Visualisation de données avec FactoMineR

Visualisation de données avecFactoMineR

François Husson

https://husson.github.io

Unité de mathématiques appliquées, Agrocampus Ouest, Rennes

Webinaire tuto@mate – 1er avril 2019


Présentation des méthodes Factoshiny FactoInvetigate Conclusion

Présentation

• Recherche : analyse de données, tableaux multiples, donnéesmanquantes• Enseignement : cursus d’ingénieur, master science des données• MOOC en analyse de données et MOOC en Sensométrie• Formation continue : statistique avec R, analyse de données

1 / 39

Plan

Présentation des méthodes

Factoshiny pour l’interface et les graphes interactifs

FactoInvetigate pour des rapports automatisés

Conclusion

2 / 39


Les méthodes d’analyse de données

-1 0 1

01

2

breakfast

Not.breakfastNot.tea time

tea timeeveningNot.evening

lunch

Not.lunch

dinner

Not.dinneralways

Not.alwayshomeNot.home

Not.work

work

Not.tearoom

tearoom

friends

Not.friendsNot.resto

resto

Not.pub

pub

black

Earl Grey

green

alone

lemon

milk

otherNo.sugar

sugar

tea bag

tea bag+unpackaged

unpackaged

chain store

chain store+tea shop

tea shop

p_brandedp_cheap

p_private label

p_unknown

p_upscale

p_variable

-1 0 1

01

2

breakfast

Not.breakfastNot.tea time

tea timeeveningNot.evening

lunch

Not.lunch

dinner

Not.dinneralways

Not.alwayshomeNot.home

Not.work

work

Not.tearoom

tearoom

friends

Not.friendsNot.resto

resto

Not.pub

pub

black

Earl Grey

green

alone

lemon

milk

otherNo.sugar

sugar

tea bag

tea bag+unpackaged

unpackaged

chain store

chain store+tea shop

tea shop

p_brandedp_cheap

p_private label

p_unknown

p_upscale

p_variable

-1.0 -0.5 0.0 0.5 1.0 1.5

Color.intensity

Odor.intensity

Attack.intensitySweet Acid

Bitter

Pulp

Typicity

-2 0 2 4

-2-1

01

2

Dim 1 (71.34%)

Dim

2 (

17.1

6%

)

123

4

5

6

7

8

910

11

12

ind1

ind i

ind I

V1 Vj

1

i

I

V1 Vj

19 6

15

17

16 7

18

20

12 8

11 1 5

14

13

10 9 4 3 2

Objectifs :• Descriptif - exploratoire : visualisation de données• Synthèse - résumé de grands tableaux individus × variables

3 / 39


L’analyse en Composantes Principales (ACP)L’ACP s’intéresse à des tableaux de données rectangulaires avecdes individus en lignes et des variables quantitatives en colonnes

• Économie : valeur de l’indicateur k dans la région i• Psychologie : degré d’accord de l’individu i avec l’affirmation k• Sociologie : tps passé à l’activité k par les individus de la CSP i• Enquête PISA : note de l’élève i dans la discipline k

4 / 39


Les données vins• 10 individus : vins blancs du Val de Loire

• Quels vins se ressemblent ? Peut-on faire des groupes de vins ?• Comment caractériser un vin ?• Quels descripteurs se ressemblent ?

5 / 39


Les données vins• 10 individus : vins blancs du Val de Loire• 27 variables quantitatives : descripteurs sensoriels

• mais aussi 2 variables d’appréciation• et 1 variable qualitative : label des vins (Vouvray - Sauvignon)

O.fr

uity

O.p

assi

on

O.c

itrus

…

Sw

eetn

ess

Aci

dity

Bitt

erne

ss

Ast

ringe

ncy

Aro

ma.

inte

nsity

Aro

ma.

pers

iste

ncy

Vis

ual.i

nten

sity

Odo

r.pre

fere

ne

Ove

rall.

pref

eren

ce

Labe

l

S Michaud 4.3 2.4 5.7 … 3.5 5.9 4.1 1.4 7.1 6.7 5.0 6.0 5.0 SauvignonS Renaudie 4.4 3.1 5.3 … 3.3 6.8 3.8 2.3 7.2 6.6 3.4 5.4 5.5 SauvignonS Trotignon 5.1 4.0 5.3 … 3.0 6.1 4.1 2.4 6.1 6.1 3.0 5.0 5.5 SauvignonS Buisse Domaine 4.3 2.4 3.6 … 3.9 5.6 2.5 3.0 4.9 5.1 4.1 5.3 4.6 SauvignonS Buisse Cristal 5.6 3.1 3.5 … 3.4 6.6 5.0 3.1 6.1 5.1 3.6 6.1 5.0 SauvignonV Aub Silex 3.9 0.7 3.3 … 7.9 4.4 3.0 2.4 5.9 5.6 4.0 5.0 5.5 VouvrayV Aub Marigny 2.1 0.7 1.0 … 3.5 6.4 5.0 4.0 6.3 6.7 6.0 5.1 4.1 VouvrayV Font Domaine 5.1 0.5 2.5 … 3.0 5.7 4.0 2.5 6.7 6.3 6.4 4.4 5.1 VouvrayV Font Brûlés 5.1 0.8 3.8 … 3.9 5.4 4.0 3.1 7.0 6.1 7.4 4.4 6.4 VouvrayV Font Coteaux 4.1 0.9 2.7 … 3.8 5.1 4.3 4.3 7.3 6.6 6.3 6.0 5.7 Vouvray

• Quels vins se ressemblent ? Peut-on faire des groupes de vins ?• Comment caractériser un vin ?• Quels descripteurs se ressemblent ?

5 / 39


Représentation des individus et des variables

-6 -4 -2 0 2 4

-6-4

-20

2

Dim 1 (43.48%)

Dim

2 (

25.1

4%)

S Michaud S Renaudie

S Trotignon

S Buisse Domaine

S Buisse Cristal

V Aub Silex

V Aub Marigny

V Font Domaine

V Font Brûlés

V Font Coteaux

SauvignonVouvray

SauvignonVouvray

Aroma.intensityAroma.persistency

-1.0 -0.5 0.0 0.5 1.0 1.5-1

.0-0

.50.

00.

51.

0

Dim 1 (43.48%)

Dim

2 (

25.1

4%)

Odor.Intensity.before.shakingOdor.Intensity.after.shakingExpression

O.fruity

O.passionO.citrus

O.candied.fruit

O.vanillaO.wooded

O.mushroomO.plante

O.flower

O.alcohol

Typicity

Attack.intensity

Sweetness

AcidityBitterness

AstringencyFreshness

OxidationSmoothness

Visual.intensityGrade

Surface.feeling

Odor.preferene

Overall.preference

=⇒ Utilisation d’information supplémentaire• la variable qualitative cépage• les variables quantitatives d’appréciation

6 / 39


L’analyse des correspondances (AFC)

Tableau de correspondances

1

i

I

j1 J

ijxEnsemble I

Ensemble J

xij

Nombre d’individus appartenant à l’élément i de l’ensemble Ià l’élément j de l’ensemble J

2

Lignes Colonnes xij

Personnages de Phèdre Mots Nombre de fois que le personnage i(Racine) a utilisé le mot j

Vins Mots Nombre de fois que le vin i a été associé au mot j

Bureau de vote Candidat Nombre de voix obtenues par le candidat jdans le bureau de vote i

xij : nombre d’individus appartenantà l’élément i de l’ensemble Ià l’élément j de l’ensemble J

Personnages dePhèdre (Racine)

Mots Nombre de fois que le personnagei a utilisé le mot j

CSP classes d’âge nombre d’individus de la classed’âge j et de la CSP i

Profession de foi Mots Nombre de fois où la profession defoi i utilise le mot j

=⇒ Exemples où le test d’indépendance du χ2 peut être appliqué7 / 39


Données sur les prix Nobel

Chimie Economie Littérature Médecine Paix Physique SommeAllemagne 24 1 8 18 5 24 80Canada 4 3 2 4 1 4 18France 8 3 11 12 10 9 53GB 23 6 7 26 11 20 93Italie 1 1 6 5 1 5 19Japon 6 0 2 3 1 11 23Russie 4 3 5 2 3 10 27USA 51 43 8 70 19 66 257Somme 121 60 49 140 51 149 570

Y a-t’il un lien entre les pays et les catégories de prix ? Certainspays ont-ils des spécificités ?

8 / 39


Exemple des prix Nobel

●

−0.5 0.0 0.5 1.0

−0.

8−

0.6

−0.

4−

0.2

0.0

0.2

0.4

0.6

CA factor map

Dim 1 (54.75%)

Dim

2 (

24.6

0%)

Allemagne

Canada

France

GB

Italie

Japon

RussieUSA

Chimie

Economie

Littérature

Médecine

Paix

Physique

●

●

●

●

●

●

●●

• opposition sciences -autresdans une moindremesure, oppositionphysique/chimie -science économique

• positions des paysillustrent leurspécificité dansl’obtention des prixNobel

AFC donne une visualisation synthétique qui aide la compréhensiondu tableau (a fortiori avec de grands tableaux)

9 / 39


L’Analyse des correspondances multiples (ACM)Pour analyser des questionnaires (tableau individus - variablesqualitatives)

• Extrait d’une enquête de l’Insee de 2003 sur la constructiondes identités, appelée « Histoire de vie »• 8403 individus• 2 sortes de variables :

• Parmi les loisirs suivants, indiquez ceux que vous pratiquezrégulièrement : Lecture, Ecouter de la musique, Cinéma,Spectacle, Exposition, Ordinateur, Sport, Marche, Voyage,Jouer de la musique, Collection, Activité bénévole, Bricolage,Jardinage, Tricot, Cuisine, Pêche, nombre d’heures moyen parjour à regarder la TV

• le signalétique (4 questions) : sexe, âge, profession, statutmatrimonial

10 / 39


L’Analyse des correspondances multiples (ACM)Pour analyser des questionnaires (tableau individus - variablesqualitatives)• Extrait d’une enquête de l’Insee de 2003 sur la constructiondes identités, appelée « Histoire de vie »• 8403 individus• 2 sortes de variables :

• Parmi les loisirs suivants, indiquez ceux que vous pratiquezrégulièrement : Lecture, Ecouter de la musique, Cinéma,Spectacle, Exposition, Ordinateur, Sport, Marche, Voyage,Jouer de la musique, Collection, Activité bénévole, Bricolage,Jardinage, Tricot, Cuisine, Pêche, nombre d’heures moyen parjour à regarder la TV

• le signalétique (4 questions) : sexe, âge, profession, statutmatrimonial

10 / 39


Exemple : les données loisirs

Enquêté

1

1

18 1 4

Activités Signalétique

= oui

ou nonEnquêté

8403

ou non

ACM : loisirs en actif, signalétique en supplémentaire• 1 individu = profil d’activités• Principales dimensions de variabilité des profils d’activités• Liaisons entre ces dimensions et le signalétique

11 / 39


Représentation simultanée

0.0

0.5

1.0

Dim

2 (6

.91%

)

Lecture_O

Ecouter.musique_NCinéma_N

Spectacle_NExposition_N Exposition_O

Ordinateur_NSport_NMarche_O

Voyage_N Voyage_OJouer.musique_N

Collection_N

Collection_O

Activité.bénévole_O

Bricolage_O

Jardinage_O

Tricot_O

Cuisine_O

Pêche_O

2

3

-1.0 -0.5 0.0 0.5 1.0

-1.0

-0.5

0.0

Dim 1 (16.95%)

Dim

2 (6

.91%

)

Lecture_N Ecouter.musique_O

Cinéma_O

Spectacle_OOrdinateur_OSport_O

Marche_N

Voyage_N Voyage_O

Jouer.musique_O

Collection_NActivité.bénévole_N

Bricolage_N

Jardinage_N

Tricot_N

Cuisine_N

Pêche_N

0

14

12 / 39


Représentation des modalités

0.5

1.0

Dim

2 (

6.91

%)

Ecouter.musique Cinéma

Ordinateur Sport

Marche

Collection

Activité.bénévole

Bricolage

Jardinage

Tricot

Cuisine

Pêche

2

3

-1.0 -0.5 0.0 0.5 1.0

-0.5

0.0

Dim 1 (16.95%)

Dim

2 (

6.91

%)

Lecture

Lecture

Ecouter.musique

Cinéma

Spectacle

Spectacle

Exposition

Exposition

Ordinateur

Ordinateur

Sport

SportMarche

VoyageVoyage

Jouer.musique

Jouer.musiqueCollection



Bricolage

Jardinage

Tricot

Cuisine

Pêche

0

1

2

4

13 / 39


Représentation des modalités0.

51.

0

Dim

2 (

6.91

%)

Ecouter.musique Cinéma

Ordinateur Sport

Marche

Collection


Bricolage

Jardinage

Tricot

Cuisine

Pêche

2

3

-1.0 -0.5 0.0 0.5 1.0

-0.5

0.0

Dim 1 (16.95%)

Dim

2 (

6.91

%)

Lecture

Lecture

Ecouter.musique

Cinéma

Spectacle

Spectacle

Exposition

Exposition

Ordinateur

Ordinateur

Sport

SportMarche

VoyageVoyage

Jouer.musique

Jouer.musiqueCollection



Bricolage

Jardinage

Tricot

Cuisine

Pêche

0

1

2

4

0.0

0.5

Dim

2 (

6.91

%)

F

M

(25,35]

(35,45]

(45,55]

(55,65](65,75]

(75,85]

(85,100]

divorcé

mariéremariéveuf

agent demaîtriseautre

cadre

employémanoeuvreouvrier

Non renseigné

technicien

-1.0 -0.5 0.0 0.5

-0.5

Dim 1 (16.95%)

Dim

2 (

6.91

%)

(25,35]

[15,25]

seul

13 / 39


L’Analyse Factorielle Multiple (AFM)

1

i

1

Individus

Variables

Groupes

1 k Kj

xik

j J

IX1 Xj XJ

Exemples avec des variables quantitatives et/ou qualitativeset/ou des tableaux de contingence :

• enquête avec plusieurs thèmes (et plusieurs questions parthème)• tableau pays × indicateurs économique, sur plusieurs années• questionnaire avec échelles de likert et questions qualitatives• analyse textuelle d’un mouvement social par les journaux, à

plusieurs dates

14 / 39


L’Analyse Factorielle Multiple (AFM)

1

i

1

Individus

Variables

Groupes

1 k Kj

xik

j J

IX1 Xj XJ

Exemples avec des variables quantitatives et/ou qualitativeset/ou des tableaux de contingence :• enquête avec plusieurs thèmes (et plusieurs questions parthème)• tableau pays × indicateurs économique, sur plusieurs années• questionnaire avec échelles de likert et questions qualitatives• analyse textuelle d’un mouvement social par les journaux, àplusieurs dates

14 / 39


Description sensorielle de vins : comparaison de jurys• 10 vins blancs du Val de Loire : 5 Vouvray - 5 Sauvignon• description sensorielle de 3 jurys : œnologue, conso., étudiant

Les données : un panel d’experts + 1 panel étudiant + 1 panel conso +données d’appréciation + 1 variable qualitative (cépage)

Exemple d’AFM : les données

QltGroupes de variables quantitatives

Expert(27)

Conso(15)

Etudiant(15)

Appréciation(60)

Cépage(1)

Vin 1

Marseille - 2010

Vin 1

Vin 2

…

Vin 10

> resAFM <- MFA(don.comp, group=c(27,15,15,60,1),type=c(rep("s",4),"n"), num.group.sup=c(4:5),name.group=c("Expert","Conso","Etudiant","Appréciat ion","Cépage"))

• Comment caractériser les vins ?• Les vins sont-ils décrits de la même façon par les différentsjurys ? Y-a t’il des spécificités par jury ?• Peut-on compare les typologies des vins d’un jury à l’autre ?

15 / 39


Représentation des individus

-2 -1 0 1 2 3

-3-2

-10

1

Dim 1 (42.52 %)

Dim

2 (

24.4

2 %

)

S Michaud S Renaudie

S Trotignon

S Buisse Domaine

S Buisse Cristal

V Aub Silex

V Aub Marigny

V Font Domaine V Font Brûlés

V Font Coteaux

Sauvignon

Vouvray

SauvignonVouvray

• Les deux cépagessont bien séparés• Les Vouvray sontplus différents dupoint de vuesensoriel• Plusieurs groupes devins, ...

16 / 39


Représentation des variables

●

−1.0 −0.5 0.0 0.5 1.0

−1.

0−

0.5

0.0

0.5

1.0

Dim 1 (42.52%)

Dim

2 (

24.4

2%)

ExpertEtudiantConso

Int.av.agitation

Int.ap.agitationExpression

O.fruit

O.passion

O.agrume

O.fruit.confit

O.vanilleO.boisee

O.champ

O.vegetale

O.florale

O.alcool

Typicite.olf.chenin

Int.attaque

sucree

acide

amere

Astringence

Fraicheur

Oxydation

FinessePersistance.gustative

Persistance.aromatique

Int.couleur

Nuance.couleur

Impression.surface

O.Av.Intensite_E

O.Ap.Intensite_E

O.Alcool_EO.Vegetale_E

O.Champignon_E

O.Fruitpassion_E

O.Typicite_E G.Intensite_E

Sucree_E

Acide_E

Amere_E

Astringent_E

G.Alcool_E

Equilibre_E

G.Typicite_E

O.Av.Intensite_CO.Ap.Intensite_C

O.Alcool_C

O.Vegetale_C

O.Champignon_C

O.Fruitpassion_C

O.Typicite_C

G.Intensite_C

Sucree_C

Acide_C

Amere_CAstringent_C

G.Alcool_C

Equilibre_C

G.Typicite_C

17 / 39


Représentation des variables

●

−1.0 −0.5 0.0 0.5 1.0

−1.

0−

0.5

0.0

0.5

1.0

Dim 1 (42.52%)

Dim

2 (

24.4

2%)

ExpertEtudiantConso

O.passion

Sucree

Acide

O.Fruitpassion_E

Sucree_E

Acide_E

O.Fruitpassion_C

Sucree_C

Acide_C

17 / 39


Représentation des groupes

●

0.0 0.2 0.4 0.6 0.8 1.0

0.0

0.2

0.4

0.6

0.8

1.0

Dim 1 (42.52%)

Dim

2 (

24.4

2%)

Expert

Etudiant

Conso

• 1ère dimension commune àtous les groupes• 2ème dimension due augroupe Expert• 2 groupes sont prochesquand ils induisent lamême structure

⇒ Ce graphe fournit une comparaison synthétique des groupes⇒ Les positions relatives des individus sont-elles similaires d’ungroupe à l’autre ?

18 / 39


Représentation des points partiels

●

−2 0 2 4

−3

−2

−1

01

23

Dim 1 (42.52%)

Dim

2 (

24.4

2%)

●

●

●

●

●

●

●

●

●

●

●●

●●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●

●S Michaud S Renaudie

S Trotignon

S Buisse Domaine

S Buisse Cristal

V Aub Silex

V Aub Marigny

V Font Domaine V Font Brûlés

V Font Coteaux

●

●

●

●

●

●

●

●●

●

ExpertEtudiantConso

• Point partiel = représentation d’un individu vu par un groupe• Un individu est au barycentre de ses points partiels• Un individu est homogène si ses points partiels sont proches

19 / 39


Représentation de variables supplémentaires

Le vin préféré estVouvray Aubussière

Silex

-1.0 -0.5 0.0 0.5 1.0

-1.0

-0.5

0.0

0.5

1.0

Dim 1 (42.52 %)

Dim

2 (2

4.42

%)

Les préférences sont liées à la descriptionsensorielle

20 / 39


Classification Ascendante Hiérarchique (CAH)• peut-on faire des classes d’individus qui se ressemblent ?• comment décrire ces classes ?

02

46

8

Hierarchical clustering

inertia gain

V F

ont

Dom

ain

e

V F

ont

Bru

les

V A

ub M

arigny

V F

ont

Cote

aux

S M

ichaud

S R

enaudie

S T

rotignon

V A

ub S

ilex

S B

uis

se D

om

ain

e

S B

uis

se C

rista

l

02

46

810

Cluster Dendrogram

Heig

ht

21 / 39


Classification et plan factoriel

Représentation de l’arbre et des classes sur un plan factoriel

-6 -4 -2 0 2 4 6

02

46

81

01

2

-8

-6

-4

-2

0

2

4

Dim 1 (43.48%)

Dim

2 (

25.1

4%

)

heig

ht

cluster 1

cluster 2 cluster 3 cluster 4

cluster 5

S Renaudie

S MichaudS Trotignon

S Buisse Domaine

S Buisse Cristal

V Aub Silex

V Font Domaine

V Aub Marigny

V Font CoteauxV Font Brules

Hierarchical clustering on the factor map

22 / 39

Plan




Conclusion

23 / 39


en quelques mots

Le package• propose des méthodes d’analyses factorielles et declassification• de nombreux indicateurs (qualité de représentation,contribution, description automatique des axes, ...)• possibilité d’ajouter des éléments supplémentaires• interface graphique (en français et en anglais)• gestion des données manquantes (package missMDA)• module graphique (package Factoshiny)• rapport automatisé (package FactoInvestigate)• aides à l’utilisateur (site internet, vidéos, livres, MOOC)

24 / 39


en quelques motsDifférentes méthodes pour différents formats de données :

Données Méthodes FonctionVariables quantitatives An. en composantes principales PCATable de contingence An. des correspondances CAVariables qualitatives An. des correspondances multiples MCADonnées mixtes An. factorielle de données mixtes FAMDGroupes de variables An. factorielle multiple MFAHiérarchie sur les variables An. factorielle multiple hiérarchique HMFAGroupes d’individus An. factorielle multiple duale DMFATableau de contingence etvariables contextuelles

An. des correspondances généraliséesur tableaux lexicaux agrégés

CaGalt

Méthodes de classification et méthodes outils complémentaires :Méthodes Fonction

Classification ascendante hiérarchique HCPCDescription d’une variable qualitative (ex. var. de classe) catdesDescription d’une variable quantitative (ex. d’une dimension) condes, dimdesc

25 / 39


Menu déroulant – Interface graphique – Packagecomplémentaire

• Factoshiny : interface et graphes interactifs

=⇒ faciliter l’utilisation des packages pour les utilisateurs

• FactoInvestigate : rapport automatisé

=⇒ propose une interprétation des résultats

• missMDA : gestion des données manquantes

=⇒ aller plus loin que les méthodes standards du package

26 / 39


Aides à l’utilisateur : site internet• http://factominer.free.fr• en anglais et en français• exemples, aides sur les fonctions, références, etc.

27 / 39

http://factominer.free.fr


Aides à l’utilisateur : un Google group• https://groups.google.com/group/factominer-users/• possibilité de poser des questions et/ou répondre• en français ou en anglais

28 / 39

https://groups.google.com/group/factominer-users/

Plan




Conclusion

29 / 39


Graphiques interactifs avec le package Factoshiny• Réaliser des analyses sans besoin de maîtriser le code• Visualisation en temps réel des modifications apportées

> res <- PCAshiny(decathlon) ## analyse factorielle sur les données> res <- PCAshiny(res.pca) ## graphe sur un objet résultat de FactoMineR> res2 <- PCAshiny(res) ## objet résultat de Factoshiny

30 / 39


Graphiques interactifs avec le package Factoshiny

Une petite démonstration :

library(Factoshiny)vins <- read.table("https://husson.github.io/img/vins_expert.csv",

header=TRUE, sep=";", row.names=1)res <- PCAshiny(vins)

31 / 39

Plan




Conclusion

32 / 39


Rapport automatisé avec le package FactoInvestigate

Propose une interprétation desrésultats basée sur l’objet résultat

> res.pca <- PCA(MesDonnees, ...)> library(FactoInvetigate)> Investigate(res.pca)

http://factominer.free.fr/reporting

33 / 39

http://factominer.free.fr/reporting


Rapport automatisé avec le package FactoInvestigate

Une petite démonstration :

library(FactoInvestigate)vins <- read.table("https://husson.github.io/img/vins_expert.csv",

header=TRUE, sep=";", row.names=1)res.pca <- PCA(vins,quanti.sup=29:30,quali.sup=1)Investigate(res.pca)

34 / 39

Plan




Conclusion

35 / 39


Un exemple en linguistique

2

- Aragon (23 textes) : FeuJoie, Perpétuel, Destinées, Snark, Peinture, …

- Balzac (49 textes) : Chouans, Physiologie, Vendetta, Gobseck, …

- Corneille (34 textes) : Mélite, Clitandre, Veuve, Gelerie,Suivante, …

- …

36 / 39



1

- Aragon (23 textes) : FeuJoie, Perpétuel, Destinées, Snark, Peinture, …

- Balzac (49 textes) : Chouans, Physiologie, Vendetta, Gobseck, …

- Corneille (34 textes) : Mélite, Clitandre, Veuve, Gelerie,Suivante, …

- …

978 mots

. . .

accord 264 0 88 44 ...

affaire 1029 2040 74 154 ...

âge 545 629 92 108

ah 219 0 0 0

air 2093 2009 95 191

allemagne 366 0 0 0

allemand 476 0 0 0

amant 303 760 566 0

âme 478 2190 1101 240

ami 1090 2583 307 407

amour 1374 3286 1791 167

an 1812 3009 112 182

anglais 315 0 0 0

. . .

On conserve les

mots cités au

moins 100 fois

36 / 39



La.BruyèrePascal

Aragon

Balzac

Corneille

Diderot

Eluard

Flaubert

Gautier

La.Bruyère

Lamartine

Marivaux

Molière

Montesquieu

Pascal

Racine

Sade

Stendhal

Verlaine

Zola

Avec l’AFC, les auteurs sont d’autant plus proches qu’ils emploientles mots dans les mêmes proportions, i.e. qu’ils s’intéressent auxmêmes sujets et ont les mêmes préoccupations

37 / 39



La.BruyèrePascal

Aragon

Balzac

Corneille

Diderot

Eluard

Flaubert

Gautier

La.Bruyère

Lamartine

Marivaux

Molière

Montesquieu

Pascal

Racine

Sade

Stendhal

Verlaine

Zola

1606

1639

1622

1623

1645

1689

1688

1713

1740

1783

1799

1840

1811

1821

1844

1790

1982

1895

• Corneille et Racine sont proches et très éloignés de Zola.Ce sont 2 auteurs classiques du 17ème tandis que Zola est unnaturaliste du 19ème• Évolution du vocabulaire selon les siècles

37 / 39



5

Balzac

CorneilleLamartine

Racine

Stendhal

Zola

DiderotLa Bruyère

Marivaux

Molière

Montesquieu

Pascal

Eluard

Flaubert

Gautier

Verlaine

Aragon

Sade

• La classification retrouve des classes d’auteurs connues

37 / 39



6

Balzac

CorneilleLamartine

Racine

Stendhal

Zola

DiderotLa Bruyère

Marivaux

Molière

Montesquieu

Pascal

Eluard

Flaubert

Gautier

Verlaine

Aragon

Sade

RomantismeClassicisme

Classicisme - lumières

Roman libertin

Naturalisme

Surréalisme

Réalisme

Surréalisme, Parnasse,

Symbolisme, Réalisme

• Stendhal et Balzac (réalistes) sont très éloignés de Lamartine(romantique). On retrouve ici que les auteurs réalistes ont unpoint commun : s’éloigner des excès romantiques !• Points communs naturalistes / réalistes : montrer la sociétételle qu’elle est, le roman devient le miroir de la société

37 / 39



6

Balzac

CorneilleLamartine

Racine

Stendhal

Zola



Roman libertin

Naturalisme

Surréalisme

Réalisme

DiderotLa Bruyère

Marivaux

Molière

Montesquieu

Pascal

Eluard

Flaubert

Gautier

Verlaine

Aragon

Sade



Les mots permettent de caractériser les sujets de prédilection desauteurs et les courants littéraires

37 / 39



7

commandant

ministre

patronphilippe

poste

professeur

roman

sud

usine

chevalier

comteduc

louis

marquis

napoléon

position

réponse

alarme

avantage

diadèmeétats

fuite

fureur

ingrat

trépas vainqueur

victoirevous_même

condition

conduite

conséquence

contraire

défautdifférenceopinion

qualité terme

chaîne

lune plumeangle

barbediamantmanteau

parfum

pointe

linge

paquet

pavé

poingsatin

tache

tantetrottoir

monument

murmurernid

orientpente

rocher

sentier

torrent

troncvallée

individu

meurtreopération

paillard

putainscélératson

soupertéton

vit

Nature

Vie quotidienne

Erotisme

Réel

Tragédie

Balzac

CorneilleLamartine

Racine

Stendhal

Zola



Roman libertin

Naturalisme

Surréalisme

Réalisme

DiderotLa Bruyère

Marivaux

Molière

Montesquieu

Pascal

Eluard

Flaubert

Gautier

Verlaine

Aragon

Sade



• Le naturalisme est la suite logique du réalisme : le naturalismemontre le milieu où vit le protagoniste pour expliquer soncomportement de façon "scientifique"• Évolution du vocabulaire selon les courants littéraires

Une vidéo pour en savoir plus sur cet exemple

37 / 39

https://www.youtube.com/watch?v=vYCyroq5jXg



7

commandant

ministre

patronphilippe

poste

professeur

roman

sud

usine

chevalier

comteduc

louis

marquis

napoléon

position

réponse

alarme

avantage

diadèmeétats

fuite

fureur

ingrat

trépas vainqueur

victoirevous_même

condition

conduite

conséquence

contraire

défautdifférenceopinion

qualité terme

chaîne

lune plumeangle

barbediamantmanteau

parfum

pointe

linge

paquet

pavé

poingsatin

tache

tantetrottoir

monument

murmurernid

orientpente

rocher

sentier

torrent

troncvallée

individu

meurtreopération

paillard

putainscélératson

soupertéton

vit

Nature

Vie quotidienne

Erotisme

Réel

Tragédie

Balzac

CorneilleLamartine

Racine

Stendhal

Zola



Roman libertin

Naturalisme

Surréalisme

Réalisme

DiderotLa Bruyère

Marivaux

Molière

Montesquieu

Pascal

Eluard

Flaubert

Gautier

Verlaine

Aragon

Sade



• Le naturalisme est la suite logique du réalisme : le naturalismemontre le milieu où vit le protagoniste pour expliquer soncomportement de façon "scientifique"• Évolution du vocabulaire selon les courants littéraires

Une vidéo pour en savoir plus sur cet exemple 37 / 39

https://www.youtube.com/watch?v=vYCyroq5jXg


Matériel sur FactoMineR

• FactoMineR : pour mettre en œuvre les méthodes• Factoshiny : pour un menu déroulant et graphes interactifs• missMDA : pour la gestion des données manquantes• FactoInvestigate : pour les rapports automatisés

• site FactoMineR : http://factominer.free.fr• site F. Husson : https://husson.github.io

• 2 articles dans J. of stat. software (FactoMineR, missMDA)• 2 articles dans R journal (CA-galt, MFACT)

38 / 39

http://factominer.free.fr


https://www.jstatsoft.org/article/view/v025i01

https://www.jstatsoft.org/article/view/v070i01

https://journal.r-project.org/archive/2015-1/kostov-becuebertaut-husson.pdf

https://journal.r-project.org/archive/2013-1/kostov-becuebertaut-husson.pdf


Aides à l’utilisateur

Analyse de données avec R (2e ed) R pour la stat. et sc. des données

MOOC analyse de donnéesmultidimensionnelles

Une chaîne Youtube : https://www.youtube.com/HussonFrancois

39 / 39

http://factominer.free.fr/livreV2/index.html

https://www.crcpress.com/Exploratory-Multivariate-Analysis-by-Example-Using-R-Second-Edition/Husson-Le-Pages/p/book/9781138196346

http://factominer.free.fr/libra/index.html

https://r-stat-sc-donnees.github.io/

http://www.crcpress.com/product/isbn/9781439881453

https://www.fun-mooc.fr/courses/course-v1:agrocampusouest+40001S05+session05/about

https://www.youtube.com/HussonFrancois


missMDA : données manquantes

RcmdrPlugin.FactoMineR: menu déroulant

Factoshiny : graphes interactifs

39 / 39

Visualisation de données avec FactoMineR

Documents

Transcript of Visualisation de données avec FactoMineR