Outils pour une Science Reproductible, Ouverte & Diffusable

Diplôme Universitaire Public Health Data Science

Avant-propos et instructions

Note🎯 Objectifs pédagogiques

À la fin de ce cours vous saurez :

1. Expliquer pourquoi la reproductibilité est essentielle en science, et identifier ses principaux obstacles.
2. Organiser un projet d’analyse de données de façon à ce que tout collègue (y compris votre futur vous) puisse le ré-exécuter de zéro.
3. Rédiger un document dynamique complet et reproductible avec Quarto mélant narration, code et résultats.
4. Produire des visualisations prête pour publication avec ggplot2 () ou seaborn/ matplotlib (), et les sauvegarder de manière programmatique.
5. Auditer votre propre projet selon une check-list de reproductibilité avant de le partager.

Instructions : comment naviguer dans ce cours

Ce cours s’articule en 4 Parties (augmentées par cette introduction, ainsi qu’un résumé conclusif). Tout au long de votre session, vous rencontrerez trois types d’activités, identifiées par les icônes ci-dessous :

Icône	Type	Objectif
📖	Lecture ciblée	Une courte ressource externe à lire (~5–10 min). Suivez les liens — ne les ignorez pas.
💡	Définition de concept	Idées clés avec illustrations et exemples résolus.
🧑‍💻	Exercice pratique	VOUS écrivez et exécutez le code vous-même. Les blocs ne sont pas pré-exécutés dans ce cas.

Choisissez R ou python , les deux langages sont présentés dans les exercices via des onglets, mais vous n’avez besoin d’en faire qu’un seul (au choix, selon votre préférence initiale).

Temps total nécessaire : environ ~3 heures. N’hésitez pas à faire une courte pause entre chaque partie !

---

⚙️ Configuration (avant d’entamer le cours)

Installez la dernière version de → https://cran.r-project.org/
Installez la dernière version de RStudio → https://posit.co/download/rstudio-desktop/

Exécuter ensuite les lignes ci-dessous dans votre console :

install.packages(c(
  "tidyverse",    # ggplot2, dplyr, readr, …
  "gapminder",    # notre jeu de données principal
  "renv",         # gestion des dépendances
  "here",         # chemins de fichiers portables
  "quarto",       # rendu des .qmd depuis R
  "knitr",        # moteur de compilation
  "sessioninfo"   # documenter votre environnement
))

Vérifiez que Quarto est disponible : dans l’onglet Terminal de RStudio, tapez quarto --version.
Vous devez obtenir en retour un numéro de version si tout fonctionne correctement (par exemple ≥ 1.4).

Python

Installez Python ≥ 3.10 → https://www.python.org/downloads/
Installez VS Code → https://code.visualstudio.com/ (avec l’extension Python)
ou utilisez JupyterLab : pip install jupyterlab

Créez et activez un environnement virtuel, puis installez les packages nécessaires en executant les lignes de code ci-dessous:

# Créer le dossier du projet et l'environnement virtuel
mkdir repro-phds && cd repro-phds
python -m venv .venv

# Activer (choisissez la ligne correspondant à votre OS)
source .venv/bin/activate       # pour macOS ou Linux
 .venv\Scripts\activate         # pour Windows (PowerShell)

# Installer les bibliothèques Python
pip install pandas matplotlib seaborn gapminder jupyterlab quarto

Vérifiez que Quarto est bien disponible en exécutant quarto --version dans votre terminal (vous devez obtenir en retour un numéro de version si tout fonctionne correctement).

Avertissement⏱ Avant de commencer

Si vous rencontrez des erreurs d’installation, recherchez le message d’erreur sur le web : le débogage est une compétence fondamentale en data science ! La plupart des erreurs trouve une solution sur Stack Overflow dès le premier résultat par exemple… Les chatbots d’IA générative, comme LeChat de Mistral AI par exemple, peuvent également être très utiles.

---

1 Reproductibilité : qu’est-ce que c’est et pourquoi est-ce important ?

⏱ ~45 minutes

1.1 📖 Lectures : la crise de la reproductibilité

Note📖 Lecture ciblée (~10 min)

Avant de lire, réfléchissez : Avez-vous déjà essayé de ré-exécuter une analyse et obtenu des chiffres différents ? Avez-vous lu une section Material and Methods d’un article en vous disant « Je n’ai finalement aucune idée de comment ils ont réellement fait telle ou telle étape » ?

1. Lisez l’arcile de Nature News « 1 500 scientifiques lèvent le voile sur la reproductibilité » (Baker, 2016).
   Concentrez-vous sur le graphique en barres de l’enquête et la section « Obstacles à la reproductibilité » :
   👉 https://www.nature.com/news/1-500-scientists-lift-the-lid-on-reproducibility-1.19970
   (~5 min)

2. Parcourez la page de présentation de The Turing Way. Lisez « Why this is important » et la liste des obstacles :
   👉 https://book.the-turing-way.org/reproducible-research/overview
   (~5 min)

Réflexion : En santé publique, les enjeux sont particulièrement élevés. Des résultats non reproductibles peuvent influencer des recommandations cliniques ou des décisions politiques. Pouvez-vous vous rappeler d’une étude publiée sur la COVID-19 en 2020 qui a dû être rétractée ou substantiellement corrigée ? (Indice : cherchez « Surgisphere hydroxychloroquine Lancet » ou « Hydroxychloroquine and azithromycin Gautret Raoult International Journal of Antimicrobial Agents »)

---

1.2 💡 L’ensemble du spectre de la reproductibilité

Le terme « reproductible » est parfois utilisé de manière vague, et plusieurs définitions coexistent dans différents domaines scientifiques. Dans ce cours, nous utiliserons la définition ci-dessous, centrée sur la reproductibilité computationnelle :

	Mêmes données ?	Même code/méthode ?	Ce qui est évaluer
Reproductible	✅	✅	Peut-on ré-exécuter l’analyse et obtenir exactement les mêmes chiffres ?
Réplicable	❌	✅	La même méthode se généralise-t-elle à de nouvelles données ?
Robuste	✅	❌	Des choix analytiques différents aboutissent-ils à la même conclusion ?
Généralisable	❌	❌	Le résultat tient-il au-delà du contexte original ?

Le diagramme ci-dessous (extrait de The Turing Way) illustre ces 4 niveaux de définition :

Matrice de reproductibilité. The Turing Way / Scriberia — CC-BY 4.0. Source : https://book.the-turing-way.org

1.3 💡 Pourquoi la reproductibilité est-elle importante ?

Quelle est la valeur d’un article non reproductible ?
Si ce n’est pas reproductible, est-ce de la science ?
Devrait-on simplement se faire confiance mutuellement ?

Les acteurs de la recherche scientifique doivent être comptable de leurs propres résultats. La crédibilité scientifique et le professionalisme de chacun repose sur cette capacité à rendre des comptes. Travailler de manière reproductible contribue à répondre à ces enjeux.

• 📙 Les revues scientifiques exigent un certain niveau de reproductibilité : les pairs relecteurs vérifient désormais le code, les données et les workflows/pipelines computationelles avant l’acceptation finale
• ⚔️ La reproductibilité constitue un bouclier méthodologique : elle réduit la probabilité d’erreurs non détectées et de résultats fallacieux
• 🇪🇺🇫🇷 Droit institutionnel : l’UE, l’ANR et l’HCERES imposent tous un certain niveau de reproductibilité pour les recherches qu’elles financent
• 🧱 Impact accru : les articles reproductibles sont davantage cités et repris (fondation plus fiable pour les travaux futurs).

En santé publique, la reproductibilité revêt une importance particulière : - Des décisions politiques sont prises à partir de résultats publiés. Un résultat erroné ou non-reproductible peut ainsi nuire à un grand nombre de patients ou de populations. - La recherche financée par des fonds publics doit rendre des comptes: si le public a financé l’étude, le code et les données devraient (dans la mesure du possible) être accessibles au public. Cette idée est étroitement liée à la science ouverte, un concept connexe à celui de la reproductibilité, mais distinct (➡️🌐 plus de détails ici)

Obstacles, motivations et solutions

Obstacle	Exemple concret	Solution pratique
Culturel	« Mon directeur de thèse ne fait jamais ça »	Le présenter comme un investissement de carrière, non comme une contrainte supplémentaire
Technique	La simulation mets plus de 3 jours à tourner	Stocker des résultats intermédiaires pré-calculés ; prévoir un mode d’exécution rapide réduit
Légal	Données patients sous RGPD	Générer des données synthétiques de même structure ; accorder un accès temporaire restreint à un auditeur
Temps	« Je nettoierai le code plus tard »	Commencer tôt : cela représente plus de travail au départ, mais en économise énormément lors des révisions suivantes

La reproductibilité est un atout protecteur, pas un inconvénient

La reproductibilité (et ses témoignages) donne de la confiance. En effet, les scientifiques qui font attention à la reproductibilité de leurs travaux sont plus efficaces sur le long terme : ils peuvent plus facilement s’appuyer sur leurs propres travaux passés.

La reproductibilité apporte des bénéfices à différentes échelles pour la science :

Bénéfices de la reproductibilité à 3 niveaux différents

🌍 Domaine scientifique	🏥 Groupe de recherche	🧑‍🔬 Vous-même
Crédibilité méthodologique renforcée	Transmission plus rapide aux collaborateurs	Finalisation & révisions d’articles plus rapides
Connaissances cumulatives et extensibles	Réduction de la dette technique	Transparent & fiable pour l’audience
Risque réduit d’erreurs publiées	Archivage clair et opposable	Compétences techniques & workflow efficace
		Plus de citations

Important🔑 Points clés à retenir

• La reproductibilité est une exigence scientifique : un résultat scientifique qui ne peut être reproduit n’a que très peu (voire aucune) valeur ajoutée. Dans ce cours, nous nous concentrons sur la reproductibilité computationnelle, qui n’est qu’une des couches nécessaires pour reproduire la science (il y a aussi la génération des données par exemple).
• La reproductibilité est un continuum : la reproductibilité universelle, absolue et permanente est un idéal hors d’atteinte. Néanmoins, nous devons nous efforcer d’améliorer la reproductibilité pratique en pensant à la réutilisation future de nos travaux et à la façon dont nous établissons la confiance dans nos résultats scientifiques.

---

1.4 🧑‍💻 Exercice 1 : Créer le squelette de votre projet reproductible

Astuce🧑‍💻 Exercice 1 : Configuration du projet (25 min)

Objectif : Créer un projet bien organisé et portable, sur lequel vous vous appuierez ensuite tout au long de ce cours.

---

Étape 1 : Créer un projet

1. Ouvrez RStudio → Fichier → Nouveau projet → Nouveau répertoire → Nouveau projet
2. Nommez-le repro-phds, choisissez un dossier dont vous vous souviendrez
3. ✅ Cochez « Utiliser renv avec ce projet » — cela configure automatiquement le suivi des dépendances
4. Cliquez sur Créer le projet

Notez le fichier .Rproj dans l’onglet Fichiers: chaque fois que vous ouvrez ce fichier, RStudio définit automatiquement le répertoire de travail à la racine du projet. Rien que cela permet d’éliminer la grande majorité des problèmes liés aux chemins.

# Si vous ne l'avez pas encore fait, créez le répertoire et l'environnement ci-dessous
mkdir repro-phds && cd repro-phds

# Créer et activer un environnement virtuel
python -m venv .venv
source .venv/bin/activate          # macOS/Linux
# .venv\Scripts\activate           # Windows – exécutez la ligne correspondant à votre OS

# Démarrer Python
python

---

Étape 2 : Créer une structure de dossiers standard

Exécutez ceci dans votre console (à l’intérieur du projet) :

dirs <- c(
  "data/raw",           # Données originales — NE JAMAIS écraser
  "data/processed",     # Données nettoyées / transformées
  "R",                  # Fonctions R réutilisables
  "analysis",           # Les scripts .qmd vont ici
  "output/figures",     # Figures sauvegardées → fig01_..., fig02_...
  "output/tables"       # Tableaux exportés → tab01_..., tab02_...
)

invisible(lapply(dirs, dir.create, recursive = TRUE, showWarnings = FALSE))
cat("✅ Dossiers créés !\n")

Exécutez le code python suivant (avec .venv actif, dans repro-phds/) :

import os

dirs = [
    "data/raw",
    "data/processed",
    "src",               # Fichiers source Python / modules
    "analysis",          # Notebooks ou scripts
    "output/figures",
    "output/tables"
]

for d in dirs:
    os.makedirs(d, exist_ok=True)

print("✅ Dossiers créés !")

Votre projet devrait maintenant ressembler à ceci :

repro-phds/
├── data/
│   ├── raw/          ← données originales  (à traiter comme en lecture seule)
│   └── processed/    ← données nettoyées
├── R/  (ou src/)     ← fonctions / modules réutilisables
├── analysis/         ← vos scripts et notebooks
├── output/
│   ├── figures/      ← fig01_nom.pdf, fig01_nom.png, ...
│   └── tables/       ← tab01_nom.csv, ...
└── README.md         ← vous l'écrirez à l'étape suivante

---

Étape 3 : Rédiger un README.md

Créez README.md à la racine du projet. Un README est la première chose que lit n’importe qui s’intéressant au projet — y compris votre futur vous. Il doit répondre à : À quoi sert ce code ? Comment le lancer ?

Copiez le modèle ci-dessous dans votre README.md et remplissez les espaces vides :

# repro-phds — Pratique de la reproductibilité (Santé Publique)

## Description
Un projet d'analyse de données autonome produit lors du cours
« Outils pour la Science Reproductible » (Licence Santé Publique, [Année]).

## Comment reproduire tous les résultats

1. Ouvrez `repro-phds.Rproj` dans RStudio
   (ou activez `.venv` en Python : `source .venv/bin/activate`).
2. Restaurez les dépendances :
   - `<svg aria-hidden="true" role="img" viewBox="0 0 581 512" style="height:1em;width:1.13em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M581 226.6C581 119.1 450.9 32 290.5 32S0 119.1 0 226.6C0 322.4 103.3 402 239.4 418.1V480h99.1v-61.5c24.3-2.7 47.6-7.4 69.4-13.9L448 480h112l-67.4-113.7c54.5-35.4 88.4-84.9 88.4-139.7zm-466.8 14.5c0-73.5 98.9-133 220.8-133s211.9 40.7 211.9 133c0 50.1-26.5 85-70.3 106.4-2.4-1.6-4.7-2.9-6.4-3.7-10.2-5.2-27.8-10.5-27.8-10.5s86.6-6.4 86.6-92.7-90.6-87.9-90.6-87.9h-199V361c-74.1-21.5-125.2-67.1-125.2-119.9zm225.1 38.3v-55.6c57.8 0 87.8-6.8 87.8 27.3 0 36.5-38.2 28.3-87.8 28.3zm-.9 72.5H365c10.8 0 18.9 11.7 24 19.2-16.1 1.9-33 2.8-50.6 2.9v-22.1z"/></svg>`{=html} : exécutez `renv::restore()` dans la console
   - Python : `pip install -r requirements.txt`
3. Rendez le rapport principal :
   ouvrez `analysis/report.qmd` et cliquez sur **Render**,
   ou exécutez `quarto render analysis/report.qmd`.

## Durée d'exécution estimée
< 1 minute sur un ordinateur portable standard.

## Informations de session
(Collez ici la sortie de `sessioninfo::session_info()`
après avoir terminé l'Exercice 4.)

---

Étape 4 : Verrouiller les dépendances

renv a déjà été initialisé lors de la création du projet.
Après avoir installé des package, enregistrez leurs versions exactes :

renv::snapshot()
# → "renv.lock has been updated."

Ce fichier est votre assurance contre les bugs du type « ça marchait l’année dernière ».
Un collaborateur qui exécute renv::restore() obtiendra exactement les mêmes version de package.

Dans le terminal, exécutez le code bash suivant :

pip freeze > requirements.txt

# Vérifier qu'il a bien été créé
cat requirements.txt

Un collaborateur peut restaurer cet environnement exact avec :

pip install -r requirements.txt

---

✅ Auto-évaluation

Valider attentivement les quatre items suivants avant de continuer :

• getwd() () ou os.getcwd() () renvoie le chemin vers repro-phds/
• Les six sous-dossiers existent dans l’explorateur de fichiers
• README.md est à la racine du projet et comporte les trois sections
• renv.lock () ou requirements.txt () a été créé
• Fermer et rouvrir le projet fonctionne correctement

Reflexions supplémentaires : Pourquoi data/raw/ devrait-il être traité comme strictement en lecture seule ? Que se passerait-il si vous sauvegardiez accidentellement une version modifiée par-dessus votre fichier de données original ?

---

---

2 Programmation lettrée avec Quarto

⏱ ~45 minutes

2.1 📖 Lecture : Un document pour les gouverner tous

Note📖 Lecture ciblée (5 min)

Donald Knuth a introduit la programmation lettrée dans les années 1980 : au lieu d’un code avec des commentaires destinés principalement aux ordinateurs, on rédige un document narratif qui contient le code, destiné aux humains. Le résultat est un document qui est l’analyse.

1. Lisez le guide « Hello, Quarto » — essayez de rendre l’exemple de document si vous le pouvez :
   👉 https://quarto.org/docs/get-started/hello/rstudio.html

2. Gardez la feuille de référence Quarto ouverte tout au long de cette partie :
   👉 https://rstudio.github.io/cheatsheets/quarto.pdf

L’idée centrale : Quand les figures et les chiffres sont calculés à l’intérieur de votre fichier .qmd, il n’y a aucune étape de copier-coller où un chiffre obsolète pourrait se glisser. Ré-exécutez le document et chaque valeur se met à jour automatiquement.

---

2.2 💡 Anatomie d’un fichier .qmd

Un fichier Quarto possède trois blocs constitutifs :

┌─────────────────────────────────────────────────────────┐
│  1. En-tête YAML    -> titre, auteur, type de sortie... │
│─────────────────────────────────────────────────────────│
│  2. Texte Markdown  -> prose, titres, listes, liens     │
│─────────────────────────────────────────────────────────│
│  3. Blocs de code   -> code R ou Python + sa sortie     │
└─────────────────────────────────────────────────────────┘

Figure 1: Quarto (comme son prédécesseur Rmarkdown) vous permet de mêler code et texte narratif en un seul document dynamique. Illustration par Allison Horst — CC-BY 4.0.

1. L’en-tête YAML

Ce entête se place donc au tout début de votre document: il se situe entre des délimiteurs, ---, tout en haut. Il définit par défaut tout ce qui concerne la sortie et son format global, en utilisant le langage YAML. VOici un exemple ci-dessous.
Attention : l’indentation est importante en YAML.

---
title: "Tendances mondiales de santé — Données Gapminder"
author: "Votre Nom"
date: today                   # remplit automatiquement la date du jour
format:
  html:
    toc: true                 # table des matières
    code-fold: true           # masquer le code par défaut (le lecteur peut le déplier)
    embed-resources: true     # fichier `HTML` autonome (portable)
execute:
  echo: true                  # afficher le code dans la sortie par défaut
  warning: true               # continuer à afficher les avertissements
  message: false              # supprimer les messages (ex. lors du chargement des packages)
---

2. Texte Markdown

Entre les blocs de code, le texte narratif utilise du Markdown (.md) qui est un format d’édition de texte léger. Voici un exemple des outils de bases disponibles avec Markdown :

# Titre de niveau 1
## Titre de niveau 2

Un paragraphe. Mettez le texte en **gras**, *italique*, ou `style code`.

- Élément de liste à puces 1
- Élément de liste à puces 2

1. Élément numéroté 1
2. Élément numéroté 2

[Texte descriptif du lien](https://url.com)
![Texte alternatif de l'image](chemin/vers/image.png){width=50%}

3. Blocs de code

Ces blocs sont délimités par des triples apostrophes inversées \``, suivies de{r}ou{python}(par exemple) pour spécifier l'interpréteur du langage de programmation à utiliser. Les options spécifiques au bloc sont indiquées en attribuant des valeurs à des mots-clés spécifiques au début du bloc avec la syntaxe suivante :#| mot-clé: valeur` (pouvant changer les valeurs par défaut définies en tête si besoin). Voici un exemple de bloc, suivi de sa sortie :

```{r}
#| label: summary-table-r
#| echo: true
#| eval: true

library(gapminder)
head(gapminder)
```

# A tibble: 6 × 6
  country     continent  year lifeExp      pop gdpPercap
  <fct>       <fct>     <int>   <dbl>    <int>     <dbl>
1 Afghanistan Asia       1952    28.8  8425333      779.
2 Afghanistan Asia       1957    30.3  9240934      821.
3 Afghanistan Asia       1962    32.0 10267083      853.
4 Afghanistan Asia       1967    34.0 11537966      836.
5 Afghanistan Asia       1972    36.1 13079460      740.
6 Afghanistan Asia       1977    38.4 14880372      786.

Options clés du bloc (écrites après #| à l’intérieur du bloc) :

Option	Défaut	Effet
echo	true	Afficher le code dans la sortie
eval	true	Exécuter le code
include	true	Inclure la sortie du bloc
message	true	Afficher les messages de chargement des packages
warning	true	Afficher les avertissements
cache	false	Mettre en cache les résultats (utile pour le code lent)
label	—	Nom pour le référencement croisé des figures / tableaux
fig-cap	—	Légende de la figure
fig-width / fig-height	—	Dimensions de la figure (en pouces)

2.2.1 Code inline

Vous pouvez également insérer des valeurs calculées directement au fil du texte en utilisant `r ` ou `{python}` :

Le jeu de données couvre `r length(unique(gapminder$country))` pays de `r min(gapminder$year)` à `r max(gapminder$year)`

Une fois rendu, cela devient :

Le jeu de données couvre 142 pays de 1952 à 2007

✨ Pas de copier-coller, pas de chiffres obsolètes, pas de mise à jour manuelle !

---

2.3 🧑‍💻 Exercice 2 : Votre premier rapport reproductible en santé

Astuce🧑‍💻 Exercice 2 : Premier rapport Quarto (25 min)

Objectif : Rédiger un rapport .qmd reproductible qui charge des données, calcule des résumés avec des valeurs inline, et produit un fichier de sortie HTML.

Nous utilisons le jeu de données Gapminder : espérance de vie, population et PIB par habitant pour 142 pays de 1952 à 2007. L’espérance de vie est une métrique centrale en santé publique — elle intègre la mortalité à tous les âges et reflète la performance globale du système de santé.

---

Étape 1 : Créer le fichier

Dans RStudio : Fichier → Nouveau fichier → Document Quarto.
Supprimez tout le contenu du modèle. Sauvegardez sous analysis/report.qmd.

Collez l’en-tête YAML ci-dessous correspondant à votre langage :

---
title: "Tendances mondiales de santé — Analyse Gapminder"
author: "Votre Nom"
date: today
format:
  html:
    toc: true
    code-fold: true
    theme: flatly
    embed-resources: true
execute:
  echo: true
  warning: false
  message: false
---

---
title: "Tendances mondiales de santé — Analyse Gapminder"
author: "Votre Nom"
date: today
format:
  html:
    toc: true
    code-fold: true
    theme: flatly
    embed-resources: true
execute:
  echo: true
  warning: false
  message: false
jupyter: python3
---

---

Étape 2 : Bloc de configuration (toujours le tout premier bloc !)

Un bloc de configuration s’exécute silencieusement avant tout le reste. C’est un bon endroit pour définir votre graine aléatoire par exemple.

```{r}
#| label: setup-r
#| include: false

set.seed(20260401)      # ← assure la reproductibilité de tout code reposant sur la génération de nombre pseudo-aléatoires

library(ggplot2)
library(dplyr)
library(gapminder)
library(here)
library(knitr)
```

```{python}
#| label: setup-py
#| include: false

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

np.random.seed(20260401)

# Charger Gapminder depuis GitHub
url = "https://raw.githubusercontent.com/jennybc/gapminder/main/inst/extdata/gapminder.tsv"
gapminder = pd.read_csv(url, sep="\t")

sns.set_theme(style="whitegrid", palette="colorblind")
```

---

Étape 3 : Section “Données”, avec calcul de valeurs inline

## Les données

Le jeu de données **Gapminder** est une base de données mondiale sur le développement compilée 
par la Fondation Gapminder. Il couvre des indicateurs de santé, de population et de richesse 
pour **`r length(unique(gapminder$country))` pays** 
sur **`r length(unique(gapminder$year))` points temporels**
(de `r min(gapminder$year)` à `r max(gapminder$year)`).

```{r}
#| label: tbl-preview-r
#| tbl-cap: "Les 6 premières lignes du jeu de données Gapminder."

head(gapminder) |> knitr::kable()
```

## Les données

Le jeu de données **Gapminder** est une base de données mondiale sur le développement compilée 
par la Fondation Gapminder. Il couvre des indicateurs de santé, de population et de richesse 
pour **`{python} gapminder["country"].nunique()` pays** 
sur **`{python} len(sorted(gapminder["year"].unique()))` points temporels**
(de `{python} sorted(gapminder["year"].unique())[0]` à `{python} sorted(gapminder["year"].unique())[-1]`).

```{python}
#| label: tbl-preview-py

gapminder.head(6)
```

---

Étape 4 : Section “Statistiques descriptives”

## Statistiques descriptives

```{r}
#| label: tbl-continent-2007-r
#| tbl-cap: "Espérance de vie et PIB par habitant par continent en 2007."

gapminder |>
  filter(year == 2007) |>
  group_by(continent) |>
  summarise(
    `N pays`                  = n(),
    `Esp. vie moy.`           = round(mean(lifeExp), 1),
    `Esp. vie méd.`           = round(median(lifeExp), 1),
    `PIB/hab. moyen`          = round(mean(gdpPercap), 0)
  ) |>
  knitr::kable(format.args = list(big.mark = ","))
```

En 2007, l'espérance de vie mondiale moyenne était de
**`r round(mean(dplyr::filter(gapminder, year == 2007)$lifeExp), 1)` ans**,
avec des valeurs allant de
`r round(min(dplyr::filter(gapminder, year == 2007)$lifeExp), 1)` à
`r round(max(dplyr::filter(gapminder, year == 2007)$lifeExp), 1)` ans.

## Statistiques descriptives

```{python}
#| label: tbl-continent-2007-py

    gapminder.query("year == 2007") \
    .groupby("continent") \
    .agg(
        n_countries=("country", "nunique"),
        mean_lifeExp=("lifeExp", "mean"),
        median_lifeExp=("lifeExp", "median"),
        mean_gdpPercap=("gdpPercap", "mean")
    ) \
    .round(1) \
    .reset_index() \
    .rename(columns={
        "continent": "Continent",
        "n_countries": "N Pays",
        "mean_lifeExp": "Esp. vie moy.",
        "median_lifeExp": "Esp. vie méd.",
        "mean_gdpPercap": "PIB/hab. moyen"
    })
```

---

Étape 5 : Rendu !

Cliquez sur le bouton bleu Render (en haut du volet éditeur), ou appuyez sur Ctrl+Shift+K / Cmd+Shift+K.

Ou encore depuis la console :

quarto::quarto_render("analysis/report.qmd")

Dans le terminal

quarto render analysis/report.qmd

Ouvrez le fichier report.html ainsi obtenu dans votre navigateur. Vérifiez que :

• Les valeurs inline (nombre de pays, plage d’années) apparaissent correctement dans le texte
• Le tableau de résumé a bien une légende
• La bascule « Code » (issue de code-fold: true) fonctionne correctement pour chaque bloc

---

✅ Auto-évaluation

• Le fichier HTML se génère sans erreurs
• Les valeurs inline dans le texte correspondent aux valeurs du tableau
• Changer year == 2007 en year == 1997 et re-générer met bien à jour toutes les valeurs automatiquement
• Vous pouvez ouvrir report.html sans RStudio ni aucun logiciel (il est auto-suffisant)

Bonus : Ajoutez une section ## Introduction au-dessus de ## Les données avec deux ou trois phrases sur les raisons pour lesquelles l’espérance de vie est un indicateur pertinent en santé publique. Essayez d’ajouter une note de bas de page avec la syntaxe [^1] et une citation simple en utilisant un fichier .bib associé à un fichier de srtyle bibliographique .csl.

---

---

3 Visualisation des données

⏱ ~40 minutes

3.1 📖 Lecture — La grammaire des graphiques

Note📖 Lecture ciblée (5 min)

Plutôt que de mémoriser des dizaines de types de graphiques, vous apprenez une grammaire — un ensemble de règles composables. Tout graphique statistique peut être décrit comme des données mappées à des propriétés visuelles (position, couleur, taille, forme), rendues par des objets géométriques, sur un système de coordonnées.

1. Parcourez la page d’accueil ggplot2 et le premier exemple « Quick start » :
   👉 https://ggplot2.tidyverse.org/
   (Pour les utilisateurs de , lisez plutôt l’aperçu du tutoriel seaborn :
   👉 https://seaborn.pydata.org/tutorial/introduction.html)

2. Lisez le résumé et la première page de The Grammar of Graphics de Wilkinson, tels que résumés ici :
   👉 https://vita.had.co.nz/papers/layered-grammar.html — uniquement les paragraphes « Abstract » et « Introduction »

Idée clé : Une fois que vous comprenez cette grammaire, vous pouvez construire presque n’importe quel graphique en composant des couches (rapidement modulables). Vous n’avez plus besoin de chercher « comment faire un graphique en violon en ? » à chaque modification.

---

3.2 💡 Construire des graphiques couche par couche

Les sept couches

Composant	Dans ggplot2	Exemple
Données	ggplot(data = ...)	gapminder |> filter(year == 2007)
Esthétiques	aes(x, y, colour, size, shape)	aes(x = gdpPercap, y = lifeExp, colour = continent)
Géométrie	geom_*()	geom_point(), geom_line(), geom_boxplot()
Échelles	scale_*()	scale_x_log10(), scale_colour_viridis_d()
Facettes	facet_wrap() / facet_grid()	facet_wrap(~ continent)
Thème	theme_*()	theme_minimal()
Étiquettes	labs()	labs(title = "...", x = "...", caption = "...")

Chaque graphique ggplot2 est construit en superposant ces composants. Illustration par Allison Horst — CC-BY 4.0.

Exemple complet

ggplot2

library(ggplot2)
library(gapminder)
library(dplyr)

gap_2007 <- gapminder |> filter(year == 2007)

ggplot(
  data = gap_2007,
  aes(x = gdpPercap, y = lifeExp,
      colour = continent,
      size   = pop)          # taille des bulles = population
) +
  geom_point(alpha = 0.7) +
  scale_x_log10(labels = scales::dollar_format()) +   # axe PIB en log
  scale_colour_viridis_d(option = "plasma") +         # palette accessible aux daltoniens
  scale_size(range = c(2, 14), guide = "none") +
  labs(
    title    = "Richesse et santé en 2007",
    subtitle = "Chaque bulle est un pays ; taille ∝ population",
    x        = "PIB par habitant (échelle log, USD)",
    y        = "Espérance de vie (années)",
    colour   = "Continent",
    caption  = "Source : Fondation Gapminder"
  ) +
  theme_minimal(base_size = 13)

(seaborn + matplotlib)

import seaborn as sns
import matplotlib.pyplot as plt
import numpy as np

gap_2007 = gapminder[gapminder["year"] == 2007].copy()

# Tailles des bulles proportionnelles à la population
max_pop = gap_2007["pop"].max()
gap_2007["bubble_size"] = (gap_2007["pop"] / max_pop) * 1800 + 30

fig, ax = plt.subplots(figsize=(10, 6))

continents = gap_2007["continent"].unique()
palette = sns.color_palette("plasma", len(continents))

for i, cont in enumerate(sorted(continents)):
    subset = gap_2007[gap_2007["continent"] == cont]
    ax.scatter(
        np.log10(subset["gdpPercap"]),
        subset["lifeExp"],
        s=subset["bubble_size"],
        color=palette[i],
        alpha=0.75,
        label=cont
    )

ax.set_xlabel("PIB par habitant (échelle log, USD)", fontsize=12)
ax.set_ylabel("Espérance de vie (années)", fontsize=12)
ax.set_title("Richesse et santé en 2007", fontsize=14, fontweight="bold")
ax.set_xticks([3, 4, 5])
ax.set_xticklabels(["1 000 $", "10 000 $", "100 000 $"])
ax.legend(title="Continent", loc="lower right")
plt.tight_layout()
plt.show()

Sauvegarder les figures de manière programmatique

Avertissement⚠️ N’utilisez jamais le bouton « Export »

Sauvegarder une figure manuellement (par clic droit ou en cliquant sur « Export » dans le volet Plots) n’est pas reproductible. La taille, la résolution et le format varient à chaque fois, et c’est une étape est invisible dans votre code.

Sauvegardez toujours les figures à l’intérieur de votre script, avec des dimensions et une résolution fixes.

# 1. Assigner votre graphique à une variable nommée
p <- ggplot(gap_2007, aes(...)) + ...

# 2. Sauvegarder — fournir un vecteur (par exemple `.PDF`) ou un raster (par exempke `.PNG`) selon la nature de votre graphique
ggsave(
  filename = here::here("output", "figures", "fig01_richesse_sante_2007.pdf"),
  plot     = p,
  width    = 10, height = 6, units = "in"
)
ggsave(
  filename = here::here("output", "figures", "fig01_richesse_sante_2007.png"),
  plot     = p,
  width    = 10, height = 6, units = "in",
  dpi      = 300          # 300 dpi = qualité publication
)

fig, ax = plt.subplots(figsize=(10, 6))
# ... votre code de graphique ...

fig.savefig("output/figures/fig01_richesse_sante_2007.pdf", bbox_inches="tight")
fig.savefig("output/figures/fig01_richesse_sante_2007.png", dpi=300, bbox_inches="tight")
plt.close()   # libérer la mémoire

Convention de nommage des fichiers : utilisez un préfixe numérique correspondant à votre manuscrit — fig01_, fig02_, …, tab01_, tab02_, … C’est souvent l’un des premiers points que vérifient les auditeurs.

Choisir des palettes de couleurs accessibles

Environ 8 % des hommes présentent une forme de déficience de la vision des couleurs. Voici quelques palettes conçues pour être perceptuellement uniformes et accessibles aux daltoniens :

Palette	Package /library	Cas d’usage
viridis, plasma, magma	viridis (intégré dans ggplot2)	Séquentiel / continu
scale_colour_viridis_d()	ggplot2	Catégoriel discret
scale_colour_brewer(palette = "Set2")	ggplot2	Catégoriel (jusqu’à 8 groupes)
sns.set_palette("colorblind")	seaborn	Tout graphique seaborn
palette="viridis"	seaborn	Mapping de couleur continu

---

3.3 🧑‍💻 Exercice 3 : Figures

Astuce🧑‍💻 Exercice 3 : Votre première figure (20 min)

Objectif : Ajouter deux figures en qualité “publication” à analysis/report.qmd, et les sauvegarder de manière programmatique dans output/figures/.

---

Figure 1 : Évolution de l’espérance de vie au fil du temps

Ajoutez une nouvelle section ## Tendances au fil du temps à votre rapport :

## Tendances au fil du temps

L'espérance de vie s'est améliorée dans tous les continents depuis 1952 (voir @fig-trends),
mais de grandes disparités persistent.

```{r}
#| label: fig-trends-r
#| fig-cap: "Espérance de vie médiane par continent, 1952–2007. Les rubans indiquent l'intervalle interquartile."
#| fig-width: 10
#| fig-height: 5

p_trends <- gapminder |>
  group_by(continent, year) |>
  summarise(
    med  = median(lifeExp),
    q25  = quantile(lifeExp, 0.25),
    q75  = quantile(lifeExp, 0.75),
    .groups = "drop"
  ) |>
  ggplot(aes(x = year, y = med,
             colour = continent, fill = continent)) +
  geom_ribbon(aes(ymin = q25, ymax = q75), alpha = 0.2, colour = NA) +
  geom_line(linewidth = 1.1) +
  geom_point(size = 2.2) +
  scale_colour_viridis_d(option = "plasma") +
  scale_fill_viridis_d(option = "plasma") +
  labs(
    title   = "Tendances de l'espérance de vie par continent (1952–2007)",
    x       = "Année",
    y       = "Espérance de vie (années)",
    colour  = "Continent", fill = "Continent",
    caption = "Source : Gapminder. Les rubans indiquent l'IQR."
  ) +
  theme_minimal(base_size = 13) +
  theme(legend.position = "bottom")

p_trends

ggsave(
  here::here("output", "figures", "fig02_tendances_par_continent.pdf"),
  plot = p_trends, width = 10, height = 5
)
```

## Tendances au fil du temps

```{python}
#| label: fig-trends-py
#| fig-cap: "Espérance de vie médiane par continent, 1952–2007."

import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np

trend = (
    gapminder
    .groupby(["continent", "year"])["lifeExp"]
    .agg(med="median",
         q25=lambda x: x.quantile(0.25),
         q75=lambda x: x.quantile(0.75))
    .reset_index()
)

palette = sns.color_palette("plasma", n_colors=trend["continent"].nunique())

fig, ax = plt.subplots(figsize=(10, 5))
for i, (cont, grp) in enumerate(trend.groupby("continent")):
    ax.fill_between(grp["year"], grp["q25"], grp["q75"],
                    color=palette[i], alpha=0.2)
    ax.plot(grp["year"], grp["med"], marker="o", markersize=4,
            color=palette[i], label=cont, linewidth=1.5)

ax.set_xlabel("Année", fontsize=12)
ax.set_ylabel("Espérance de vie (années)", fontsize=12)
ax.set_title("Tendances de l'espérance de vie par continent (1952–2007)", fontsize=14)
ax.legend(loc="lower right", title="Continent")
plt.tight_layout()

fig.savefig("../output/figures/fig02_tendances_par_continent.pdf", bbox_inches="tight")
plt.show()
```

---

Figure 2 : Distribution de l’espérance de vie en 2007

Ajoutez une section ## Distribution en 2007 :

## Distribution en 2007

En 2007, la distribution de l'espérance de vie varie largement au sein
de chaque continent (voir @fig-dist-r).

```{r}
#| label: fig-dist-r
#| fig-cap: "Espérance de vie par continent en 2007. Violon = densité ; points = pays individuels ; barre blanche = médiane."
#| fig-width: 9
#| fig-height: 5

p_dist <- gapminder |>
  filter(year == 2007) |>
  ggplot(aes(
    x      = reorder(continent, lifeExp, FUN = median),
    y      = lifeExp,
    fill   = continent,
    colour = continent
  )) +
  geom_violin(alpha = 0.35, linewidth = 0.4) +
  geom_jitter(width = 0.12, alpha = 0.8, size = 2.2) +
  stat_summary(fun = median, geom = "crossbar",
               width = 0.45, colour = "white", linewidth = 0.9) +
  scale_fill_viridis_d(option = "plasma") +
  scale_colour_viridis_d(option = "plasma") +
  labs(
    title   = "Distribution de l'espérance de vie par continent en 2007",
    x       = "Continent (ordonné par espérance de vie médiane)",
    y       = "Espérance de vie (années)",
    caption = "Source : Gapminder. Chaque point = un pays."
  ) +
  theme_minimal(base_size = 13) +
  theme(legend.position = "none")

p_dist

ggsave(
  here::here("output", "figures", "fig03_distribution_2007.pdf"),
  plot = p_dist, width = 9, height = 5
)
```

## Distribution en 2007

En 2007, la distribution de l'espérance de vie varie largement au sein
de chaque continent (voir @fig-dist-py).

```{python}
#| label: fig-dist-py
#| fig-cap: "Espérance de vie par continent en 2007."

gap_2007 = gapminder[gapminder["year"] == 2007].copy()

# Ordonner les continents par espérance de vie médiane
order = (
    gap_2007.groupby("continent")["lifeExp"]
    .median()
    .sort_values()
    .index.tolist()
)

fig, ax = plt.subplots(figsize=(9, 5))
sns.violinplot(data=gap_2007, x="continent", y="lifeExp",
               order=order, palette="plasma", alpha=0.4, ax=ax)
sns.stripplot(data=gap_2007, x="continent", y="lifeExp",
              order=order, palette="plasma", alpha=0.75,
              jitter=True, size=5, ax=ax)

ax.set_xlabel("Continent (ordonné par médiane)", fontsize=12)
ax.set_ylabel("Espérance de vie (années)", fontsize=12)
ax.set_title("Distribution de l'espérance de vie par continent en 2007", fontsize=14)
plt.tight_layout()

fig.savefig("../output/figures/fig03_distribution_2007.pdf", bbox_inches="tight")
plt.show()
```

---

Références croisées dans le texte narratif

Dans votre rapport, référencez les figures par leur étiquette (remplacez @fig-trends-r par @fig-trends-py si vous utilisez ) :

L'espérance de vie a considérablement progressé depuis 1952 (voir @fig-trends-r),
bien que de larges disparités persistent entre et au sein des continents
(@fig-dist-r).

---

✅ Auto-évaluation

• Les deux figures apparaissent dans le HTML généré
• Deux fichiers PDF existent dans output/figures/ avec des noms descriptifs
• Les noms de fichiers suivent la convention de préfixe fig02_, fig03_
• Les deux figures utilisent une palette accessible aux daltoniens
• Chaque figure a une légende informative fig-cap

Défi bonus : Ajoutez une 3^e figure : un nuage de points pour l’Afrique uniquement montrant comment le PIB par habitant est lié à l’espérance de vie à chaque décennie. La relation est-elle la même qu’à l’échelle mondiale ? Évolue-t-elle dans le temps ?

---

---

4 Partage & check-liste de reproductibilité

⏱ ~35 minutes

4.1 📖 Lecture — L’audit de la revue

Note📖 Lecture ciblée (5 min)

Le Biometrical Journal — une revue de biostatistique — effectue des audits de reproductibilité sur chaque article accepté. Les manuscrits reçoivent une check-liste et ne peuvent être publiés que lorsque tous les points sont validés. C’est une pratique de plus en plus répandue dans les revues scientifiques.

1. Lisez l’Encadré 1 et l’Introduction de :
   Hejblum et al. (2020). Realistic and robust reproducible research for biostatistics.
   👉 https://www.biorxiv.org/content/10.1101/2020.01.15.907485v1
   (~5 min — concentrez-vous sur les 10 points de la check-liste)

2. Parcourez la section Turing Way sur « Making Research Reproducible » :
   👉 https://book.the-turing-way.org/reproducible-research/reproducible-research

Demandez-vous : Si vous soumettez votre projet repro-phds à un audit de revue maintenant, quels point parmis les 10 de la check-liste ne seraient pas cochés ?

4.2 💡 Outils pour partager et archiver

Une chaîne d’outils complète pour la reproductibilité

Passer de « ça fonctionne sur ma machine » à « n’importe qui peut l’exécuter » nécessite d’empiler plusieurs couches de solutions :

📁  Organisation du projet      Projets RStudio / structure de dossiers standard
🔒  Gestion des dépendances     renv  (`<svg aria-hidden="true" role="img" viewBox="0 0 581 512" style="height:1em;width:1.13em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M581 226.6C581 119.1 450.9 32 290.5 32S0 119.1 0 226.6C0 322.4 103.3 402 239.4 418.1V480h99.1v-61.5c24.3-2.7 47.6-7.4 69.4-13.9L448 480h112l-67.4-113.7c54.5-35.4 88.4-84.9 88.4-139.7zm-466.8 14.5c0-73.5 98.9-133 220.8-133s211.9 40.7 211.9 133c0 50.1-26.5 85-70.3 106.4-2.4-1.6-4.7-2.9-6.4-3.7-10.2-5.2-27.8-10.5-27.8-10.5s86.6-6.4 86.6-92.7-90.6-87.9-90.6-87.9h-199V361c-74.1-21.5-125.2-67.1-125.2-119.9zm225.1 38.3v-55.6c57.8 0 87.8-6.8 87.8 27.3 0 36.5-38.2 28.3-87.8 28.3zm-.9 72.5H365c10.8 0 18.9 11.7 24 19.2-16.1 1.9-33 2.8-50.6 2.9v-22.1z"/></svg>`{=html})  /  venv + requirements.txt  (`<svg aria-hidden="true" role="img" viewBox="0 0 448 512" style="height:1em;width:0.88em;vertical-align:-0.125em;margin-left:auto;margin-right:auto;font-size:inherit;fill:currentColor;overflow:visible;position:relative;"><path d="M439.8 200.5c-7.7-30.9-22.3-54.2-53.4-54.2h-40.1v47.4c0 36.8-31.2 67.8-66.8 67.8H172.7c-29.2 0-53.4 25-53.4 54.3v101.8c0 29 25.2 46 53.4 54.3 33.8 9.9 66.3 11.7 106.8 0 26.9-7.8 53.4-23.5 53.4-54.3v-40.7H226.2v-13.6h160.2c31.1 0 42.6-21.7 53.4-54.2 11.2-33.5 10.7-65.7 0-108.6zM286.2 404c11.1 0 20.1 9.1 20.1 20.3 0 11.3-9 20.4-20.1 20.4-11 0-20.1-9.2-20.1-20.4.1-11.3 9.1-20.3 20.1-20.3zM167.8 248.1h106.8c29.7 0 53.4-24.5 53.4-54.3V91.9c0-29-24.4-50.7-53.4-55.6-35.8-5.9-74.7-5.6-106.8.1-45.2 8-53.4 24.7-53.4 55.6v40.7h106.9v13.6h-147c-31.1 0-58.3 18.7-66.8 54.2-9.8 40.7-10.2 66.1 0 108.6 7.6 31.6 25.7 54.2 56.8 54.2H101v-48.8c0-35.3 30.5-66.4 66.8-66.4zm-6.7-142.6c-11.1 0-20.1-9.1-20.1-20.3.1-11.3 9-20.4 20.1-20.4 11 0 20.1 9.2 20.1 20.4s-9 20.3-20.1 20.3z"/></svg>`{=html})
📝  Document lettré             Quarto (.qmd)
🎲  Graines aléatoires          set.seed() / np.random.seed()
🗂️  Contrôle de version         Git
🌐  Hébergement distant         GitHub
📦  Archivage permanent         Zenodo  →  DOI citable dans un article

renv et environnements virtuels

renv

renv crée une bibliothèque locale au projet et enregistre les versions exactes des packages dans renv.lock.

renv::snapshot()    # mettre à jour le fichier de verrouillage après installation/modification de packages
renv::restore()     # commande pour le collaborateur : installer exactement les mêmes versions
renv::status()      # vérifier si le fichier de verrouillage et l'état actuel concordent

À la fin de votre rapport, enregistrez toujours votre environnement de session :

sessioninfo::session_info()

Cela affiche la version de , le système d’exploitation, et la version exacte de chaque package chargé.

— venv

Dans le terminal, comme mentionné dans Section 1

pip freeze > requirements.txt       # sauvegarder les versions exactes

# Configuration pour le collaborateur
python -m venv .venv
source .venv/bin/activate
pip install -r requirements.txt

À la fin de votre notebook :

## Dépendances

```{python}
import sys, importlib.metadata
print(f"Python {sys.version}")
for pkg in ["pandas", "matplotlib", "seaborn", "numpy"]:
    print(f"  {pkg}: {importlib.metadata.version(pkg)}")
```

Git et GitHub : l’essentiel

Pourquoi utiliser git et GitHub ?

🎖 Sauvegarde hors site : si votre ordinateur tombe en panne, rien n’est perdu
🎖 Historique complet : vous pouvez remonter dans le temps, jusqu’à n’importe quelle version précédente, sans craindre d’avoir supprimé par inadvertance du code que vous pourriez réutiliser plus tard
🎖 Collaboration : les autres peuvent contribuer facilement, sans s’envoyer des fichiers par e-mail
🎖 Intégration avec Zenodo (pour des DOI citables)

• git est un système de contrôle de version qui permet de suivre les modifications de tous les fichiers d’un projet, et de synchroniser ces modifications entre plusieurs ordinateurs et contributeurs.
• GitHub est une plateforme web de Microsoft fournissant l’intégration de git avec l’hébergement cloud.

Vous n’avez pas besoin d’être un expert git : trois commandes couvrent la majeure partie d’’usage quotidien :

git add .                                                 # indexer toutes les modifications
git commit -m "Ajout analyse espérance de vie et figures" # messages décrivant les modifications indexées
git push                                                  # envoyer vers GitHub

Note🐙 Configuration unique de git

git config --global user.name  "Votre nom d'utilisateur"
git config --global user.email "vous@domaine.ext"

Dans RStudio : Outils → Options globales → Git/SVN — pointez vers l’exécutable git . Pour tout problème de configuration de git dans RStudio, vous pouvez consulter le livre en ligne Happy git with R.

Zenodo : un DOI permanent pour votre code (et optionnellement vos données)

Zenodo est un dépôt hébergé par le CERN qui attribue à votre code ou à vos données un DOI (qui signifie Digital Object Identifier), un identifiant permanent et citable. C’est ce qui figure dans la déclaration de Disponibilité des données de votre article.

Comment ça fonctionne en trois étapes :

1. Publiez votre projet dans un dépôt GitHub public
2. Connectez GitHub sur https://zenodo.org/account/settings/github
3. Créez une release GitHub (ex. v1.0) — Zenodo l’archive automatiquement et émet un DOI

Votre article cite ensuite :
> « L’ensemble du code d’analyse est disponible sur https://doi.org/10.5281/zenodo.XXXXXXX »

Le fait qu’il possède un DOI et soit hébergé par l’UE le rend beaucoup plus pérenne qu’un simple dépôt GitHub (d’autant qu’ils ne sont pas exclusifs l’un de l’autre).

4.3 🧑‍💻 Exercice 4 : Auto-audit et préparation au partage

Astuce🧑‍💻 Exercice 4 : Vérifier la check-liste RR (20 min)

Objectif : Auditer systématiquement votre projet repro-phds par rapport à la check-liste standard, corriger les lacunes et le préparer au partage.

---

Étape 1 : La check-liste

Parcourez chaque point. Pour tout ce qui n’est pas encore en place, ajoutez-le maintenant :

🗂️ README & exécution

• README.md décrit le projet en un paragraphe
• Le README donne des instructions précises pour reproduire tous les résultats (quel fichier, quelle commande)
• Une seule commande ré-exécute tout (quarto render analysis/report.qmd)
• La durée d’exécution est documentée (ex. « < 1 minute sur un ordinateur portable standard »)

📦 Dépendances

• renv.lock () ou requirements.txt () est présent et à jour
• sessioninfo::session_info() () ou la sortie Python équivalente est affichée dans le rapport

📊 Données & code

• Tous les scripts nécessaires pour reproduire les résultats sont à l’intérieur du projet
• Les données sont soit dans data/raw/, soit téléchargées via une URL stable dans le code
• Aucun chemin absolu nulle part dans le code (/home/alice/… ou C:…)

🎲 Aléatoire

• set.seed() () ou np.random.seed() () est défini dans le bloc de configuration

📁 Sortie

• Toutes les figures sont sauvegardées de manière programmatique dans output/figures/
• Les noms de fichiers de figures utilisent la convention de préfixe fig01_, fig02_ correspondant au rapport
• Au moins un tableau est sauvegardé dans output/tables/

---

Étape 2 : Ajouter les informations de session au README

Ajoutez la sortie de la commande session-info en bas de votre README.md :

# Exécuter dans la console et coller la sortie dans README.md
sessioninfo::session_info()

# Exécuter dans le terminal et coller dans README.md
python -c "import sys; print(sys.version)"
python -m pip list

---

Étape 3 : Instantané final des dépendances et rendu propre

# Mettre à jour le fichier de verrouillage
renv::snapshot()

# Le test ultime — redémarrer R complètement, puis rendre de zéro :
# Session → Redémarrer R  (ou Ctrl+Shift+F10)
renv::restore()
quarto::quarto_render("analysis/report.qmd")

pip freeze > requirements.txt

# Désactiver et réactiver l'environnement, puis rendre
deactivate
source .venv/bin/activate
pip install -r requirements.txt
quarto render analysis/report.qmd

---

Étape 4 : Exporter un tableau

library(gapminder)
library(dplyr)
library(readr)
library(here)

summary_2007 <- gapminder |>
  filter(year == 2007) |>
  group_by(continent) |>
  summarise(
    n_countries    = n(),
    mean_lifeExp   = round(mean(lifeExp), 2),
    median_lifeExp = round(median(lifeExp), 2),
    mean_gdpPercap = round(mean(gdpPercap), 0)
  )

write_csv(summary_2007,
          here("output", "tables", "tab01_continent_summary_2007.csv"))

import pandas as pd

summary_2007 = (
    gapminder.query("year == 2007") \
    .groupby("continent") \
    .agg(
        n_countries=("country", "nunique"),
        mean_lifeExp=("lifeExp", "mean"),
        median_lifeExp=("lifeExp", "median"),
        mean_gdpPercap=("gdpPercap", "mean")
    ) \
    .round(2) \
    .reset_index()
)

summary_2007.to_csv("output/tables/tab01_continent_summary_2007.csv",
                    index=False)

---

Étape 5 (Bonus) — Push sur GitHub, et archiver sur Zenodo

# 1. Initialiser Git (à ignorer si c'est déjà fait)
git init
git add .
git commit -m "Analyse reproductible initiale — Espérance de vie Gapminder"

# 2. Créer un nouveau dépôt sur https://github.com/new, puis :
git remote add origin https://github.com/VOTRE_NOM/repro-phds.git
git push -u origin main

# 3. Créer une release sur GitHub (cliquez « Releases » → « Create a new release »)
#    Étiquetez-la : v1.0.0

# 4. Allez sur https://zenodo.org/account/settings/github
#    Activez le dépôt → la release déclenche la création automatique d'un DOI

---

✅ Vérification finale

Le test ultime de reproductibilité :
Demandez à un camarade de cloner ou télécharger votre dépôt, de suivre exactement vos instructions README, et d’essayer de reproduire vos figures sans vous demander quoi que ce soit.

Si c’est possible — vous avez un projet reproductible. 🎉

• Les 13 points de la check-liste ci-dessus sont cochés
• Le projet se rend à partir d’une session /Python propre
• Un camarade peut reproduire vos figures à partir des seules instructions du README
• (Bonus) Le projet est sur GitHub avec un DOI Zenodo

Questions de réflexion :

1. Quel était le point de la check-liste le plus difficile à satisfaire — et pourquoi ?
2. Grossièrement, combien de temps supplémentaire la mise en place reproductible vous a-t-elle coûté, comparé à « juste écrire du code » ?
3. Réflechissez un scénario réel en santé publique où ce coût supplémentaire vaudrait clairement la peine.

---

---

🏆 Résumé & conclusion

Ce que nous avons appris :

🎖 Adopter une structure propre et portable pour une navigation aisée dans votre projet
🎖 Tout exécuter de bout en bout avec une seule commande
🎖 Sauvegarder les figures de manière programmatique
🎖 Verrouiller vos dépendances, pour que l’environnement soit reproductible
🎖 Intégrer des valeurs calculées inline
🎖 Satisfaire aux exigences d’une liste de contrôle de reproductibilité de revue

La règle d’or

Commencez petit, commencez maintenant. La reproductibilité est un idéal ; chaque petit pas en avant vous en rapproche.

Outils clés

Outil	Problème résolu	Une commande à retenir
RStudio Project	Plus de chemins absolus ; espace de travail autonome	Ouvrir .Rproj
Quarto	Code + prose en un seul document ; pas de copier-coller de valeurs	quarto render
renv / venv	Versions exactes des packages — assurance « ça marchait l’année dernière »	renv::snapshot()
here	Chemins de fichiers portables fonctionnant sous tous les OS	here::here(“output”,“fig.pdf”)
ggplot2 / seaborn	Figures programmatiques, cohérentes et exportables	ggsave() / fig.savefig()
Git + GitHub	Historique des versions, collaboration, sauvegarde hors site	git add . && git commit && git push
Zenodo	DOI permanent pour citer le code dans les articles	Connecter GitHub dans les paramètres Zenodo

---

Pour aller plus loin

Ressource	À quoi ça sert
The Turing Way	Guide complet et maintenu par la communauté pour la recherche reproductible
R for Data Science (2e)	Tidyverse, ggplot2, Quarto — livre gratuit en ligne
What They Forgot to Teach You About R	Organisation des projets, nommage, chemins de fichiers
Documentation Quarto	Tout sur Quarto
ggplot2 book (3e)	Plongée approfondie dans la grammaire des graphiques
Python Data Science Handbook	NumPy, Pandas, Matplotlib, scikit-learn
Hejblum et al. (2020)	Recherche reproductible pour la biostatistique
Hornung et al. (2026)	Surmonter les obstacles à la reproductibilité computationnelle
Ouvrir la Science	Guides et passeports de science ouverte français (MESRI)