Documentation

fviz_pca: Visualisation de l'Analyse en Composante Principale - Logiciel R et analyse de données

Thu, 12 Nov 2015 08:11:16 +0100

Description
Installer et charger factoextra
Utilisation
Arguments
Valeur
Exemples
Infos

Description

Graphique des individus/variables issues des r?sultats de l?Analyse en Composante Principale (ACP).

Les fonctions suivantes, du package factoextra, sont utilis?es:

fviz_pca_ind(): Graphique des individus
fviz_pca_var(): Graphique des variables
fviz_pca_biplot() (or fviz_pca()): Biplot des individus et des variables

Installer et charger factoextra

Le package devtools est requis pour l?installation de factoextra.

if(!require(devtools)) install.packages("devtools")
devtools::install_github("kassambara/factoextra")

Charger factoextra:

library("factoextra")

Utilisation

# Graphique des individus
fviz_pca_ind(X, axes = c(1, 2), geom = c("point", "text"),
       label = "all", invisible = "none", labelsize = 4,
       pointsize = 2, habillage = "none",
       addEllipses = FALSE, ellipse.level = 0.95, 
       col.ind = "black", col.ind.sup = "blue", alpha.ind = 1,
       select.ind = list(name = NULL, cos2 = NULL, contrib = NULL),
       jitter = list(what = "label", width = NULL, height = NULL),  ...)

# Graphique des variables
fviz_pca_var(X, axes = c(1, 2), geom = c("arrow", "text"),
       label = "all", invisible = "none", labelsize = 4,
       col.var = "black", alpha.var = 1, col.quanti.sup = "blue",
       col.circle = "grey70",
       select.var = list(name =NULL, cos2 = NULL, contrib = NULL),
       jitter = list(what = "label", width = NULL, height = NULL))

# Biplot des individus et des variables
fviz_pca_biplot(X, axes = c(1, 2), geom = c("point", "text"),
   label = "all", invisible = "none", labelsize = 4, pointsize = 2,
    habillage = "none", addEllipses = FALSE, ellipse.level = 0.95,
    col.ind = "black", col.ind.sup = "blue", alpha.ind = 1,
    col.var = "steelblue", alpha.var = 1, col.quanti.sup = "blue",
    col.circle = "grey70", 
    select.var = list(name = NULL, cos2 = NULL, contrib= NULL), 
    select.ind = list(name = NULL, cos2 = NULL, contrib = NULL),
    jitter = list(what = "label", width = NULL, height = NULL), ...)

# Alias fviz_pca_biplot()
fviz_pca(X, ...)

Arguments

Argument	Description
X	un objet de classe PCA [FactoMineR]; prcomp et princomp [stats]; dudi et pca [ade4].
axes	un vecteur num?rique de longueur 2 sp?cifiant les axes ? tracer.
geom	un texte sp?cifiant la g?om?trie ? utiliser pour le graphique. Les valeurs autoris?es sont la combinaison de c(?point?, ?arrow?, ?text?). Utilisez ?point? (pour afficher uniquement les points); ?text? pour afficher uniquement les ?tiquettes (texte d?annotation); c(?point?, ?text?) ou c(?arrow?, ?text?) pour montrer les deux types.
label	un vecteur de caract?res sp?cifiant les ?l?ments ? ?tiqueter. La valeur par d?faut est ?all?. Les valeurs autoris?es sont ?none? ou la combinaison de c(?ind?, ?ind.sup?, ?quali?, ?var?, ?quanti.sup?). Utilisez ?ind? pour ?tiqueter uniquement les individus actifs; ?ind.sup? est pour les individus suppl?mentaires. ?var? est pour les variables actives. ?quali? est pour les variables qualitatives suppl?mentaires. ?quanti.sup? est pour les variables quantitatives suppl?mentaires.
invisible	une cha?ne de caract?res sp?cifiant les ?l?ments ? masquer sur le graphique. La valeur par d?faut est ?none?. Les valeurs autoris?es sont la combinaison de c(?ind?, ?ind.sup?, ?quali?, ?var?, ?quanti.sup?).
labelsize	taille de la police pour les ?tiquettes.
pointsize	la taille des points.
habillage	une variable cat?gorielle optionnelle de type ?factor?. La valeur par d?faut est ?none?. Si X est un objet de type PCA provenant de FactoMineR, l?argument habillage peut ?tre ?galement sp?cifi? par l?index ou le nom d?une variable qualitative suppl?mentaire. Cet argument est utilis? pour colorer les individus par des groupes (voir ?PCA dans FactoMineR).
addEllipses	valeur logique. Si TRUE, ajoute des ellipses autour des individus lorsque habillage!= ?none?.
ellipse.level	la taille de l?ellipse de concentration en probabilit? normale (i.e.: 0.95, 0.68, ?).
col.ind,col.var	couleurs pour les individus et les variables, respectivement. Les valeurs possibles comprennent ?galement: ?cos2?, ?contrib?, ?coord?, ?x? or ?y?. Dans ce cas, les couleurs des individus/variables sont automatiquement contr?l?es par leurs qualit?s (?cos2?), leurs contributions (?contrib?), leurs coordonn?es (x^2 + y^2, ?coord?), les valeurs x (?x?) ou les valeurs y (?y?). Pour utiliser la coloration automatique (par cos2, contrib, ?.), assurez-vous que habillage = ?none?.
col.ind.sup	couleur des individus suppl?mentaires.
alpha.ind,alpha.var	contr?le la transparence des couleurs des individus et des variables, respectivement. La valeur peut varier de 0 (transparence totale) ? 1 (aucune transparence). La valeur par d?faut est 1. Les valeurs admises comprennent ?galement: ?cos2?, ?contrib?, ?coord?, ?x? ou ?y?, comme pour les arguments col.ind et col.var. Pour utiliser ceux-ci, assurez-vous que habillage = ?none?.
select.ind,select.var	S?lection des individus/variables ? dessiner. Les valeurs autoris?es sont NULL ou une liste contenant le nom des arguments, cos2 ou contrib. La valeur par d?faut est list(name = NULL, cos2 = NULL, contrib = NULL): name: est un vecteur de caract?res contenant les noms des individus/variables ? s?lectionner cos2: si cos2 est dans [0, 1], ex: 0.6, alors les individus/variables avec un cos2 > 0.6 sont s?lectionn?es. Si cos2 > 1, ex: 5, alors les top 5 individus/variables avec le plus grand cos2 sont s?lectionn?es contrib: si contrib > 1, ex: 5, alors les top 5 individus/variables avec la plus grande contribution sont s?lectionn?es.
jitter	un param?tre d?ajustement de la position des points et textes pour r?duire le chevauchement. C?est une liste contenant les objets what, width et height (Ex.; jitter = list(what, width, height)). what: l??l?ment ? ajuster. Les valeurs possibles sont ?point? ou ?p?; ?label? ou ?l?; ?both? ou ?b?. width: degr? d?ajustement selon l?axe des x (ex: 0.2). height: degr? d ?ajustement selon l?axe des y (ex: 0.2).
col.quanti.sup	couleur ? utiliser pour les variables quantitatives suppl?mentaires.
col.circle	couleur du cercle de corr?lation.
?	Arguments optionnels ? passer ? la fonction fviz_pca_biplot().

Valeur

Un graphique de type ggplot2

Exemples

Analyse en composante principale

Une analyse en composantes principales (ACP) est effectu?e en utilisant la fonction int?gr?e de R prcomp() et le jeu de donn?es iris:

data(iris)
head(iris)

  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
3          4.7         3.2          1.3         0.2  setosa
4          4.6         3.1          1.5         0.2  setosa
5          5.0         3.6          1.4         0.2  setosa
6          5.4         3.9          1.7         0.4  setosa

# La variable Species (index = 5) est supprim?e
# avant la PCA
res.pca <- prcomp(iris[, -5],  scale = TRUE)

fviz_pca_ind(): Graphique des individus

# Graphique par d?faut
fviz_pca_ind(res.pca)

# Changer le titre principal et celui des axes
fviz_pca_ind(res.pca) +
  labs(title ="PCA", x = "PC1", y = "PC2")

# Changer les limites des axes en sp?cifiant le min et le max
fviz_pca_ind(res.pca) +
   xlim(-4, 4) + ylim (-4, 4)

# Utiliser seulement du texte
fviz_pca_ind(res.pca, geom="text")

# Utiliser uniquement des points
fviz_pca_ind(res.pca, geom="point")

# Changer la taille des points
fviz_pca_ind(res.pca, geom="point", pointsize = 4)

# Changer la couleur des points et le th?me
fviz_pca_ind(res.pca, col.ind = "blue")+
   theme_minimal()

# Contr?ler automatiquement la couleurs des individus
# par les valeurs de cos2 ou de contributions
# cos2 = qualit? de r?pr?sentation sur le graphique
fviz_pca_ind(res.pca, col.ind="cos2")

# Gradient de couleur
fviz_pca_ind(res.pca, col.ind="cos2") +
      scale_color_gradient2(low="white", mid="blue",
      high="red", midpoint=0.6, space = "Lab")

# Changer le th?me et utiliser uniquement des points
fviz_pca_ind(res.pca, col.ind="cos2", geom = "point") +
      scale_color_gradient2(low="white", mid="blue",
      high="red", midpoint=0.6, space = "Lab")+ theme_minimal()

# Colorer en fonction de la contribution
fviz_pca_ind(res.pca, col.ind="contrib") +
      scale_color_gradient2(low="white", mid="blue",
      high="red", midpoint=4, space ="Lab")

# Contr?ler la transparence des couleurs
# en fonction de la contribution
fviz_pca_ind(res.pca, alpha.ind="contrib") +
     theme_minimal()

# Colorer les individus par groupes
fviz_pca_ind(res.pca, label="none", habillage=iris$Species)

# Ajouter des ellipses
p <- fviz_pca_ind(res.pca, label="none", habillage=iris$Species,
             addEllipses=TRUE, ellipse.level=0.95)
print(p)

# Changer la couleur des groupes en utilisant
# les palettes RColorBrewer
p + scale_color_brewer(palette="Dark2") +
     theme_minimal()

p + scale_color_brewer(palette="Paired") +
     theme_minimal()

p + scale_color_brewer(palette="Set1") +
     theme_minimal()

# Changer la couleur manuellement
p + scale_color_manual(values=c("#999999", "#E69F00", "#56B4E9"))

# S?lectionner et visualiser les individus avec cos2 > 0.96
fviz_pca_ind(res.pca, select.ind = list(cos2 = 0.96))

# S?lectionner le top 20 selon le cos2 
fviz_pca_ind(res.pca, select.ind = list(cos2 = 20))

# Selectionner le top 20 selon la contribution
fviz_pca_ind(res.pca, select.ind = list(contrib = 20))

# S?lectionner par le nom
fviz_pca_ind(res.pca,
select.ind = list(name = c("23", "42", "119")))

fviz_pca_var(): Graphique des variables

# Graphique par d?faut
fviz_pca_var(res.pca)

# Utiliser des points et textes
fviz_pca_var(res.pca, geom = c("point", "text"))

# Changer la couleur et le th?me
fviz_pca_var(res.pca, col.var="steelblue")+
 theme_minimal()

# Contr?ler la couleur selon la contribution
fviz_pca_var(res.pca, col.var="contrib")+
 scale_color_gradient2(low="white", mid="blue",
           high="red", midpoint=96, space ="Lab") +
 theme_minimal()

# Contr?ler la transparence des variables
# selon leurs contributions
fviz_pca_var(res.pca, alpha.var="contrib") +
   theme_minimal()

# S?lectionner et visualiser les variables avec cos2 >= 0.96
fviz_pca_var(res.pca, select.var = list(cos2 = 0.96))

# S?lectionner le top 3 selon la contribution
fviz_pca_var(res.pca, select.var = list(contrib = 3))

# S?lectionner par noms
fviz_pca_var(res.pca,
   select.var= list(name = c("Sepal.Width", "Petal.Length")))

fviz_pca_biplot(): Biplot des individus et variables

fviz_pca_biplot(res.pca)

# Annoter uniquement les variables
fviz_pca_biplot(res.pca, label ="var")

# Annoter uniquement les individus
fviz_pca_biplot(res.pca, label ="ind")

# Cacher les variables
fviz_pca_biplot(res.pca, invisible ="var")

# Cacher les individus
fviz_pca_biplot(res.pca, invisible ="ind")

# Contr?ler la couleur des individus selon le cos2
fviz_pca_biplot(res.pca, label ="var", col.ind="cos2") +
       theme_minimal()

# Change la couleur par groups, ajouter des ellipses
fviz_pca_biplot(res.pca, label="var", habillage=iris$Species,
               addEllipses=TRUE, ellipse.level=0.95)

# Top 30 des individus les plus contributifs
fviz_pca_biplot(res.pca, label="var",
               select.ind = list(contrib = 30))

Infos

Cette analyse a ?t? r?alis?e en utilisant le logiciel R (ver. 3.2.1) et factoextra (ver. 1.0.3)

get_pca: Extraire les résultats de l'analyse en composante principale - Logiciel R et analyse de données

Thu, 12 Nov 2015 02:23:20 +0100

Description
Installer et charger factoextra
Utilisation
Arguments
Valeur
Exemples
Infos

Description

Extrait tous les r?sultats (coordonn?es, cosinus carr?, les contributions et inertie), pour les individus/variables actives, de l?analyse en composante principale (ACP).

get_pca(): Extraire les r?sultats pour les variables et individus
get_pca_ind(): Extraire les r?sultats pour les individus seulement
get_pca_var(): Extraire les r?sultats pour les variables seulement

Ces fonctions sont disponibles dans le package factoextra.

Installer et charger factoextra

Le package devtools est requis pour l?installation de factoextra.

if(!require(devtools)) install.packages("devtools")
devtools::install_github("kassambara/factoextra")

Charger factoextra:

library("factoextra")

Utilisation

# Extraire les r?sultats pour les variables et individus
get_pca(res.pca, element = c("var", "ind"))

# Extraires les r?sultats pour les individus seulement
get_pca_ind(res.pca, ...)

# Extraires les r?sultats pour les variables seulement
get_pca_var(res.pca)

Arguments

Argument	Description
res.pca	un objet de classe PCA [FactoMineR]; prcomp et princomp [stats]; pca, dudi [adea4].
element	L??l?ment ? extraire du r?sultat. Les valeurs possibles sont ?var? (pour les variables actives) ou ?ind? (pour les individus actives).
?	non utilis?

Valeur

Une liste de matrices contenant tous les r?sultats pour les individus/variables actives, y compris:

coord: Coordonn?es pour les individus / variables
cos2: cos2 pour les individus / variables
contrib: contributions des individus / variables

Exemples

Analyse en composante principale

Une analyse en composantes principales (ACP) est effectu?e en utilisant la fonction int?gr?e de R prcomp() et le jeu de donn?es iris:

data(iris)
head(iris)

  Sepal.Length Sepal.Width Petal.Length Petal.Width Species
1          5.1         3.5          1.4         0.2  setosa
2          4.9         3.0          1.4         0.2  setosa
3          4.7         3.2          1.3         0.2  setosa
4          4.6         3.1          1.5         0.2  setosa
5          5.0         3.6          1.4         0.2  setosa
6          5.4         3.9          1.7         0.4  setosa

# La variable Species (index = 5) est supprim?e
# avant la PCA
res.pca <- prcomp(iris[, -5],  scale = TRUE)

Extraire les r?sultats pour les variables

var <- get_pca_var(res.pca)
var

Principal Component Analysis Results for variables
 ===================================================
  Name       Description                                    
1 "$coord"   "Coordinates for the variables"                
2 "$cor"     "Correlations between variables and dimensions"
3 "$cos2"    "Cos2 for the variables"                       
4 "$contrib" "contributions of the variables"

# Coordonn?es des variables
head(var$coord)

                  Dim.1       Dim.2       Dim.3       Dim.4
Sepal.Length  0.8901688 -0.36082989  0.27565767  0.03760602
Sepal.Width  -0.4601427 -0.88271627 -0.09361987 -0.01777631
Petal.Length  0.9915552 -0.02341519 -0.05444699 -0.11534978
Petal.Width   0.9649790 -0.06399985 -0.24298265  0.07535950

# Cos2 des variables
head(var$cos2)

                 Dim.1       Dim.2       Dim.3        Dim.4
Sepal.Length 0.7924004 0.130198208 0.075987149 0.0014142127
Sepal.Width  0.2117313 0.779188012 0.008764681 0.0003159971
Petal.Length 0.9831817 0.000548271 0.002964475 0.0133055723
Petal.Width  0.9311844 0.004095980 0.059040571 0.0056790544

# Contribution des variables
head(var$contrib)

                 Dim.1       Dim.2     Dim.3     Dim.4
Sepal.Length 27.150969 14.24440565 51.777574  6.827052
Sepal.Width   7.254804 85.24748749  5.972245  1.525463
Petal.Length 33.687936  0.05998389  2.019990 64.232089
Petal.Width  31.906291  0.44812296 40.230191 27.415396

Extract the results for individuals

ind <- get_pca_ind(res.pca)
ind

Principal Component Analysis Results for individuals
 ===================================================
  Name       Description                       
1 "$coord"   "Coordinates for the individuals" 
2 "$cos2"    "Cos2 for the individuals"        
3 "$contrib" "contributions of the individuals"

# Coordonn?es des individus
head(ind$coord)

      Dim.1      Dim.2       Dim.3        Dim.4
1 -2.257141 -0.4784238  0.12727962  0.024087508
2 -2.074013  0.6718827  0.23382552  0.102662845
3 -2.356335  0.3407664 -0.04405390  0.028282305
4 -2.291707  0.5953999 -0.09098530 -0.065735340
5 -2.381863 -0.6446757 -0.01568565 -0.035802870
6 -2.068701 -1.4842053 -0.02687825  0.006586116

# Cos2 des individus
head(ind$cos2)

      Dim.1      Dim.2        Dim.3        Dim.4
1 0.9539975 0.04286032 0.0030335249 1.086460e-04
2 0.8927725 0.09369248 0.0113475382 2.187482e-03
3 0.9790410 0.02047578 0.0003422122 1.410446e-04
4 0.9346682 0.06308947 0.0014732682 7.690193e-04
5 0.9315095 0.06823959 0.0000403979 2.104697e-04
6 0.6600989 0.33978301 0.0001114335 6.690714e-06

# Contribution des individus
head(ind$contrib)

      Dim.1      Dim.2       Dim.3       Dim.4
1 1.1637691 0.16694510 0.073591567 0.018672867
2 0.9825900 0.32925696 0.248367113 0.339198420
3 1.2683043 0.08469576 0.008816151 0.025742863
4 1.1996857 0.25856249 0.037605617 0.139067312
5 1.2959338 0.30313118 0.001117674 0.041253702
6 0.9775628 1.60670454 0.003281801 0.001396002

get_pca

# Vous pouvez aussi utiliser la fonction get_pca()
get_pca(res.pca, "ind") # Resultats pour les individus

Principal Component Analysis Results for individuals
 ===================================================
  Name       Description                       
1 "$coord"   "Coordinates for the individuals" 
2 "$cos2"    "Cos2 for the individuals"        
3 "$contrib" "contributions of the individuals"

get_pca(res.pca, "var") # Resultats pour les variables

Principal Component Analysis Results for variables
 ===================================================
  Name       Description                                    
1 "$coord"   "Coordinates for the variables"                
2 "$cor"     "Correlations between variables and dimensions"
3 "$cos2"    "Cos2 for the variables"                       
4 "$contrib" "contributions of the variables"

Infos

Cette analyse a ?t? r?alis?e en utilisant le logiciel R (ver. 3.2.1) et factoextra (ver. 1.0.3)

get_mca: Extraire les résultats de l'analyse des correspondances multiples - Logiciel R et analyse de données

Thu, 12 Nov 2015 02:16:32 +0100

Description
Installer et charger factoextra
Utilisation
Arguments
Valeur
Exemples
Infos

Description

Extrait tous les r?sultats (coordonn?es, cosinus carr?, les contributions et inertie), pour les individus/variables actives, de l?analyse des correspondances multiples (ACM).

get_mca(): Extraire les r?sultats pour les variables et individus
get_mca_ind(): Extraire les r?sultats pour les individus seulement
get_mca_var(): Extraire les r?sultats pour les variables seulement

Ces fonctions sont disponibles dans le package factoextra.

Installer et charger factoextra

Le package devtools est requis pour l?installation de factoextra.

if(!require(devtools)) install.packages("devtools")
devtools::install_github("kassambara/factoextra")

Charger factoextra:

library("factoextra")

Utilisation

# Extraire les r?sultats pour les variables et individus
get_mca(res.mca, element = c("var", "ind"))

# Extraire les r?sultats pour les individus seulement
get_mca_var(res.mca)

# Extrairesles r?sultats pour les variables seulement
get_mca_ind(res.mca)

Arguments

Argument	Description
res.mca	un objet de classe MCA [FactoMineR], acm [ade4].
element	L??l?ment ? extraire du r?sultat. Les valeurs possibles sont ?var? (pour les variables actives) ou ?ind? (pour les individus actives).

Valeur

Une liste de matrices contenant tous les r?sultats pour les individus/variables actives, y compris:

coord: Coordonn?es pour les individus / variables
cos2: cos2 pour les individus / variables
contrib: contributions des individus / variables

Exemples

Analyse des correspondences multiples

Une Analyse des Correspondences Multiples (ACM) est effectu?e en utilisant la fonction MCA() [dans FactoMineR] et les donn?es poison [dans FactoMineR]:

# Analyse des correspondences multiples
# ++++++++++++++++++++++++++++++
# Installer et charger FactoMineR pour effectuer une MCA
# install.packages("FactoMineR")
library("FactoMineR")
data(poison)
poison.active <- poison[1:55, 5:15]
head(poison.active[, 1:6])

    Nausea Vomiting Abdominals   Fever   Diarrhae   Potato
1 Nausea_y  Vomit_n     Abdo_y Fever_y Diarrhea_y Potato_y
2 Nausea_n  Vomit_n     Abdo_n Fever_n Diarrhea_n Potato_y
3 Nausea_n  Vomit_y     Abdo_y Fever_y Diarrhea_y Potato_y
4 Nausea_n  Vomit_n     Abdo_n Fever_n Diarrhea_n Potato_y
5 Nausea_n  Vomit_y     Abdo_y Fever_y Diarrhea_y Potato_y
6 Nausea_n  Vomit_n     Abdo_y Fever_y Diarrhea_y Potato_y

res.mca <- MCA(poison.active, graph=FALSE)

Extraire les r?sultats pour les variables

# Extraire les r?sultats pour les variables
var <- get_mca_var(res.mca)
print(var)

Multiple Correspondence Analysis Results for variables
 ===================================================
  Name       Description                  
1 "$coord"   "Coordinates for categories" 
2 "$cos2"    "Cos2 for categories"        
3 "$contrib" "contributions of categories"

head(var$coord) # coordonn?es des variables

              Dim 1       Dim 2        Dim 3       Dim 4       Dim 5
Nausea_n  0.2673909  0.12139029 -0.265583253  0.03376130  0.07370500
Nausea_y -0.9581506 -0.43498187  0.951673323 -0.12097801 -0.26410958
Vomit_n   0.4790279 -0.40919465  0.084492799  0.27361142  0.05245250
Vomit_y  -0.7185419  0.61379197 -0.126739198 -0.41041713 -0.07867876
Abdo_n    1.3180221 -0.03574501 -0.005094243 -0.15360951 -0.06986987
Abdo_y   -0.6411999  0.01738946  0.002478280  0.07472895  0.03399075

head(var$cos2) # cos2 des variables

             Dim 1        Dim 2        Dim 3       Dim 4       Dim 5
Nausea_n 0.2562007 0.0528025759 2.527485e-01 0.004084375 0.019466197
Nausea_y 0.2562007 0.0528025759 2.527485e-01 0.004084375 0.019466197
Vomit_n  0.3442016 0.2511603912 1.070855e-02 0.112294813 0.004126898
Vomit_y  0.3442016 0.2511603912 1.070855e-02 0.112294813 0.004126898
Abdo_n   0.8451157 0.0006215864 1.262496e-05 0.011479077 0.002374929
Abdo_y   0.8451157 0.0006215864 1.262496e-05 0.011479077 0.002374929

head(var$contrib) # contributions des variables

             Dim 1       Dim 2        Dim 3      Dim 4      Dim 5
Nausea_n  1.515869  0.81100008 4.670018e+00 0.08449397 0.48977906
Nausea_y  5.431862  2.90608363 1.673423e+01 0.30277007 1.75504164
Vomit_n   3.733667  7.07226253 3.627455e-01 4.25893721 0.19036376
Vomit_y   5.600500 10.60839380 5.441183e-01 6.38840581 0.28554563
Abdo_n   15.417637  0.02943661 7.192511e-04 0.73219636 0.18424268
Abdo_y    7.500472  0.01432051 3.499060e-04 0.35620363 0.08963157

Extraire les r?sultats pour les individus

# Extraire les r?sultats pour les individus
ind <- get_mca_ind(res.mca)
print(ind)

Multiple Correspondence Analysis Results for individuals
 ===================================================
  Name       Description                       
1 "$coord"   "Coordinates for the individuals" 
2 "$cos2"    "Cos2 for the individuals"        
3 "$contrib" "contributions of the individuals"

head(ind$coord) # coordonn?es des individus

       Dim 1       Dim 2       Dim 3       Dim 4       Dim 5
1 -0.4525811 -0.26415072  0.17151614  0.01369348 -0.11696806
2  0.8361700 -0.03193457 -0.07208249 -0.08550351  0.51978710
3 -0.4481892  0.13538726 -0.22484048 -0.14170168 -0.05004753
4  0.8803694 -0.08536230 -0.02052044 -0.07275873 -0.22935022
5 -0.4481892  0.13538726 -0.22484048 -0.14170168 -0.05004753
6 -0.3594324 -0.43604390 -1.20932223  1.72464616  0.04348157

head(ind$cos2) # cos2 des individus

       Dim 1        Dim 2        Dim 3        Dim 4        Dim 5
1 0.34652591 0.1180447167 0.0497683175 0.0003172275 0.0231460846
2 0.55589562 0.0008108236 0.0041310808 0.0058126211 0.2148103098
3 0.54813888 0.0500176790 0.1379484860 0.0547920948 0.0068349171
4 0.74773962 0.0070299584 0.0004062504 0.0051072923 0.0507479873
5 0.54813888 0.0500176790 0.1379484860 0.0547920948 0.0068349171
6 0.02485357 0.0365775483 0.2813443706 0.5722083217 0.0003637178

head(ind$contrib) # contributions des individus

     Dim 1      Dim 2        Dim 3        Dim 4      Dim 5
1 1.110927 0.98238297  0.498254685  0.003555817 0.31554778
2 3.792117 0.01435818  0.088003703  0.138637089 6.23134138
3 1.089470 0.25806722  0.856229950  0.380768961 0.05776914
4 4.203611 0.10259105  0.007132055  0.100387990 1.21319013
5 1.089470 0.25806722  0.856229950  0.380768961 0.05776914
6 0.700692 2.67693398 24.769968729 56.404214518 0.04360547

get_mca: extraire les r?sultats pour les individues et variables ? la fois

# Vous pouvez aussi utiliser la fonction get_mca()
get_mca(res.mca, "ind") # Resultats pour les individus

Multiple Correspondence Analysis Results for individuals
 ===================================================
  Name       Description                       
1 "$coord"   "Coordinates for the individuals" 
2 "$cos2"    "Cos2 for the individuals"        
3 "$contrib" "contributions of the individuals"

get_mca(res.mca, "var") # Resultats pour les variables

Multiple Correspondence Analysis Results for variables
 ===================================================
  Name       Description                  
1 "$coord"   "Coordinates for categories" 
2 "$cos2"    "Cos2 for categories"        
3 "$contrib" "contributions of categories"

Infos

Cette analyse a ?t? r?alis?e en utilisant le logiciel R (ver. 3.2.1) et factoextra (ver. 1.0.3)

get_ca: Extraire les résultats pour les lignes/colonnes de l'analyse des correspondances - Logiciel R et analyse de données

Thu, 12 Nov 2015 01:52:24 +0100

Description
Installer et charger factoextra
Utilisation
Arguments
Valeur
Exemples
Infos

Description

Extrait tous les r?sultats (coordonn?es, cosinus carr?, les contributions et inertie) pour les variables lignes/colonnes actives de l?analyse des correspondances (AFC).

get_ca(): Extraire les r?sultats pour les lignes et colonnes
get_ca_row(): Extraire les r?sultats pour les lignes seulement
get_ca_col(): Extraire les r?sultats pour colonnes seulement

Ces fonctions sont disponibles dans le package factoextra.

Installer et charger factoextra

Le package devtools est requis pour l?installation de factoextra.

if(!require(devtools)) install.packages("devtools")
devtools::install_github("kassambara/factoextra")

Charger factoextra:

library("factoextra")

Utilisation

# Extraire les r?sultats pour les lignes et colonnes
get_ca(res.ca, element = c("row", "col"))

# Extraire les r?sultats pour les lignes seulement
get_ca_col(res.ca)

# Extraire les r?sultats pour les colonne seulement
get_ca_row(res.ca)

Arguments

Argument	Description
res.ca	un objet de classe CA [FactoMineR], ca [ca], coa [ade4]; correspondence [MASS].
element	L??l?ment ? extraire du r?sultat. Les valeurs possibles sont ?row? ou ?col?.

Valeur

Une liste de matrices contenant tous les r?sultats pour les lignes/colonnes actives, y compris:

coord: Coordonn?es pour les lignes / colonnes
cos2: cos2 pour les lignes / colonnes
contrib: contributions des lignes / colonnes

Exemples

Analyse factorielle des correspondences

L?Analyse des correspondences (AFC) est r?alis?e en utilisant la fonction CA() [dans FactoMineR] et le jeu de donn?es housetasks [dans factoextra]:

# Installer et charger FactoMineR pour effectuer une CA
# install.packages("FactoMineR")
 library("FactoMineR")
 data("housetasks")
 res.ca <- CA(housetasks, graph = FALSE)

Extraire les r?sultats pour les variables colonnes

# r?sultats pour les variables de colonnes
col <- get_ca_col(res.ca)
col # afficher

Correspondence Analysis - Results for columns
 ===================================================
  Name       Description                   
1 "$coord"   "Coordinates for the columns" 
2 "$cos2"    "Cos2 for the columns"        
3 "$contrib" "contributions of the columns"
4 "$inertia" "Inertia of the columns"

head(col$coord) # coordonn?es des colonnes

                  Dim 1      Dim 2       Dim 3
Wife        -0.83762154  0.3652207 -0.19991139
Alternating -0.06218462  0.2915938  0.84858939
Husband      1.16091847  0.6019199 -0.18885924
Jointly      0.14942609 -1.0265791 -0.04644302

head(col$cos2) # cos2 des colonnes

                  Dim 1     Dim 2       Dim 3
Wife        0.801875947 0.1524482 0.045675847
Alternating 0.004779897 0.1051016 0.890118521
Husband     0.772026244 0.2075420 0.020431728
Jointly     0.020705858 0.9772939 0.002000236

head(col$contrib) # contribution des colonnes

                Dim 1     Dim 2      Dim 3
Wife        44.462018 10.312237 10.8220753
Alternating  0.103739  2.782794 82.5492464
Husband     54.233879 17.786612  6.1331792
Jointly      1.200364 69.118357  0.4954991

Extraire les r?sultats pour les variables lignes

# r?sultats pour les variables lignes
row <- get_ca_row(res.ca)
row # print

Correspondence Analysis - Results for rows
 ===================================================
  Name       Description                
1 "$coord"   "Coordinates for the rows" 
2 "$cos2"    "Cos2 for the rows"        
3 "$contrib" "contributions of the rows"
4 "$inertia" "Inertia of the rows"

head(row$coord) # coordonn?es des lignes

                Dim 1      Dim 2       Dim 3
Laundry    -0.9918368  0.4953220 -0.31672897
Main_meal  -0.8755855  0.4901092 -0.16406487
Dinner     -0.6925740  0.3081043 -0.20741377
Breakfeast -0.5086002  0.4528038  0.22040453
Tidying    -0.3938084 -0.4343444 -0.09421375
Dishes     -0.1889641 -0.4419662  0.26694926

head(row$cos2) # cos2 des lignes

               Dim 1     Dim 2      Dim 3
Laundry    0.7399874 0.1845521 0.07546047
Main_meal  0.7416028 0.2323593 0.02603787
Dinner     0.7766401 0.1537032 0.06965666
Breakfeast 0.5049433 0.4002300 0.09482670
Tidying    0.4398124 0.5350151 0.02517249
Dishes     0.1181178 0.6461525 0.23572969

head(row$contrib) # contributions des lignes

                Dim 1    Dim 2    Dim 3
Laundry    18.2867003 5.563891 7.968424
Main_meal  12.3888433 4.735523 1.858689
Dinner      5.4713982 1.321022 2.096926
Breakfeast  3.8249284 3.698613 3.069399
Tidying     1.9983518 2.965644 0.488734
Dishes      0.4261663 2.844117 3.634294

get_ca: extraire les r?sultats pour les lignes et colonnes ? la fois

 # Vous pouvez aussi utiliser la fonction get_ca()
 get_ca(res.ca, "row") # R?sultats pour les lignes

Correspondence Analysis - Results for rows
 ===================================================
  Name       Description                
1 "$coord"   "Coordinates for the rows" 
2 "$cos2"    "Cos2 for the rows"        
3 "$contrib" "contributions of the rows"
4 "$inertia" "Inertia of the rows"

 get_ca(res.ca, "col") # R?sultats pour les colonnes

Correspondence Analysis - Results for columns
 ===================================================
  Name       Description                   
1 "$coord"   "Coordinates for the columns" 
2 "$cos2"    "Cos2 for the columns"        
3 "$contrib" "contributions of the columns"
4 "$inertia" "Inertia of the columns"

Infos

Cette analyse a ?t? r?alis?e en utilisant le logiciel R (ver. 3.2.1) et factoextra (ver. 1.0.3)

factoextra: Réduire le chevauchement des points et des annotations - Logiciel R et analyse de données

Thu, 12 Nov 2015 01:33:32 +0100

Installez les package n?cessaires
Charger FactoMineR et factoextra
Analyse des correspondences multiples (ACM)
Analyse factorielle des correspondences (AFC)
Analyse en composante principale (ACP)
Infos

Pour r?duire le chevauchement, l?argument jitter est utilis? dans les fonctions fviz_pca_xx(), fviz_ca_xx() et fviz_mca_xx() disponible dans le package R factoextra.

L?argument jitter est une liste contenant les objets what, width et height (Ex.; jitter = list(what, width, height)):

what: l??l?ment ? ajuster. Les valeurs possibles sont ?point? ou ?p?; ?label? ou ?l?; ?both? ou ?b?.
width: degr? d?ajustement selon l?axe des x (ex: 0.2).
height: degr? d ?ajustement selon l?axe des y (ex: 0.2).

Quelques exemples d?utilisation sont d?crits dans les sections suivantes.

Installez les package n?cessaires

FactoMineR: pour effectuer une ACP (Analyse en Composante Principale), une AFC (Analyse Factorielle des Correspondences simples) et une ACM (Analyse des Correspondences Multiples)
factoextra: pour la visualisation des r?sultats de FactoMineR

Les packages FactoMineR et factoextra peuvent ?tre install?s comme suit:

install.packages("FactoMineR")

# install.packages("devtools")
devtools::install_github("kassambara/factoextra")

Charger FactoMineR et factoextra

library("FactoMineR")
library("factoextra")

Analyse des correspondences multiples (ACM)

# Charger les donn?es
data(poison)
poison.active <- poison[1:55, 5:15]
# Effectuer une ACM
res.mca <- MCA(poison.active, graph = FALSE)
# Graphique par d?faut
fviz_mca_ind(res.mca)

# Utiliser jitter pour r?duire le ch?vauchement des points
# Seulement, les annotations sont ajust?es
fviz_mca_ind(res.mca, jitter = list(what = "label",
                                    width = 0.1, height = 0.15))

# Ajustement des points et annotations
fviz_mca_ind(res.mca, jitter = list(what = "both", 
                                    width = 0.1, height = 0.15))

Analyse factorielle des correspondences (AFC)

# Charger les donn?es
data("housetasks")
# Effectuer une AFC
res.ca <- CA(housetasks, graph = FALSE)
# Biplot par d?faut
fviz_ca_biplot(res.ca)

# Ajustement selon l'axe des y
fviz_ca_biplot(res.ca, jitter = list(what = "label", 
                                     width = 0.4, height = 0.3))

Analyse en composante principale (ACP)

# Charger les donn?es
data(decathlon2)
decathlon2.active <- decathlon2[1:23, 1:10]
# Effectuer une ACP
res.pca <- PCA(decathlon2.active, graph = FALSE)
# Biplot par d?faut
fviz_pca_ind(res.pca)

# justement selon l'axe des x
fviz_pca_ind(res.pca, jitter = list(what = "label", 
                                    width = 0.6, height = 0.6))

Infos

Cette analyse a ?t? r?alis?e en utilisant le logiciel R (ver. 3.2.1), FactoMineR (ver. 1.31.3) et factoextra (ver. 1.0.3)

fviz_mca: Visualisation de l'Analyse des Correspondances Multiples - Logiciel R et analyse de données

Thu, 12 Nov 2015 00:58:22 +0100

Description
Installer et charger factoextra
Utilisation
Arguments
Details
Valeur
Exemples
Infos

Description

Graphique des variables individus/variables issues des r?sultats de l?Analyse des Correspondences Multiples (ACM).

Les fonctions suivantes, du package factoextra, sont utilis?e:

fviz_mca_ind(): Graphique des individus
fviz_mca_var(): Graphique des variables
fviz_mca_biplot() (ou fviz_mca()): Biplot des individus et des variables

Installer et charger factoextra

Le package devtools est requis pour l?installation de factoextra.

if(!require(devtools)) install.packages("devtools")
devtools::install_github("kassambara/factoextra")

Charger factoextra:

library("factoextra")

Utilisation

# Graphique des individus
fviz_mca_ind(X, axes = c(1, 2), 
  geom = c("point", "text"), label = "all", invisible = "none",
  labelsize = 4, pointsize = 2, habillage = "none",
  addEllipses = FALSE, ellipse.level = 0.95, col.ind = "blue",
  col.ind.sup = "darkblue", alpha.ind = 1, shape.ind = 19,
  select.ind = list(name = NULL, cos2 = NULL, contrib = NULL),
  map = "symmetric", 
  jitter = list(what = "label", width = NULL, height = NULL), ...)

# Graphique des variables
fviz_mca_var(X, axes = c(1, 2),
  geom = c("point", "text"), label = "all",
  invisible = "none", labelsize = 4, pointsize = 2, col.var = "red",
  alpha.var = 1, shape.var = 17, col.quanti.sup = "blue",
  col.quali.sup = "darkgreen", col.circle = "grey70",
  select.var = list(name = NULL, cos2 = NULL, contrib = NULL),
  map = "symmetric", 
  jitter = list(what = "label", width = NULL, height = NULL))

# Biplot des individus et des variables
fviz_mca_biplot(X, axes = c(1, 2), geom = c("point", "text"),
  label = "all", invisible = "none", labelsize = 4, pointsize = 2,
  habillage = "none", addEllipses = FALSE, ellipse.level = 0.95,
  col.ind = "blue", col.ind.sup = "darkblue", alpha.ind = 1,
  col.var = "red", alpha.var = 1, col.quanti.sup = "blue",
  col.quali.sup = "darkgreen", shape.ind = 19, shape.var = 17,
  select.var = list(name = NULL, cos2 = NULL, contrib = NULL),
  select.ind = list(name = NULL, cos2 = NULL, contrib = NULL),
  map = "symmetric", arrows = c(FALSE, FALSE), 
  jitter = list(what = "label", width = NULL, height = NULL), ...)

# Alias de fviz_mca_biplot()
fviz_mca(X, ...)

Arguments

Argument	Description
X	Un objet de class MCA [FactoMineR]; mca [ade4].
axes	un vecteur num?rique de longueur 2 sp?cifiant les axes ? tracer.
geom	un texte sp?cifiant la g?om?trie ? utiliser pour le graphique. Les valeurs autoris?es sont la combinaison de c(?point?, ?arrow?, ?text?). Utilisez ?point? (pour afficher uniquement les points); ?text? pour afficher uniquement les ?tiquettes (texte d?annotation); c(?point?, ?text?) ou c(?arrow?, ?text?) pour montrer les deux types.
label	un vecteur de caract?res sp?cifiant les ?l?ments ? ?tiqueter. a valeur par d?faut est ?all?. Les valeurs autoris?es sont ?none? ou la combinaison de c(?ind?, ?ind.sup?,?var?, ?quali.sup?, ?quanti.sup?). Utilisez ?ind? pour ?tiqueter uniquement les individus actifs; ?ind.sup? est pour les individus suppl?mentaires. ?var? est pour les variables actives. ?quali.sup? est pour les variables qualitatives suppl?mentaires. ?quanti.sup? est pour les variables quantitatives suppl?mentaires.
invisible	une cha?ne de caract?re sp?cifiant les ?l?ments ? masquer sur le graphique. La valeur par d?faut est ?none?. Les valeurs autoris?es sont la combinaison de c(?ind?, ?ind.sup?,?var?, ?quali.sup?, ?quanti.sup?).
labelsize	taille de la police pour les ?tiquettes.
pointsize	la taille des points.
habillage	une variable cat?gorielle optionnelle de type ?factor. La valeur par d?faut est?none?. Si X est un objet de type MCA provenant de FactoMineR, habillage peut ?tre ?galement sp?cifi? par l?index ou le nom d?une variable qualitative suppl?mentaire. Cet argument est utilis? pour colorer les individus par des groupes (voir ?MCA dans FactoMineR).
addEllipses	valeur logique. Si TRUE, ajoute des ellipses autour des individus lorsque habillage!= ?none?.
ellipse.level	la taille de l?ellipse de concentration en probabilit? normale (i.e.: 0.95, 0.68, ?).
col.ind,col.var	couleurs pour les individus et les variables, respectivement. Les valeurs possibles comprennent ?galement: ?cos2?, ?contrib?, ?coord?, ?x? or ?y?. Dans ce cas, les couleurs des individus/variables sont automatiquement contr?l?es par leurs qualit?s (?cos2?), leurs contributions (?contrib?), leurs coordonn?es (x^2 + y^2, ?coord?), les valeurs x (?x?) ou les valeurs y (?y?). Pour utiliser la coloration automatique (par cos2, contrib, ?.), assurez-vous que habillage = ?none?.
col.ind.sup	couleur des individus suppl?mentaires.
alpha.ind,alpha.var	contr?le la transparence des couleurs des individus et des variables, respectivement. La valeur peut varier de 0 (transparence totale) ? 1 (aucune transparence). La valeur par d?faut est 1. Les valeurs admises comprennent ?galement: ?cos2?, ?contrib?, ?coord?, ?x? ou ?y?, comme pour les arguments col.ind et col.var. Pour utiliser ceux-ci, assurez-vous que habillage = ?none?.
select.ind,select.var	S?lection des individus/variables ? dessiner. Les valeurs autoris?es sont NULL ou une liste contenant le nom des arguments, cos2 ou contrib. La valeur par d?faut est list(name = NULL, cos2 = NULL, contrib = NULL): name: est un vecteur de caract?res contenant les noms des individus/variables ? s?lectionner cos2: si cos2 est dans [0, 1], ex: 0.6, alors les individus/variables avec un cos2 > 0.6 sont s?lectionn?es. Si cos2 > 1, ex: 5, alors les top 5 individus/variables avec le plus grand cos2 sont s?lectionn?es contrib: si contrib > 1, ex: 5, alors les top 5 individus/variables avec la plus grande contribution sont s?lectionn?es.
map	cha?ne de caract?res sp?cifiant le type de graphique. Les options autoris?es incluent: ?rowprincipal? ?symetric?, ?colprincipal?, ?symbiplot?, ?rowgab?, ?colgab?, ?rowgreen? et ?colgreen?. Voir la section d?tails
jitter	Un param?tre d?ajustement de la position des points et textes pour r?duire le chevauchement. C?est une liste contenant les objets what, width et height (Ex.; jitter = list(what, width, height)). what: l??l?ment ? ajuster. Les valeurs possibles sont ?point? ou ?p?; ?label? ou ?l?; ?both? ou ?b?. width: degr? d?ajustement selon l?axe des x (ex: 0.2). height: degr? d ?ajustement selon l?axe des y (ex: 0.2).
col.quanti.sup, col.quali.sup	couleur pour les variables quantitative/qualitative suppl?mentaires.
arrows	Vecteur logique de longueur deux, pr?cisant si le graphique doit contenir des points (FALSE, par d?faut) ou fl?ches (TRUE). La premi?re valeur s?applique aux variables lignes et la deuxi?me valeur s?applique aux variables colonnes.
?	Arguments optionnels ? passer ? la fonction fviz_mca_biplot().

Details

Le graphique par d?faut de l?ACM (analyse des correspondances multiples) est un graphique ?sym?trique?, dans lequel les lignes et les colonnes sont repr?sent?es en coordonn?es principales. Dans cette situation, il est impossible d?interpr?ter la distance entre les points lignes et les points colonnes. Pour surmonter ce probl?me, le plus simple est de faire un graphique asym?trique. Cela signifie que, les profils colonnes doivent ?tre repr?sent?es dans l?espace des lignes ou vice-versa. Les options autoris?es pour l?argument map sont:

?rowprincipal? or ?colprincipal?: graphique asym?triques avec soit des lignes en coordonn?es principales et les colonnes en coordonn?es standards, ou vice versa. Ces graphiques conservent respectivement la m?trique des lignes ou celle des colonnes.
?symbiplot?: Les lignes et les colonnes sont transform?es afin d?avoir des variances ?gales aux valeurs singuli?res (racines carr?s des valeurs propres), ce qui donne un biplot sym?trique mais ne pr?serve pas les m?triques des lignes ou des colonnes.
?rowgab? ou ?colgab?: graphiques asym?triques, propos?es par Gabriel & Odoroff (1990), avec des lignes (respectivement colonnes) en coordonn?es principales et colonnes (respectivement lignes) en coordonn?es standards multipli? par la masse du point correspondant.
?rowgreen? ou ?colgreen?: graphiques appel?s aussi ?biplots de contribution?, montrant visuellement les points les plus contributifs (Greenacre 2006b). Ils sont semblables ? ?rowgab? et ?colgab?, sauf que les points en coordonn?es standard sont multipli?s par la racine carr?e des masses correspondantes, donnant les reconstructions des r?sidus standardis?s.

Valeur

Un graphique de type ggplot2

Exemples

Analyse des correspondences multiples

Une Analyse des Correspondences Multiples (ACM) est effectu?e en utilisant la fonction MCA() [dans FactoMineR] et les donn?es poison [dans FactoMineR]:

# Installer et charger FactoMineR pour effectuer une MCA
# install.packages("FactoMineR")
library("FactoMineR")
data(poison)
poison.active <- poison[1:55, 5:15]
head(poison.active[, 1:6])

    Nausea Vomiting Abdominals   Fever   Diarrhae   Potato
1 Nausea_y  Vomit_n     Abdo_y Fever_y Diarrhea_y Potato_y
2 Nausea_n  Vomit_n     Abdo_n Fever_n Diarrhea_n Potato_y
3 Nausea_n  Vomit_y     Abdo_y Fever_y Diarrhea_y Potato_y
4 Nausea_n  Vomit_n     Abdo_n Fever_n Diarrhea_n Potato_y
5 Nausea_n  Vomit_y     Abdo_y Fever_y Diarrhea_y Potato_y
6 Nausea_n  Vomit_n     Abdo_y Fever_y Diarrhea_y Potato_y

res.mca <- MCA(poison.active, graph=FALSE)

fviz_mca_ind(): Graphique des individus

# Graphique par d?faut
fviz_mca_ind(res.mca)

# Changer le titre principal et celui des axes
fviz_mca_ind(res.mca) +
 labs(title = "MCA", x = "Dim.1", y ="Dim.2" )

# Changer les limites des axes en sp?cifiant le min et le max
fviz_mca_ind(res.mca) +
   xlim(-0.8, 1.5) + ylim (-1.5, 1.5)

# Utiliser seulement du texte
fviz_mca_ind(res.mca, geom = "text")

# Utiliser uniquement des points
fviz_mca_ind(res.mca, geom="point")

# Changer la taille des points
fviz_mca_ind(res.mca, geom="point", pointsize = 4)

# Changer la couleur des points et le th?me
fviz_mca_ind(res.mca, col.ind = "blue")+
   theme_minimal()

# R?duire le ch?vauchement
fviz_mca_ind(res.mca, 
             jitter = list(width = 0.2, height = 0.2))

# Contr?ler automatiquement la couleurs des individus
# par les valeurs de cos2 ou de contributions
# cos2 = qualit? de r?pr?sentation sur le graphique
fviz_mca_ind(res.mca, col.ind="cos2")

# Gradient de couleur
fviz_mca_ind(res.mca, col.ind="cos2") +
      scale_color_gradient2(low="white", mid="blue",
      high="red", midpoint=0.4, space = "Lab")

# Changer le th?me et utiliser uniquement des points
fviz_mca_ind(res.mca, col.ind="cos2", geom = "point") +
      scale_color_gradient2(low="white", mid="blue",
      high="red", midpoint=0.4, space = "Lab")+ theme_minimal()

# Colorer en fonction de la contribution
fviz_mca_ind(res.mca, col.ind="contrib") +
      scale_color_gradient2(low="white", mid="blue",
      high="red", midpoint=1.5, space = "Lab")

# Contr?ler la transparence des couleurs
# en fonction de la contribution
fviz_mca_ind(res.mca, alpha.ind="contrib") +
     theme_minimal()

# Colorer les individus par groupes
grp <- as.factor(poison.active[, "Vomiting"])
fviz_mca_ind(res.mca, label="none", habillage=grp)

# Ajouter des ellipses
p <- fviz_mca_ind(res.mca, label="none", habillage=grp,
             addEllipses=TRUE, ellipse.level=0.95)
print(p)

# Changer la couleur des groupes en utilisant
# les palettes RColorBrewer
p + scale_color_brewer(palette="Dark2") +
   theme_minimal()

p + scale_color_brewer(palette="Paired") +
     theme_minimal()

p + scale_color_brewer(palette="Set1") +
     theme_minimal()

# Changer la couleur manuellement
p + scale_color_manual(values=c("#999999", "#E69F00", "#56B4E9"))

# S?lectionner et visualiser les individus avec cos2 >= 0.4
fviz_mca_ind(res.mca, select.ind = list(cos2 = 0.4))

# S?lectionner le top 20 selon le cos2 
fviz_mca_ind(res.mca, select.ind = list(cos2 = 20))

# Selectionner le top 20 selon la contribution
fviz_mca_ind(res.mca, select.ind = list(contrib = 20))

# S?lectionner par le nom
fviz_mca_ind(res.mca,
select.ind = list(name = c("44", "38", "53",  "39")))

fviz_mca_var(): Graphique des variables

# Graphique par d?faut
fviz_mca_var(res.mca)

# Changer la couleur et le th?me
fviz_mca_var(res.mca, col.var="steelblue")+
 theme_minimal()

# Contr?ler la couleur selon la contribution
fviz_mca_var(res.mca, col.var = "contrib")+
 scale_color_gradient2(low = "white", mid = "blue",
           high = "red", midpoint = 2) +
 theme_minimal()

# Contr?ler la transparence des variables
# selon leurs contributions
fviz_mca_var(res.mca, alpha.var = "contrib") +
   theme_minimal()

# S?lectionner et visualiser les variables avec cos2 >= 0.4
fviz_mca_var(res.mca, select.var = list(cos2 = 0.4))

# S?lectionner le top 10 selon la contribution
fviz_mca_var(res.mca, select.var = list(contrib = 10))

# S?lectionner par noms
fviz_mca_var(res.mca,
 select.var= list(name = c("Courg_n", "Fever_y", "Fever_n")))

fviz_mca_biplot(): Biplot des individus et des variables

fviz_mca_biplot(res.mca)

# Annoter uniquement les variables
fviz_mca_biplot(res.mca, label ="var")

# Annoter uniquement les individus
fviz_mca_biplot(res.mca, label ="ind")

# Cacher les variables
fviz_mca_biplot(res.mca, invisible ="var")

# Cacher les individus
fviz_mca_biplot(res.mca, invisible ="ind")

# Contr?ler la couleur des individus selon le cos2
fviz_mca_biplot(res.mca, label ="var", col.ind="cos2") +
       theme_minimal()

# Change la couleur par groups, ajouter des ellipses
fviz_mca_biplot(res.mca, label="var", col.var ="blue",
   habillage=grp, addEllipses=TRUE, ellipse.level=0.95) +
   theme_minimal()

# Top 30 des individus les plus contributifs
# et top 10 des variables les plus contributifs
fviz_mca_biplot(res.mca,
               select.ind = list(contrib = 30),
               select.var = list(contrib = 10))

Infos

Cette analyse a ?t? r?alis?e en utilisant le logiciel R (ver. 3.2.1) et factoextra (ver. 1.0.3)

fviz_ca: Visualisation de l'Analyse Factorielle des Correspondances simples avec factoextra - Logiciel R et analyse de données

Wed, 11 Nov 2015 23:36:37 +0100

Description
Installer et charger factoextra
Utilisation
Arguments
Details
Valeur
Exemples
Infos

Description

Graphique des variables colonnes/lignes issues des r?sultats de l?Analyse Factorielle des Correspondence simple (AFC).

Les fonctions suivantes, du package factoextra, sont utilis?e:

fviz_ca_row(): Graphique des variables lignes
fviz_ca_col(): Graphique des variables colonnes
fviz_ca_biplot(): Biplot des variables lignes et colonnes
fviz_ca(): Alias de fviz_ca_biplot()

Ces fonctions sont disponibles dans le package factoextra.

Installer et charger factoextra

Le package devtools est requis pour l?installation de factoextra.

if(!require(devtools)) install.packages("devtools")
devtools::install_github("kassambara/factoextra")

Charger factoextra:

library("factoextra")

Utilisation

# Graphique des variables lignes
fviz_ca_row(X, axes = c(1, 2), shape.row = 19,
  geom = c("point", "text"), label = "all", 
  invisible = "none", labelsize = 4, pointsize = 2,
  col.row = "blue", col.row.sup = "darkblue", alpha.row = 1,
  select.row = list(name = NULL, cos2 = NULL, contrib = NULL),
  map = "symmetric",
  jitter = list(what = "label", width = NULL, height = NULL), ...)

# Graphique des variables colonnes
fviz_ca_col(X, axes = c(1, 2), shape.col = 17,
  geom = c("point", "text"), label = "all",
  invisible = "none", labelsize = 4, pointsize = 2,
  col.col = "red", col.col.sup = "darkred", alpha.col = 1,
  select.col = list(name = NULL, cos2 = NULL, contrib = NULL),
  map = "symmetric",
 jitter = list(what = "label", width = NULL, height = NULL), ...)

# Biplot des variables lignes et colonnes
fviz_ca_biplot(X, axes = c(1, 2), shape.row = 19, shape.col = 17,
  geom = c("point", "text"), label = "all", invisible = "none",
  labelsize = 4, pointsize = 2, col.col = "red",
  col.col.sup = "darkred", alpha.col = 1, col.row = "blue",
  col.row.sup = "darkblue", alpha.row = 1,
  select.col = list(name = NULL, cos2 = NULL, contrib = NULL),
  select.row = list(name = NULL, cos2 = NULL, contrib = NULL),
  map = "symmetric", arrows = c(FALSE, FALSE),
  jitter = list(what = "label", width = NULL, height = NULL), ...)


# Alias de fviz_ca_biplot()
fviz_ca(X, ...)

Arguments

Argument	Description
X	Un objet de classe CA [FactoMineR], ca [ca], coa [ade4]; correspondence [MASS].
axes	un vecteur num?rique de longueur 2 sp?cifiant les axes ? tracer.
shape.row,shape.col	les types de points ? utiliser pour les variables lignes/colonnes. Les valeurs par d?faut sont 19 pour les lignes et 17 pour les colonnes.
geom	un texte sp?cifiant la g?om?trie ? utiliser pour le graphique. Les valeurs autoris?es sont la combinaison de c(?point?, ?arrow?, ?text?). Utilisez ?point? (pour afficher uniquement les points); ?text? pour afficher uniquement les ?tiquettes (texte d?annotation); c(?point?, ?text?) ou c(?arrow?, ?text?) pour montrer les deux types.
label	un vecteur de caract?res sp?cifiant les ?l?ments ? ?tiqueter. La valeur par d?faut est ?all?. Les valeurs autoris?es sont ?none? ou la combinaison de c(?row?, ?row.sup?, ?col?, ?col.sup?). Utilisez ?col? pour ?tiqueter uniquement les variables colonnes actives; ?col.sup? pour ?tiqueter uniquement les variables colonnes suppl?mentaires; etc.
invisible	une cha?ne de caract?re sp?cifiant les ?l?ments ? masquer sur le graphique. La valeur par d?faut est ?none?. Les valeurs autoris?es sont la combinaison de c(?row?, ?row.sup?, ?col?, col.sup?).
labelsize	taille de la police pour les ?tiquettes.
pointsize	la taille des points.
map	cha?ne de caract?res sp?cifiant le type de graphique. Les options autoris?es incluent: ?rowprincipal? ?symetric?, ?colprincipal?, ?symbiplot?, ?rowgab?, ?colgab?, ?rowgreen? et ?colgreen?. Voir la section d?tails
jitter	Un param?tre d?ajustement de la position des points et textes pour r?duire le chevauchement. C?est une liste contenant les objets what, width et height (Ex.; jitter = list(what, width, height)). what: l??lement ? ajuster. Les valeurs possibles sont ?point? ou ?p?; ?label? ou ?l?; ?both? ou ?b?. width: degr? d?ajustement selon l?axe des x (ex: 0.2). height: degr? d ?ajustement selon l?axe des y (ex: 0.2).
col.col,col.row	couleurs pour les variables colonnes/lignes. Les valeurs par d?faut sont ?rouge? et ?bleu?, respectivement. Les valeurs autoris?es comprennent ?galement: ?cos2?, ?contrib?, ?coord?, ?x? ou ?y?. Dans ce cas, les couleurs pour les variables colonnes/lignes sont automatiquement contr?l?es par leurs qualit?s (?cos2?), leurs contributions (?contrib?), leurs coordonn?es (x^2 + y^2, ?coord?), les valeurs x (?x?) ou les valeurs y (?y?).
col.col.sup,col.row.sup	couleurs pour les variables colonnes et lignes suppl?mentaires, respectivement.
alpha.col,alpha.row	contr?le la transparence de couleurs. La valeur peut varier de 0 (transparence totale) ? 1 (aucune transparence). La valeur par d?faut est 1. Les valeurs admises comprennent ?galement: ?cos2?, ?contrib?, ?coord?, ?x? ou ?y?, comme pour les arguments col.col et col.row.
select.col,select.row	une s?lection de variables colonnes/lignes. Les valeurs autoris?es sont NULL ou une liste contenant le nom des arguments, cos2 ou contrib. La valeur par d?faut est list(name = NULL, cos2 = NULL, contrib = NULL): name: est un vecteur de caract?res contenant les noms des variables ? s?lectionner cos2: si cos2 est dans [0, 1], ex: 0.6, alors les variables avec un cos2 > 0.6 sont s?lectionn?es. Si cos2 > 1, ex: 5, alors les top 5 variables avec le plus grand cos2 sont s?lectionn?es contrib: si contrib > 1, ex: 5, alors les top 5 variables avec la plus grande contribution sont s?lectionn?es.
arrows	Vecteur logique de longueurs deux, pr?cisant si le graphique doit contenir des points (FALSE, par d?faut) ou fl?ches (TRUE). La premi?re valeur s?applique aux variables lignes et la deuxi?me valeur s?applique aux variables colonnes.
?	Les arguments optionnels

Details

Le graphique par d?faut de l?AFC (analyse factorielle des correspondances simples) est un graphique ?sym?trique?, dans lequel les lignes et les colonnes sont repr?sent?es en coordonn?es principales. Dans cette situation, il est impossible d?interpr?ter la distance entre les points lignes et les points colonnes. Pour surmonter ce probl?me, le plus simple est de faire un graphique asym?trique. Cela signifie que, les profils colonnes doivent ?tre repr?sent?es dans l?espace des lignes ou vice-versa. Les options autoris?es pour l?argument map sont:

?rowprincipal? or ?colprincipal?: graphique asym?triques avec soit des lignes en coordonn?es principales et les colonnes en coordonn?es standards, ou vice versa. Ces graphiques conservent respectivement la m?trique des lignes ou celle des colonnes.
?symbiplot?: Les lignes et les colonnes sont transform?es afin d?avoir des variances ?gales aux valeurs singuli?res (racines carr?s des valeurs propres), ce qui donne un biplot sym?trique mais ne pr?serve pas les m?triques des lignes ou des colonnes.
?rowgab? ou ?colgab?: graphiques asym?triques, propos?es par Gabriel & Odoroff (1990), avec des lignes (respectivement colonnes) en coordonn?es principales et colonnes (respectivement lignes) en coordonn?es standards multipli? par la masse du point correspondant.
?rowgreen? ou ?colgreen?: graphiques appel?s aussi ?biplots de contribution?, montrant visuellement les points les plus contributifs (Greenacre 2006b). Ils sont semblables ? ?rowgab? et ?colgab?, sauf que les points en coordonn?es standard sont multipli?s par la racine carr?e des masses correspondantes, donnant les reconstructions des r?sidus standardis?s.

Valeur

Un graphique de type ggplot2

Exemples

Analyse factorielle des correspondences

L?Analyse des correspondences (AFC) est r?alis?e en utilisant la fonction CA() [dans FactoMineR] et le jeu de donn?es housetasks [dans factoextra]:

library("FactoMineR")
data(housetasks)
head(housetasks)

           Wife Alternating Husband Jointly
Laundry     156          14       2       4
Main_meal   124          20       5       4
Dinner       77          11       7      13
Breakfeast   82          36      15       7
Tidying      53          11       1      57
Dishes       32          24       4      53

res.ca <- CA(housetasks, graph=FALSE)

fviz_ca_row(): Graphique des variables lignes

# Graphique par d?faut
fviz_ca_row(res.ca)

# Changer le titre principal et celui des axes
fviz_ca_row(res.ca) +
 labs(title = "CA", x = "Dim.1", y ="Dim.2" )

# Changer les limites des axes en sp?cifiant le min et le max
fviz_ca_row(res.ca) +
   xlim(-1.3, 1.7) + ylim (-1.5, 1)

# Utiliser seulement du texte
fviz_ca_row(res.ca, geom = "text")

# Utiliser des points seulement
fviz_ca_row(res.ca, geom="point")

# Changer la taille des points
fviz_ca_row(res.ca, geom="point", pointsize = 4)

# Changer la couleur des points et le th?me
fviz_ca_row(res.ca, col.row = "violet")+
   theme_minimal()

# Contr?ler automatiquement la couleurs des points lignes
# par les valeurs de cos2 ou de contributions
# cos2 = qualit? de r?pr?sentation sur le graphique
fviz_ca_row(res.ca, col.row="cos2")

# Gradient de couleur
fviz_ca_row(res.ca, col.row="cos2") +
      scale_color_gradient2(low="white", mid="blue",
      high="red", midpoint=0.5, space ="Lab")

# Changer le th?me et utiliser uniquement des points
fviz_ca_row(res.ca, col.row="cos2", geom = "point") +
      scale_color_gradient2(low="white", mid="blue",
      high="red", midpoint=0.4, space ="Lab")+ theme_minimal()

# Colorer en fonction de la contribution
fviz_ca_row(res.ca, col.row="contrib") +
      scale_color_gradient2(low="white", mid="blue",
      high="red", midpoint=10, space ="Lab")

# Contr?ler la transparence des couleurs
# en fonction de la contribution
fviz_ca_row(res.ca, alpha.row="contrib") +
     theme_minimal()

# S?lectionner et visualiser les lignes avec cos2 > 0.5
fviz_ca_row(res.ca, select.row = list(cos2 = 0.5))

# S?lectionner le top 7 selon le cos2 
fviz_ca_row(res.ca, select.row = list(cos2 = 7))

# Selectionner le top 7 selon la contribution
fviz_ca_row(res.ca, select.row = list(contrib = 7))

# S?lectionner par noms
fviz_ca_row(res.ca,
select.row = list(name = c("Breakfeast", "Repairs", "Holidays")))

fviz_ca_col(): Graphique des colonnes

# Graphique par d?faut
fviz_ca_col(res.ca)

# Changer la couleur et le th?me
fviz_ca_col(res.ca, col.col="steelblue")+
 theme_minimal()

# Contr?ler la couleur selon la contribution
fviz_ca_col(res.ca, col.col = "contrib")+
 scale_color_gradient2(low = "white", mid = "blue",
           high = "red", midpoint = 25) +
 theme_minimal()

# Contr?ler la transparence selon la contribution
fviz_ca_col(res.ca, alpha.col = "contrib") +
   theme_minimal()

# S?lectionner et visualiser les colonnes avec cos2 > 0.5
fviz_ca_col(res.ca, select.col = list(cos2 = 0.4))

# S?lectionner le top 3 selon la contribution
fviz_ca_col(res.ca, select.col = list(contrib = 3))

# S?lectionner par noms
fviz_ca_col(res.ca,
 select.col= list(name = c("Wife", "Husband", "Jointly")))

fviz_ca_biplot(): Biplot des lignes et colonnes

# Biplot sym?trique des lignes et des colonnes
fviz_ca_biplot(res.ca)

# Biplot asym?trique, utiliser des fl?che pour les colonnes
fviz_ca_biplot(res.ca, map ="rowprincipal",
 arrow = c(FALSE, TRUE))

# Annoter uniquement les points lignes
fviz_ca_biplot(res.ca, label ="row")

# Annoter uniquement les points colonnes
fviz_ca_biplot(res.ca, label ="col")

# Cacher les points lignes
fviz_ca_biplot(res.ca, invisible ="row")

# Cacher les points colonnes
fviz_ca_biplot(res.ca, invisible ="col")

# Contr?ler la couleur des lignes selon le cos2
fviz_ca_biplot(res.ca, col.row="cos2") +
       theme_minimal()

# Top 7 des lignes les plus contributives
# et top 3 des colonnes les plus contriputives
fviz_ca_biplot(res.ca,
               select.row = list(contrib = 7),
               select.col = list(contrib = 3))

Infos

Cette analyse a ?t? r?alis?e en utilisant le logiciel R (ver. 3.2.1) et factoextra (ver. 1.0.3)

fviz_cos2: Visualisation de la qualité de représentation des lignes/colonnes - Logiciel R et analyse de données

Wed, 11 Nov 2015 22:44:16 +0100

Description
Installer et charger factoextra
Utilisation
Arguments
Valeur
Exemples
Infos

Description

Cette fonction peut ?tre utilis?e pour visualiser la qualit? de r?pr?sentation (cos2) des lignes/colonnes ? partir des r?sultats des fonctions, d?analyse en composante principale (ACP), d?analyse factorielle des correspondances simples (AFC) et d?analyse des correspondences multiples (ACM), issues de diff?rents packages R.

La fonction fviz_cos2() [dans le package factoextra] est utilis?e.

Installer et charger factoextra

Le package devtools est requis pour l?installation de factoextra.

if(!require(devtools)) install.packages("devtools")
devtools::install_github("kassambara/factoextra")

Charger factoextra:

library("factoextra")

Utilisation

fviz_cos2(X, choice = c("row", "col", "var", "ind"), 
             axes = 1, fill = "steelblue", color = "steelblue",
             sort.val = c("desc", "asc", "none"), top = Inf)

Arguments

Argument	Description
X	Un objet de classe PCA, CA et MCA [FactoMineR]; prcomp et princomp [stats]; dudi, pca, coa et acm [ade4]; ca et mjca [ca package].
choice	Les valeurs possibles sont ?row? et ?col? pour l?AFC; ?var? et ?ind? pour l?APC ou l?ACM.
axes	un vecteur num?rique pr?cisant les axes d?int?r?t. La valeur par d?faut est axes = 1 pour l?axe 1.
fill	Couleur de remplissage du bar plot.
color	Couleur de bordure pour le bar plot.
sort.val	une cha?ne de caract?re sp?cifiant si la valeur doit ?tre tri?e. Les valeurs autoris?es sont ?none? (aucun tri), ?asc? (par ordre croissant) ou ?desc? (pour la descente).
top	une valeur num?rique indiquant le nombre de top ?l?ments ? afficher.
?	non utilis?.

Valeur

Un graphique de type ggplot2

Exemples

Analyse en composante principale

Une analyse en composantes principales (ACP) est effectu?e en utilisant la fonction int?gr?e de R prcomp() et le jeu de donn?es decathlon2 [dans factoextra]:

data(decathlon2)
decathlon2.active <- decathlon2[1:23, 1:10]
res.pca <- prcomp(decathlon2.active,  scale = TRUE)
# cos2 des variables sur l'axe 1
fviz_cos2(res.pca, choice="var", axes = 1 )

# trie
fviz_cos2(res.pca, choice="var", axes = 1,
           sort.val ="asc")

# S?lectionner le top 7 des variables
fviz_cos2(res.pca, choice="var", axes = 1, top = 7 )

# Changer le th?me et la couleur
fviz_cos2(res.pca, choice="var", axes = 1,
         fill = "lightgray", color = "black") +
         theme_minimal() +
         theme(axis.text.x = element_text(angle=45))

# cos2 des variables sur l'axe 2
fviz_cos2(res.pca, choice="var", axes = 2)

# cos2 des variables sur les axes 1 + 2
fviz_cos2(res.pca, choice="var", axes = 1:2)

# cos2 des individus sur l'axe 1
fviz_cos2(res.pca, choice="ind", axes = 1)

Analyse des correspondences

La fonction CA() dans le package FactoMineR est utilis?e:

# Installer et charger FactoMineR pour effectuer une CA
# install.packages("FactoMineR")
library("FactoMineR")
data("housetasks")
res.ca <- CA(housetasks, graph = FALSE)
# cos2 des lignes sur l'axe 1
fviz_cos2(res.ca, choice ="row", axes = 1)

# cos2 des lignes sur les axe 1 + 2
fviz_cos2(res.ca, choice ="row", axes = 1:2)

# cos2 des colonnes sur l'axe 1
fviz_cos2(res.ca, choice ="col", axes = 1)

Analyse des correspondances multiples

La fonction MCA() dans le package FactoMineR est utilis?e:

library(FactoMineR)
data(poison)
res.mca <- MCA(poison, quanti.sup = 1:2,
              quali.sup = 3:4, graph=FALSE)

# cos2 des individus sur l'axe 1
fviz_cos2(res.mca, choice ="ind", axes = 1)

# S?lectionner les top 20
fviz_cos2(res.mca, choice ="ind", axes = 1, top = 20)

# cos2 des variables sur l'axe 1
fviz_cos2(res.mca, choice ="var", axes = 1)

Infos

Cette analyse a ?t? r?alis?e en utilisant le logiciel R (ver. 3.2.1) et factoextra (ver. 1.0.3)

fviz_contrib - Visualisation des contributions - Logiciel R et analyse de données

Wed, 11 Nov 2015 22:27:31 +0100

Description
Installer et charger factoextra
Utilisation
Arguments
D?tails
Valeur
Exemples
Infos

Description

Cette fonction peut ?tre utilis?e pour visualiser les contributions des lignes/colonnes ? partir des r?sultats des fonctions, d?analyse en composante principale (ACP), d?analyse factorielle des correspondances simples (AFC) et d?analyse des correspondences multiples (ACM), issues de diff?rents packages R.

La fonction fviz_contrib() [dans le package factoextra] est utilis?e.

Installer et charger factoextra

Le package devtools est requis pour l?installation de factoextra.

if(!require(devtools)) install.packages("devtools")
devtools::install_github("kassambara/factoextra")

Charger factoextra:

library("factoextra")

Utilisation

fviz_contrib(X, choice = c("row", "col", "var", "ind"), 
             axes = 1, fill = "steelblue", color = "steelblue",
             sort.val = c("desc", "asc", "none"), top = Inf)

Arguments

Argument	Description
X	Un objet de classe PCA, CA et MCA [FactoMineR]; prcomp et princomp [stats]; dudi, pca, coa et acm [ade4]; ca et mjca [ca package].
choice	Les valeurs possibles sont ?row? et ?col? pour l?AFC; ?var? et ?ind? pour l?APC ou l?ACM.
axes	un vecteur num?rique pr?cisant les axes d?int?r?t. La valeur par d?faut est axes = 1 pour l?axe 1.
fill	Couleur de remplissage du bar plot.
color	Couleur de bordure pour le bar plot.
sort.val	une cha?ne de caract?re sp?cifiant si la valeur doit ?tre tri?e. Les valeurs autoris?es sont ?none? (aucun tri), ?asc? (par ordre croissant) ou ?desc? (pour la descente).
top	une valeur num?rique indiquant le nombre de top ?l?ments ? afficher.
?	non utilis?.

D?tails

La fonction fviz_contrib() cr?e un bar plot des contributions des lignes/colonnes. Une ligne de r?f?rence, en pointill?s, est ?galement repr?sent?e sur le bar plot. Cette ligne de r?f?rence correspond ? la valeur attendue si la contribution des ?l?ments ?tait uniforme.

Pour une dimension donn?e, toute ligne/colonne avec une contribution au dessus de la ligne de r?f?rence peut ?tre consid?r?e comme importante dans la contribution ? la dimension en question.

Valeur

Un graphique de type ggplot2

Exemples

Analyse en composante principale

Une analyse en composantes principales (ACP) est effectu?e en utilisant la fonction int?gr?e de R prcomp() et le jeu de donn?es decathlon2 [dans factoextra]:

data(decathlon2)
decathlon2.active <- decathlon2[1:23, 1:10]
res.pca <- prcomp(decathlon2.active,  scale = TRUE)
# Contribution des variables ? l'axe 1
fviz_contrib(res.pca, choice="var", axes = 1 )

# Trie
fviz_contrib(res.pca, choice="var", axes = 1,
           sort.val ="asc")

# S?lectionner le top 7 des variables contribuant le plus 
fviz_contrib(res.pca, choice="var", axes = 1, top = 7 )

# Changer le th?me et la couleur
fviz_contrib(res.pca, choice="var", axes = 1,
         fill = "lightgray", color = "black") +
         theme_minimal() +
         theme(axis.text.x = element_text(angle=45))

# Contribution des variables ? l'axe 2
fviz_contrib(res.pca, choice="var", axes = 2)

# Contribution des variables aux axes 1 + 2
fviz_contrib(res.pca, choice="var", axes = 1:2)

# Contribution des individus ? l'axe 1
fviz_contrib(res.pca, choice="ind", axes = 1)

Analyse des correspondences

La fonction CA() dans le package FactoMineR est utilis?e:

# Installer et charger FactoMineR pour effectuer une CA
# install.packages("FactoMineR")
library("FactoMineR")
data("housetasks")
res.ca <- CA(housetasks, graph = FALSE)
# Contribution des lignes ? l'axe 1
fviz_contrib(res.ca, choice ="row", axes = 1)

# Contribution des lignes ? l'axe 1 + 2
fviz_contrib(res.ca, choice ="row", axes = 1:2)

# Contribution des colonnes ? l'axe 1
fviz_contrib(res.ca, choice ="col", axes = 1)

Analyse des correspondances multiples

La fonction MCA() dans le package FactoMineR est utilis?e:

library(FactoMineR)
data(poison)
res.mca <- MCA(poison, quanti.sup = 1:2,
              quali.sup = 3:4, graph=FALSE)

# Contribution des individus ? l'axe 1
fviz_contrib(res.mca, choice ="ind", axes = 1)

# S?lectionner les top 20
fviz_contrib(res.mca, choice ="ind", axes = 1, top = 20)

# Contribution des variables ? l'axe 1
fviz_contrib(res.mca, choice ="var", axes = 1)

Infos

Cette analyse a ?t? r?alis?e en utilisant le logiciel R (ver. 3.2.1) et factoextra (ver. 1.0.3)

facto_summarize - Extraire et synthétiser les résultats d'analyse factorielle - Logiciel R et analyse de données

Wed, 11 Nov 2015 13:53:42 +0100

Description
Installer et charger factoextra
Utilisation
Arguments
D?tails
Valeur
Exemples
Infos

Description

Extraire et synth?tiser les r?sultats des fonctions, d?analyse en composante principale (ACP), d?analyse factorielle des correspondances simples (AFC) et d?analyse des correspondences multiples (ACM), issues de diff?rents packages R.

La fonction facto_summarize() [dans le package factoextra] est utilis?e.

Installer et charger factoextra

Le package devtools est requis pour l?installation de factoextra.

if(!require(devtools)) install.packages("devtools")
devtools::install_github("kassambara/factoextra")

Charger factoextra:

library("factoextra")

Utilisation

facto_summarize(X, element, result = c("coord", "cos2", "contrib"),
                axes = 1:2, select = NULL)

Arguments

Argument	Description
X	Un objet de classe PCA, CA et MCA [FactoMineR]; prcomp et princomp [stats]; dudi, pca, coa et acm [ade4]; ca et mjca [ca package].
element	Valeurs possibles: ?row? et ?col? pour CA; ?var? et ?ind? pour PCA ou MCA.
result	Le r?sultat ? extraire pour l??l?ment. Les valeurs possibles sont la combinaison de c(?cos2?, ?contrib?, ?coord?).
axes	un vecteur num?rique pr?cisant les axes d?int?r?t. Les valeurs par d?faut sont 1:2 pour les axes 1 et 2.
select	une s?lection de variables. Les valeurs autoris?es sont NULL ou une liste contenant le nom des arguments, cos2 ou contrib. La valeur par d?faut est list(name = NULL, cos2 = NULL, contrib = NULL): name: est un vecteur de caract?res contenant les noms des variables ? s?lectionner cos2: si cos2 est dans [0, 1], ex: 0.6, alors les variables avec un cos2 > 0.6 sont s?lectionn?es. Si cos2 > 1, ex: 5, alors les top 5 variables avec le plus grand cos2 sont s?lectionn?es contrib: si contrib > 1, ex: 5, alors les top 5 variables avec la plus grande contribution sont s?lectionn?es.

D?tails

Si length(axes) > 1, alors les colonnes contrib et cos2 correspondent au total des contributions et au total des cos2 des axes en question. Dans ce cas, la colonne coord est calcul?e comme suit x^2 + y^2 + ?+; x, y, ? sont les coordonn?es des points sur les axes sp?cifi?s.

Valeur

Une table de type data.frame contenant les valeurs (totales) coord, cos2 et contribution pour les axes.

Exemples

Analyse en composante principale

Une analyse en composantes principales (ACP) est effectu?e en utilisant la fonction int?gr?e de R prcomp() et le jeu de donn?es decathlon2 [dans factoextra]:

data(decathlon2)
decathlon2.active <- decathlon2[1:23, 1:10]
res.pca <- prcomp(decathlon2.active,  scale = TRUE)
# Synth?se de l'info des variables sur les axes 1:2
facto_summarize(res.pca, "var", axes = 1:2)[,-1]

                    Dim.1       Dim.2     coord      cos2  contrib
X100m        -0.850625692  0.17939806 0.7557477 0.7557477 75.57477
Long.jump     0.794180641 -0.28085695 0.7096035 0.7096035 70.96035
Shot.put      0.733912733 -0.08540412 0.5459218 0.5459218 54.59218
High.jump     0.610083985  0.46521415 0.5886267 0.5886267 58.86267
X400m        -0.701603377 -0.29017826 0.5764507 0.5764507 57.64507
X110m.hurdle -0.764125197  0.02474081 0.5844994 0.5844994 58.44994
Discus        0.743209016 -0.04966086 0.5548258 0.5548258 55.48258
Pole.vault   -0.217268042 -0.80745110 0.6991827 0.6991827 69.91827
Javeline      0.428226639 -0.38610928 0.3324584 0.3324584 33.24584
X1500m        0.004278487 -0.78448019 0.6154275 0.6154275 61.54275

# S?l?ctionner les top 5 variables qui contribuent le plus
facto_summarize(res.pca, "var", axes = 1:2,
           select = list(contrib = 5))[,-1]

                  Dim.1      Dim.2     coord      cos2  contrib
X100m      -0.850625692  0.1793981 0.7557477 0.7557477 75.57477
Long.jump   0.794180641 -0.2808570 0.7096035 0.7096035 70.96035
Pole.vault -0.217268042 -0.8074511 0.6991827 0.6991827 69.91827
X1500m      0.004278487 -0.7844802 0.6154275 0.6154275 61.54275
High.jump   0.610083985  0.4652142 0.5886267 0.5886267 58.86267

# S?lectionner les variables avec >= 0.6
facto_summarize(res.pca, "var", axes = 1:2,
           select = list(cos2 = 0.6))[,-1]

                  Dim.1      Dim.2     coord      cos2  contrib
X100m      -0.850625692  0.1793981 0.7557477 0.7557477 75.57477
Long.jump   0.794180641 -0.2808570 0.7096035 0.7096035 70.96035
Pole.vault -0.217268042 -0.8074511 0.6991827 0.6991827 69.91827
X1500m      0.004278487 -0.7844802 0.6154275 0.6154275 61.54275

# S?lectionner par le nom
facto_summarize(res.pca, "var", axes = 1:2,
     select = list(name = c("X100m", "Discus", "Javeline")))[,-1]

              Dim.1       Dim.2     coord      cos2  contrib
X100m    -0.8506257  0.17939806 0.7557477 0.7557477 75.57477
Discus    0.7432090 -0.04966086 0.5548258 0.5548258 55.48258
Javeline  0.4282266 -0.38610928 0.3324584 0.3324584 33.24584

# Synth?se de l'info des individus sur les axes1:2
facto_summarize(res.pca, "ind", axes = 1:2)[,-1]

                 Dim.1      Dim.2      coord      cos2   contrib
SEBRLE       0.1912074 -1.5541282  2.4518746 0.5050034 10.660324
CLAY         0.7901217 -2.4204156  6.4827039 0.5057178 28.185669
BERNARD     -1.3292592 -1.6118687  4.3650507 0.4871654 18.978481
YURKOV      -0.8694134  0.4328779  0.9432630 0.1199355  4.101143
ZSIVOCZKY   -0.1057450  2.0233632  4.1051806 0.5779938 17.848611
McMULLEN     0.1185550  0.9916237  0.9973729 0.1543704  4.336404
MARTINEAU   -2.3923532  1.2849234  7.3743818 0.5205607 32.062530
HERNU       -1.8910497 -1.1784614  4.9648401 0.5543447 21.586261
BARRAS      -1.7744575  0.4125321  3.3188820 0.6495490 14.429922
NOOL        -2.7770058  1.5726757 10.1850700 0.6469840 44.282913
BOURGUIGNON -4.4137335 -1.2635770 21.0776704 0.9301572 91.642045
Sebrle       3.4514485 -1.2169193 13.3933893 0.7593400 58.232127
Clay         3.3162243 -1.6232908 13.6324164 0.8523470 59.271375
Karpov       4.0703560  0.7983510 17.2051623 0.8138146 74.805053
Macey        1.8484623  2.0638828  7.6764252 0.8165181 33.375762
Warners      1.3873514 -0.2819083  2.0042163 0.2662078  8.713984
Zsivoczky    0.4715533  0.9267436  1.0812163 0.2190667  4.700940
Hernu        0.2763118  1.1657260  1.4352654 0.4666709  6.240284
Bernard      1.3672590  1.4780354  4.0539857 0.6274807 17.626025
Schwarzl    -0.7102777 -0.6584251  0.9380181 0.2170229  4.078340
Pogorelov   -0.2143524 -0.8610557  0.7873639 0.1337231  3.423321
Schoenbeck  -0.4953166 -1.3000530  1.9354762 0.5291161  8.415114
Barras      -0.3158867  0.8193681  0.7711485 0.1466237  3.352820

Analyse factorielle des correspondences

La fonction CA() dans le package FactoMineR est utilis?e:

library("FactoMineR")
data("housetasks")
res.ca <- CA(housetasks, graph = FALSE)
# Synth?se de l'info des "variables lignes" sur les axes 1:2
facto_summarize(res.ca, "row", axes = 1:2)[,-1]

                Dim.1      Dim.2     coord      cos2   contrib
Laundry    -0.9918368  0.4953220 1.2290841 0.9245395 12.403601
Main_meal  -0.8755855  0.4901092 1.0068569 0.9739621  8.833091
Dinner     -0.6925740  0.3081043 0.5745869 0.9303433  3.558222
Breakfeast -0.5086002  0.4528038 0.4637054 0.9051733  3.722406
Tidying    -0.3938084 -0.4343444 0.3437401 0.9748275  2.404604
Dishes     -0.1889641 -0.4419662 0.2310416 0.7642703  1.497001
Shopping   -0.1176813 -0.4033171 0.1765136 0.8113088  1.214543
Official    0.2266324  0.2536132 0.1156819 0.1194711  0.636781
Driving     0.7417696  0.6534143 0.9771724 0.7672477  7.788243
Finances    0.2707669 -0.6178684 0.4550760 0.9973464  2.948600
Insurance   0.6470759 -0.4737832 0.6431778 0.8848140  5.126245
Repairs     1.5287787  0.8642647 3.0841176 0.9326072 29.178865
Holidays    0.2524863 -1.4350066 2.1229933 0.9921522 19.477003

# Synth?se de l'info des "variables colonnes" sur les axes 1:2
facto_summarize(res.ca, "col", axes = 1:2)[,-1]

                  Dim.1      Dim.2      coord      cos2  contrib
Wife        -0.83762154  0.3652207 0.83499601 0.9543242 28.72693
Alternating -0.06218462  0.2915938 0.08889388 0.1098815  1.29467
Husband      1.16091847  0.6019199 1.71003929 0.9795683 37.35808
Jointly      0.14942609 -1.0265791 1.07619274 0.9979998 31.40952

Analyse des correspondances multiples

La fonction MCA() dans le package FactoMineR est utilis?e:

library(FactoMineR)
data(poison)
res.mca <- MCA(poison, quanti.sup = 1:2,
              quali.sup = 3:4, graph=FALSE)
# Synth?se de l'info des variables sur les axes 1:2
res <- facto_summarize(res.mca, "var", axes = 1:2)
head(res)

             name      Dim.1       Dim.2      coord      cos2   contrib
Nausea_n Nausea_n  0.2673909  0.12139029 0.08623348 0.3090033 0.6128991
Nausea_y Nausea_y -0.9581506 -0.43498187 1.10726185 0.3090033 2.1962218
Vomit_n   Vomit_n  0.4790279 -0.40919465 0.39690803 0.5953620 2.1649529
Vomit_y   Vomit_y -0.7185419  0.61379197 0.89304306 0.5953620 3.2474293
Abdo_n     Abdo_n  1.3180221 -0.03574501 1.73845988 0.8457372 5.1722773
Abdo_y     Abdo_y -0.6411999  0.01738946 0.41143974 0.8457372 2.5162430

# Synth?se de l'info des individus sur les axes 1:2
res <- facto_summarize(res.mca, "ind", axes = 1:2)
head(res)

  name      Dim.1       Dim.2     coord       cos2   contrib
1    1 -0.4525811 -0.26415072 0.2746052 0.46457063 0.4992822
2    2  0.8361700 -0.03193457 0.7002000 0.55670644 1.2730909
3    3 -0.4481892  0.13538726 0.2192032 0.59815656 0.3985513
4    4  0.8803694 -0.08536230 0.7823370 0.75476958 1.4224310
5    5 -0.4481892  0.13538726 0.2192032 0.59815656 0.3985513
6    6 -0.3594324 -0.43604390 0.3193260 0.06143111 0.5805927

Infos

Cette analyse a ?t? r?alis?e en utilisant le logiciel R (ver. 3.2.1) et factoextra (ver. 1.0.3)