data_dpe <- read.table("data/data_dpe.txt", header = TRUE, sep = "")
data_dpe$anciennete = 2021 - data_dpe$annee_construction
summary(data_dpe$anciennete) Min. 1st Qu. Median Mean 3rd Qu. Max.
1.00 15.00 32.00 34.58 51.00 121.00 anciennete <- data_dpe$anciennete
round(sd(anciennete))[1] 26cv=round((sd(anciennete)/mean(anciennete))*100) # cv = coeff de variation
cv[1] 75La moyenne de l’ancienneté des logements est de 34,58 ans avec un écart-type d’environ 26 ans, ce qui situe la majorité des logements entre 9 et 61 ans.
Le coefficient de variation de 75 % indique une forte hétérogénéité des âges, due à la coexistence de logements très anciens et récents.
par(cex.main=1.5, cex.lab=1.3, cex.axis=1.2)
hist(data_dpe$anciennete,
main ="Distribution de l'ancienneté des logements",
xlab ="Ancienneté (années)",
ylab ="Fréquence",
col ="skyblue",border ="white")
# Calculer moyenne et median
moyenne <- mean(data_dpe$anciennete)
mediane <- median(data_dpe$anciennete)
# Ajouter une ligne pour la moyenne (rouge)
abline(v = moyenne, col ="red", lwd =2)
text(moyenne, par("usr")[4]*0.9,
labels = paste0("Moyenne = ", round(moyenne,1)),col="red", pos=4)
# Ajouter une ligne pour la médiane (vert)
abline(v = mediane, col ="green", lwd =2)
text(mediane, par("usr")[4]*0.8,
labels = paste0("Median = ", mediane),col="green", pos=4)
Remarque
L’ancienneté moyenne des logements est de 34,58 ans, supérieure à la médiane (32 ans), ce qui indique la présence de logements très anciens tirant la moyenne vers le haut. L’âge des logements varie fortement, de 1 à 121 ans, avec quelques valeurs extrêmes.
Le coefficient de variation élevé (75 %) et la forme asymétrique à droite montrent une forte dispersion des données : la majorité des logements sont récents, mais quelques logements très anciens influencent fortement la distribution.
summary(data_dpe$surface_habitable) Min. 1st Qu. Median Mean 3rd Qu. Max.
16.00 45.75 66.00 82.51 95.25 1452.00 sd(data_dpe$surface_habitable)[1] 94.87407cv=round(sd(data_dpe$surface_habitable)/mean(data_dpe$surface_habitable)*100)
cv[1] 115hist(data_dpe$surface_habitable, main = "Distribution de la surface
habitable", xlab = "Surface habitable",ylab = "Fréquence")
boxplot(data_dpe$surface_habitable, main = "Distribution de la surface
habitable", xlab = "Surface habitable",ylab = "Fréquence",col = "cyan")
Les surfaces habitables varient fortement, de 16 m² à 1452 m². La moyenne (82,51 m²) est supérieure à la médiane (66 m²), indiquant une distribution asymétrique influencée par des valeurs extrêmes.
Le coefficient de variation élevé (115 %) confirme une forte dispersion. La majorité des logements ont une surface inférieure à 200 m², tandis que les grandes surfaces (>500 m²) sont rares et apparaissent comme des valeurs aberrantes, notamment une valeur extrême à 1452 m².
summary(data_dpe$conso_energie) Min. 1st Qu. Median Mean 3rd Qu. Max.
27.92 114.73 181.16 184.12 238.25 591.35 sd(data_dpe$conso_energie)[1] 96.89191cv=round(sd(data_dpe$conso_energie)/mean(data_dpe$conso_energie))*100
cv[1] 100hist(data_dpe$conso_energie, main = "Distribution de la consommation de
l'énergie",xlab = "énergie consommé", ylab = "Fréquence")
boxplot(data_dpe$conso_energie, main = "Distribution de la consommation
de l'énergie", xlab = "énergie consommé", ylab = "Fréquence",col = "lightgreen")
La consommation d’énergie varie de 27,92 à 591,40 avec une moyenne de 184,10 et une médiane de 181,20, indiquant une distribution relativement centrée mais influencée par des valeurs élevées.
Le coefficient de variation de 53 % montre une dispersion importante. La majorité des logements consomme autour de 200, tandis qu’une minorité dépasse 400, créant quelques valeurs extrêmes visibles sur le boxplot.
Ainsi, la consommation est globalement modérée, mais quelques logements très énergivores influencent la moyenne.
summary(data_dpe$emission_ges) Min. 1st Qu. Median Mean 3rd Qu. Max.
2.000 8.602 12.695 21.933 30.000 143.360 sd(data_dpe$emission_ges)[1] 20.64916cv=round(sd(data_dpe$emission_ges)/mean(data_dpe$emission_ges)*100)
cv[1] 94hist(data_dpe$emission_ges, main = "Distribution de la consommation de
gaz à effet de serre"
,xlab = "consommation de gaz à effet de serre",ylab = "Fréquence")
boxplot(data_dpe$emission_ges, main = "Distribution de la consommation
de gaz à effet de serre"
,xlab = "consommation de gaz à effet de serre"
,ylab = "Fréquence",col = "lightblue")
La consommation de gaz à effet de serre varie entre 2 et 143.4 avec une moyenne de 21.93 et une médiane de 12.7. Les trois quarts des observations ont une consommation inférieure à 30.
Le coefficient de variation est de 94%, ce qui est une très forte dispersion des consommations.
L’histogramme montre une distribution très asymétrique , ou la majorité consomme peu de gaz à effet de serre, tandis qu’une minorité affiche des valeurs très élevées.
La boite a moustache met en évidence de nombreuses valeurs extrêmes, représentant des consommations exceptionnellement élevées.
Ces observations montre que la majorité consomme peu mais un petit groupe génère des émissions très élevées, influencent fortement la moyenne
data_dpe$type_logement <- factor(
data_dpe$type_logement,levels = c(1, 2),labels = c("appartement", "maison"))
summary(data_dpe$type_logement)appartement maison
639 361 barplot(table(data_dpe$type_logement), main = "Distribution du type de
logement"
,xlab = "Type de logement",ylab= "Frequence",col = c("yellow","red"))
Les appartements sont majoritairement, représentant 63.9% des logements, tandis que les maisons sont juste 36.1%.
Le diagramme illustre clairement la différence avec une proportion clairement plus élevée pour les appartements.
Dans cette population, on peut constater que les appartements sont plus fréquentés.
data_dpe$type_energie_chauffage <- factor(
data_dpe$type_energie_chauffage,
levels = c(1, 2, 3), labels = c("gaz", "électricité", "autre"))
summary(data_dpe$type_energie_chauffage) gaz électricité autre
433 542 25 barplot(table(data_dpe$type_energie_chauffage), main = "Distribution
du type de l'energie chauffage"
,xlab = "Type de de l'énergie chauffage"
,ylab= "Frequence",col= c("lightpink","slategray1","coral4"))
Les chauffages de type électronique sont majoritaires,avec 54.2%, suivis par le gaz avec 43.3%. Les autres types sont marginaux avec seulement 2.5%.
Le diagramme reflète cette répartition, montrant une légère dominance de l’électricité comme source principale.
Ces données montrent une préférence pour l’électricité, possiblement liée à son accessibilité; le gaz aussi reste une source alternative significative.
table(data_dpe$classe_conso_energie)
A B C D E F G
98 295 274 121 127 70 15 barplot(table(data_dpe$classe_conso_energie), main = "Distribution de
classe conso energie"
, xlab = "Classe consommation d'énergie"
, ylab= "Frequence"
,col =
c("floralwhite","plum3","aquamarine","firebrick","limegreen","khaki","navy"))
Les classes B et C sont les plus fréquentes, représentant respectivement 29,5 % et 27,4 % des logements. Les classes A, D, et E sont moins nombreuses, avec des proportions respectives de 9,8 %, 12,1 %, et 12,7 %. Enfin, les classes F et G sont marginales, avec 7 % et seulement 1,5 %.
Le diagramme en barres montre clairement cette répartition, mettant en évidence une forte concentration dans les classes intermédiaires (B et C).
Cette répartition suggère que la majorité des logements ont une consommation énergétique modérée (B et C), tandis que les logements très performants (A) et les logements très énergivores (F et G) sont beaucoup moins courants.
PROJET ANALYSE FACTORIELLE DPE