diff --git a/R/cogifier_en_masse.R b/R/cogifier_en_masse.R
index 137fea58890a2d6de7ffe36ca24eae3535ae01d3..7379eb8800fa40d72c601333202f15fb8515c2ce 100644
--- a/R/cogifier_en_masse.R
+++ b/R/cogifier_en_masse.R
@@ -27,4 +27,14 @@ map(.x = scripts_ind, .f = source)
# > scripts_ind[10]
# [1] "data-raw/indicateur_fichier_foncier_etalement_urbain.R"
-
\ No newline at end of file
+# Manuellement, faire tourner les scripts qui aboutissent à de la donnée COGifiée directement
+# - EnR de réseau
+# - déchets ADEME
+# - SICLOP
+# - RPLS
+
+## Pour les trouver :
+# utiliser menu Edit / Find in files... / Find: "cogifiee_ / Search in: ~/sgbd_datamart/data-raw /
+# Search these files: Custom Filter / chargement_*.R,
+# puis cliquer sur 'find' pour rechercher les noms de tables postées qui commence par cogifiee_ dans les scripts de chargement
+
diff --git a/R/dataprep_all.R b/R/dataprep_all.R
index 3afeaa534571a2f9b6932962ceffe4385a6ec90b..2870b6016fa8b20a5de7df5c149e20c0207596ab 100644
--- a/R/dataprep_all.R
+++ b/R/dataprep_all.R
@@ -1,53 +1,53 @@
-#' Phase de datapreparation pour la publication rpls modifiée pour conserver toutes les régions
+# Fonction pour la source RPLS adaptée de puis https://gitlab.com/rdes_dreal/propre.rpls/-/blob/master/R/dataprep.R?ref_type=heads
+
+#' Phase de datapreparation pour la publication
#'
-#' @description Consolidation des indicateurs aux differentes échelles et creation d'un champ de filtrage des territoires pour les illustrations.
+#' @description Consolidation des indicateurs aux differentes échelles
#'
#' @param test TRUE si on souhaite tester dataprep() sur 100 communes choisies au hasard.
#'
-#' @return Un dataframe d'indicateurs : une ligne par entite geographique et millesime.
-#' @importFrom COGiter cogifier filtrer_cog
+#' @return Un dataframe d'indicateurs : une ligne par entite geographique et millesime
+#' @importFrom COGiter cogifier ajouter_zonage
#' @importFrom dplyr select full_join mutate vars starts_with mutate filter case_when across pull group_by ungroup lag arrange
#' @importFrom forcats fct_relevel
+#' @importFrom rlang .data
#' @importFrom tidyr replace_na expand_grid
#' @export
#'
-#' @examples
-#' \dontrun{
-#' indicateurs_rpls <- dataprep_all()
-#' }
-#'
+
dataprep_all <- function(test = FALSE) {
if (test) {
liste_depcom <- propre.rpls::tab_result %>%
- dplyr::pull(DEPCOM) %>%
+ dplyr::pull("DEPCOM") %>%
sample(size = 100)
tab_result <- propre.rpls::tab_result %>%
- dplyr::filter(DEPCOM %in% liste_depcom) %>%
+ dplyr::filter(.data$DEPCOM %in% liste_depcom) %>%
dplyr::mutate(millesime = factor(.data$millesime),
DEPCOM = factor(.data$DEPCOM))
lgt_rp <- propre.rpls::lgt_rp %>%
dplyr::filter(DEPCOM %in% liste_depcom)
- }
- else {
- liste_depcom <- COGiter::communes %>% dplyr::pull(DEPCOM)
+ } else {
+ liste_depcom <- COGiter::communes %>% dplyr::pull("DEPCOM")
tab_result <- propre.rpls::tab_result %>%
dplyr::mutate(millesime = factor(.data$millesime),
DEPCOM = factor(.data$DEPCOM))
lgt_rp <- propre.rpls::lgt_rp
}
-
mil_disp <- dplyr::select(tab_result, "millesime") %>%
- dplyr::pull(.data$millesime) %>%
+ dplyr::pull("millesime") %>%
unique()
- # Le df de départ, une ligne par commune à jour et par millésime
+ # Le df de départ, une ligne par commune à jour et millésime
df <- tidyr::expand_grid(DEPCOM = liste_depcom, millesime = mil_disp)
-
+
# un df intermediaire pour pouvoir calculer les indicateurs de densite LS / RP pour toutes les annees
# (on duplique les données du RP pour chaque millesime disponible)
lgt_rp_mil <- dplyr::full_join(df, lgt_rp, by = "DEPCOM") %>%
- dplyr::select(-"mil_RP")
+ dplyr::select(-"mil_RP", -"mil_RP_old", -"nb_an_evol_rp")
+ # une variable globale pour le nb d'annees d'ecart entre les mil du RP les plus récents pour le calcul des evolutions comparées RP/RPLS dans un dplyr::lag
+ ecart_an_rp <- lgt_rp$nb_an_evol_rp[1]
+
# etape de construction du résultat :
# 1 - pour les indicateurs non sommables, on recalcule les composantes sommables
# 2 - pour les indicateurs à NA, on complète à 0
@@ -55,10 +55,11 @@ dataprep_all <- function(test = FALSE) {
# 4 - fusion avec le fichier rp complet sur la liste des communes
# 5 - pour les communes non présentes dans tab_result, on met les indicateurs à 0
# 6 - cogification
- # 7 - recalcule des indicateurs non sommables
- # 8 - suppression des variables non nécessaires
+ # 7 - filtrage des données sur la région
+ # 8 - calcul des indicatrices pertinentes pour filtrer les données ensuite : Zone_ref et select_prov_drom
+ # 9 - recalcule des indicateurs non sommables
+ # 10 - suppression des variables non nécessaires
res <- tab_result %>%
- dplyr::select( -dplyr::starts_with("nb_rp")) %>%
dplyr::mutate(dplyr::across(where(is.numeric), ~ tidyr::replace_na(., 0))) %>%
COGiter::passer_au_cog_a_jour(garder_info_supra = FALSE) %>%
dplyr::full_join(lgt_rp_mil, by = c("DEPCOM", "millesime")) %>%
@@ -66,120 +67,145 @@ dataprep_all <- function(test = FALSE) {
COGiter::cogifier(
communes = TRUE, epci = TRUE, departements = TRUE, regions = TRUE,
metro = TRUE, metrodrom = TRUE, franceprovince = TRUE, drom = TRUE) %>%
- dplyr::arrange(.data$TypeZone,.data$Zone,.data$CodeZone,.data$millesime)
-
- gc()
-
- res <- dplyr::mutate(res,
- age_moyen = .data$age_somme / .data$nb_ls_age_connu,
- age_moyen_qpv = .data$age_somme_qpv / .data$nb_ls_qpv_age_connu,
- part_dpe_realise = .data$nb_ls_dpe_realise / .data$nb_ls_actif * 100,
- age_dpe_ener_A = .data$age_somme_dpe_ener_A / .data$nb_ls_age_connu_dpe_ener_A * 100,
- age_dpe_ener_B = .data$age_somme_dpe_ener_B / .data$nb_ls_age_connu_dpe_ener_B * 100,
- age_dpe_ener_C = .data$age_somme_dpe_ener_C / .data$nb_ls_age_connu_dpe_ener_C * 100,
- age_dpe_ener_D = .data$age_somme_dpe_ener_D / .data$nb_ls_age_connu_dpe_ener_D * 100,
- age_dpe_ener_E = .data$age_somme_dpe_ener_E / .data$nb_ls_age_connu_dpe_ener_E * 100,
- age_dpe_ener_F = .data$age_somme_dpe_ener_F / .data$nb_ls_age_connu_dpe_ener_F * 100,
- age_dpe_ener_G = .data$age_somme_dpe_ener_G / .data$nb_ls_age_connu_dpe_ener_G * 100,
- densite_ls_rp = .data$nb_ls_actif * 100 / .data$nb_rp,
- densite_ls_loues_rp = .data$nb_ls_loue * 100 / .data$nb_rp,
- evolution_rp_n_nmoins5 = (.data$nb_rp - .data$nb_rp_old) * 100 / .data$nb_rp_old,
- evolution_n_nmoins1 = (.data$nb_ls_actif - dplyr::lag(.data$nb_ls_actif)) * 100 / dplyr::lag(.data$nb_ls_actif),
- evolution_n_nmoins5 = (.data$nb_ls_actif - dplyr::lag(.data$nb_ls_actif,5)) * 100 / dplyr::lag(.data$nb_ls_actif,5),
- nb_ls_recent = .data$nb_piece_1_recent + .data$nb_piece_2_recent + .data$nb_piece_3_recent + .data$nb_piece_4_recent + .data$nb_piece_5_plus_recent,
- part_ls_qpv = .data$nb_ls_qpv / .data$nb_ls_actif * 100,
- part_ls_ind = .data$nb_ls_ind / .data$nb_ls_actif * 100,
- part_ls_coll = .data$nb_ls_coll / .data$nb_ls_actif * 100,
- part_ls_etu = .data$nb_ls_etu / .data$nb_ls_actif * 100,
- part_ls_oph = .data$nb_ls_oph / .data$nb_ls_actif * 100,
- part_ls_esh = .data$nb_ls_esh / .data$nb_ls_actif * 100,
- part_ls_sem = .data$nb_ls_sem / .data$nb_ls_actif * 100,
- part_ls_loue = .data$nb_ls_loue / .data$nb_ls_actif * 100,
- part_ls_vacant = .data$nb_ls_vacant / .data$nb_ls_actif * 100,
- part_ls_vide = .data$nb_ls_vide / .data$nb_ls_actif * 100,
- part_ls_association = .data$nb_ls_association / .data$nb_ls_actif * 100,
- part_ls_autre = .data$nb_ls_autre / .data$nb_ls_actif * 100,
- part_ls_recent = .data$nb_ls_recent / .data$nb_ls_actif * 100,
- part_ls_ind_recent = .data$nb_ls_ind_recent / .data$nb_ls_recent * 100,
- part_ls_coll_recent = .data$nb_ls_coll_recent / .data$nb_ls_recent * 100,
- part_ls_etu_recent = .data$nb_ls_etu_recent / .data$nb_ls_recent * 100,
- part_ls_qpv_ind = .data$nb_ls_ind_qpv / .data$nb_ls_qpv * 100,
- part_ls_qpv_coll = .data$nb_ls_coll_qpv / .data$nb_ls_qpv * 100,
- part_ls_qpv_etu = .data$nb_ls_etu_qpv / .data$nb_ls_qpv * 100,
- part_ls_1p = .data$nb_piece_1 / .data$nb_ls_actif * 100,
- part_ls_recent_1p = .data$nb_piece_1_recent / .data$nb_ls_actif * 100,
- part_ls_2p = .data$nb_piece_2 / .data$nb_ls_actif * 100,
- part_ls_recent_2p = .data$nb_piece_2_recent / .data$nb_ls_actif * 100,
- part_ls_3p = .data$nb_piece_3 / .data$nb_ls_actif * 100,
- part_ls_recent_3p = .data$nb_piece_3_recent / .data$nb_ls_actif * 100,
- part_ls_4p = .data$nb_piece_4 / .data$nb_ls_actif * 100,
- part_ls_recent_4p = .data$nb_piece_4_recent / .data$nb_ls_actif * 100,
- part_ls_5pp = .data$nb_piece_5_plus / .data$nb_ls_actif * 100,
- part_ls_recent_5pp = .data$nb_piece_5_plus_recent / .data$nb_ls_actif * 100,
- part_mes_qpv = .data$nb_mes_qpv / .data$nb_mes * 100,
- part_ls_age_0_4 = .data$nb_ls_age_0_5 / .data$nb_ls_actif * 100,
- part_ls_age_5_9 = .data$nb_ls_age_5_10 / .data$nb_ls_actif * 100,
- part_ls_age_10_19 = .data$nb_ls_age_10_20 / .data$nb_ls_actif * 100,
- part_ls_age_20_39 = .data$nb_ls_age_20_40 / .data$nb_ls_actif * 100,
- part_ls_age_40_59 = .data$nb_ls_age_40_60 / .data$nb_ls_actif * 100,
- part_ls_age_60p = .data$nb_ls_age_60_plus / .data$nb_ls_actif * 100,
- nb_ls_loues_proploc = .data$nb_ls_loue + .data$nb_ls_vacant,
- taux_vacance_tot = .data$nb_ls_vacant / .data$nb_ls_loues_proploc * 100,
- taux_vacance_str = .data$nb_ls_vacant_3 / .data$nb_ls_loues_proploc * 100,
- taux_mobilite = .data$num_mob / .data$denom_mob *100,
- taux_mobilite_1p = .data$num_mob_1_piece / .data$denom_mob_1_piece *100,
- taux_mobilite_2p = .data$num_mob_2_piece / .data$denom_mob_2_piece *100,
- taux_mobilite_3p = .data$num_mob_3_piece / .data$denom_mob_3_piece *100,
- taux_mobilite_4p = .data$num_mob_4_piece / .data$denom_mob_4_piece *100,
- taux_mobilite_5pp = .data$num_mob_5_piece / .data$denom_mob_5_piece *100,
- taux_vacance_str_0_4ans = .data$num_vac_struct_age_0_5 / .data$denom_vac_struct_age_0_5 * 100,
- taux_vacance_str_5_9ans = .data$num_vac_struct_age_5_10 / .data$denom_vac_struct_age_5_10 * 100,
- taux_vacance_str_10_19ans = .data$num_vac_struct_age_10_20 / .data$denom_vac_struct_age_10_20 * 100,
- taux_vacance_str_20_39ans = .data$num_vac_struct_age_20_40 / .data$denom_vac_struct_age_20_40 * 100,
- taux_vacance_str_40_59ans = .data$num_vac_struct_age_40_60 / .data$denom_vac_struct_age_40_60 * 100,
- taux_vacance_str_60ans_plus = .data$num_vac_struct_age_60_plus / .data$denom_vac_struct_age_60_plus * 100,
- taux_vacance_str_qpv = .data$num_vac_struct_qpv / .data$denom_vac_struct_qpv * 100,
- taux_vacance_str_hors_qpv = .data$num_vac_struct_horsqpv / .data$denom_vac_struct_horsqpv * 100,
- part_mes_plai = .data$nb_plai / .data$nb_mes * 100,
- part_mes_plus = .data$nb_plus / .data$nb_mes * 100,
- part_mes_pls = .data$nb_pls / .data$nb_mes * 100,
- part_mes_pli = .data$nb_pli / .data$nb_mes * 100,
- loyer_m2_plai = .data$somme_loyer_nb_plai / .data$somme_surface_nb_plai,
- loyer_m2_plus = .data$somme_loyer_nb_plus / .data$somme_surface_nb_plus,
- loyer_m2_pls = .data$somme_loyer_nb_pls / .data$somme_surface_nb_pls,
- loyer_m2_pli = .data$somme_loyer_nb_pli / .data$somme_surface_nb_pli,
- loyer_m2_plai_recent = .data$somme_loyer_nb_plai_recent / .data$somme_surface_nb_plai_recent,
- loyer_m2_plus_recent = .data$somme_loyer_nb_plus_recent / .data$somme_surface_nb_plus_recent,
- loyer_m2_pls_recent = .data$somme_loyer_nb_pls_recent / .data$somme_surface_nb_pls_recent,
- loyer_m2_pli_recent = .data$somme_loyer_nb_pli_recent / .data$somme_surface_nb_pli_recent,
- loyer_m2_plai_mes = .data$somme_loyer_nb_plai_mes / .data$somme_surface_nb_plai_mes,
- loyer_m2_plus_mes = .data$somme_loyer_nb_plus_mes / .data$somme_surface_nb_plus_mes,
- loyer_m2_pls_mes = .data$somme_loyer_nb_pls_mes / .data$somme_surface_nb_pls_mes,
- loyer_m2_pli_mes = .data$somme_loyer_nb_pli_mes / .data$somme_surface_nb_pli_mes,
- loyer_m2 = .data$somme_loyer / .data$somme_surface,
- loyer_m2_recent = .data$somme_loyer_recent / .data$somme_surface_recent,
- loyer_m2_qpv = .data$somme_loyer_enqpv / .data$somme_surface_enqpv,
- loyer_m2_mes = (.data$somme_loyer_nb_plai_mes + .data$somme_loyer_nb_plus_mes + .data$somme_loyer_nb_pls_mes + .data$somme_loyer_nb_pli_mes ) /
- (.data$somme_surface_nb_plai_mes + .data$somme_surface_nb_plus_mes + .data$somme_surface_nb_pls_mes + .data$somme_surface_nb_pli_mes),
- loyer_m2_0_4ans = .data$somme_loyer_age_inf_5 / .data$somme_surface_age_inf_5,
- loyer_m2_5_9ans = .data$somme_loyer_age_5_10 / .data$somme_surface_age_5_10,
- loyer_m2_10_19ans = .data$somme_loyer_age_10_20 / .data$somme_surface_age_10_20,
- loyer_m2_20_39ans = .data$somme_loyer_age_20_40 / .data$somme_surface_age_20_40,
- loyer_m2_40_59ans = .data$somme_loyer_age_40_60 / .data$somme_surface_age_40_60,
- loyer_m2_60ans_et_plus = .data$somme_loyer_age_60_plus / .data$somme_surface_age_60_plus,
- part_mes_qpv_plai = .data$nb_mes_plai_qpv / .data$nb_mes_qpv * 100,
- part_mes_qpv_plus = .data$nb_mes_plus_qpv / .data$nb_mes_qpv * 100,
- part_mes_qpv_pls = .data$nb_mes_pls_qpv / .data$nb_mes_qpv * 100,
- part_mes_qpv_pli = .data$nb_mes_pli_qpv / .data$nb_mes_qpv * 100,
- part_plai_acq_av_travaux = .data$nb_plai_acq_av_travaux / .data$nb_plai * 100,
- part_plai_acq_ss_travaux = .data$nb_plai_acq_ss_travaux / .data$nb_plai * 100,
- part_plai_acq_vefa = .data$nb_plai_acq_vefa / .data$nb_plai * 100,
- part_plai_construit_org = .data$nb_plai_construit_org / .data$nb_plai * 100
- ) %>%
+ # COGiter::ajouter_zonage(zonage_df = propre.rpls::zonage_spe %>% dplyr::select(-"REG")) %>%
+ # dplyr::filter(!(TypeZone %in% c("Communes","D\u00e9partements", "EPT")) | CodeZone %in% communes_departement_a_garder) %>%
+ # dplyr::mutate(
+ # Zone_ref = dplyr::case_when(
+ # .data$TypeZone == "R\u00e9gions" & .data$CodeZone == id_reg ~ TRUE,
+ # .data$TypeZone == "D\u00e9partements" ~ TRUE,
+ # .data$TypeZone == "France" ~ TRUE,
+ # .data$TypeZone == "EPT" ~ TRUE,
+ # .data$CodeZone %in% epci_choisis ~ TRUE,
+ # TRUE ~ FALSE),
+ # select_prov_drom = dplyr::case_when(
+ # id_reg %in% paste0("0", 1:6) & .data$CodeZone %in% c("FRMETRO", "FRPROV") ~ FALSE,
+ # id_reg %in% paste0("0", 1:6) & .data$TypeZone == "D\u00e9partements" ~ FALSE,
+ # !(id_reg %in% paste0("0", 1:6)) & .data$CodeZone %in% c("DROM", "FRMETRODROM") ~ FALSE,
+ # TRUE ~ TRUE),
+ # TypeZone = forcats::fct_relevel(.data$TypeZone, "Communes", "Epci", "EPT", "D\u00e9partements", "R\u00e9gions", "France"),
+ # # Mettre au bon endroit les levels ajoutes avec ajouter_zonage
+ # CodeZone = forcats::fct_relevel(.data$CodeZone, sort)
+ # ) %>%
+ # dplyr::filter(.data$select_prov_drom) %>%
+ dplyr::arrange(.data$TypeZone,.data$Zone,.data$CodeZone,.data$millesime) %>%
+ dplyr::group_by(.data$TypeZone,.data$Zone,.data$CodeZone)
+ res2 <- res %>%
+ # reconstitution des variables intensives
+ dplyr::mutate(
+ age_moyen = .data$age_somme / .data$nb_ls_age_connu,
+ age_moyen_qpv = .data$age_somme_qpv / .data$nb_ls_qpv_age_connu,
+ part_dpe_realise = .data$nb_ls_dpe_realise / .data$nb_ls_actif * 100,
+ age_dpe_ener_A = .data$age_somme_dpe_ener_A / .data$nb_ls_age_connu_dpe_ener_A * 100,
+ age_dpe_ener_B = .data$age_somme_dpe_ener_B / .data$nb_ls_age_connu_dpe_ener_B * 100,
+ age_dpe_ener_C = .data$age_somme_dpe_ener_C / .data$nb_ls_age_connu_dpe_ener_C * 100,
+ age_dpe_ener_D = .data$age_somme_dpe_ener_D / .data$nb_ls_age_connu_dpe_ener_D * 100,
+ age_dpe_ener_E = .data$age_somme_dpe_ener_E / .data$nb_ls_age_connu_dpe_ener_E * 100,
+ age_dpe_ener_F = .data$age_somme_dpe_ener_F / .data$nb_ls_age_connu_dpe_ener_F * 100,
+ age_dpe_ener_G = .data$age_somme_dpe_ener_G / .data$nb_ls_age_connu_dpe_ener_G * 100,
+ age_dpe_ener_new_A = .data$age_somme_dpe_ener_new_A / .data$nb_ls_age_connu_dpe_ener_new_A * 100,
+ age_dpe_ener_new_B = .data$age_somme_dpe_ener_new_B / .data$nb_ls_age_connu_dpe_ener_new_B * 100,
+ age_dpe_ener_new_C = .data$age_somme_dpe_ener_new_C / .data$nb_ls_age_connu_dpe_ener_new_C * 100,
+ age_dpe_ener_new_D = .data$age_somme_dpe_ener_new_D / .data$nb_ls_age_connu_dpe_ener_new_D * 100,
+ age_dpe_ener_new_E = .data$age_somme_dpe_ener_new_E / .data$nb_ls_age_connu_dpe_ener_new_E * 100,
+ age_dpe_ener_new_F = .data$age_somme_dpe_ener_new_F / .data$nb_ls_age_connu_dpe_ener_new_F * 100,
+ age_dpe_ener_new_G = .data$age_somme_dpe_ener_new_G / .data$nb_ls_age_connu_dpe_ener_new_G * 100,
+ densite_ls_rp = .data$nb_ls_actif * 100 / .data$nb_rp,
+ densite_ls_loues_rp = .data$nb_ls_loue * 100 / .data$nb_rp,
+ evolution_rp = (.data$nb_rp - .data$nb_rp_old) * 100 / .data$nb_rp_old,
+ evolution_n_nmoins1 = (.data$nb_ls_actif - dplyr::lag(.data$nb_ls_actif)) * 100 / dplyr::lag(.data$nb_ls_actif),
+ evolution_annees_rp = (.data$nb_ls_actif - dplyr::lag(.data$nb_ls_actif, ecart_an_rp)) * 100 / dplyr::lag(.data$nb_ls_actif, ecart_an_rp),
+ nb_ls_recent = .data$nb_piece_1_recent + .data$nb_piece_2_recent + .data$nb_piece_3_recent + .data$nb_piece_4_recent + .data$nb_piece_5_plus_recent,
+ part_ls_qpv = .data$nb_ls_qpv / .data$nb_ls_actif * 100,
+ part_ls_ind = .data$nb_ls_ind / .data$nb_ls_actif * 100,
+ part_ls_coll = .data$nb_ls_coll / .data$nb_ls_actif * 100,
+ part_ls_etu = .data$nb_ls_etu / .data$nb_ls_actif * 100,
+ part_ls_oph = .data$nb_ls_oph / .data$nb_ls_actif * 100,
+ part_ls_esh = .data$nb_ls_esh / .data$nb_ls_actif * 100,
+ part_ls_sem = .data$nb_ls_sem / .data$nb_ls_actif * 100,
+ part_ls_loue = .data$nb_ls_loue / .data$nb_ls_actif * 100,
+ part_ls_vacant = .data$nb_ls_vacant / .data$nb_ls_actif * 100,
+ part_ls_vide = .data$nb_ls_vide / .data$nb_ls_actif * 100,
+ part_ls_association = .data$nb_ls_association / .data$nb_ls_actif * 100,
+ part_ls_autre = .data$nb_ls_autre / .data$nb_ls_actif * 100,
+ part_ls_recent = .data$nb_ls_recent / .data$nb_ls_actif * 100,
+ part_ls_ind_recent = .data$nb_ls_ind_recent / .data$nb_ls_recent * 100,
+ part_ls_coll_recent = .data$nb_ls_coll_recent / .data$nb_ls_recent * 100,
+ part_ls_etu_recent = .data$nb_ls_etu_recent / .data$nb_ls_recent * 100,
+ part_ls_qpv_ind = .data$nb_ls_ind_qpv / .data$nb_ls_qpv * 100,
+ part_ls_qpv_coll = .data$nb_ls_coll_qpv / .data$nb_ls_qpv * 100,
+ part_ls_qpv_etu = .data$nb_ls_etu_qpv / .data$nb_ls_qpv * 100,
+ part_ls_1p = .data$nb_piece_1 / .data$nb_ls_actif * 100,
+ part_ls_recent_1p = .data$nb_piece_1_recent / .data$nb_ls_recent * 100,
+ part_ls_2p = .data$nb_piece_2 / .data$nb_ls_actif * 100,
+ part_ls_recent_2p = .data$nb_piece_2_recent / .data$nb_ls_recent * 100,
+ part_ls_3p = .data$nb_piece_3 / .data$nb_ls_actif * 100,
+ part_ls_recent_3p = .data$nb_piece_3_recent / .data$nb_ls_recent * 100,
+ part_ls_4p = .data$nb_piece_4 / .data$nb_ls_actif * 100,
+ part_ls_recent_4p = .data$nb_piece_4_recent / .data$nb_ls_recent * 100,
+ part_ls_5pp = .data$nb_piece_5_plus / .data$nb_ls_actif * 100,
+ part_ls_recent_5pp = .data$nb_piece_5_plus_recent / .data$nb_ls_recent * 100,
+ part_mes_qpv = .data$nb_mes_qpv / .data$nb_mes * 100,
+ part_ls_age_0_4 = .data$nb_ls_age_0_5 / .data$nb_ls_actif * 100,
+ part_ls_age_5_9 = .data$nb_ls_age_5_10 / .data$nb_ls_actif * 100,
+ part_ls_age_10_19 = .data$nb_ls_age_10_20 / .data$nb_ls_actif * 100,
+ part_ls_age_20_39 = .data$nb_ls_age_20_40 / .data$nb_ls_actif * 100,
+ part_ls_age_40_59 = .data$nb_ls_age_40_60 / .data$nb_ls_actif * 100,
+ part_ls_age_60p = .data$nb_ls_age_60_plus / .data$nb_ls_actif * 100,
+ nb_ls_loues_proploc = .data$nb_ls_loue + .data$nb_ls_vacant,
+ taux_vacance_tot = .data$nb_ls_vacant / .data$nb_ls_loues_proploc * 100,
+ taux_vacance_str = .data$nb_ls_vacant_3 / .data$nb_ls_loues_proploc * 100,
+ taux_mobilite = .data$num_mob / .data$denom_mob *100,
+ taux_mobilite_1p = .data$num_mob_1_piece / .data$denom_mob_1_piece *100,
+ taux_mobilite_2p = .data$num_mob_2_piece / .data$denom_mob_2_piece *100,
+ taux_mobilite_3p = .data$num_mob_3_piece / .data$denom_mob_3_piece *100,
+ taux_mobilite_4p = .data$num_mob_4_piece / .data$denom_mob_4_piece *100,
+ taux_mobilite_5pp = .data$num_mob_5_piece / .data$denom_mob_5_piece *100,
+ taux_vacance_str_0_4ans = .data$num_vac_struct_age_0_5 / .data$denom_vac_struct_age_0_5 * 100,
+ taux_vacance_str_5_9ans = .data$num_vac_struct_age_5_10 / .data$denom_vac_struct_age_5_10 * 100,
+ taux_vacance_str_10_19ans = .data$num_vac_struct_age_10_20 / .data$denom_vac_struct_age_10_20 * 100,
+ taux_vacance_str_20_39ans = .data$num_vac_struct_age_20_40 / .data$denom_vac_struct_age_20_40 * 100,
+ taux_vacance_str_40_59ans = .data$num_vac_struct_age_40_60 / .data$denom_vac_struct_age_40_60 * 100,
+ taux_vacance_str_60ans_plus = .data$num_vac_struct_age_60_plus / .data$denom_vac_struct_age_60_plus * 100,
+ taux_vacance_str_qpv = .data$num_vac_struct_qpv / .data$denom_vac_struct_qpv * 100,
+ taux_vacance_str_hors_qpv = .data$num_vac_struct_horsqpv / .data$denom_vac_struct_horsqpv * 100,
+ part_mes_plai = .data$nb_plai / .data$nb_mes * 100,
+ part_mes_plus = .data$nb_plus / .data$nb_mes * 100,
+ part_mes_pls = .data$nb_pls / .data$nb_mes * 100,
+ part_mes_pli = .data$nb_pli / .data$nb_mes * 100,
+ loyer_m2_plai = .data$somme_loyer_nb_plai / .data$somme_surface_nb_plai,
+ loyer_m2_plus = .data$somme_loyer_nb_plus / .data$somme_surface_nb_plus,
+ loyer_m2_pls = .data$somme_loyer_nb_pls / .data$somme_surface_nb_pls,
+ loyer_m2_pli = .data$somme_loyer_nb_pli / .data$somme_surface_nb_pli,
+ loyer_m2_plai_recent = .data$somme_loyer_nb_plai_recent / .data$somme_surface_nb_plai_recent,
+ loyer_m2_plus_recent = .data$somme_loyer_nb_plus_recent / .data$somme_surface_nb_plus_recent,
+ loyer_m2_pls_recent = .data$somme_loyer_nb_pls_recent / .data$somme_surface_nb_pls_recent,
+ loyer_m2_pli_recent = .data$somme_loyer_nb_pli_recent / .data$somme_surface_nb_pli_recent,
+ loyer_m2_plai_mes = .data$somme_loyer_nb_plai_mes / .data$somme_surface_nb_plai_mes,
+ loyer_m2_plus_mes = .data$somme_loyer_nb_plus_mes / .data$somme_surface_nb_plus_mes,
+ loyer_m2_pls_mes = .data$somme_loyer_nb_pls_mes / .data$somme_surface_nb_pls_mes,
+ loyer_m2_pli_mes = .data$somme_loyer_nb_pli_mes / .data$somme_surface_nb_pli_mes,
+ loyer_m2 = .data$somme_loyer / .data$somme_surface,
+ loyer_m2_recent = .data$somme_loyer_recent / .data$somme_surface_recent,
+ loyer_m2_qpv = .data$somme_loyer_enqpv / .data$somme_surface_enqpv,
+ loyer_m2_mes = (.data$somme_loyer_nb_plai_mes + .data$somme_loyer_nb_plus_mes + .data$somme_loyer_nb_pls_mes + .data$somme_loyer_nb_pli_mes ) /
+ (.data$somme_surface_nb_plai_mes + .data$somme_surface_nb_plus_mes + .data$somme_surface_nb_pls_mes + .data$somme_surface_nb_pli_mes),
+ loyer_m2_0_4ans = .data$somme_loyer_age_inf_5 / .data$somme_surface_age_inf_5,
+ loyer_m2_5_9ans = .data$somme_loyer_age_5_10 / .data$somme_surface_age_5_10,
+ loyer_m2_10_19ans = .data$somme_loyer_age_10_20 / .data$somme_surface_age_10_20,
+ loyer_m2_20_39ans = .data$somme_loyer_age_20_40 / .data$somme_surface_age_20_40,
+ loyer_m2_40_59ans = .data$somme_loyer_age_40_60 / .data$somme_surface_age_40_60,
+ loyer_m2_60ans_et_plus = .data$somme_loyer_age_60_plus / .data$somme_surface_age_60_plus,
+ part_mes_qpv_plai = .data$nb_mes_plai_qpv / .data$nb_mes_qpv * 100,
+ part_mes_qpv_plus = .data$nb_mes_plus_qpv / .data$nb_mes_qpv * 100,
+ part_mes_qpv_pls = .data$nb_mes_pls_qpv / .data$nb_mes_qpv * 100,
+ part_mes_qpv_pli = .data$nb_mes_pli_qpv / .data$nb_mes_qpv * 100,
+ part_plai_acq_av_travaux = .data$nb_plai_acq_av_travaux / .data$nb_plai * 100,
+ part_plai_acq_ss_travaux = .data$nb_plai_acq_ss_travaux / .data$nb_plai * 100,
+ part_plai_acq_vefa = .data$nb_plai_acq_vefa / .data$nb_plai * 100,
+ part_plai_construit_org = .data$nb_plai_construit_org / .data$nb_plai * 100
+ ) %>%
dplyr::ungroup()
-
- res %>%
- dplyr::select(-dplyr::contains("somme_"), -dplyr::contains("num_"), -dplyr::contains("denom"))
+ return(res2)
}
diff --git a/data-raw/chargement_rpls.R b/data-raw/chargement_rpls.R
index b4bf39ea5987f6c7f0fb86dcb62e0d285fe88f1d..8116dae18267f9f548c01d56a26a0900f2883491 100644
--- a/data-raw/chargement_rpls.R
+++ b/data-raw/chargement_rpls.R
@@ -18,14 +18,14 @@ source(file = "R/dataprep_all.R")
rpls_prep <- dataprep_all() %>%
filter(!is.na(millesime))
-#liste des communes des EPCI de la région Pays de la Loire
-communes_region52 <- communes %>%
- filter(grepl("52", REGIONS_DE_L_EPCI)) %>%
- mutate(DEPCOM = as.character(DEPCOM)) %>%
- pull(DEPCOM)
+# #liste des communes des EPCI de la région Pays de la Loire
+# communes_region52 <- communes %>%
+# filter(grepl("52", REGIONS_DE_L_EPCI)) %>%
+# mutate(DEPCOM = as.character(DEPCOM)) %>%
+# pull(DEPCOM)
rpls <- rpls_prep %>%
- filter(TypeZone %in% c("Départements", "Régions", "Epci", "France") | CodeZone %in% communes_region52 ) %>%
+ # filter(TypeZone %in% c("Départements", "Régions", "Epci", "France") | CodeZone %in% communes_region52 ) %>%
mutate(date = make_date(as.character(millesime), 01, 01),
across(where(is.character), as.factor)) %>%
select(-millesime) %>%