10 Géotraitement : Paris

Author

Dr. Elisabetta Pietrostefani

Published

March 24, 2026

10.1 Introduction

Dans le chapitre précédent, vous avez appliqué les opérations de géotraitement à Londres : charger des données, les spatialiser, les joindre et les cartographier. Il est maintenant temps de reproduire ces étapes pour Paris, avec de vraies données socio-économiques par arrondissement.

Vous disposez de :

Un shapefile des arrondissements parisiens (arrondiss_lambert.shp)
Un fichier CSV enrichi (donnees_arrondissement_enrichi.csv) avec des données socio-économiques par arrondissement
Des données Airbnb et des données d’arbres pour aller plus loin

Rappel des fonctions clés vues à Londres

Opération	Fonction
Lire un shapefile	`read_sf("chemin/fichier.shp")`
Vérifier le SCR	`st_crs(objet)$srid`
Reprojeter	`st_transform(objet, 2154)`
Spatialiser un CSV	`st_as_sf(df, coords = c(lon, lat))`
Jointure attributaire	`left_join(x, y, by = ...)`
Jointure spatiale	`st_join(polygones, points)`
Agréger	`group_by() \|> summarise()`

Code

library(sf)
library(ggplot2)
library(dplyr)
library(viridis)
library(scales)
library(ggspatial)
library(classInt)

10.2 Charger et préparer les données

10.2.1 Exercice 1 — Charger les polygones de Paris

Chargez le shapefile des arrondissements et des communes du Grand Paris, vérifiez leurs SCR et reprojetez en Lambert-93.

Code

PA        <- read_sf("data/Paris/Polygons/arrondiss_lambert.shp")
GrandParis <- read_sf("data/Paris/Polygons/communes_grandsparis.shp")

# Vérifier les SCR
st_crs(PA)$srid
st_crs(GrandParis)$srid

# Reprojeter les deux en Lambert-93
PA         <- st_transform(___, ___)
GrandParis <- st_transform(___, ___)

Voir la réponse

PA        <- read_sf("data/Paris/Polygons/arrondiss_lambert.shp")
GrandParis <- read_sf("data/Paris/Polygons/communes_grandsparis.shp")

PA         <- st_transform(PA,         2154)
GrandParis <- st_transform(GrandParis, 2154)

# Visualisation
ggplot() +
  geom_sf(data = GrandParis, aes(fill = as.factor(C_DEP)),
          color = "white", linewidth = 0.3, show.legend = FALSE) +
  scale_fill_manual(values = c("75" = "#d9d9d9", "92" = "#bdbdbd",
                               "93" = "#969696", "94" = "#737373",
                               "91" = "#525252")) +
  geom_sf(data = PA, fill = "#1a4f7a", color = "white", linewidth = 0.5) +
  geom_sf_text(data = PA, aes(label = c_ar),
               fun.geometry = sf::st_centroid,
               size = 1.5, color = "white", fontface = "bold") +
  labs(
    title    = "Paris et le Grand Paris",
    subtitle = "Arrondissements parisiens (bleu foncé) et communes limitrophes",
    caption  = "Source : données Paris | Cours R-Carto"
  ) +
  theme_void(base_size = 12) +
  theme(
    plot.title    = element_text(face = "bold", hjust = 0.5),
    plot.subtitle = element_text(color = "grey40", hjust = 0.5)
  )

Arrondissements de Paris et communes du Grand Paris

10.3 Données Airbnb : jointure spatiale

Le fichier listings.csv contient les annonces Airbnb parisiennes avec leurs coordonnées. Nous allons reproduire exactement la même chaîne d’opérations qu’avec les ventes immobilières à Londres, en décomposant chaque étape.

La chaîne complète en 9 étapes

Étape	Opération	Fonction
1	Lire le CSV	`read.csv()`
2	Identifier les colonnes lon/lat	`names()` / `head()`
3	Convertir en objet sf	`st_as_sf()`
4	Déclarer le SCR (WGS84)	`st_set_crs(4326)`
5	Reprojeter comme les arrondissements	`st_transform()`
6	Filtrer	`filter()`
7	Jointure spatiale	`st_join()`
8	Agréger	`group_by() \\|> summarise()`
9	Cartographier	`ggplot() + geom_sf()`

10.3.1 Exercice 2 — Étapes 1 à 5 : Charger et spatialiser `listings.csv`

Avant d’écrire une seule ligne de code spatial, on explore toujours le CSV brut pour repérer les colonnes de coordonnées.

Code

# Étape 1 : lire le fichier
airbnb <- read.csv("data/Paris/airbnb/listings.csv")

# Étape 2 : explorer avant de spatialiser
# names() liste toutes les colonnes — repérez longitude et latitude
names(airbnb)
head(airbnb, 3)

# Dans listings.csv :
#   colonne 8 → longitude  (direction est-ouest)
#   colonne 7 → latitude   (direction nord-sud)
# ATTENTION : st_as_sf() attend toujours LONGITUDE avant LATITUDE → c(8, 7)

# Étape 3 : convertir en objet sf
airbnb_sf <- st_as_sf(airbnb, coords = c(___, ___))

# Étape 4 : déclarer le SCR — les coordonnées GPS sont toujours en WGS84
# st_set_crs() DÉCLARE sans modifier les coordonnées
airbnb_sf <- st_set_crs(airbnb_sf, ___)

# Étape 5 : reprojeter dans le même SCR que PA
# st_crs(PA) récupère automatiquement le SCR de PA — plus robuste que d'écrire 2154 en dur
airbnb_sf <- st_transform(airbnb_sf, st_crs(PA))

# Vérification : les deux couches sont-elles maintenant dans le même SCR ?
st_crs(airbnb_sf) == st_crs(PA)   # doit renvoyer TRUE

Version condensée en un pipe

Les étapes 3, 4 et 5 peuvent s’enchaîner en un seul pipe :

airbnb_sf <- st_as_sf(airbnb, coords = c(8, 7)) |>
               st_set_crs(4326) |>
               st_transform(st_crs(PA))

Voir la réponse

# Étape 1 : lire
airbnb <- read.csv("data/Paris/airbnb/listings.csv")

# Étapes 2–5 : explorer, convertir, déclarer, reprojeter
cat("Colonnes lon/lat :", names(airbnb)[c(8, 7)], "\n")

Colonnes lon/lat : longitude latitude

Voir la réponse

cat("Nombre d'annonces :", nrow(airbnb), "\n")

Nombre d'annonces : 56739

Voir la réponse

airbnb_sf <- st_as_sf(airbnb, coords = c(8, 7)) |>
  st_set_crs(4326) |>
  st_transform(st_crs(PA))

# Vérification
st_crs(airbnb_sf) == st_crs(PA)

[1] TRUE

Voir la réponse

# Visualisation — size et alpha petits car beaucoup de points
ggplot() +
  geom_sf(data = PA,        fill = "grey95", color = "white", linewidth = 0.4) +
  geom_sf(data = airbnb_sf, color = "#d7191c", size = 0.3, alpha = 0.3) +
  labs(
    title    = "Annonces Airbnb à Paris",
    subtitle = paste0(format(nrow(airbnb_sf), big.mark = " "), " annonces au total"),
    caption  = "Source : Inside Airbnb | Cours R-Carto"
  ) +
  theme_void(base_size = 12) +
  theme(
    plot.title    = element_text(face = "bold", hjust = 0.5),
    plot.subtitle = element_text(color = "grey40", hjust = 0.5)
  )

Points Airbnb superposés aux arrondissements

10.3.2 Exercice 3 — Étapes 6 à 8 : Filtrer, joindre et agréger

On exclut les annonces très chères, puis on associe chaque annonce à son arrondissement via une jointure spatiale, avant d’agréger.

L’ordre des arguments dans st_join() est crucial

st_join(polygones, points) — le premier argument détermine la structure géométrique du résultat. En mettant PA en premier, le résultat est un objet avec les géométries des arrondissements, enrichi des attributs des annonces qui y tombent — ce dont on a besoin pour agréger ensuite par arrondissement.

Code

# Étape 6 : filtrer — garder les annonces < 200 €/nuit
airbnb_filtre <- filter(airbnb_sf, price < ___)

cat("Annonces conservées :", nrow(airbnb_filtre), "sur", nrow(airbnb_sf), "\n")

# Étape 7 : jointure spatiale
# Chaque polygone hérite des attributs de tous les points qu'il contient.
# Résultat : plusieurs lignes par arrondissement (une par annonce).
airbnb_PA <- st_join(___, ___)   # arrondissements parisiens × annonces
airbnb_GP <- st_join(___, ___)   # communes Grand Paris × annonces

cat("Lignes après jointure :", nrow(airbnb_PA), "(>> nrow(PA) =", nrow(PA), ")\n")

# Étape 8 : agréger
# group_by() + summarise() condense en une ligne par arrondissement.
# .groups = "drop" supprime le groupement après summarise (bonne pratique).
airbnb_agg <- airbnb_PA |>
  group_by(c_arinsee, l_aroff) |>
  summarise(
    nb_annonces = n(),
    prix_moyen  = mean(___, na.rm = TRUE),
    .groups     = "drop"
  )

cat("Lignes après agrégation :", nrow(airbnb_agg), "(= nrow(PA) =", nrow(PA), ")\n")

head(airbnb_agg)

Voir la réponse

# Étape 6 : filtrer
airbnb_filtre <- filter(airbnb_sf, price < 200)
cat("Annonces conservées :", nrow(airbnb_filtre), "sur", nrow(airbnb_sf), "\n")

Annonces conservées : 46157 sur 56739

Voir la réponse

# Étape 7 : jointure spatiale (Paris + Grand Paris)
airbnb_PA <- st_join(PA,         airbnb_filtre)
airbnb_GP <- st_join(GrandParis, airbnb_filtre)

cat("Lignes après jointure :", nrow(airbnb_PA), "(>> nrow(PA) =", nrow(PA), ")\n")

Lignes après jointure : 40571 (>> nrow(PA) = 20 )

Voir la réponse

# Étape 8 : agréger — arrondissements
airbnb_agg <- airbnb_PA |>
  group_by(c_arinsee, l_aroff) |>
  summarise(
    nb_annonces = n(),
    prix_moyen  = mean(price, na.rm = TRUE),
    .groups     = "drop"
  )

# Étape 8 : agréger — Grand Paris
airbnb_gp_agg <- airbnb_GP |>
  group_by(C_DEP) |>
  summarise(
    nb_annonces = n(),
    prix_moyen  = mean(price, na.rm = TRUE),
    .groups     = "drop"
  )

cat("Lignes après agrégation :", nrow(airbnb_agg), "(= nrow(PA) =", nrow(PA), ")\n")

Lignes après agrégation : 20 (= nrow(PA) = 20 )

Voir la réponse

airbnb_agg |>
  st_drop_geometry() |>
  select(l_aroff, nb_annonces, prix_moyen) |>
  arrange(desc(prix_moyen)) |>
  head(8) |>
  knitr::kable(digits = 0,
               caption = "Arrondissements classés par prix Airbnb moyen")

Arrondissements classés par prix Airbnb moyen
l_aroff	nb_annonces	prix_moyen
Louvre	633	115
Hôtel-de-Ville	1117	112
Bourse	1155	111
Temple	1566	109
Luxembourg	964	109
Élysée	801	106
Palais-Bourbon	886	104
Panthéon	1277	103

10.3.3 Exercice 4 — Étape 9 : Carte finale avec IRIS en filigrane

On superpose trois couches : le Grand Paris en fond, les arrondissements avec leurs prix, et les IRIS en filigrane pour montrer la structure interne de Paris.

Pourquoi limits = prix_range ?

Sans limits, ggplot2 calcule une échelle de couleur séparée pour chaque geom_sf(). La même valeur (ex. 90 €) aurait une couleur différente dans le Grand Paris et dans les arrondissements. limits = prix_range force les deux couches à partager la même échelle — indispensable pour une lecture cohérente.

Code

iris <- read_sf("data/Paris/Polygons/iris.shp") |>
  filter(dep == "75") |>
  st_transform(2154)

# Calculer l'étendue commune des prix pour harmoniser la palette
prix_range <- range(c(airbnb_agg$prix_moyen, airbnb_gp_agg$prix_moyen), na.rm = TRUE)

ggplot() +
  # Couche 1 : Grand Paris en fond (dessiné en premier = en dessous)
  geom_sf(data = ___, aes(fill = prix_moyen),
          color = "white", linewidth = 0.3) +
  # Couche 2 : arrondissements par-dessus
  geom_sf(data = ___, aes(fill = ___),
          color = "white", linewidth = 0.5) +
  scale_fill_viridis_c(
    "Prix moyen\n(€/nuit)",
    direction = -1,
    limits    = prix_range,   # même échelle pour les deux couches
    labels    = label_dollar(prefix = "€"),
    option    = "___"         # essayez "plasma", "magma", "inferno"
  ) +
  # Couche 3 : IRIS en filigrane (fill = NA = transparent, juste le contour)
  geom_sf(data = iris, fill = NA,
          color = alpha("white", ___), linewidth = 0.12) +   # essayez 0.2 à 0.5
  labs(title = "___", subtitle = "___", caption = "___") +
  theme_void()

Voir la réponse

iris <- read_sf("data/Paris/Polygons/iris.shp") |>
  filter(dep == "75") |>
  st_transform(2154)

prix_range <- range(c(airbnb_agg$prix_moyen, airbnb_gp_agg$prix_moyen), na.rm = TRUE)

ggplot() +
  # Couche 1 : Grand Paris en fond
  geom_sf(data = airbnb_gp_agg, aes(fill = prix_moyen),
          color = "white", linewidth = 0.3) +
  # Couche 2 : arrondissements parisiens
  geom_sf(data = airbnb_agg, aes(fill = prix_moyen),
          color = "white", linewidth = 0.5) +
  scale_fill_viridis_c(
    "Prix moyen\n(€/nuit)",
    direction = -1,
    limits    = prix_range,
    labels    = label_dollar(prefix = "€"),
    option    = "plasma"
  ) +
  # Couche 3 : IRIS en filigrane — alpha faible pour ne pas surcharger
  geom_sf(data = iris, fill = NA,
          color = alpha("white", 0.3), linewidth = 0.12) +
  labs(
    title    = "Prix moyen Airbnb — Paris et Grand Paris",
    subtitle = "Annonces < 200 €/nuit | IRIS en filigrane sur Paris",
    caption  = "Source : Inside Airbnb | Cours R-Carto"
  ) +
  theme_void(base_size = 12) +
  theme(
    plot.title        = element_text(face = "bold", hjust = 0.5),
    plot.subtitle     = element_text(color = "grey40", hjust = 0.5),
    legend.key.height = unit(1.5, "cm")
  )

Prix moyen Airbnb par arrondissement avec IRIS en fond

10.3.4 Exercice 5 — Charger les données socio-économiques

Chargez le fichier donnees_arrondissement_enrichi.csv et examinez sa structure. Ce fichier contient les variables suivantes :

Variable	Description
`c_arinsee`	Code INSEE de l’arrondissement (clé de jointure)
`prix_m2_appart`	Prix moyen au m² (€)
`taux_chomage`	Taux de chômage (%)
`part_log_sociaux`	Part de logements sociaux (%)
`revenu_median`	Revenu médian mensuel (€)
`densite_pop_km2`	Densité de population (hab/km²)
`part_moins_20ans`	Part des moins de 20 ans (%)
`part_plus_65ans`	Part des plus de 65 ans (%)
`part_diplomes_sup`	Part de diplômés du supérieur (%)
`n_musees`	Nombre de musées

Code

donnees <- read.csv("data/Paris/Tables/donnees_arrondissement_enrichi.csv")
head(___)

Voir la réponse

donnees <- read.csv("data/Paris/Tables/donnees_arrondissement_enrichi.csv") |>
  mutate(across(where(is.character), ~ {
    x <- gsub(",", "", .x)
    ifelse(grepl("^-?[0-9.]+$", x), as.numeric(x), .x)
  }))

head(donnees)

    n_sq_ar c_ar c_arinsee      l_ar Nb_demandes_terrasses
1 750000001    1     75101  1er Ardt                   288
2 750000002    2     75102 2ème Ardt                   330
3 750000003    3     75103 3ème Ardt                   216
4 750000004    4     75104 4ème Ardt                   304
5 750000005    5     75105 5ème Ardt                   331
6 750000006    6     75106 6ème Ardt                   282
  Surface_totale_terracces.m2. Perception_totale_terraces.euros.
1                      7145.39                         1017910.0
2                      6803.36                          730715.9
3                      4837.32                          446711.1
4                      7733.16                         1068921.0
5                      6320.50                          755623.1
6                      6294.25                          824547.2
  naissances_2013 n_pediatres prix_m2_appart pop_2019 n_musees taux_chomage
1            11.5           0          13368    16055        7          7.2
2            11.1           0          12444    21735        1          8.1
3            11.8           5          12867    34306        9          9.3
4            10.3           4          13819    29390       10          8.6
5             8.3           6          13136    58897        9          9.0
6             8.4           4          15255    41171       14          7.8
  part_log_sociaux revenu_median superficie_km2 densite_pop_km2
1              1.2          3820           1.83            8773
2              2.4          3250           0.99           21955
3              4.1          2980           1.17           29321
4              3.8          3100           1.60           18369
5              2.9          3040           2.54           23188
6              1.8          3890           2.15           19149
  part_moins_20ans part_plus_65ans n_ecoles_primaires part_diplomes_sup
1             14.2            18.2                  4              58.2
2             15.8            16.4                  5              52.4
3             16.9            14.8                  7              48.3
4             15.2            15.2                  7              50.1
5             17.3            16.1                  9              62.8
6             14.1            20.3                  7              66.4

10.3.5 Exercice 6 — Jointure attributaire

Joignez les données socio-économiques aux polygones des arrondissements. La clé de jointure est c_arinsee dans les deux tables.

Rappel

left_join(x, y, by = c("cle_x" = "cle_y")) — conserve toutes les lignes de x et ajoute les colonnes de y là où les clés correspondent.

Code

PA_data <- left_join(___, ___,
                     by = c("c_arinsee" = "c_arinsee"))

# Vérifier que la jointure a fonctionné
PA_data |> st_drop_geometry() |>
  select(l_aroff, taux_chomage, revenu_median, prix_m2_appart) |>
  head(5)

Voir la réponse

PA_data <- left_join(PA, donnees,
                     by = c("c_arinsee" = "c_arinsee"))

PA_data |> st_drop_geometry() |>
  select(l_aroff, taux_chomage, revenu_median, prix_m2_appart) |>
  head(5) |>
  knitr::kable(caption = "Extrait des données jointes")

Extrait des données jointes
l_aroff	taux_chomage	revenu_median	prix_m2_appart
Popincourt	14.1	2180	11249
Vaugirard	10.8	2420	10891
Gobelins	13.9	2050	9858
Buttes-Montmartre	15.2	1980	10762
Louvre	7.2	3820	13368

10.4 Cartographier les arrondissements

10.4.1 Exercice 7 — Carte de base

Créez une carte de base des arrondissements avec leurs noms.

Code

map_paris <- ggplot() +
  geom_sf(data = ___, fill = "grey95", color = "white", linewidth = 0.5) +
  geom_sf_text(data = ___, aes(label = ___),
               fun.geometry = sf::st_centroid, size = 2.5, color = "grey30") +
  labs(title = "Arrondissements de Paris") +
  theme_void()
map_paris

Voir la réponse

map_paris <- ggplot() +
  geom_sf(data = PA_data, fill = "grey95", color = "white", linewidth = 0.5) +
  geom_sf_text(data = PA_data, aes(label = c_arinsee),
               fun.geometry = sf::st_centroid, size = 3, color = "grey30",
               fontface = "bold") +
  labs(title   = "Arrondissements de Paris",
       caption = "Source : données Paris | Cours R-Carto") +
  theme_void(base_size = 12) +
  theme(plot.title = element_text(face = "bold", hjust = 0.5))
map_paris

Arrondissements de Paris avec numérotation

10.4.2 Exercice 8 — Carte choroplèthe : prix au m²

Cartographiez le prix moyen au m² par arrondissement avec une palette séquentielle.

Indice

La variable s’appelle prix_m2_appart. Choisissez une palette qui va du clair (prix faibles) au foncé (prix élevés) — pensez à scale_fill_viridis_c() ou scale_fill_gradient().

Code

ggplot(PA_data) +
  geom_sf(aes(fill = ___), color = "white", linewidth = 0.4) +
  scale_fill_viridis_c(
    option = "___",
    name   = "___",
    labels = ___
  ) +
  labs(title = "___", caption = "___") +
  theme_void()

Voir la réponse

ggplot(PA_data) +
  geom_sf(aes(fill = prix_m2_appart), color = "white", linewidth = 0.4) +
  scale_fill_viridis_c(
    option = "plasma",
    direction = -1,
    name   = "Prix au m²\n(€)",
    labels = label_comma(suffix = " €")
  ) +
  labs(
    title    = "Prix moyen au m² par arrondissement",
    subtitle = "Paris — données enrichies",
    caption  = "Source : données Paris | Cours R-Carto"
  ) +
  theme_void(base_size = 12) +
  theme(
    plot.title      = element_text(face = "bold", hjust = 0.5),
    plot.subtitle   = element_text(color = "grey40", hjust = 0.5),
    legend.key.height = unit(1.5, "cm")
  )

Prix moyen au m² par arrondissement parisien

10.4.3 Exercice 9 — Carte avec Jenks et fond Grand Paris

Reprenez la variable taux_chomage, utilisez une classification de Jenks, et ajoutez le Grand Paris en fond de carte.

Code

chomage_vec <- PA_data |> st_drop_geometry() |> pull(taux_chomage)
breaks_j    <- classIntervals(chomage_vec, n = 5, style = "jenks")

PA_data <- PA_data |>
  mutate(classe_chomage = cut(taux_chomage,
                               breaks = breaks_j$brks,
                               include.lowest = TRUE,
                               dig.lab = 3,
                               ordered_result = TRUE))

ggplot() +
  geom_sf(data = ___, fill = "grey88", color = "grey70", linewidth = 0.3) + # fond Grand Paris
  geom_sf(data = ___, aes(fill = ___), color = "white", linewidth = 0.5) +
  scale_fill_brewer(palette = "___", name = "Taux de\nchômage (%)") +
  labs(title = "___", caption = "___") +
  theme_void()

Voir la réponse

chomage_vec <- PA_data |> st_drop_geometry() |> pull(taux_chomage)
breaks_j    <- classIntervals(chomage_vec, n = 5, style = "jenks")

PA_data <- PA_data |>
  mutate(classe_chomage = cut(taux_chomage,
                               breaks = breaks_j$brks,
                               include.lowest = TRUE,
                               dig.lab = 3,
                               ordered_result = TRUE))

ggplot() +
  geom_sf(data = GrandParis, fill = "grey88", color = "grey70", linewidth = 0.3) +
  geom_sf(data = PA_data, aes(fill = classe_chomage),
          color = "white", linewidth = 0.5) +
  scale_fill_brewer(palette = "YlOrRd", name = "Taux de\nchômage (%)") +
  labs(
    title    = "Taux de chômage par arrondissement",
    subtitle = "Classification de Jenks (n = 5) — fond Grand Paris",
    caption  = "Source : données Paris | Cours R-Carto"
  ) +
  theme_void(base_size = 12) +
  theme(
    plot.title    = element_text(face = "bold", hjust = 0.5),
    plot.subtitle = element_text(color = "grey40", hjust = 0.5)
  )

Taux de chômage par arrondissement (Jenks, n=5) sur fond Grand Paris

10.5 Aller plus loin : grille hexagonale

La grille hexagonale (hexbin) est une alternative aux polygones administratifs qui évite le biais lié à la taille des unités géographiques. Chaque cellule couvre exactement la même superficie.

Code

arbresgeo <- read_sf("data/Paris/Points/les-arbres-plantes.shp") |>
  st_transform(2154)

# Créer la grille hexagonale (500 m)
grille <- st_make_grid(
  arbresgeo,
  cellsize = 500,
  crs      = 2154,
  what     = "polygons",
  square   = FALSE
) |>
  st_sf()

grille <- grille |>
  mutate(nb_arbres = lengths(st_intersects(grille, arbresgeo))) |>
  filter(nb_arbres > 1)

ggplot(grille) +
  geom_sf(aes(fill = nb_arbres), color = NA) +
  scale_fill_gradientn(
    colors = c("#e8f5e9", "#66bb6a", "#2e7d32", "#1b3d08"),
    name   = "Arbres\nplantés",
    trans  = "sqrt"
  ) +
  # Contours des arrondissements pour se repérer
  geom_sf(data = PA, fill = NA, color = "white", linewidth = 0.6) +
  geom_sf_text(data = PA, aes(label = c_ar),
               fun.geometry = sf::st_centroid,
               size = 2.5, color = "white", fontface = "bold",
               alpha = 0.9) +
  labs(
    title    = "Densité d'arbres plantés — Paris",
    subtitle = "Grille hexagonale 500 m | contours des arrondissements",
    caption  = "Source : Open Data Paris | Cours R-Carto"
  ) +
  theme_void(base_size = 12) +
  theme(
    plot.title    = element_text(face = "bold", hjust = 0.5),
    plot.subtitle = element_text(color = "grey40", hjust = 0.5),
    legend.key.height = unit(1.5, "cm")
  )

Figure 10.1: Grille hexagonale de 500 m — nombre d’arbres plantés par cellule

Exercice bonus — Grille Airbnb

Reproduisez la même carte hexagonale mais en comptant le nombre d’annonces Airbnb par cellule de 500 m. Remplacez arbresgeo par airbnb_filtre et adaptez la palette.

Code

grille_airbnb <- st_make_grid(
  airbnb_filtre,
  cellsize = 500,
  crs      = 2154,
  what     = "polygons",
  square   = FALSE
) |>
  st_sf()

grille_airbnb <- grille_airbnb |>
  mutate(nb_annonces = lengths(st_intersects(grille_airbnb, airbnb_filtre))) |>
  filter(nb_annonces > 0)

ggplot(grille_airbnb) +
  geom_sf(aes(fill = nb_annonces), color = NA) +
  scale_fill_viridis_c(option = "inferno", name = "Annonces\nAirbnb",
                       trans = "sqrt") +
  geom_sf(data = PA, fill = NA, color = "white", linewidth = 0.5) +
  geom_sf_text(data = PA, aes(label = c_ar),
               fun.geometry = sf::st_centroid,
               size = 2.5, color = "white", fontface = "bold") +
  labs(title    = "Densité d'annonces Airbnb — grille hexagonale 500 m",
       subtitle = "Contours des arrondissements en filigrane") +
  theme_void()

10.6 Exporter vos cartes

ggsave() sauvegarde le dernier graphique affiché — ou celui que vous passez explicitement dans l’argument plot =. C’est la fonction standard pour exporter vers PNG, PDF, SVG et d’autres formats.

10.6.1 Utilisation de base

Code

dir.create("maps", showWarnings = FALSE)

# PNG haute résolution — pour présentations et rapports
ggsave("maps/paris_prix_airbnb.png",
       width = 20, height = 20, units = "cm", dpi = 300)

# PDF vectoriel — pour publications (redimensionnable sans perte)
ggsave("maps/paris_prix_airbnb.pdf",
       width = 20, height = 20, units = "cm")

# SVG — pour le web ou l'édition dans Inkscape / Illustrator
ggsave("maps/paris_prix_airbnb.svg",
       width = 20, height = 20, units = "cm")

10.6.2 Contrôler les dimensions et la résolution

Les dimensions contrôlent la taille du canevas. La résolution (dpi) contrôle la densité de pixels — elle n’affecte pas la taille physique, mais la netteté à l’impression ou sur écran.

Code

# Format A4 paysage (297 × 210 mm)
ggsave("maps/carte_a4.png",
       width = 29.7, height = 21.0, units = "cm", dpi = 300)

# Format carré pour réseaux sociaux (1080 × 1080 px)
# À 96 dpi, 1080px ÷ 96 = 11.25 pouces
ggsave("maps/carte_social.png",
       width = 11.25, height = 11.25, units = "in", dpi = 96)

# Vignette basse résolution pour aperçu rapide
ggsave("maps/carte_apercu.png",
       width = 10, height = 10, units = "cm", dpi = 72)

Choisir le bon dpi

Destination	`dpi` recommandé
Impression (journal, rapport)	300
Présentation PowerPoint / Keynote	150–200
Web, email, aperçu	72–96
Publication scientifique	300–600

Au-delà de 300 dpi, le gain est invisible à l’œil nu sauf pour les très grands formats imprimés.

10.6.3 Contrôler la taille du texte et des éléments

Un problème fréquent : la carte est lisible dans RStudio mais le texte est minuscule une fois exportée, ou inversement trop gros. La cause est presque toujours un décalage entre les dimensions du canevas et le base_size du thème.

Règle pratique : base_size ≈ largeur en cm ÷ 2.

Code

# Pour un export 20 × 20 cm → base_size = 10 est un bon point de départ
ma_carte <- ggplot(PA_data) +
  geom_sf(aes(fill = prix_m2_appart), color = "white", linewidth = 0.3) +
  scale_fill_viridis_c(option = "plasma", direction = -1,
                        name = "Prix au m²\n(€)") +
  labs(title    = "Prix au m² — Paris",
       subtitle = "Arrondissements",
       caption  = "Source : données Paris | Cours R-Carto") +
  theme_void(base_size = 10) +           # base_size contrôle toutes les tailles relatives
  theme(
    plot.title    = element_text(face = "bold", size = 14, hjust = 0.5),
    plot.subtitle = element_text(size = 10, color = "grey40", hjust = 0.5),
    plot.caption  = element_text(size = 7,  color = "grey55", hjust = 0),
    legend.title  = element_text(size = 9,  face = "bold"),
    legend.text   = element_text(size = 8),
    plot.margin   = margin(10, 15, 10, 15)   # marges : haut, droite, bas, gauche (pt)
  )

ggsave("maps/carte_texte_controle.png",
       plot   = ma_carte,       # passer l'objet explicitement
       width  = 20, height = 20, units = "cm", dpi = 300)

Le piège du base_size

theme_void(base_size = 13) dans RStudio produit un texte lisible dans le panneau Plots (environ 7 × 5 cm). Si vous exportez cette même carte en 20 × 20 cm avec dpi = 300, le texte paraîtra énorme car les proportions changent.

Workflow recommandé :

Construire la carte avec base_size adapté aux dimensions d’export cibles
Sauvegarder dans plot = ma_carte
Exporter et vérifier le résultat dans un visionneur externe (pas le panneau RStudio)

10.6.4 Sauvegarder plusieurs cartes en une boucle

Code

# Exporter la même carte dans plusieurs formats d'un coup
formats <- c("png", "pdf", "svg")

for (fmt in formats) {
  ggsave(
    filename = paste0("maps/paris_prix_airbnb.", fmt),
    plot     = ma_carte,
    width    = 20, height = 20, units = "cm",
    dpi      = if (fmt == "png") 300 else NA   # dpi ignoré pour pdf/svg
  )
}

Récapitulatif des paramètres ggsave()

Paramètre	Valeurs typiques	Notes
`filename`	`"maps/carte.png"`	Extension détermine le format si `device` absent
`plot`	`ma_carte`	Dernier plot si omis
`width`, `height`	`20`, `29.7`…	Toujours préciser `units`
`units`	`"cm"`, `"in"`, `"mm"`, `"px"`	`"cm"` recommandé
`dpi`	`72`, `150`, `300`	Ignoré pour pdf et svg
`device`	`"png"`, `"pdf"`, `"svg"`, `"tiff"`	Utile pour forcer le format
`bg`	`"white"`, `"transparent"`	Couleur de fond (utile si `plot.background = NA`)
`scale`	`1`, `1.5`, `0.8`	Multiplie toutes les tailles — dernier recours

Documentation complète : ggplot2.tidyverse.org/reference/ggsave

10.7 Récapitulatif

Ce que vous avez pratiqué

Opération	Fonction	Données
Charger shapefile	`read_sf()`	Arrondissements, IRIS
Reprojeter	`st_transform(x, 2154)`	Lambert-93 France
Jointure attributaire	`left_join()`	Données socio-économiques
Spatialiser un CSV	`st_as_sf()`	Airbnb
Jointure spatiale	`st_join(polygones, points)`	Airbnb × arrondissements
Agréger	`group_by() \\|> summarise()`	Prix moyen par arrondissement
Grille hexagonale	`st_make_grid(..., square = FALSE)`	Arbres, Airbnb
Exporter	`ggsave()`	PNG, PDF

← Précédent : Géotraitement — Londres → Suivant : Calculs d’Indices Topographiques

Dr. Elisabetta Pietrostefani — Directrice Adjointe, Geographic Data Science Lab — Université de Liverpool | Co-Directrice, Imago : Data Service for Imagery | Chercheuse Associée, London School of Economics

--- title: "Géotraitement : Paris" author: "Dr. Elisabetta Pietrostefani" date: today format: html: toc: true toc-depth: 3 toc-title: "Table des matières" number-sections: true code-fold: show code-tools: true theme: cosmo highlight-style: github embed-resources: true fig-align: center fig-width: 8 fig-height: 7 execute: warning: false message: false echo: true --- ## Introduction {#sec-intro} Dans le chapitre précédent, vous avez appliqué les opérations de géotraitement à Londres : charger des données, les spatialiser, les joindre et les cartographier. Il est maintenant temps de **reproduire ces étapes pour Paris**, avec de vraies données socio-économiques par arrondissement. Vous disposez de : - Un **shapefile** des arrondissements parisiens (`arrondiss_lambert.shp`) - Un fichier **CSV enrichi** (`donnees_arrondissement_enrichi.csv`) avec des données socio-économiques par arrondissement - Des données **Airbnb** et des **données d'arbres** pour aller plus loin ::: callout-tip ## Rappel des fonctions clés vues à Londres | Opération | Fonction | |-----------------------|--------------------------------------| | Lire un shapefile | `read_sf("chemin/fichier.shp")` | | Vérifier le SCR | `st_crs(objet)$srid` | | Reprojeter | `st_transform(objet, 2154)` | | Spatialiser un CSV | `st_as_sf(df, coords = c(lon, lat))` | | Jointure attributaire | `left_join(x, y, by = ...)` | | Jointure spatiale | `st_join(polygones, points)` | | Agréger | `group_by() |> summarise()` | ::: ```{r} #| label: setup #| message: false library(sf) library(ggplot2) library(dplyr) library(viridis) library(scales) library(ggspatial) library(classInt) ``` ------------------------------------------------------------------------ ## Charger et préparer les données {#sec-load} ### Exercice 1 — Charger les polygones de Paris Chargez le shapefile des arrondissements et des communes du Grand Paris, vérifiez leurs SCR et reprojetez en Lambert-93. ```{r} #| label: ex1-question #| eval: false PA <- read_sf("data/Paris/Polygons/arrondiss_lambert.shp") GrandParis <- read_sf("data/Paris/Polygons/communes_grandsparis.shp") # Vérifier les SCR st_crs(PA)$srid st_crs(GrandParis)$srid # Reprojeter les deux en Lambert-93 PA <- st_transform(___, ___) GrandParis <- st_transform(___, ___) ``` ```{r} #| label: ex1-answer #| code-fold: true #| code-summary: "Voir la réponse" #| fig-cap: "Arrondissements de Paris et communes du Grand Paris" PA <- read_sf("data/Paris/Polygons/arrondiss_lambert.shp") GrandParis <- read_sf("data/Paris/Polygons/communes_grandsparis.shp") PA <- st_transform(PA, 2154) GrandParis <- st_transform(GrandParis, 2154) # Visualisation ggplot() + geom_sf(data = GrandParis, aes(fill = as.factor(C_DEP)), color = "white", linewidth = 0.3, show.legend = FALSE) + scale_fill_manual(values = c("75" = "#d9d9d9", "92" = "#bdbdbd", "93" = "#969696", "94" = "#737373", "91" = "#525252")) + geom_sf(data = PA, fill = "#1a4f7a", color = "white", linewidth = 0.5) + geom_sf_text(data = PA, aes(label = c_ar), fun.geometry = sf::st_centroid, size = 1.5, color = "white", fontface = "bold") + labs( title = "Paris et le Grand Paris", subtitle = "Arrondissements parisiens (bleu foncé) et communes limitrophes", caption = "Source : données Paris | Cours R-Carto" ) + theme_void(base_size = 12) + theme( plot.title = element_text(face = "bold", hjust = 0.5), plot.subtitle = element_text(color = "grey40", hjust = 0.5) ) ``` ------------------------------------------------------------------------ ## Données Airbnb : jointure spatiale {#sec-airbnb} Le fichier `listings.csv` contient les annonces Airbnb parisiennes avec leurs coordonnées. Nous allons reproduire **exactement la même chaîne d'opérations** qu'avec les ventes immobilières à Londres, en décomposant chaque étape. ::: callout-note ## La chaîne complète en 9 étapes | Étape | Opération | Fonction | |-------|--------------------------------------|------------------------------| | 1 | Lire le CSV | `read.csv()` | | 2 | Identifier les colonnes lon/lat | `names()` / `head()` | | 3 | Convertir en objet sf | `st_as_sf()` | | 4 | Déclarer le SCR (WGS84) | `st_set_crs(4326)` | | 5 | Reprojeter comme les arrondissements | `st_transform()` | | 6 | Filtrer | `filter()` | | 7 | Jointure spatiale | `st_join()` | | 8 | Agréger | `group_by() \|> summarise()` | | 9 | Cartographier | `ggplot() + geom_sf()` | ::: ### Exercice 2 — Étapes 1 à 5 : Charger et spatialiser `listings.csv` Avant d'écrire une seule ligne de code spatial, on explore toujours le CSV brut pour repérer les colonnes de coordonnées. ```{r} #| label: ex2-question #| eval: false # Étape 1 : lire le fichier airbnb <- read.csv("data/Paris/airbnb/listings.csv") # Étape 2 : explorer avant de spatialiser # names() liste toutes les colonnes — repérez longitude et latitude names(airbnb) head(airbnb, 3) # Dans listings.csv : # colonne 8 → longitude (direction est-ouest) # colonne 7 → latitude (direction nord-sud) # ATTENTION : st_as_sf() attend toujours LONGITUDE avant LATITUDE → c(8, 7) # Étape 3 : convertir en objet sf airbnb_sf <- st_as_sf(airbnb, coords = c(___, ___)) # Étape 4 : déclarer le SCR — les coordonnées GPS sont toujours en WGS84 # st_set_crs() DÉCLARE sans modifier les coordonnées airbnb_sf <- st_set_crs(airbnb_sf, ___) # Étape 5 : reprojeter dans le même SCR que PA # st_crs(PA) récupère automatiquement le SCR de PA — plus robuste que d'écrire 2154 en dur airbnb_sf <- st_transform(airbnb_sf, st_crs(PA)) # Vérification : les deux couches sont-elles maintenant dans le même SCR ? st_crs(airbnb_sf) == st_crs(PA) # doit renvoyer TRUE ``` ::: callout-tip ## Version condensée en un pipe Les étapes 3, 4 et 5 peuvent s'enchaîner en un seul pipe : ``` r airbnb_sf <- st_as_sf(airbnb, coords = c(8, 7)) |> st_set_crs(4326) |> st_transform(st_crs(PA)) ``` ::: ```{r} #| label: ex2-answer #| code-fold: true #| code-summary: "Voir la réponse" #| fig-cap: "Points Airbnb superposés aux arrondissements" # Étape 1 : lire airbnb <- read.csv("data/Paris/airbnb/listings.csv") # Étapes 2–5 : explorer, convertir, déclarer, reprojeter cat("Colonnes lon/lat :", names(airbnb)[c(8, 7)], "\n") cat("Nombre d'annonces :", nrow(airbnb), "\n") airbnb_sf <- st_as_sf(airbnb, coords = c(8, 7)) |> st_set_crs(4326) |> st_transform(st_crs(PA)) # Vérification st_crs(airbnb_sf) == st_crs(PA) # Visualisation — size et alpha petits car beaucoup de points ggplot() + geom_sf(data = PA, fill = "grey95", color = "white", linewidth = 0.4) + geom_sf(data = airbnb_sf, color = "#d7191c", size = 0.3, alpha = 0.3) + labs( title = "Annonces Airbnb à Paris", subtitle = paste0(format(nrow(airbnb_sf), big.mark = " "), " annonces au total"), caption = "Source : Inside Airbnb | Cours R-Carto" ) + theme_void(base_size = 12) + theme( plot.title = element_text(face = "bold", hjust = 0.5), plot.subtitle = element_text(color = "grey40", hjust = 0.5) ) ``` ### Exercice 3 — Étapes 6 à 8 : Filtrer, joindre et agréger On exclut les annonces très chères, puis on associe chaque annonce à son arrondissement via une jointure spatiale, avant d'agréger. ::: callout-important ## L'ordre des arguments dans `st_join()` est crucial `st_join(polygones, points)` — le **premier argument** détermine la structure géométrique du résultat. En mettant `PA` en premier, le résultat est un objet avec les géométries des arrondissements, enrichi des attributs des annonces qui y tombent — ce dont on a besoin pour agréger ensuite par arrondissement. ::: ```{r} #| label: airbnb-ex3-question #| eval: false # Étape 6 : filtrer — garder les annonces < 200 €/nuit airbnb_filtre <- filter(airbnb_sf, price < ___) cat("Annonces conservées :", nrow(airbnb_filtre), "sur", nrow(airbnb_sf), "\n") # Étape 7 : jointure spatiale # Chaque polygone hérite des attributs de tous les points qu'il contient. # Résultat : plusieurs lignes par arrondissement (une par annonce). airbnb_PA <- st_join(___, ___) # arrondissements parisiens × annonces airbnb_GP <- st_join(___, ___) # communes Grand Paris × annonces cat("Lignes après jointure :", nrow(airbnb_PA), "(>> nrow(PA) =", nrow(PA), ")\n") # Étape 8 : agréger # group_by() + summarise() condense en une ligne par arrondissement. # .groups = "drop" supprime le groupement après summarise (bonne pratique). airbnb_agg <- airbnb_PA |> group_by(c_arinsee, l_aroff) |> summarise( nb_annonces = n(), prix_moyen = mean(___, na.rm = TRUE), .groups = "drop" ) cat("Lignes après agrégation :", nrow(airbnb_agg), "(= nrow(PA) =", nrow(PA), ")\n") head(airbnb_agg) ``` ```{r} #| label: airbnb-ex3-answer #| code-fold: true #| code-summary: "Voir la réponse" # Étape 6 : filtrer airbnb_filtre <- filter(airbnb_sf, price < 200) cat("Annonces conservées :", nrow(airbnb_filtre), "sur", nrow(airbnb_sf), "\n") # Étape 7 : jointure spatiale (Paris + Grand Paris) airbnb_PA <- st_join(PA, airbnb_filtre) airbnb_GP <- st_join(GrandParis, airbnb_filtre) cat("Lignes après jointure :", nrow(airbnb_PA), "(>> nrow(PA) =", nrow(PA), ")\n") # Étape 8 : agréger — arrondissements airbnb_agg <- airbnb_PA |> group_by(c_arinsee, l_aroff) |> summarise( nb_annonces = n(), prix_moyen = mean(price, na.rm = TRUE), .groups = "drop" ) # Étape 8 : agréger — Grand Paris airbnb_gp_agg <- airbnb_GP |> group_by(C_DEP) |> summarise( nb_annonces = n(), prix_moyen = mean(price, na.rm = TRUE), .groups = "drop" ) cat("Lignes après agrégation :", nrow(airbnb_agg), "(= nrow(PA) =", nrow(PA), ")\n") airbnb_agg |> st_drop_geometry() |> select(l_aroff, nb_annonces, prix_moyen) |> arrange(desc(prix_moyen)) |> head(8) |> knitr::kable(digits = 0, caption = "Arrondissements classés par prix Airbnb moyen") ``` ### Exercice 4 — Étape 9 : Carte finale avec IRIS en filigrane On superpose trois couches : le Grand Paris en fond, les arrondissements avec leurs prix, et les IRIS en filigrane pour montrer la structure interne de Paris. ::: callout-tip ## Pourquoi `limits = prix_range` ? Sans `limits`, `ggplot2` calcule une échelle de couleur séparée pour chaque `geom_sf()`. La même valeur (ex. 90 €) aurait une couleur différente dans le Grand Paris et dans les arrondissements. `limits = prix_range` force les deux couches à partager la même échelle — indispensable pour une lecture cohérente. ::: ```{r} #| label: airbnb-ex4-question #| eval: false iris <- read_sf("data/Paris/Polygons/iris.shp") |> filter(dep == "75") |> st_transform(2154) # Calculer l'étendue commune des prix pour harmoniser la palette prix_range <- range(c(airbnb_agg$prix_moyen, airbnb_gp_agg$prix_moyen), na.rm = TRUE) ggplot() + # Couche 1 : Grand Paris en fond (dessiné en premier = en dessous) geom_sf(data = ___, aes(fill = prix_moyen), color = "white", linewidth = 0.3) + # Couche 2 : arrondissements par-dessus geom_sf(data = ___, aes(fill = ___), color = "white", linewidth = 0.5) + scale_fill_viridis_c( "Prix moyen\n(€/nuit)", direction = -1, limits = prix_range, # même échelle pour les deux couches labels = label_dollar(prefix = "€"), option = "___" # essayez "plasma", "magma", "inferno" ) + # Couche 3 : IRIS en filigrane (fill = NA = transparent, juste le contour) geom_sf(data = iris, fill = NA, color = alpha("white", ___), linewidth = 0.12) + # essayez 0.2 à 0.5 labs(title = "___", subtitle = "___", caption = "___") + theme_void() ``` ```{r} #| label: airbnb-ex4-answer #| code-fold: true #| code-summary: "Voir la réponse" #| fig-cap: "Prix moyen Airbnb par arrondissement avec IRIS en fond" iris <- read_sf("data/Paris/Polygons/iris.shp") |> filter(dep == "75") |> st_transform(2154) prix_range <- range(c(airbnb_agg$prix_moyen, airbnb_gp_agg$prix_moyen), na.rm = TRUE) ggplot() + # Couche 1 : Grand Paris en fond geom_sf(data = airbnb_gp_agg, aes(fill = prix_moyen), color = "white", linewidth = 0.3) + # Couche 2 : arrondissements parisiens geom_sf(data = airbnb_agg, aes(fill = prix_moyen), color = "white", linewidth = 0.5) + scale_fill_viridis_c( "Prix moyen\n(€/nuit)", direction = -1, limits = prix_range, labels = label_dollar(prefix = "€"), option = "plasma" ) + # Couche 3 : IRIS en filigrane — alpha faible pour ne pas surcharger geom_sf(data = iris, fill = NA, color = alpha("white", 0.3), linewidth = 0.12) + labs( title = "Prix moyen Airbnb — Paris et Grand Paris", subtitle = "Annonces < 200 €/nuit | IRIS en filigrane sur Paris", caption = "Source : Inside Airbnb | Cours R-Carto" ) + theme_void(base_size = 12) + theme( plot.title = element_text(face = "bold", hjust = 0.5), plot.subtitle = element_text(color = "grey40", hjust = 0.5), legend.key.height = unit(1.5, "cm") ) ``` ------------------------------------------------------------------------ ### Exercice 5 — Charger les données socio-économiques Chargez le fichier `donnees_arrondissement_enrichi.csv` et examinez sa structure. Ce fichier contient les variables suivantes : | Variable | Description | |---------------------|--------------------------------------------------| | `c_arinsee` | Code INSEE de l'arrondissement (clé de jointure) | | `prix_m2_appart` | Prix moyen au m² (€) | | `taux_chomage` | Taux de chômage (%) | | `part_log_sociaux` | Part de logements sociaux (%) | | `revenu_median` | Revenu médian mensuel (€) | | `densite_pop_km2` | Densité de population (hab/km²) | | `part_moins_20ans` | Part des moins de 20 ans (%) | | `part_plus_65ans` | Part des plus de 65 ans (%) | | `part_diplomes_sup` | Part de diplômés du supérieur (%) | | `n_musees` | Nombre de musées | ```{r} #| label: ex5-question #| eval: false donnees <- read.csv("data/Paris/Tables/donnees_arrondissement_enrichi.csv") head(___) ``` ```{r} #| label: ex5-answer #| code-fold: true #| code-summary: "Voir la réponse" donnees <- read.csv("data/Paris/Tables/donnees_arrondissement_enrichi.csv") |> mutate(across(where(is.character), ~ { x <- gsub(",", "", .x) ifelse(grepl("^-?[0-9.]+$", x), as.numeric(x), .x) })) head(donnees) ``` ### Exercice 6 — Jointure attributaire Joignez les données socio-économiques aux polygones des arrondissements. La clé de jointure est `c_arinsee` dans les deux tables. ::: callout-tip ## Rappel `left_join(x, y, by = c("cle_x" = "cle_y"))` — conserve toutes les lignes de `x` et ajoute les colonnes de `y` là où les clés correspondent. ::: ```{r} #| label: ex6-question #| eval: false PA_data <- left_join(___, ___, by = c("c_arinsee" = "c_arinsee")) # Vérifier que la jointure a fonctionné PA_data |> st_drop_geometry() |> select(l_aroff, taux_chomage, revenu_median, prix_m2_appart) |> head(5) ``` ```{r} #| label: ex6-answer #| code-fold: true #| code-summary: "Voir la réponse" PA_data <- left_join(PA, donnees, by = c("c_arinsee" = "c_arinsee")) PA_data |> st_drop_geometry() |> select(l_aroff, taux_chomage, revenu_median, prix_m2_appart) |> head(5) |> knitr::kable(caption = "Extrait des données jointes") ``` ------------------------------------------------------------------------ ## Cartographier les arrondissements {#sec-maps} ### Exercice 7 — Carte de base Créez une carte de base des arrondissements avec leurs noms. ```{r} #| label: ex7-question #| eval: false map_paris <- ggplot() + geom_sf(data = ___, fill = "grey95", color = "white", linewidth = 0.5) + geom_sf_text(data = ___, aes(label = ___), fun.geometry = sf::st_centroid, size = 2.5, color = "grey30") + labs(title = "Arrondissements de Paris") + theme_void() map_paris ``` ```{r} #| label: ex7-answer #| code-fold: true #| code-summary: "Voir la réponse" #| fig-cap: "Arrondissements de Paris avec numérotation" map_paris <- ggplot() + geom_sf(data = PA_data, fill = "grey95", color = "white", linewidth = 0.5) + geom_sf_text(data = PA_data, aes(label = c_arinsee), fun.geometry = sf::st_centroid, size = 3, color = "grey30", fontface = "bold") + labs(title = "Arrondissements de Paris", caption = "Source : données Paris | Cours R-Carto") + theme_void(base_size = 12) + theme(plot.title = element_text(face = "bold", hjust = 0.5)) map_paris ``` ### Exercice 8 — Carte choroplèthe : prix au m² Cartographiez le prix moyen au m² par arrondissement avec une palette séquentielle. ::: callout-tip ## Indice La variable s'appelle `prix_m2_appart`. Choisissez une palette qui va du clair (prix faibles) au foncé (prix élevés) — pensez à `scale_fill_viridis_c()` ou `scale_fill_gradient()`. ::: ```{r} #| label: ex8-question #| eval: false ggplot(PA_data) + geom_sf(aes(fill = ___), color = "white", linewidth = 0.4) + scale_fill_viridis_c( option = "___", name = "___", labels = ___ ) + labs(title = "___", caption = "___") + theme_void() ``` ```{r} #| label: ex8-answer #| code-fold: true #| code-summary: "Voir la réponse" #| fig-cap: "Prix moyen au m² par arrondissement parisien" ggplot(PA_data) + geom_sf(aes(fill = prix_m2_appart), color = "white", linewidth = 0.4) + scale_fill_viridis_c( option = "plasma", direction = -1, name = "Prix au m²\n(€)", labels = label_comma(suffix = " €") ) + labs( title = "Prix moyen au m² par arrondissement", subtitle = "Paris — données enrichies", caption = "Source : données Paris | Cours R-Carto" ) + theme_void(base_size = 12) + theme( plot.title = element_text(face = "bold", hjust = 0.5), plot.subtitle = element_text(color = "grey40", hjust = 0.5), legend.key.height = unit(1.5, "cm") ) ``` ### Exercice 9 — Carte avec Jenks et fond Grand Paris Reprenez la variable `taux_chomage`, utilisez une classification de Jenks, et ajoutez le Grand Paris en fond de carte. ```{r} #| label: ex9-question #| eval: false chomage_vec <- PA_data |> st_drop_geometry() |> pull(taux_chomage) breaks_j <- classIntervals(chomage_vec, n = 5, style = "jenks") PA_data <- PA_data |> mutate(classe_chomage = cut(taux_chomage, breaks = breaks_j$brks, include.lowest = TRUE, dig.lab = 3, ordered_result = TRUE)) ggplot() + geom_sf(data = ___, fill = "grey88", color = "grey70", linewidth = 0.3) + # fond Grand Paris geom_sf(data = ___, aes(fill = ___), color = "white", linewidth = 0.5) + scale_fill_brewer(palette = "___", name = "Taux de\nchômage (%)") + labs(title = "___", caption = "___") + theme_void() ``` ```{r} #| label: ex9-answer #| code-fold: true #| code-summary: "Voir la réponse" #| fig-cap: "Taux de chômage par arrondissement (Jenks, n=5) sur fond Grand Paris" chomage_vec <- PA_data |> st_drop_geometry() |> pull(taux_chomage) breaks_j <- classIntervals(chomage_vec, n = 5, style = "jenks") PA_data <- PA_data |> mutate(classe_chomage = cut(taux_chomage, breaks = breaks_j$brks, include.lowest = TRUE, dig.lab = 3, ordered_result = TRUE)) ggplot() + geom_sf(data = GrandParis, fill = "grey88", color = "grey70", linewidth = 0.3) + geom_sf(data = PA_data, aes(fill = classe_chomage), color = "white", linewidth = 0.5) + scale_fill_brewer(palette = "YlOrRd", name = "Taux de\nchômage (%)") + labs( title = "Taux de chômage par arrondissement", subtitle = "Classification de Jenks (n = 5) — fond Grand Paris", caption = "Source : données Paris | Cours R-Carto" ) + theme_void(base_size = 12) + theme( plot.title = element_text(face = "bold", hjust = 0.5), plot.subtitle = element_text(color = "grey40", hjust = 0.5) ) ``` ------------------------------------------------------------------------ ## Aller plus loin : grille hexagonale {#sec-grid} La grille hexagonale (*hexbin*) est une alternative aux polygones administratifs qui évite le biais lié à la taille des unités géographiques. Chaque cellule couvre exactement la même superficie. ```{r} #| label: fig-hex-grid #| fig-cap: "Grille hexagonale de 500 m — nombre d'arbres plantés par cellule" arbresgeo <- read_sf("data/Paris/Points/les-arbres-plantes.shp") |> st_transform(2154) # Créer la grille hexagonale (500 m) grille <- st_make_grid( arbresgeo, cellsize = 500, crs = 2154, what = "polygons", square = FALSE ) |> st_sf() grille <- grille |> mutate(nb_arbres = lengths(st_intersects(grille, arbresgeo))) |> filter(nb_arbres > 1) ggplot(grille) + geom_sf(aes(fill = nb_arbres), color = NA) + scale_fill_gradientn( colors = c("#e8f5e9", "#66bb6a", "#2e7d32", "#1b3d08"), name = "Arbres\nplantés", trans = "sqrt" ) + # Contours des arrondissements pour se repérer geom_sf(data = PA, fill = NA, color = "white", linewidth = 0.6) + geom_sf_text(data = PA, aes(label = c_ar), fun.geometry = sf::st_centroid, size = 2.5, color = "white", fontface = "bold", alpha = 0.9) + labs( title = "Densité d'arbres plantés — Paris", subtitle = "Grille hexagonale 500 m | contours des arrondissements", caption = "Source : Open Data Paris | Cours R-Carto" ) + theme_void(base_size = 12) + theme( plot.title = element_text(face = "bold", hjust = 0.5), plot.subtitle = element_text(color = "grey40", hjust = 0.5), legend.key.height = unit(1.5, "cm") ) ``` ::: callout-note ## Exercice bonus — Grille Airbnb Reproduisez la même carte hexagonale mais en comptant **le nombre d'annonces Airbnb** par cellule de 500 m. Remplacez `arbresgeo` par `airbnb_filtre` et adaptez la palette. ```{r} #| eval: false grille_airbnb <- st_make_grid( airbnb_filtre, cellsize = 500, crs = 2154, what = "polygons", square = FALSE ) |> st_sf() grille_airbnb <- grille_airbnb |> mutate(nb_annonces = lengths(st_intersects(grille_airbnb, airbnb_filtre))) |> filter(nb_annonces > 0) ggplot(grille_airbnb) + geom_sf(aes(fill = nb_annonces), color = NA) + scale_fill_viridis_c(option = "inferno", name = "Annonces\nAirbnb", trans = "sqrt") + geom_sf(data = PA, fill = NA, color = "white", linewidth = 0.5) + geom_sf_text(data = PA, aes(label = c_ar), fun.geometry = sf::st_centroid, size = 2.5, color = "white", fontface = "bold") + labs(title = "Densité d'annonces Airbnb — grille hexagonale 500 m", subtitle = "Contours des arrondissements en filigrane") + theme_void() ``` ::: ------------------------------------------------------------------------ ## Exporter vos cartes {#sec-export} `ggsave()` sauvegarde le dernier graphique affiché — ou celui que vous passez explicitement dans l'argument `plot =`. C'est la fonction standard pour exporter vers PNG, PDF, SVG et d'autres formats. ### Utilisation de base ```{r} #| label: export-basic #| eval: false dir.create("maps", showWarnings = FALSE) # PNG haute résolution — pour présentations et rapports ggsave("maps/paris_prix_airbnb.png", width = 20, height = 20, units = "cm", dpi = 300) # PDF vectoriel — pour publications (redimensionnable sans perte) ggsave("maps/paris_prix_airbnb.pdf", width = 20, height = 20, units = "cm") # SVG — pour le web ou l'édition dans Inkscape / Illustrator ggsave("maps/paris_prix_airbnb.svg", width = 20, height = 20, units = "cm") ``` ### Contrôler les dimensions et la résolution Les dimensions contrôlent la taille du canevas. La résolution (`dpi`) contrôle la densité de pixels — elle n'affecte pas la taille physique, mais la netteté à l'impression ou sur écran. ```{r} #| label: export-dimensions #| eval: false # Format A4 paysage (297 × 210 mm) ggsave("maps/carte_a4.png", width = 29.7, height = 21.0, units = "cm", dpi = 300) # Format carré pour réseaux sociaux (1080 × 1080 px) # À 96 dpi, 1080px ÷ 96 = 11.25 pouces ggsave("maps/carte_social.png", width = 11.25, height = 11.25, units = "in", dpi = 96) # Vignette basse résolution pour aperçu rapide ggsave("maps/carte_apercu.png", width = 10, height = 10, units = "cm", dpi = 72) ``` ::: callout-tip ## Choisir le bon `dpi` | Destination | `dpi` recommandé | |-----------------------------------|------------------| | Impression (journal, rapport) | 300 | | Présentation PowerPoint / Keynote | 150–200 | | Web, email, aperçu | 72–96 | | Publication scientifique | 300–600 | Au-delà de 300 dpi, le gain est invisible à l'œil nu sauf pour les très grands formats imprimés. ::: ### Contrôler la taille du texte et des éléments Un problème fréquent : la carte est lisible dans RStudio mais le texte est minuscule une fois exportée, ou inversement trop gros. La cause est presque toujours un décalage entre les dimensions du canevas et le `base_size` du thème. **Règle pratique :** `base_size` ≈ largeur en cm ÷ 2. ```{r} #| label: export-text #| eval: false # Pour un export 20 × 20 cm → base_size = 10 est un bon point de départ ma_carte <- ggplot(PA_data) + geom_sf(aes(fill = prix_m2_appart), color = "white", linewidth = 0.3) + scale_fill_viridis_c(option = "plasma", direction = -1, name = "Prix au m²\n(€)") + labs(title = "Prix au m² — Paris", subtitle = "Arrondissements", caption = "Source : données Paris | Cours R-Carto") + theme_void(base_size = 10) + # base_size contrôle toutes les tailles relatives theme( plot.title = element_text(face = "bold", size = 14, hjust = 0.5), plot.subtitle = element_text(size = 10, color = "grey40", hjust = 0.5), plot.caption = element_text(size = 7, color = "grey55", hjust = 0), legend.title = element_text(size = 9, face = "bold"), legend.text = element_text(size = 8), plot.margin = margin(10, 15, 10, 15) # marges : haut, droite, bas, gauche (pt) ) ggsave("maps/carte_texte_controle.png", plot = ma_carte, # passer l'objet explicitement width = 20, height = 20, units = "cm", dpi = 300) ``` ::: callout-warning ## Le piège du `base_size` `theme_void(base_size = 13)` dans RStudio produit un texte lisible dans le panneau Plots (environ 7 × 5 cm). Si vous exportez cette même carte en 20 × 20 cm avec `dpi = 300`, le texte paraîtra **énorme** car les proportions changent. Workflow recommandé : 1. Construire la carte avec `base_size` adapté aux dimensions d'export cibles 2. Sauvegarder dans `plot = ma_carte` 3. Exporter et vérifier le résultat dans un visionneur externe (pas le panneau RStudio) ::: ### Sauvegarder plusieurs cartes en une boucle ```{r} #| label: export-loop #| eval: false # Exporter la même carte dans plusieurs formats d'un coup formats <- c("png", "pdf", "svg") for (fmt in formats) { ggsave( filename = paste0("maps/paris_prix_airbnb.", fmt), plot = ma_carte, width = 20, height = 20, units = "cm", dpi = if (fmt == "png") 300 else NA # dpi ignoré pour pdf/svg ) } ``` ::: callout-tip ## Récapitulatif des paramètres `ggsave()` | Paramètre | Valeurs typiques | Notes | |----|----|----| | `filename` | `"maps/carte.png"` | Extension détermine le format si `device` absent | | `plot` | `ma_carte` | Dernier plot si omis | | `width`, `height` | `20`, `29.7`… | Toujours préciser `units` | | `units` | `"cm"`, `"in"`, `"mm"`, `"px"` | `"cm"` recommandé | | `dpi` | `72`, `150`, `300` | Ignoré pour pdf et svg | | `device` | `"png"`, `"pdf"`, `"svg"`, `"tiff"` | Utile pour forcer le format | | `bg` | `"white"`, `"transparent"` | Couleur de fond (utile si `plot.background = NA`) | | `scale` | `1`, `1.5`, `0.8` | Multiplie toutes les tailles — dernier recours | Documentation complète : [ggplot2.tidyverse.org/reference/ggsave](https://ggplot2.tidyverse.org/reference/ggsave.html) ::: ------------------------------------------------------------------------ ------------------------------------------------------------------------ ## Récapitulatif {#sec-summary} ::: callout-note ## Ce que vous avez pratiqué | Opération | Fonction | Données | |----|----|----| | Charger shapefile | `read_sf()` | Arrondissements, IRIS | | Reprojeter | `st_transform(x, 2154)` | Lambert-93 France | | Jointure attributaire | `left_join()` | Données socio-économiques | | Spatialiser un CSV | `st_as_sf()` | Airbnb | | Jointure spatiale | `st_join(polygones, points)` | Airbnb × arrondissements | | Agréger | `group_by() \|> summarise()` | Prix moyen par arrondissement | | Grille hexagonale | `st_make_grid(..., square = FALSE)` | Arbres, Airbnb | | Exporter | `ggsave()` | PNG, PDF | ::: ------------------------------------------------------------------------ > **← Précédent : [Géotraitement — Londres](geoprocessing_Londres.qmd)** **→ Suivant : Calculs d'Indices Topographiques** ------------------------------------------------------------------------ *Dr. Elisabetta Pietrostefani — Directrice Adjointe, Geographic Data Science Lab — Université de Liverpool \| Co-Directrice, [Imago : Data Service for Imagery](https://imago.ac.uk/) \| Chercheuse Associée, London School of Economics*

10.1 Introduction

10.2 Charger et préparer les données

10.2.1 Exercice 1 — Charger les polygones de Paris

10.3 Données Airbnb : jointure spatiale

10.3.1 Exercice 2 — Étapes 1 à 5 : Charger et spatialiser listings.csv

10.3.2 Exercice 3 — Étapes 6 à 8 : Filtrer, joindre et agréger

10.3.3 Exercice 4 — Étape 9 : Carte finale avec IRIS en filigrane

10.3.4 Exercice 5 — Charger les données socio-économiques

10.3.5 Exercice 6 — Jointure attributaire

10.4 Cartographier les arrondissements

10.4.1 Exercice 7 — Carte de base

10.4.2 Exercice 8 — Carte choroplèthe : prix au m²

10.4.3 Exercice 9 — Carte avec Jenks et fond Grand Paris

10.5 Aller plus loin : grille hexagonale

10.6 Exporter vos cartes

10.6.1 Utilisation de base

10.6.2 Contrôler les dimensions et la résolution

10.6.3 Contrôler la taille du texte et des éléments

10.6.4 Sauvegarder plusieurs cartes en une boucle

10.7 Récapitulatif

10.3.1 Exercice 2 — Étapes 1 à 5 : Charger et spatialiser `listings.csv`