) %>%
+ dplyr::mutate(var = "dju", code_region) %>%
dplyr::arrange(.data$code_region, .data$annee) %>%
- dplyr::group_by(.data$code_region, .data$nom_region) %>%
+ dplyr::group_by(.data$code_region, .data$nom_ancienne_region) %>%
dplyr::bind_rows(., dplyr::summarise(dplyr::filter(., .data$annee %in% c(period_ref$min:period_ref$max)),
var = "dju_moy_ref", valeur = mean(.data$valeur),
- annee = c(dplyr::first(.data$annee):an) %>% as.character(), .groups = "drop_last")) %>%
+ annee = c(dplyr::first(.data$annee):an) %>% as.character()
+ , .groups = "drop_last")) %>%
dplyr::ungroup() %>%
tidyr::pivot_wider(names_from = "var", values_from = "valeur") %>%
dplyr::mutate(indice_de_rigueur = .data$dju/.data$dju_moy_ref) %>%
diff --git a/vignettes/exploration.Rmd b/vignettes/exploration.Rmd
index 0aa1600..12e2c3f 100644
--- a/vignettes/exploration.Rmd
+++ b/vignettes/exploration.Rmd
@@ -28,7 +28,7 @@ flextable::set_flextable_defaults(font.size = 10, font.family = "Marianne", padd
```{r setup}
library(bilan.eco.insee)
-params <- list(mil = 2023, reg = "52")
+params <- list(mil = 2024, reg = "52")
```
@@ -43,15 +43,28 @@ Les conditions climatiques de l'année écoulée sont l'un des facteurs explicat
Le SDES publie les degrés jour unifiés (DJU) annuels nationaux, régionaux et départementaux qui permettent de construire un indice de rigueur climatique.
-L'indice de rigueur climatique est le rapport entre un indicateur de climat observé et un indicateur de climat de référence (période trentenaire). Cet indicateur est constitué par des degrés jours unifiés (écart journalier entre la température observée et 17°C). Par convention le degré jour unifié est égal à zéro si la température observée est supérieure ou égale à la température de référence.
+L'indice de rigueur climatique est le rapport entre un indicateur de climat observé et un indicateur de climat de référence (période trentenaire). Cet indicateur est constitué par des degrés jours unifiés (écart journalier entre la température observée et la température de référence). Par convention le degré jour unifié est égal à zéro si la température observée est supérieure ou égale à la température de référence.
[Lien vers la rubrique.](https://www.statistiques.developpement-durable.gouv.fr/indice-de-rigueur-degres-jours-unifies-aux-niveaux-national-regional-et-departemental?rubrique=23&dossier=189)
**Calcul DJU**
+
+Le SDES a modifié sa méthode de calcul des DJU :
+* Les DJU élémentaires sont maintenant calculés au niveau communal (pour la géographie 2022) en remplacement des départements pour l’ancienne méthode. Les DJU communaux sont
+purement techniques et n’ont pas vocation à être publiés.
+* Le nombre de stations météo utilisées a augmenté et leur nombre change d’une année à l’autre suivant leur disponibilité. Chaque année, chaque commune est rattachée à la station disponible la plus proche. La station utilisée pour les relevés de température peut donc varier d’une année à l’autre mais tous les relevés pour une année données proviennent d’une même station. Pour l’ancienne méthode chaque département était systématiquement rattaché à une même station. 95 stations de référence avaient été sélectionnées pour cela.
+• L’agrégation des DJU aux niveaux départemental, régional et national se fait par moyenne pondérée par la population 2022. Dans l’ancienne version c’était la population 1999 qui était utilisée comme pondération.
+• La nouvelle méthode propose deux seuils pour le calcul des DJU au seuil de 17°C utilisé jusqu’à présent, est ajouté un nouveau seuil à 15°C.
+• Les nouveau DJU sont calculés à partir de 1990 pour tous les niveaux géographiques
+
+Les fichiers diffusés pour les DJU 2024 contiennent trois versions de DJU :
+• DJU nouvelle méthode pour le seuil à 17°C,
+• DJU nouvelle méthode pour le seuil à 15°C,
+• DJU ancienne méthode. La diffusion des DJU ancienne méthode a vocation à disparaitre.
Pour chaque jour de l'année, on compare la température observée à un seuil, fixé à 17°C au SDES. Plus précisément, on calcule T, moyenne des extrêma des températures sur une journée :
T = (T minimum + T maximum) / 2
-Le nombre de degrés-jours de cette journée est égale à :
+Le nombre de degrés-jours de cette journée est égale à (avec S le seuil à 17) :
• 17-T si T < 17°C,
• à 0 sinon.
@@ -68,81 +81,44 @@ Ainsi :
```{r DJU}
-dju <- prep_dju(url_dju_reg = "2024-02/dju_anciennes_regions_1981_2023_0.xlsx", url_dju_nat = "2024-02/dju_1970_2023.xlsx",
+dju <- prep_dju(url_dju_reg = "2025-03/dju_donnees_anciennes_regions_1981_2024_v3.xlsx", url_dju_nat = "2025-03/dju_donnees_nationales_1970_2024_v3.xlsx",
reg = params$reg, an = params$mil, coeff_dju = 25)
```
-## Recherche documentaire météo 2023
+## Recherche documentaire météo 2024
A côté de cette source de données, il est utile de rassembler et synthétiser quelques informations sur la météo observée durant l'année écoulée, à partir du [bilan climatique annuel de Météo France (France entière) et des bilan climatiques régionaux mensuels](https://donneespubliques.meteofrance.fr/?fond=produit&id_produit=129&id_rubrique=29).
Bulletins France :
-https://donneespubliques.meteofrance.fr/donnees_libres/bulletins/BCM/202312.pdf
+https://donneespubliques.meteofrance.fr/donnees_libres/bulletins/BCMR/BCMR_12_202412.pdf
Bulletins PDL :
-https://donneespubliques.meteofrance.fr/donnees_libres/bulletins/BCMR/BCMR_12_202312.pdf
-
-
-**Faits marquants Météo France 2023** :
-
-**Pays de la Loire** : 2023 est une année très chaude, tout comme en 2022, mais avec un arrosage globalement excédentaire. L'ensoleillement, sans être exceptionnel, est au dessus de la normale.
-- ENSOLEILLEMENT : Il est partout supérieur à la normale (de 7 à 11 %);
-- PLUVIOMETRIE : Les pércipitations sont quasiment partout excédentaires;
+https://donneespubliques.meteofrance.fr/donnees_libres/bulletins/BCMR/BCMR_12_202412.pdf
-**France** : Deuxième année la plus chaude depuis 1900 derrière 2022 : la France a connu l'automne le plus chaud depuis 1900.
# Consommation électrique et gaz :
-## Recherche documentaire
+## Recherche documentaire Electricité
-RTE publie fin février son bilan annuel national sur [son site internet](https://www.rte-france.com/analyses-tendances-et-prospectives/bilans-electriques-nationaux-et-regionaux). Il fournit les messages clés sur la consommation et la production d'électricité à l'échelle nationale.
-Le bilan régional n'est publié qu'en septembre [son site internet](https://www.rte-france.com/analyses-tendances-et-prospectives/bilans-electriques-nationaux-et-regionaux#Lesdocuments).
+RTE publie fin février son bilan annuel national sur [son site internet](https://www.rte-france.com/analyses-tendances-et-prospectives/bilans-electriques-nationaux-et-regionaux). Il fournit les messages clés sur la consommation et la production d'électricité à l'échelle nationale [principaux résultats](https://analysesetdonnees.rte-france.com/bilan-electrique-2024/synthese)
-### Fait marquants RTE bilan national électrique 2023 :
-- la production électrique de toutes les filières décarbonées a nettement progressé (nucléaire, hydraulique, éolien, solaire)
-- la consommation a diminué par rapport à l’année précédente, facilitant la couverture de la demande, dans la continuité de la dynamique observée à l’automne 2022
-- La conjonction simultanée de baisse de la demande et de hausse de la production décarbonée ont concouru à diminuer le recours aux combustibles fossiles et en particulier au gaz (dont la production est passée de 44,1 TWh en 2022 à 30,0 TWh en 2023).
-
-**La consommation a affiché un net recul qui confirme la tendance amorcée en 2022**
-
-En 2023, la consommation d’électricité en France, corrigée des effets météorologiques et calendaires, a représenté 445,4 TWh, soit un recul de 3,2 % par rapport à l’année précédente, où la consommation avait déjà atteint un creux de 460,2 TWh du fait de la crise énergétique.
-
-Par ailleurs, la baisse de consommation entre 2022 et 2023 est une des plus fortes jamais constatées (-3,2 %) : plus conséquente que celles observées entre 2021 et 2022 (-1,1 %), et entre 2008 et 2009 à la suite de la crise économique (-1,5 %), et très proche de la baisse de consommation qui avait eu lieu entre 2019 et 2020 (-3,7 %).
-
-La réalisation d’une enquête en partenariat avec l’institut IPSOS a permis de montrer que cette diminution n’était pas uniquement le résultat de démarches de sobriété volontaires (d'une part, une mobilisation continue en faveur des économies d’énergie dans les administrations, les entreprises et de la part des ménages, avec le lancement d’un second plan gouvernemental en octobre 2023) mais découle également d’une réaction de la population et des acteurs économiques vis-à -vis de la hausse de prix dans l’ensemble de l’économie (effet de l'inflation persistante 4,9 % en 2023 contre 5,2 % en 2022 selon l’INSEE).
-
-Les températures élevées en 2023, deuxième année la plus chaude jamais enregistrée en France, ont tiré la consommation « brute » (sans correction des effets du climat) davantage à la baisse.
-
-**la production électrique de toutes les filières décarbonées a nettement progressé**
-
-Essentiellement sous l’effet de la crise de la production nucléaire due au phénomène de corrosion sous contraintes, mais également en partie du fait des faibles précipitations, l’année 2022 avait été singulière pour la production d’électricité en France, autant du point de vue du volume total produit que de la répartition entre filières. En 2023, la production a retrouvé des caractéristiques plus proches de l’historique, tout en restant en écart par rapport aux années avant crise. Ainsi, le volume de production a nettement progressé en 2023 (+11 %) par rapport au niveau historiquement bas de l’année 2022, atteignant 494,3 TWh (contre 445,5 TWh en 2022).
-
-L’année 2023 a été caractérisée par des records de production à la fois pour l’éolien (50,7 TWh) et le solaire (21,5 TWh), qui ensemble ont totalisé près de 15 % du mix de production électrique, contribuant ainsi à la sécurité d’approvisionnement et à l’augmentation de l’offre d’électricité bas-carbone en France et dans les pays voisins, grâce aux échanges. En 2023, la capacité installée du parc solaire et éolien en mer a progressé de manière inédite pour la France. Le volume d’énergie produite par les parcs offshore a représenté 1,9 TWh en 2023. C’est principalement le parc de Saint-Nazaire qui en est à l’origine, le volume de production des deux nouveaux parcs ayant été faible sur l’année du fait d’une mise en service progressive.
-
-La production hydraulique (58,8 TWh), qui est restée la deuxième filière de production électrique, a connu une nette reprise par rapport à l’année 2022 grâce notamment à des précipitations plus abondantes, qui ont permis de garder des niveaux de stock élevés.
+Le bilan régional n'est publié qu'en septembre [son site internet](https://www.rte-france.com/analyses-tendances-et-prospectives/bilans-electriques-nationaux-et-regionaux#Lesdocuments).
-Dans l'ensemble, filières bas-carbone ont continué de dominer largement le mix électrique : la production d’électricité française se situe parmi les moins émissives en gaz à effet de serre en Europe, un constat qui s’est confirmé en 2023 avec près de 92 % de production décarbonée. Ces éléments ont conforté la place du système électrique national en tant qu’atout de décarbonation de l’électricité en Europe grâce à l’exportation d’une partie de sa production bas-carbone.
-### Fait marquants RTE bilan national gaz 2023 :
+## Recherche documentaire conso Gaz :
+
+https://www.natrangroupe.com/nos-actions/continuite-dapprovisionnement/consommation-gaz-france
-https://www.grtgaz.com/medias/communiques-de-presse/bilan-gaz-2023
-La consommation de gaz en France en baisse de 11,4% par rapport à 2022 :
-- Rupture tendancielle de la consommation à partir de 2021 reflétant un changement de comportement des consommateurs (efforts de sobriété et des réponses à l’inflation initiées au 4 ème trimestre 2022, avec le plan de sobriété et la charte écogaz et maintenues tout au long de 2023) et un climat doux (2023 deuxième année la plus chaude après 2022 depuis 1900)
-- Baisse des consommations finales de gaz (-6,7%) dont distributions publiques (-6,3%) et industriels (-7,2%) vs. 2022
-- La consommation des clients industriels raccordés au réseau de GRTgaz recule quant à elle de 7,4 % à 103,8 TWh (-18,2 % depuis 2021). Dans chaque secteur, l’évolution de la consommation des industriels est la résultante de 3 effets principaux : évolution de l’activité industrielle, efforts d’efficacité énergétique et substitution entre énergies.
-- Moindre sollicitation de la production électrique centralisée à partir de gaz (-40%) après une année 2022 exceptionnelle marquée par une forte indisponibilité des centrales nucléaires
-- biométhane : 652 sites de méthanisation injectent dans les réseaux gaziers à fin 2023 (+138 ), dont 80 dans le réseau de GRTgaz ( (+17 ) représentant près de 20% de la capacité
-nationale. Dans ces conditions, l’ambition nationale de 44 TWh de gaz renouvelables injectés dans les réseaux français pourra être atteinte en 2030.
-
## Téléchargement des données depuis la plate-forme ODRE
-Les données sont récupérées fin février sur la plateforme opendata.reseaux-energies.fr.
+Les données sont récupérées mi mars sur la plateforme opendata.reseaux-energies.fr.
source : [GRTgaz, RTE, Teréga](https://opendata.reseaux-energies.fr/explore/dataset/consommation-annuelle-brute-regionale/)
+
S'il est mis à jour, il peut être intéressant de regarder le tableau de bord régional qui donne quelques chiffres clés: [Tableau de bord régional](https://opendata.reseaux-energies.fr/tdb-regional/) : exemple la consommation par habitant et un classement par région les plus énergivores et aussi le secteur le plus consommateur...
--
GitLab
From 928c493941727a7729b204ef34da70992b7ab648 Mon Sep 17 00:00:00 2001
From: Juliette Engelaere-Lefebvre
<juliette.engelaere@developpement-durable.gouv.fr>
Date: Thu, 3 Apr 2025 17:01:58 +0000
Subject: [PATCH 2/3] =?UTF-8?q?Resolve=20"Mettre=20=C3=A0=20jour=20les=20d?=
=?UTF-8?q?onn=C3=A9es=20pour=20le=20bilan=202025"?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit
---
DESCRIPTION | 2 +-
NAMESPACE | 1 +
R/prep_dju.R | 62 +++++++++++++++++++++------------------
man/prep_dju.Rd | 8 ++---
vignettes/exploration.Rmd | 3 +-
5 files changed, 41 insertions(+), 35 deletions(-)
diff --git a/DESCRIPTION b/DESCRIPTION
index 4c4cf70..b12152e 100644
--- a/DESCRIPTION
+++ b/DESCRIPTION
@@ -51,6 +51,6 @@ VignetteBuilder:
Encoding: UTF-8
LazyData: true
Roxygen: list(markdown = TRUE)
-RoxygenNote: 7.2.3
+RoxygenNote: 7.3.2
Depends:
R (>= 3.50)
diff --git a/NAMESPACE b/NAMESPACE
index f58f2c4..7d18a0d 100644
--- a/NAMESPACE
+++ b/NAMESPACE
@@ -69,6 +69,7 @@ importFrom(tidyr,pivot_wider)
importFrom(tidyr,replace_na)
importFrom(tidyr,separate)
importFrom(tidyr,starts_with)
+importFrom(tidyr,unnest)
importFrom(tidyselect,vars_select_helpers)
importFrom(tricky,set_standard_names)
importFrom(tricky,str_standardize)
diff --git a/R/prep_dju.R b/R/prep_dju.R
index e7dcf4f..1a295c3 100644
--- a/R/prep_dju.R
+++ b/R/prep_dju.R
@@ -1,7 +1,7 @@
#' prep_dju : preparation de l'indice de rigueur pour integration dans le graphe des consommations
#'
-#' @param url_dju_nat : chaine de caractere, url qui pointe vers le fichier excel des DJU France metropolitaine publie par le SDES
-#' @param url_dju_reg : chaine de caractere, url qui pointe vers le fichier excel des DJU France regionaux publie par le SDES, pour avoir tous l'historique utiliser le fichier des vieilles regions
+#' @param url_dju_nat : chaine de caractere, fin de l'url qui pointe vers le fichier excel des DJU France metropolitaine publie par le SDES (ce qu'il y a après "https://www.statistiques.developpement-durable.gouv.fr/media/")
+#' @param url_dju_reg : chaine de caractere, fin de l'url qui pointe vers le fichier excel des DJU France regionaux publie par le SDES, pour avoir tous l'historique utiliser le fichier des vieilles regions (ce qu'il y a après "https://www.statistiques.developpement-durable.gouv.fr/media/")
#' @param reg : le code region au format texte
#' @param an : l'annee observee au format numerique
#' @param coeff_dju : un coefficient qui permet de ramener l'indice de rigueur (oscillant autour de 1) dans l'echelle des consommations regionales (oscillant entre 2 et 70 TWh selon les region), 25 par exemple pour les Pays de la Loire
@@ -12,7 +12,7 @@
#' @importFrom curl curl_download
#' @importFrom dplyr mutate select arrange group_by bind_rows summarise filter first ungroup rename_with if_else across
#' @importFrom readxl read_xlsx
-#' @importFrom tidyr separate pivot_longer pivot_wider
+#' @importFrom tidyr separate pivot_longer pivot_wider unnest
#' @importFrom tidyselect vars_select_helpers
#' @importFrom tricky str_standardize set_standard_names
#' @importFrom rlang .data
@@ -21,17 +21,18 @@
#' @export
#'
#' @examples
-#' prep_dju(reg = "52", an = 2022, coeff_dju = 25)
+#' prep_dju(reg = "52", an = 2024, coeff_dju = 25)
-prep_dju <- function(url_dju_nat = NULL, url_dju_reg = NULL, reg = "52", an = 2022, coeff_dju = 25) {
+prep_dju <- function(url_dju_nat = NULL, url_dju_reg = NULL, reg = "52",
+ an = 2024, coeff_dju = 25) {
path <- tempdir()
- url_base <- "https://www.statistiques.developpement-durable.gouv.fr/sites/default/files/"
+ url_base <- "https://www.statistiques.developpement-durable.gouv.fr/media/"
if(is.null(url_dju_nat)) {
- url_dju_nat <- "2024-02/dju_1970_2023.xlsx"
- }
+ url_dju_nat <- "205/download?inline"
+ }
if(is.null(url_dju_reg)) {
- url_dju_reg <- "2024-02/dju_anciennes_regions_1981_2023_0.xlsx"
+ url_dju_reg <- "3055/download?inline"
}
url_dju_nat_full <- paste0(url_base, url_dju_nat)
url_dju_reg_full <- paste0(url_base, url_dju_reg)
@@ -39,46 +40,51 @@ prep_dju <- function(url_dju_nat = NULL, url_dju_reg = NULL, reg = "52", an = 20
curl::curl_download(url = url_dju_nat_full, destfile = paste0(path, "/dju_nat.xlsx"))
curl::curl_download(url = url_dju_reg_full, destfile = paste0(path, "/dju_reg.xlsx"))
- period_ref <- readxl::read_xlsx(path = paste0(path, "/dju_nat.xlsx"), sheet = "DJU ancienne méthode", range = "A8:A8", col_names = "periode_normale") %>%
+ period_ref <- readxl::read_xlsx(path = paste0(path, "/dju_nat.xlsx"), sheet = "DJU 17\u00b0C", range = "A5:A5", col_names = "periode_normale") %>%
dplyr::mutate(bornes = stringr::str_extract(string = .data$periode_normale, pattern = "[[:digit:]]{4}-[[:digit:]]{4}")) %>%
tidyr::separate(col = "bornes", into = c("min", "max"), sep = "-", remove = FALSE)
attempt::stop_if(all(grepl("[[:digit:]]{4}", period_ref$min), grepl("[[:digit:]]{4}", period_ref$max)), isFALSE,
msg = "Les bornes de la periode de reference n\'ont pas pu \u00eatre d\u00e9tect\u00e9es dans le fichier DJU du SDES, signalez ce bug \u00e0 l\'administrateur du package.")
-
- dju_nat <- readxl::read_xlsx(path = paste0(path, "/dju_nat.xlsx"), sheet = "DJU 17°C", skip = 3, n_max = 3) %>%
+
+ dju_nat <- readxl::read_xlsx(path = paste0(path, "/dju_nat.xlsx"), sheet = "DJU 17\u00b0C", skip = 3, n_max = 3) %>%
dplyr::mutate(var = tricky::str_standardize(.data$...1) %>%
gsub("dju_de_reference_moyenne_sur_la_periode_de_reference_", paste0("dju_ref_", period_ref$bornes), .),
nom_region = "France m\u00e9tropolitaine", code_region = "00") %>%
- tidyr::pivot_longer(cols = -c("nom_region", "code_region", "var", "...1"), names_to = "annee", values_to = "valeur" ) %>%
+ tidyr::pivot_longer(cols = -c("nom_region", "code_region", "var", "...1"), names_to = "annee", values_to = "valeur",
+ names_transform = list(annee = as.integer) ) %>%
dplyr::select(-"...1") %>%
tidyr::pivot_wider(names_from = "var", values_from = "valeur")
- dju_reg <- readxl::read_xlsx(path = paste0(path, "/dju_reg.xlsx"), sheet = "DJU 17°C", skip = 3, n_max = 23 ) %>%
- tidyr::pivot_longer(cols = -c(1:2), names_to = "annee", values_to = "valeur" ) %>%
+ dju_reg0 <- readxl::read_xlsx(path = paste0(path, "/dju_reg.xlsx"), sheet = "DJU 17\u00b0C", skip = 3, n_max = 14 ) %>%
+ tidyr::pivot_longer(cols = -c(1:2), names_to = "annee", values_to = "valeur", names_transform = list(annee = as.integer)) %>%
tricky::set_standard_names() %>%
- # dplyr::mutate(var = "dju", code_region = as.character(.data$code_region)) %>%
- dplyr::mutate(var = "dju", code_region) %>%
- dplyr::arrange(.data$code_region, .data$annee) %>%
- dplyr::group_by(.data$code_region, .data$nom_ancienne_region) %>%
- dplyr::bind_rows(., dplyr::summarise(dplyr::filter(., .data$annee %in% c(period_ref$min:period_ref$max)),
- var = "dju_moy_ref", valeur = mean(.data$valeur),
- annee = c(dplyr::first(.data$annee):an) %>% as.character()
- , .groups = "drop_last")) %>%
- dplyr::ungroup() %>%
+ dplyr::mutate(var = "dju", code_region = as.character(.data$code_region)) %>%
+ dplyr::arrange(.data$code_region, .data$annee)
+
+ dju_reg_ref <- dplyr::filter(dju_reg0, .data$annee %in% c(period_ref$min:period_ref$max)) %>%
+ dplyr::group_by(.data$code_region, .data$nom_region) %>%
+ dplyr::summarise(valeur = mean(.data$valeur), var = "dju_moy_ref", annee = dplyr::first(.data$annee),
+ .groups = "drop_last") %>%
+ dplyr::mutate(annee = list(.data$annee:an)) %>%
+ tidyr::unnest(cols = "annee")
+
+ dju_reg <- dplyr::bind_rows(dju_reg0, dju_reg_ref) %>%
tidyr::pivot_wider(names_from = "var", values_from = "valeur") %>%
dplyr::mutate(indice_de_rigueur = .data$dju/.data$dju_moy_ref) %>%
dplyr::rename_with(~gsub("dju_moy_ref", paste0("dju_ref_", period_ref$bornes), .x)) %>%
dplyr::filter(.data$code_region == reg)
- file.remove(paste0(path, "/dju_nat.xlsx"), paste0(path, "/dju_reg.xlsx"))
-
- dplyr::bind_rows(dju_nat, dju_reg) %>%
- dplyr::filter(as.numeric(.data$annee)>= 2013) %>%
+ resultat <- dplyr::bind_rows(dju_nat, dju_reg) %>%
+ dplyr::filter(.data$annee>= 2013) %>%
dplyr::select("annee", region2 = "nom_region", conso_TWh = "indice_de_rigueur") %>%
dplyr::mutate(annee = as.numeric(.data$annee),
nrj = "indice de rigueur",
conso_comp = .data$conso_TWh * coeff_dju,
region3 = dplyr::if_else(.data$region2 == "France m\u00e9tropolitaine", "2FR", "1reg") ,
dplyr::across(tidyselect::vars_select_helpers$where(is.numeric), ~ round(.x, 2)))
+
+ file.remove(paste0(path, "/dju_nat.xlsx"), paste0(path, "/dju_reg.xlsx"))
+
+ return(resultat)
}
diff --git a/man/prep_dju.Rd b/man/prep_dju.Rd
index 12f5164..13030ed 100644
--- a/man/prep_dju.Rd
+++ b/man/prep_dju.Rd
@@ -8,14 +8,14 @@ prep_dju(
url_dju_nat = NULL,
url_dju_reg = NULL,
reg = "52",
- an = 2022,
+ an = 2024,
coeff_dju = 25
)
}
\arguments{
-\item{url_dju_nat}{: chaine de caractere, url qui pointe vers le fichier excel des DJU France metropolitaine publie par le SDES}
+\item{url_dju_nat}{: chaine de caractere, fin de l'url qui pointe vers le fichier excel des DJU France metropolitaine publie par le SDES (ce qu'il y a après "https://www.statistiques.developpement-durable.gouv.fr/media/")}
-\item{url_dju_reg}{: chaine de caractere, url qui pointe vers le fichier excel des DJU France regionaux publie par le SDES, pour avoir tous l'historique utiliser le fichier des vieilles regions}
+\item{url_dju_reg}{: chaine de caractere, fin de l'url qui pointe vers le fichier excel des DJU France regionaux publie par le SDES, pour avoir tous l'historique utiliser le fichier des vieilles regions (ce qu'il y a après "https://www.statistiques.developpement-durable.gouv.fr/media/")}
\item{reg}{: le code region au format texte}
@@ -30,5 +30,5 @@ un dataframe presentant l'indice de rigueur pour la France et la region observee
prep_dju : preparation de l'indice de rigueur pour integration dans le graphe des consommations
}
\examples{
-prep_dju(reg = "52", an = 2022, coeff_dju = 25)
+prep_dju(reg = "52", an = 2024, coeff_dju = 25)
}
diff --git a/vignettes/exploration.Rmd b/vignettes/exploration.Rmd
index 12e2c3f..953cd35 100644
--- a/vignettes/exploration.Rmd
+++ b/vignettes/exploration.Rmd
@@ -81,8 +81,7 @@ Ainsi :
```{r DJU}
-dju <- prep_dju(url_dju_reg = "2025-03/dju_donnees_anciennes_regions_1981_2024_v3.xlsx", url_dju_nat = "2025-03/dju_donnees_nationales_1970_2024_v3.xlsx",
- reg = params$reg, an = params$mil, coeff_dju = 25)
+dju <- prep_dju(reg = params$reg, an = params$mil, coeff_dju = 25)
```
--
GitLab
From 1aded0ecf50d481e3aa147a7bfd611b0e7742441 Mon Sep 17 00:00:00 2001
From: Juliette Engelaere-Lefebvre
<juliette.engelaere@developpement-durable.gouv.fr>
Date: Thu, 3 Apr 2025 20:00:15 +0200
Subject: [PATCH 3/3] =?UTF-8?q?Adaptation=20`prep=5Fdju()`=20aux=20variabl?=
=?UTF-8?q?es=20pr=C3=A9sentes=20dans=20le=20fichier=20des=20DJU=20selon?=
=?UTF-8?q?=20les=20anciennes=20r=C3=A9gions?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit
---
R/prep_dju.R | 7 ++++---
1 file changed, 4 insertions(+), 3 deletions(-)
diff --git a/R/prep_dju.R b/R/prep_dju.R
index 1a295c3..8b28689 100644
--- a/R/prep_dju.R
+++ b/R/prep_dju.R
@@ -25,14 +25,13 @@
prep_dju <- function(url_dju_nat = NULL, url_dju_reg = NULL, reg = "52",
an = 2024, coeff_dju = 25) {
-
path <- tempdir()
url_base <- "https://www.statistiques.developpement-durable.gouv.fr/media/"
if(is.null(url_dju_nat)) {
url_dju_nat <- "205/download?inline"
}
if(is.null(url_dju_reg)) {
- url_dju_reg <- "3055/download?inline"
+ url_dju_reg <- "206/download?inline"
}
url_dju_nat_full <- paste0(url_base, url_dju_nat)
url_dju_reg_full <- paste0(url_base, url_dju_reg)
@@ -60,7 +59,9 @@ prep_dju <- function(url_dju_nat = NULL, url_dju_reg = NULL, reg = "52",
tidyr::pivot_longer(cols = -c(1:2), names_to = "annee", values_to = "valeur", names_transform = list(annee = as.integer)) %>%
tricky::set_standard_names() %>%
dplyr::mutate(var = "dju", code_region = as.character(.data$code_region)) %>%
- dplyr::arrange(.data$code_region, .data$annee)
+ dplyr::arrange(.data$code_region, .data$annee) %>%
+ # on renomme la colonne nom_ancienne_region en nom region si elle est presente
+ dplyr::rename_with(~gsub("nom_ancienne_region", "nom_region", .x))
dju_reg_ref <- dplyr::filter(dju_reg0, .data$annee %in% c(period_ref$min:period_ref$max)) %>%
dplyr::group_by(.data$code_region, .data$nom_region) %>%
--
GitLab