Retours sur l’organisation

• Comment avez-vous organisé votre code ?
• Quelles difficultés avec les packages ?
• Une fonction utile que vous avez créée ?

Le défi de l’échelle

Situation réelle :

Principe de l’automatisation

Au lieu de :

ventes_jan <- read.csv("ventes_janvier.csv")
analyse_jan <- analyser(ventes_jan)

ventes_fev <- read.csv("ventes_fevrier.csv")
analyse_fev <- analyser(ventes_fev)

# ... répéter 10 fois ...

On fait :

fichiers <- list.files(pattern = ".csv")

for (fichier in fichiers) {
  donnees <- read.csv(fichier)
  analyse <- analyser(donnees)
  sauvegarder_resultat(analyse, fichier)
}

Gestion des erreurs dans les boucles

Problème : Un fichier corrompu plante tout !

# Mauvais : tout plante au premier problème
for (fichier in fichiers) {
  donnees <- read.csv(fichier)  # Erreur ici = tout s'arrête
  analyser(donnees)
}

# Bon : gérer les erreurs
for (fichier in fichiers) {
  resultat <- tryCatch({
    donnees <- read.csv(fichier)
    analyser(donnees)
  }, error = function(e) {
    message("Erreur avec ", fichier, ": ", e$message)
    NULL  # Retourner NULL en cas d'erreur
  })
}

Qu’est-ce que R Markdown ?

R Markdown permet de créer des documents qui mélangent :

• Du texte (explications, interprétations)
• Du code R (analyses)
• Des résultats (tableaux, graphiques)
• Des formules mathématiques

Pourquoi R Markdown ?

Avantages :

• Reproductibilité : tout est dans un seul fichier
• Cohérence : résultats toujours à jour avec le code
• Communication : rapports professionnels
• Gain de temps : pas de copier-coller de résultats

Pourquoi paramétrer ?

Problème : Vous voulez le même rapport pour différents datasets

Solution : Créer un template paramétrable

---
title: "Rapport de ventes"
params:
  fichier: "ventes_janvier.csv"
  seuil: 1000
---

```{r}
donnees <- read.csv(params$fichier)
ventes_importantes <- donnees[donnees$montant > params$seuil, ]

## Exercice 6 : Premier rapport paramétré {.smaller}

**Créez un rapport avec paramètres :**


````{.default}
---
title: "Analyse automatisée"
params:
  dataset: "data.csv"
  variable: "valeur"
  titre_graphique: "Distribution des valeurs"
output: html_document
---

# Analyse de `r params$variable`

```{r}
donnees <- read.csv(params$dataset)
variable_data <- donnees[[params$variable]]

# Statistiques
cat("Moyenne:", mean(variable_data, na.rm = TRUE), "\n")
cat("Médiane:", median(variable_data, na.rm = TRUE), "\n")

# Graphique
hist(variable_data, main = params$titre_graphique)

::: {.notes}
25 minutes. Introduction aux paramètres.
:::

## Générer des rapports par programme {.smaller}

**Vous pouvez générer des rapports depuis R :**


::: {.cell}

```{.r .cell-code}
library(rmarkdown)

# Générer un rapport avec des paramètres spécifiques
render("template.Rmd",
       params = list(
         dataset = "ventes_janvier.csv",
         variable = "montant",
         titre_graphique = "Ventes de janvier"
       ),
       output_file = "rapport_janvier.html")

# Boucle pour générer plusieurs rapports
fichiers <- c("ventes_janvier.csv", "ventes_fevrier.csv", "ventes_mars.csv")

for (f in fichiers) {
  mois <- tools::file_path_sans_ext(basename(f))

  render("template.Rmd",
         params = list(
           dataset = f,
           variable = "montant",
           titre_graphique = paste("Ventes de", mois)
         ),
         output_file = paste0("rapport_", mois, ".html"))
}
```
:::


::: {.notes}
20 minutes. Automatisation complète.
:::

## Exercice 7 : Fonction de génération de rapport {.smaller}

**Créez une fonction qui génère des rapports automatiquement :**


::: {.cell}

```{.r .cell-code}
generer_rapport <- function(fichier_donnees, output_dir = "rapports/") {
  # Extraire le nom du fichier sans extension
  nom_base <- tools::file_path_sans_ext(basename(fichier_donnees))

  # Créer le dossier de sortie si nécessaire
  if (!dir.exists(output_dir)) {
    dir.create(output_dir, recursive = TRUE)
  }

  # Générer le rapport
  output_file <- file.path(output_dir, paste0("rapport_", nom_base, ".html"))

  rmarkdown::render(
    "template_analyse.Rmd",
    params = list(
      dataset = fichier_donnees,
      titre = paste("Analyse de", nom_base)
    ),
    output_file = output_file
  )

  message("Rapport généré : ", output_file)
  return(output_file)
}

# Utilisation
fichiers <- list.files("donnees/", pattern = "\\.csv$", full.names = TRUE)
rapports <- lapply(fichiers, generer_rapport)
```
:::


::: {.notes}
30 minutes. Fonction professionnelle de génération de rapports.
:::

## Formats de sortie multiples

**R Markdown peut générer différents formats :**

````markdown
---
title: "Mon Rapport"
output:
  html_document:
    toc: true
    toc_float: true
  pdf_document:
    toc: true
  word_document: default
---

render("rapport.Rmd", output_format = "pdf_document")

Ce que vous avez accompli

✅ Automatiser le traitement de plusieurs fichiers ✅ Créer des rapports reproductibles avec R Markdown ✅ Paramétrer des analyses pour la réutilisation ✅ Générer des documents professionnels automatiquement ✅ Gérer les erreurs dans les processus automatisés ✅ Combiner toutes vos compétences en R

Concepts clés de la séance

Automatisation :

• list.files() : lister des fichiers
• Boucles for et lapply() sur plusieurs fichiers
• tryCatch() : gestion des erreurs

R Markdown :

• Structure : YAML + Markdown + code R
• Options de blocs : echo, eval, message, warning
• render() : générer des rapports par programme

Paramètres :

• params dans le YAML
• Accès avec params$nom_parametre

Pour aller plus loin

• Explorez d’autres formats de sortie (PDF, Word, slides)
• Créez une bibliothèque de templates pour différents types d’analyses
• Automatisez la génération régulière de rapports (tâches planifiées)
• Partagez vos templates avec vos collègues

Questions ?