Académique Documents
Professionnel Documents
Culture Documents
2023-12-13
Contents
0.1 Chargement des packages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
0.2 Difference entre deux matrices de voisinage quelconque . . . . . . . . . . . . . . . . . . . . . . 1
0.3 Visualisation des variables relatives au jeu de données Columbus . . . . . . . . . . . . . . . . 3
0.4 Spécification et codification de la structure de voisinage . . . . . . . . . . . . . . . . . . . . . 4
0.5 Analyse descriptive des variables contenues des nc . . . . . . . . . . . . . . . . . . . . . . . . 5
0.6 Matrice de voisinage basée sur la contiguïté et le graphe correspondant . . . . . . . . . . . . . 7
0.7 Graphes de voisinage fondés sur les voisins les plus proches voisins . . . . . . . . . . . . . . . 11
0.8 Matrice de voisinage basée sur un seuil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
0.9 Matrice de voisinage de type Delaunay . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1
# Matrice de voisinage chargée depuis le package spdep
col.gal.nb <- read.gal(system.file("etc/weights/columbus.gal",package = "spdep")[1])
1
2
3
4
8 6
7 5
131211 9 10
14
19 16 15 17
18 22
24 25 26
20 23
21 27
31 30 29 28 33 32
36 34 37 38 35
43 40 41
39 44
46 42
45 48
49 47
2
QUEEN
col.gal.nb
summary(queen)
3
par( mar = c(0.9, 0.9, 0.9, 0.9))
plot(columbus, col=findColours(classes,col.pal))
legend("bottomleft", legend = c("[4.47-11.12[","[11.12-17.77[", "[17.77-24.42[","[24.42-31.07["), fill =
[4.47−11.12[
[11.12−17.77[
[17.77−24.42[
[24.42−31.07[
4
0.5 Analyse descriptive des variables contenues des nc
library(knitr)
library(dplyr)
new_df = select(nc@data,"AREA","BIR74","SID74","NWBIR74","BIR79","SID79","NWBIR79")
kable(summary(new_df))
library(GGally)
5
NWBIR79
SID79 0.9
0.5
NWBIR74 0.9 0.8 1
0.0
−0.5
SID74 0.9 0.8 0.8 0.9 −1.0
sf_use_s2(FALSE)
6
37
37011
37121 37027 37135
37001 37063 37069 37015
37003 37059 3712737065
3711537199 37097 37057 37183 37117 371873717737055
3711137023 37151 37037 37195
37021 37035 37159 37147 37013 37095
37173 37087 37109 37105 37101 37079
37075 37089 3716137045 37025 3712337125 37085 37191
37099 37149 3707137119 37167
37107 37049
37039 37113 37175 37137
35
37019
33
7
38
37
36
35
34
summary(nc.nb)
8
9
10
0.7 Graphes de voisinage fondés sur les voisins les plus proches voisins
Nous construisons dans cette section la matrice de voisinage basée sur les 5 plus proches voisins.
#Graphes fondés sur les plus proches voisins
nc.knn = knn2nb(knearneigh(ref,k=5))
par( mar = c(1,1,1,1))
plot(nc, border = "grey",axes=TRUE)
plot(nc.knn, ref, add = TRUE, col="blue")
38
37
36
35
34
33
summary(nc.knn)
11
## 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37
histnbmap(as(nc,"sf"), nc.knn, col=col.pal, xlab = "Distance(Km) avec le voisin le plus eloigne", ylab =
12
13
0.8 Matrice de voisinage basée sur un seuil
Pour les données SIDS, voici la contruction d’une matrice bas´ee sur un seuil de 75km, l’option
LONGLAT=TRUE permet d’utiliser une distance kilometrique alors que les coordonn´ees sont exprimées en
degrés.
wd.nb=dnearneigh(ref,0,75,longlat=TRUE)
plot(nc, border= "grey",xlim=c(-84.5,-82),ylim=c(35,36),
axes=TRUE)
plot(wd.nb,ref,add=TRUE, col="blue")
35.8
35.4
35.0
summary(wd.nb)
14
## 41 with 16 links
histnbmap(as(nc,"sf"),wd.nb, xlab = "Distance(Km) avec le voisin le plus eloigne", ylab = "Proportion de
15
16
Histogram of nvoisins
Frequency
20
10
0
4 6 8 12 16
Nombre de voisins
summary(dln.nb)
18
19
20