146 lines
5.2 KiB
Text
146 lines
5.2 KiB
Text
---
|
||
title: "Extraction et préparation des données"
|
||
author: "François Pelletier"
|
||
date: "10 octobre 2015"
|
||
output: html_document
|
||
---
|
||
|
||
#Extraction et préparation des données du jeu «Tableau de bord de l’état de santé des projets en ressources informationnelles de l’administration publique»
|
||
|
||
##Extraction des métadonnées
|
||
|
||
```{r}
|
||
library(XML)
|
||
library(dplyr)
|
||
source("FilterList.R")
|
||
# Identifiant unique du jeu de données
|
||
UUID = "c60b2248-0ca4-4b12-89d3-2f087a319bea"
|
||
# URL pour récupérer les métadonnées
|
||
urlRDF <- paste0("http://www.donnees.gouv.qc.ca/geonetwork/srv/eng/rdf.metadata.get?uuid=",UUID)
|
||
# Document de métadonnées
|
||
RDFdoc <- urlRDF %>%
|
||
xmlTreeParse %>%
|
||
xmlRoot
|
||
```
|
||
|
||
Quel est le contenu du fichier de métadonnées ?
|
||
|
||
```{r}
|
||
# Fréquence de chaque type de noeuds
|
||
RDFdoc %>%
|
||
names %>%
|
||
table %>%
|
||
as.data.frame %>%
|
||
"colnames<-"(c("Type de noeud","Fréquence"))
|
||
# Nombre de champs dans chaque noeud
|
||
xmlSApply(RDFdoc, xmlSize)
|
||
# Extraction à une profondeur de 1
|
||
champs <- xmlSApply(RDFdoc, function(x) xmlSApply(x, xmlValue))
|
||
# Je veux seulement les champs de type «Distribution»
|
||
champsDistribution <- champs[names(champs) == "Distribution"]
|
||
```
|
||
Je veux extraire les noms des fichiers de données pour les télécharger
|
||
|
||
```{r}
|
||
datafileNames <- champsDistribution %>%
|
||
lapply(function(x) as.character(x[x["format"] == "WWW:DOWNLOAD-1.0-ftp--downloadWWW:DOWNLOAD-1.0-ftp--download"])) %>%
|
||
FilterList(function(x) !identical(character(0),x)) %>%
|
||
as.data.frame %>% t
|
||
datafileNames
|
||
```
|
||
|
||
Les fichiers actuels présentent des erreurs d'encodage qui devront être corrigées manuellement. Voir le courriel joint.
|
||
|
||
```{r eval=FALSE}
|
||
rawdata <- list()
|
||
rawdata <- lapply(datafileNames[,1],read.csv2,header=FALSE,sep=";",encoding="utf-8",skip = 1)
|
||
```
|
||
|
||
Je télécharge donc les fichiers manuellement
|
||
|
||
```{r eval=FALSE}
|
||
lapply(datafileNames[,1], function (x) system2("wget", x))
|
||
noms_fichiers_telecharges <- list.files(path = ".", pattern = ".csv")
|
||
system("bash conversion_csv.sh")
|
||
```
|
||
|
||
Je les importe ensuite, puis je corrige toutes les incohérences pour faire la fusion
|
||
|
||
```{r}
|
||
rawdata <- list()
|
||
rawdata <- lapply(1:7,function(i) rawdata[[i]] <- read.csv2(paste0("tr_tableau_de_bord_",i,".csv"),
|
||
header = TRUE,
|
||
sep = ";",
|
||
encoding = "utf-8",
|
||
stringsAsFactors = FALSE,
|
||
dec = ","))
|
||
rawdata %>% lapply(names)
|
||
# Correction des tirets et conversion en numérique de la variable Pourcentage_avancement dans le 4e fichier
|
||
rawdata[[4]]$Pourcentage_avancement[levels(rawdata[[4]]$Pourcentage_avancement) == "-"] <- NA
|
||
rawdata[[4]]$Pourcentage_avancement <- as.integer(rawdata[[4]]$Pourcentage_avancement)
|
||
|
||
# Conversion en numérique pour compatibilité avec fusion de numériques au lieu d'entiers
|
||
for (i in 1:3)
|
||
{
|
||
rawdata[[i]]$Cote_de_coût <- as.numeric(rawdata[[i]]$Cote_de_coût)
|
||
rawdata[[i]]$Variation_de_coût <- as.numeric(rawdata[[i]]$Variation_de_coût)
|
||
rawdata[[i]]$Variation_écheancier <- as.numeric(rawdata[[i]]$Variation_écheancier)
|
||
}
|
||
|
||
for (i in 1:4)
|
||
{
|
||
rawdata[[i]]$Cote_écheancier <- as.numeric(rawdata[[i]]$Cote_écheancier)
|
||
}
|
||
rawdata[[5]]$Cote_echeancier <- as.numeric(rawdata[[5]]$Cote_echeancier)
|
||
|
||
rawdata[[5]]$Variation_de_cote_echeancier[levels(rawdata[[5]]$Variation_de_cote_echeancier) == "-"] <- NA
|
||
rawdata[[5]]$Variation_de_cote_echeancier <- as.numeric(rawdata[[5]]$Variation_de_cote_echeancier)
|
||
|
||
# Correction des montants pour 4 variables dans le 5e fichier
|
||
correction.montants.5 <- function(donnees)
|
||
{
|
||
donnees2 <- as.numeric(gsub(" ", "", gsub(",", ".", donnees)))
|
||
donnees2[105:450] <- donnees2[105:450]*1000
|
||
donnees2
|
||
}
|
||
|
||
rawdata[[5]]$Montant_reel_depense <- correction.montants.5(rawdata[[5]]$Montant_reel_depense)
|
||
rawdata[[5]]$Cout_estime_pour_completer_le_projet <- correction.montants.5(rawdata[[5]]$Cout_estime_pour_completer_le_projet)
|
||
rawdata[[5]]$Budget_autorise_revise <- correction.montants.5(rawdata[[5]]$Budget_autorise_revise)
|
||
rawdata[[5]]$Budget_autorise_initial <- correction.montants.5(rawdata[[5]]$Budget_autorise_initial)
|
||
|
||
# Conversion des noms de colonnes invalides
|
||
convertir.noms <- function(noms)
|
||
{
|
||
noms <- noms %>% iconv(to = "ASCII//TRANSLIT") %>% tolower
|
||
noms[noms == "date_de_fin_revise"] <- "date_de_fin_revisee"
|
||
noms[noms == "cote_de_cout"] <- "indicateur_de_cout"
|
||
noms[noms == "indicateur_du_cout"] <- "indicateur_de_cout"
|
||
noms[noms == "variation_cout"] <- "variation_de_cout"
|
||
noms[noms == "cote_echeancier"] <- "indicateur_de_l_echeancier"
|
||
noms[noms == "date_de_fin_prevue"] <- "date_de_fin_prevue_a_autorisation"
|
||
noms[noms == "budget_autorise"] <- "budget_autorise_initial"
|
||
noms[noms == "variation_de_cote_de_cout"] <- "variation_de_cout"
|
||
noms[noms == "variation_de_cote_echeancier"] <- "variation_echeancier"
|
||
noms
|
||
}
|
||
|
||
for (i in 1:7)
|
||
{
|
||
names(rawdata[[i]]) <- convertir.noms(names(rawdata[[i]]))
|
||
}
|
||
|
||
```
|
||
|
||
Jointure de tous les fichiers de données dans une même table
|
||
|
||
```{r}
|
||
rawdata2 <- dplyr::bind_rows(rawdata)
|
||
|
||
write.csv(rawdata2, "donnees_clean.csv",quote = TRUE,row.names = FALSE, na = "")
|
||
save(rawdata2,file = "donnees_clean.RData")
|
||
```
|
||
|
||
|
||
|
||
|