-
Notifications
You must be signed in to change notification settings - Fork 10
/
010_eurostat_creation_tables_deces_europe.R
3393 lines (2698 loc) · 143 KB
/
010_eurostat_creation_tables_deces_europe.R
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
# Attacher les Packages contenus dans les Library pour définir les namespaces
library(tidyr)
library(maps)
library(eurostat)
library(dplyr)
library(stringr)
library(leaflet)
library(questionr)
library(ggplot2)
library(lubridate)
library(sf)
library(rnaturalearth)
library(rnaturalearthdata)
library(readr)
library(lsr)
library(reshape2)
library(purrr)
##----------------------------------------------------------------------------##
#
##### Preparer les espaces de generation de donnees ####
#
##----------------------------------------------------------------------------##
# Créer les repertoires
if (!dir.exists("gen/csv")) dir.create("gen/csv")
if (!dir.exists("gen/images")) dir.create("gen/images")
if (!dir.exists("gen/rds")) dir.create("gen/rds")
##----------------------------------------------------------------------------##
#
#### recuperer les tables qui nous interessent chez EuroStat ####
#
##----------------------------------------------------------------------------##
# Demographie recensée au 1er janvier de chaque année (jusqu'en 2020 inclus)
# time = année du recensement,
# age = tranche d'âge,
# values = population dans cette tranche d'âge à la date time
a__original_es_pjan_le2020 <- a__f_downloadEuroStatIfNeeded(var = a__original_es_pjan_le2020,
euroStatFileName = "demo_pjan")
# Décès recensés au 1er janvier de chaque année (jusqu'en 2020 inclus)
# time = année du recensement,
# age = tranche d'âge des décès,
# values = population dans cette tranche d'âge à être décédée
a__original_es_deces_annuel_le2020 <- a__f_downloadEuroStatIfNeeded(var = a__original_es_deces_annuel_le2020,
euroStatFileName = "demo_magec")
# Décès par semaine (jusqu'en 2021 inclus)
# time = année du recensement,
# age = tranche d'âge des décès,
# sex
# values = population dans cette tranche d'âge à être décédée
a__original_es_deces_week <- a__f_downloadEuroStatIfNeeded(var = a__original_es_deces_week,
euroStatFileName = "demo_r_mwk_05") %>%
# Trier les lignes
arrange(geo, sex, time, age) %>%
# Reorganiser les colonnes
select(geo, sex, time, age, everything())
# Projections de population depuis 2019
# à télécharger manuellement car l'API ne fonctionne pas
# sert à récupérer les populations 2022 et 2023
a__original_es_proj <- read.csv("data/csv/proj_19np__custom_2224172_linear.csv") %>%
select(-DATAFLOW,-LAST.UPDATE,-freq,-unit,-OBS_FLAG) %>%
filter(sex != "T",
age != "TOTAL",
projection =="BSL") %>%
dplyr::rename(time = TIME_PERIOD,
population_proj = OBS_VALUE) %>%
mutate(time = as.Date(paste0(time,"-01-01")),
age = ifelse(age=="Y_GE100","Y_OPEN",age))
##----------------------------------------------------------------------------##
#
#### Recensement de la Population Européenne jusqu'en 2020 ou 2021 selon les pays ####
#
##----------------------------------------------------------------------------##
# Initialiser avec les données d'origine d'EuroStat
es_pjan <- a__original_es_pjan_le2020
# Renommer la colonne "values" en "population" et supprimer la colonne "unit" et freq
es_pjan <- es_pjan %>%
dplyr::rename(population = values) %>%
select(-unit,-freq)
# Filtrer :
# les totaux : sexe T (T = M+F) et age
# les UNKnown
es_pjan <- es_pjan %>%
filter(sex != "T",
age != "TOTAL",
age != "UNK")
##----------------------------------------------------------------------------##
#
#### Compléter la population avec les projections ####
#
##----------------------------------------------------------------------------##
es_pjan_2021 <- es_pjan %>% filter(time=="2021-01-01")
es_pjan_2021 <- es_pjan_2021 %>% inner_join(a__original_es_proj) %>%
mutate(erreur= (population_proj-population)/(population))
#On constate que les seules erreurs significatives concernent les naissances (Y_LT1, et les plus de 90 ans)
#On décide de prendre comme population 2022, la population constatée 2021 évoluée de l'évolution de
#la projection 2021 - 2022, pareil pour 2023 et 2024
proj_2023 <- a__original_es_proj %>% filter(time=="2023-01-01")
proj_2024 <- a__original_es_proj %>% filter(time=="2024-01-01")
proj_2025 <- a__original_es_proj %>% filter(time=="2025-01-01")
proj_2023_2024 <- proj_2024 %>% mutate(time=time-years(1)) %>%
dplyr::rename(population_proj_suivante = population_proj) %>%
left_join (proj_2023) %>%
mutate(evol_pop2023_2024=(population_proj_suivante-population_proj)/population_proj)
proj_2024_2025 <- proj_2025 %>% mutate(time=time-years(1)) %>%
dplyr::rename(population_proj_suivante = population_proj) %>%
left_join (proj_2024) %>%
mutate(evol_pop2024_2025=(population_proj_suivante-population_proj)/population_proj)
es_pjan_2023 <- es_pjan %>% filter(time=="2023-01-01")
es_pjan_2024 <- es_pjan_2023 %>%
left_join(proj_2023_2024) %>%
mutate(population_finale = ifelse(is.na(evol_pop2023_2024),population,population + evol_pop2023_2024*population),
time=time+years(1))
es_pjan_2025 <- es_pjan_2024 %>%
select(geo,age,sex,time,population_finale) %>%
dplyr::rename(population=population_finale) %>%
left_join(proj_2024_2025) %>%
mutate(population_finale = ifelse(is.na(evol_pop2024_2025),population,population + evol_pop2024_2025*population),
time=time+years(1))
es_pjan_2025 <- es_pjan_2025 %>%
select (geo,sex,age,time,population_finale) %>%
dplyr::rename(population = population_finale)
es_pjan_2024 <- es_pjan_2024 %>%
select (geo,sex,age,time,population_finale) %>%
dplyr::rename(population = population_finale)
es_pjan <- es_pjan %>%
rbind(es_pjan_2024) %>%
rbind(es_pjan_2025)
if (shallDeleteVars) rm(es_pjan_2021)
if (shallDeleteVars) rm(es_pjan_2023)
if (shallDeleteVars) rm(es_pjan_2024)
if (shallDeleteVars) rm(proj_2023_2024)
if (shallDeleteVars) rm(proj_2022_2023)
if (shallDeleteVars) rm(proj_2024)
if (shallDeleteVars) rm(proj_2023)
if (shallDeleteVars) rm(proj_2022)
##----------------------------------------------------------------------------##
#
#### Calculer l'Age max par pays et année de rencensement ####
#
##----------------------------------------------------------------------------##
# Retirer le Y de l'age et le transformer en numérique
es_pjan_age <- es_pjan %>%
filter(age != "Y_LT1",
age != "Y_OPEN") %>%
mutate(age = as.double(str_sub(age, 2, length(age))))
# Calculer l'Age max par pays et année de rencensement
es_age_max_pop <- es_pjan_age %>%
group_by(geo,
time) %>%
summarise(age_max = base::max(age))
if (shallDeleteVars) rm(es_pjan_age)
##----------------------------------------------------------------------------##
#
#### Deces par pays, année de recensement (jusqu'en 2020 seulement) et tranche d'age de deces ####
#
# Voici les colonnes que l'on va petit à petit ajouter dans la variable "es_deces_annuels" :
#
# geo : Indicatif du pays
# time : Année du recensement (Ex. 2013-01-01)
# population : Population du pays
# pop2020 : Population lors du recensement 2020-01-01
# deces : Nombre de deces enregistrés durant l'année du recensement (2013)
# deces_theo_si_pop_2020 : Décès théoriques qu'il y aurait dû avoir en 2020
# deces2020 : Décès réels observés en 2020
# deces_theo_du_pays_si_pop_FR_2020 : Décès que le pays aurait eu s'il avait la population de la France en 2020
# Devrait s'appeler : deces_theo_du_pays_si_pop_FR_2020
# surmortalite2020 : Augmentation des décès entre 2019 et 2020 (AC)
# Devrait s'appeler : surmortalite2020
# location : Nom du pays
# zone : Est, Ouest
#
##----------------------------------------------------------------------------##
# Initialiser es_deces_annuels que l'on complètera au fur et à mesure dans le fichier
b__es_deces_et_pop_par_annee <- a__original_es_deces_annuel_le2020
# Filtrer age
b__es_deces_et_pop_par_annee <- b__es_deces_et_pop_par_annee %>%
dplyr::rename(deces=values) %>%
select(-unit,-freq) %>%
filter( sex != "T",
age != "TOTAL",
age != "UNK")
##----------------------------------------------------------------------------##
#
## Recuperer lignes (pays, recensement) pour lesquels l'âge max des décès est inférieur à 89 ans ##
#
##----------------------------------------------------------------------------##
# Enlever le Y de l'age et le transformer en numérique
es_deces_annuel_age <- b__es_deces_et_pop_par_annee %>%
filter(age !="Y_LT1") %>%
filter(age !="Y_OPEN") %>%
filter(str_sub(geo,1,2)!="EU") %>%
filter(str_sub(geo,1,2)!="EA") %>%
filter(str_sub(geo,1,3)!="EEA") %>%
filter(str_sub(geo,1,3)!="EFT") %>%
mutate(age = as.double(str_sub(age, 2, length(age))))
# Age max des deces par population, année de recensement
es_deces_annuel_age_max <- es_deces_annuel_age %>%
group_by(geo,
time) %>%
summarise(age_max = base::max(age))
if (shallDeleteVars) rm(es_deces_annuel_age)
# Recuperer lignes pays, recensement pour lesquels l'âge max des décès est inférieur à 89 ans
es_deces_annuel_pb_age_max_deces <- es_deces_annuel_age_max %>%
filter(age_max < 89) %>%
filter(str_sub(geo,1,2)!="EU") %>%
filter(str_sub(geo,1,2)!="EA") %>%
filter(str_sub(geo,1,3)!="EEA") %>%
filter(str_sub(geo,1,3)!="EFT") %>%
dplyr::rename (age_max_deces=age_max)
if (shallDeleteVars) rm(es_deces_annuel_age_max)
##----------------------------------------------------------------------------##
#
## Recuperer lignes (pays, recensement) pour lesquels l'âge max des vivants est inférieur à 89 ans ##
#
##----------------------------------------------------------------------------##
# Récupérer les pays dont l'âge max de la population est < à 89 ans
es_pjan_pb_age_max_pop <- es_age_max_pop %>%
filter(age_max < 89) %>%
filter(str_sub(geo,1,2)!="EU")%>%
filter(str_sub(geo,1,2)!="EA") %>%
filter(str_sub(geo,1,3)!="EEA") %>%
filter(str_sub(geo,1,3)!="EFT")%>%
dplyr::rename (age_max_pop = age_max)
if (shallDeleteVars) rm(es_age_max_pop)
##----------------------------------------------------------------------------##
#
## Concaténer pays, recensements pour lesquels l'âge max des deces ou des vivants est de moins de 89 ans ##
#
##----------------------------------------------------------------------------##
es_pb_age_max <- full_join(es_deces_annuel_pb_age_max_deces,
es_pjan_pb_age_max_pop,
by=c("geo", "time"))
if (shallDeleteVars) rm(es_deces_annuel_pb_age_max_deces)
if (shallDeleteVars) rm(es_pjan_pb_age_max_pop)
##----------------------------------------------------------------------------##
#
## Retirer les lignes correspondant à des totaux et l'Italie avant 1981 (données incomplètes ?) ##
#
##----------------------------------------------------------------------------##
# on filtre les vivants et les décès sur les zones geographiques "spéciales"
# correspondant à des regroupements ou des totaux
es_pjan<- es_pjan %>%
filter(str_sub(geo,1,2)!="EU")%>%
filter(str_sub(geo,1,2)!="EA") %>%
filter(str_sub(geo,1,3)!="EEA") %>%
filter(str_sub(geo,1,3)!="EFT") %>%
filter(geo!="DE_TOT") %>%
filter(geo!="TR")
b__es_deces_et_pop_par_annee <- b__es_deces_et_pop_par_annee %>%
filter(str_sub(geo,1,2)!="EU")%>%
filter(str_sub(geo,1,2)!="EA") %>%
filter(str_sub(geo,1,3)!="EEA") %>%
filter(str_sub(geo,1,3)!="EFT") %>%
filter(geo!="DE_TOT")%>%
filter(geo!="TR")
# On enleve les données de l'Italie, car les deces annuels n'étaient pas comptabilisés avant 1985 (AC) ?
es_pjan <- es_pjan %>%
filter(!(geo == "IT" & time <= "1981-01-01"))
b__es_deces_et_pop_par_annee <- b__es_deces_et_pop_par_annee %>%
filter(!(geo == "IT" & time <= "1981-01-01"))
# On ne garde que ceux qui ont 84 et on enlève les ligne "TR"
es_pb_age_max_deces_84 <- es_pb_age_max %>%
filter(age_max_deces == 84 | age_max_pop == 84 ) %>%
filter(geo != "TR")
if (shallDeleteVars) rm(es_pb_age_max)
#### traitement des tables de pop
#table de pop : on partitionne en deux tables :
#celle avec les couples (geo, time) traites en age quinquennal jusqu'à 90+
#celle avec les couples (geo, time) traites en age quinquennal jusqu'à 85+
# Ajouter les colonnes population par tranche d'age et sexe de es_pjan
es_pb_age_max_85_pjan <- es_pb_age_max_deces_84 %>%
left_join(es_pjan)
# Mettre dans es_pjan90, les lignes de es_pjan qui ne sont pas dans es_pjan85
es_pjan90 <- es_pjan %>%
anti_join(es_pb_age_max_85_pjan)
if (shallDeleteVars) rm(es_pjan)
##----------------------------------------------------------------------------##
#
##### Ajouter une colonne agequinq correspondant à la tranche d'âge ####
#
##----------------------------------------------------------------------------##
## traitement de es_pb_age_max_85_pjan ##
# Ajouter une colonne avec la tranche d'âge quinquennale jusqu'à 85
es_pjan85_quinq <- a__f_quinquenisation(es_pb_age_max_85_pjan, shallGroup_ge85 = TRUE)
# Ne garder que la colonne population
es_pjan85_quinq <- es_pjan85_quinq %>%
group_by(geo, sex, agequinq, time) %>%
summarise(population=sum(population))
if (shallDeleteVars) rm(es_pb_age_max_85_pjan)
## traitement de es_pjan90 ##
# Ajouter une colonne avec la tranche d'âge quinquennale
es_pjan90_quinq <- a__f_quinquenisation(es_pjan90, shallGroup_ge85 = FALSE)
# Synthetiser et ne garder que la colonne population
es_pjan90_quinq <- es_pjan90_quinq %>%
group_by(geo, sex, agequinq, time) %>%
summarise(population = sum(population))
if (shallDeleteVars) rm(es_pjan90)
### traitement des tables de deces ##
#table de deces : on partitionne en deux tables : celle avec les couples (geo, time) traites en age quinquennal jusqu'à 90+
#celle vec les couples (geo, time) traites en age quinquennal jusqu'à 85+
es_deces_annuel_age85 <- es_pb_age_max_deces_84 %>%
left_join(b__es_deces_et_pop_par_annee) %>%
filter(!is.na(age))
#prendre tous ceux qu'on n'a pas déjà pris dans les 85
es_deces_annuel_age90 <- b__es_deces_et_pop_par_annee %>%
anti_join(es_deces_annuel_age85)
if (shallDeleteVars) rm(es_pb_age_max_deces_84)
if (shallDeleteVars) rm(b__es_deces_et_pop_par_annee)
### traitement de deces_annuel_age85 ###
#mettre en age quinquennal
# Ajouter une colonne avec la tranche d'âge quinquennale jusqu'à 85
es_deces_annuel_age85_quinq <- a__f_quinquenisation(es_deces_annuel_age85, shallGroup_ge85 = TRUE)
es_deces_annuel_age85_quinq <- es_deces_annuel_age85_quinq %>%
group_by(geo, sex, agequinq, time) %>%
summarise(deces=sum(deces))
if (shallDeleteVars) rm(es_deces_annuel_age85)
## traitement de deces_annuel_age90 #
# Ajouter une colonne avec la tranche d'âge quinquennale
es_deces_annuel_age90_quinq <- a__f_quinquenisation(es_deces_annuel_age90, shallGroup_ge85 = FALSE)
es_deces_annuel_age90_quinq <- es_deces_annuel_age90_quinq %>%
group_by(geo, sex, agequinq, time) %>%
summarise(deces=sum(deces))
if (shallDeleteVars) rm(es_deces_annuel_age90)
##----------------------------------------------------------------------------##
#
##### on concatene les tables 85 et 90 et on sauvegarde ####
#
##----------------------------------------------------------------------------##
es_deces_annuel_agequinq_le2020 <- bind_rows(es_deces_annuel_age90_quinq, es_deces_annuel_age85_quinq) %>%
# Trier les lignes selon les colonnes
arrange(geo, agequinq, sex, time)
if (shallDeleteVars) rm(es_deces_annuel_age90_quinq)
if (shallDeleteVars) rm(es_deces_annuel_age85_quinq)
es_pjan_quinq <- bind_rows(es_pjan90_quinq, es_pjan85_quinq) %>%
# Trier les lignes selon les colonnes
arrange(geo, agequinq, sex, time)
if (shallDeleteVars) rm(es_pjan85_quinq)
if (shallDeleteVars) rm(es_pjan90_quinq)
# es_pjan_quinq indique la population pour chaque pays, chaque recensement, chaque tranche d'age
# avec les tranches Y_GE85 et Y_GE90
write.table(es_pjan_quinq, "gen/csv/Eurostat_pjanquinq.csv", row.names=FALSE, sep="t", dec=",", na=" ")
saveRDS(es_pjan_quinq, file="gen/rds/Eurostat_pjanquinq.RDS")
##----------------------------------------------------------------------------##
#
##### on joint les deces et les populations ####
#
##----------------------------------------------------------------------------##
es_deces_et_pop_annuel_by_agequinq <- es_deces_annuel_agequinq_le2020 %>%
inner_join(es_pjan_quinq, by=c("sex", "geo", "agequinq", "time"))
if (shallDeleteVars) rm(es_deces_annuel_agequinq_le2020)
#ajouter la population de l'annee 2020 correspondant du pays dans chaque pays*sexe*age*annee
es_pjan_quinq_2020 <- es_pjan_quinq %>%
filter(time == "2020-01-01") %>%
dplyr::rename(pop2020=population) %>%
select(-time)
es_pjan_quinq_2020_ge85 <- es_pjan_quinq_2020 %>%
filter(agequinq %in% c("Y_GE90", "Y85-89"))
es_pjan_quinq_2020_ge85_85 <- es_pjan_quinq_2020_ge85 %>%
mutate(agequinq="Y_GE85") %>%
group_by(geo, sex, agequinq) %>%
summarise(pop2020=sum(pop2020))
if (shallDeleteVars) rm(es_pjan_quinq_2020_ge85)
es_pjan_quinq_2020_popTot <- bind_rows(es_pjan_quinq_2020, es_pjan_quinq_2020_ge85_85) %>%
# Trier les lignes selon les colonnes
arrange(geo, agequinq, sex)
if (shallDeleteVars) rm(es_pjan_quinq_2020)
if (shallDeleteVars) rm(es_pjan_quinq_2020_ge85_85)
es_deces_et_pop_annuel_by_agequinq <- es_deces_et_pop_annuel_by_agequinq %>%
left_join(es_pjan_quinq_2020_popTot, by=c("sex", "geo", "agequinq"))
if (shallDeleteVars) rm(es_pjan_quinq_2020_popTot)
es_deces_et_pop_annuel_by_agequinq <- es_deces_et_pop_annuel_by_agequinq %>%
filter(str_sub(geo, 1, 2) != "EU") %>%
filter(str_sub(geo, 1, 2) != "EA") %>%
filter(str_sub(geo, 1, 3) != "EEA") %>%
filter(geo != "EFTA") %>%
filter(geo != "DE_TOT") %>%
filter(geo != "AD") %>%
filter(geo != "BA")
#ctrlx
##----------------------------------------------------------------------------##
#
# Début de création de la variable "es_deces_complet"
#
# Voici les colonnes que l'on va petit à petit ajouter dans la variable "es_deces_complet" :
#
# agequinq : Tranche d'âge quinquennale (tranche de 5 ans)
# sex : Sexe
# geo : Indicatif du pays
# time : Année du recensement (Ex. 2013-01-01)
# population : Population du pays
# pop2020 : Population lors du recensement 2020-01-01
# deces_theo_si_pop_2020 : Décès théoriques qu'il y aurait dû avoir avec la population du pays en 2020
# deces2020 : Décès réels observés en 2020 (obtenu par agrégation des deces par semaine 2020)
# pop_france2020 : Population française en 2020 (sum(pop2020) après filtrage des lignes de la France)
# deces_theo_du_pays_si_pop_FR_2020 : Décès que le pays aurait eu s'il avait la population de la France en 2020
# Devrait s'appeler : deces_theo_du_pays_si_pop_FR_2020
# location : Nom du pays
# zone : Est, Ouest
#
##----------------------------------------------------------------------------##
#récupération des décès 2020
deces2020 <- es_deces_et_pop_annuel_by_agequinq %>%
filter(time=="2020-01-01") %>%
dplyr::rename(deces2020=deces) %>%
select(-population,-time,-pop2020)
#jointure des deces theoriques qu'on aurait dû avoir en 2020
b__es_deces_et_pop_par_annee_agequinq <- es_deces_et_pop_annuel_by_agequinq %>%
left_join(deces2020,
by=c("sex", "geo", "agequinq"))
##----------------------------------------------------------------------------##
#
#### Recuperer les deces 2023 grace au fichier par semaine d'EuroStat ####
# et le concaténer aux deces annuel qui ne va que jusqu'en 2021
#
##----------------------------------------------------------------------------##
#Deces par tranche d'age quinquenal, par pays européen, par semaine, depuis les années 19xx
es_deces_week <- a__original_es_deces_week
es_deces_week$time <- as.character(a__original_es_deces_week$time)
#isoler l'année 2023
es_deces_week_2023 <- es_deces_week %>%
filter(str_sub(time, 1, 4) == "2023")
# Creer une colonne deces2023Corriges : On ne prend que 1/7 pour la semaine 01, car le 01/01/2023 est un dimanche
es_deces_week_2023 <- es_deces_week_2023 %>%
mutate(deces2023Corriges = if_else(as.numeric(strftime(time, format = "%V")) == "01",
floor(values*1/7),
values))
# Corriger la colonne deces2023Corriges : On ne prend que 7/7 pour la semaine 52, car le 31/12/2023 est un dimanche
es_deces_week_2023 <- es_deces_week_2023 %>%
mutate(deces2023Corriges=if_else(as.numeric(strftime(time, format = "%V"))== "52",
floor(deces2023Corriges*7/7),
deces2023Corriges))
#Regrouper par age, sexe, geo et mettre ça dans deces2023 (= deces 2023 par age, sexe, pays)
es_deces_2023_tot_by_agequinq_sex_geo <- es_deces_week_2023 %>%
group_by(geo, sex, age) %>%
summarise(deces2023 = sum(deces2023Corriges))
if (shallDeleteVars) rm(es_deces_week_2023)
#renommer la colonne age en agequinq, car c'est des tranches de 5 ans
es_deces_2023_tot_by_agequinq_sex_geo <- es_deces_2023_tot_by_agequinq_sex_geo %>%
dplyr::rename(agequinq = age)
#Memoriser les deces 2023 des plus de 85 ans
es_deces_2023_tot_ge85 <- es_deces_2023_tot_by_agequinq_sex_geo %>%
filter(agequinq %in% c("Y_GE90", "Y85-89"))
# Synthetiser par pays, sexe et indiquer que tout ça, ce sont les > 85
es_deces_2023_ge85_by_geo_sex <- es_deces_2023_tot_ge85 %>%
group_by(geo, sex) %>%
summarise(deces2023=sum(deces2023)) %>%
mutate(agequinq="Y_GE85")
if (shallDeleteVars) rm(es_deces_2023_tot_ge85)
#Ajouter les lignes des plus de 85 ans (on a donc à la fois les tranches Y_GE90 et Y_GE85 (qui inclut aussi le Y_GE90)
es_deces_2023_tot_ge85_ge90 <- bind_rows(es_deces_2023_tot_by_agequinq_sex_geo,
es_deces_2023_ge85_by_geo_sex)
if (shallDeleteVars) rm(es_deces_2023_ge85_by_geo_sex)
##----------------------------------------------------------------------------##
#
#### Recuperer les deces 2022 grace au fichier par semaine d'EuroStat ####
# et le concaténer aux deces annuel qui ne va que jusqu'en 2020
#
##----------------------------------------------------------------------------##
#Deces par tranche d'age quinquenal, par pays européen, par semaine, depuis les années 19xx
es_deces_week <- a__original_es_deces_week
es_deces_week$time <- as.character(a__original_es_deces_week$time)
#isoler l'année 2022
es_deces_week_2022 <- es_deces_week %>%
filter(str_sub(time, 1, 4) == "2022")
# Creer une colonne deces2022 Corriges : On ne prend que 2/7 pour la semaine 01, car le 01/01/2022 est un samedi
es_deces_week_2022 <- es_deces_week_2022 %>%
mutate(deces2022Corriges = if_else(as.numeric(strftime(time, format = "%V")) == "01",
floor(values*2/7),
values))
# Corriger la colonne deces2022Corriges : On ne prend que 6/7 pour la semaine 52, car le 31/12/2022 est un samedi
es_deces_week_2022 <- es_deces_week_2022 %>%
mutate(deces2022Corriges=if_else(as.numeric(strftime(time, format = "%V")) == "52",
floor(deces2022Corriges*6/7),
deces2022Corriges))
#Regrouper par age, sexe, geo et mettre ça dans deces2022 (= deces 2022 par age, sexe, pays)
es_deces_2022_tot_by_agequinq_sex_geo <- es_deces_week_2022 %>%
group_by(geo, sex, age) %>%
summarise(deces2022 = sum(deces2022Corriges))
if (shallDeleteVars) rm(es_deces_week_2022)
#renommer la colonne age en agequinq, car c'est des tranches de 5 ans
es_deces_2022_tot_by_agequinq_sex_geo <- es_deces_2022_tot_by_agequinq_sex_geo %>%
dplyr::rename(agequinq = age)
#Memoriser les deces 2022 des plus de 85 ans
es_deces_2022_tot_ge85 <- es_deces_2022_tot_by_agequinq_sex_geo %>%
filter(agequinq %in% c("Y_GE90", "Y85-89"))
# Synthetiser par pays, sexe et indiquer que tout ça, ce sont les > 85
es_deces_2022_ge85_by_geo_sex <- es_deces_2022_tot_ge85 %>%
group_by(geo, sex) %>%
summarise(deces2022=sum(deces2022)) %>%
mutate(agequinq="Y_GE85")
if (shallDeleteVars) rm(es_deces_2022_tot_ge85)
#Ajouter les lignes des plus de 85 ans (on a donc à la fois les tranches Y_GE90 et Y_GE85 (qui inclut aussi le Y_GE90)
es_deces_2022_tot_ge85_ge90 <- bind_rows(es_deces_2022_tot_by_agequinq_sex_geo,
es_deces_2022_ge85_by_geo_sex)
if (shallDeleteVars) rm(es_deces_2022_ge85_by_geo_sex)
##----------------------------------------------------------------------------##
#
# Remplissage de la variable "es_deces_complet"
#
##----------------------------------------------------------------------------##
#ajout des deces 2021 et 2022 qui viennent d'être calculés aux deces annuels
# Filtrer les lignes des Totaux
es_deces_et_pop_2023_par_agequinq_for_bind_rows <- es_deces_2023_tot_ge85_ge90 %>%
filter(sex != "T" & agequinq != "TOTAL" & agequinq != "UNK")
es_deces_et_pop_2022_par_agequinq_for_bind_rows <- es_deces_2022_tot_ge85_ge90 %>%
filter(sex != "T" & agequinq != "TOTAL" & agequinq != "UNK")
# Indiquer que ces deces sont ceux du recensement 2023
es_deces_et_pop_2023_par_agequinq_for_bind_rows <- es_deces_et_pop_2023_par_agequinq_for_bind_rows %>%
mutate(time = as.Date("2023-01-01"),
deces = deces2023) %>%
select(-deces2023)
es_deces_et_pop_2022_par_agequinq_for_bind_rows <- es_deces_et_pop_2022_par_agequinq_for_bind_rows %>%
mutate(time = as.Date("2022-01-01"),
deces = deces2022) %>%
select(-deces2022)
#synthetiser
es_deces_et_pop_2023_par_agequinq_for_bind_rows <- es_deces_et_pop_2023_par_agequinq_for_bind_rows %>%
group_by(geo, sex, agequinq, time) %>%
summarise(deces = sum(deces))
es_deces_et_pop_2022_par_agequinq_for_bind_rows <- es_deces_et_pop_2022_par_agequinq_for_bind_rows %>%
group_by(geo, sex, agequinq, time) %>%
summarise(deces = sum(deces))
# Créer les lignes de population correspondant à 2023 (par duplication de celles de 2019 + adaptations)
es_pop2023_by_agequinq <- b__es_deces_et_pop_par_annee_agequinq %>%
# Prendre les lignes 2019
filter(time == "2019-01-01") %>%
# Retirer toutes les colonnes inutiles dont population (qui est la population 2019) que l'on va
# re-initialiser avec la population 2023
select(-deces, -time, -population)
# Récupérer la pop 2023
es_pjan_quinq_2023 <- es_pjan_quinq %>%
filter(time == "2023-01-01")
# Récupérer la pop 2022
es_pjan_quinq_2022 <- es_pjan_quinq %>%
filter(time == "2022-01-01")
# Ajouter les colonnes population et pop2020 correspondant à 2020
es_deces_et_pop_2023_par_agequinq_for_bind_rows <- es_deces_et_pop_2023_par_agequinq_for_bind_rows %>%
left_join(es_pop2023_by_agequinq) %>%
filter(!is.na(pop2020))
es_deces_et_pop_2022_par_agequinq_for_bind_rows <- es_deces_et_pop_2022_par_agequinq_for_bind_rows %>%
left_join(es_pop2023_by_agequinq) %>%
filter(!is.na(pop2020))
# Ajouter les colonnes population et pop2023 correspondant à 2023 et 2022
es_deces_et_pop_2023_par_agequinq_for_bind_rows <- es_deces_et_pop_2023_par_agequinq_for_bind_rows %>%
left_join(es_pjan_quinq_2023)
es_deces_et_pop_2022_par_agequinq_for_bind_rows <- es_deces_et_pop_2022_par_agequinq_for_bind_rows %>%
left_join(es_pjan_quinq_2022)
#remplir les blancs de 2023 et 2022 avec 2020 (il reste surtout l'arménie)
es_deces_et_pop_2023_par_agequinq_for_bind_rows <- es_deces_et_pop_2023_par_agequinq_for_bind_rows %>%
mutate(population=ifelse(is.na(population),pop2020,population))
es_deces_et_pop_2022_par_agequinq_for_bind_rows <- es_deces_et_pop_2022_par_agequinq_for_bind_rows %>%
mutate(population=ifelse(is.na(population),pop2020,population))
#sélectionner les pays pour lesquels il n'y a pas de données annuelles 2022
selection_2022 <- b__es_deces_et_pop_par_annee_agequinq %>%
filter(time=="2022-01-01",sex=="M",agequinq=="Y65-69")
es_deces_et_pop_2022_par_agequinq_for_bind_rows <- es_deces_et_pop_2022_par_agequinq_for_bind_rows %>%
filter(!(geo %in% selection_2022$geo))
if (shallDeleteVars) rm(selection_2023)
#Ajouter les données 2023 et 2022
b__es_deces_et_pop_par_annee_agequinq <- b__es_deces_et_pop_par_annee_agequinq %>%
bind_rows(es_deces_et_pop_2023_par_agequinq_for_bind_rows) %>%
bind_rows(es_deces_et_pop_2022_par_agequinq_for_bind_rows) %>%
# trier les lignes selon les colonnes suivantes
arrange(geo, sex, agequinq, time)
# Reorganiser les colonnes
b__es_deces_et_pop_par_annee_agequinq <- b__es_deces_et_pop_par_annee_agequinq %>%
select(geo:time | population | pop2020 | deces | deces2020 | everything() )
if (shallDeleteVars) rm(es_deces_et_pop_annuel_by_agequinq)
if (shallDeleteVars) rm(es_deces_2023_tot_ge85_ge90)
if (shallDeleteVars) rm(es_deces_2022_tot_ge85_ge90)
if (shallDeleteVars) rm(es_pop2023_by_agequinq)
if (shallDeleteVars) rm(es_deces_et_pop_2023_par_agequinq_for_bind_rows)
if (shallDeleteVars) rm(es_deces_et_pop_2022_par_agequinq_for_bind_rows)
#
##### Gestion de l'Allemagne pour laquelle il manque les donnees sexuees et des moins de 40 ans en 2023 et 2022 #####
#
#extraire les données de l'Allemagne
es_deces_2023_tot_DE <- es_deces_2023_tot_by_agequinq_sex_geo %>%
filter(geo == "DE")
es_deces_2022_tot_DE <- es_deces_2022_tot_by_agequinq_sex_geo %>%
filter(geo == "DE")
#recuperation de la repartition de deces des moins de 40 en 2019 en Allemagne
es_deces_complet_DE <- b__es_deces_et_pop_par_annee_agequinq %>%
filter(geo == "DE") %>%
filter(time == "2019-01-01") %>%
group_by(geo, sex, agequinq, time) %>%
summarise(population=sum(population),
deces=sum(deces))
#Ajouter une colonne avec la proportion des deces / aux deces des moins de 40 ans
es_deces_complet_DE <- es_deces_complet_DE %>%
mutate (tauxmortalite = (deces)/population) %>%
select(-population,-deces,-time)
#récupération de la pop 2023 allemande
es_pjan_quinq_de_2023_2022 <- es_pjan_quinq_2023 %>% rbind(es_pjan_quinq_2022) %>% filter(geo=="DE"&time>="2023-01-01")
es_deces_complet_DE <- es_pjan_quinq_de_2023_2022 %>% left_join(es_deces_complet_DE)
if (shallDeleteVars) rm(es_pjan_quinq_2022)
#extraire les moins de 40 ans
es_deces_complet_DE_lt40 <- es_deces_complet_DE %>%
filter(agequinq %in% c("Y_LT5", "Y5-9", "Y10-14", "Y15-19", "Y20-24", "Y25-29", "Y30-34", "Y35-39"))
#Application de la repartion des deces 2019 des moins de 40 ans a 2023
es_deces_complet_DE_lt40 <- es_deces_complet_DE_lt40 %>%
mutate (deces = tauxmortalite * population)
#supprimer la colonne partdecesmoins40
es_deces_complet_DE_lt40 <- es_deces_complet_DE_lt40 %>%
select(-tauxmortalite)
#supprimer les UNKnown et TOTAL
es_deces_2023_tot_DE <- es_deces_2023_tot_DE %>%
filter(agequinq!="UNK", agequinq != "TOTAL")
es_deces_2022_tot_DE <- es_deces_2022_tot_DE %>%
filter(agequinq!="UNK", agequinq != "TOTAL")
#concatener les F dans les M et remplacer les T
#Division par 2 du total pour chaque sexe
es_deces_2023_tot_DE_M <- es_deces_2023_tot_DE %>%
mutate (sex="M", deces = deces2023/2)
es_deces_2023_tot_DE_F <- es_deces_2023_tot_DE %>%
mutate (sex="F", deces = deces2023/2)
es_deces_2023_tot_DE <- es_deces_2023_tot_DE_M %>%
rbind(es_deces_2023_tot_DE_F) %>% mutate(time=as.Date("2023-01-01"))
es_deces_2023_tot_DE<-es_deces_2023_tot_DE %>%
select(-deces2023)%>%
left_join(es_pjan_quinq_de_2023_2022)
es_deces_2022_tot_DE_M <- es_deces_2022_tot_DE %>%
mutate (sex="M", deces = deces2022/2)
es_deces_2022_tot_DE_F <- es_deces_2022_tot_DE %>%
mutate (sex="F", deces = deces2022/2)
es_deces_2022_tot_DE <- es_deces_2022_tot_DE_M %>%
rbind(es_deces_2022_tot_DE_F) %>% mutate(time=as.Date("2022-01-01"))
es_deces_2022_tot_DE<-es_deces_2022_tot_DE %>%
select(-deces2022)%>%
left_join(es_pjan_quinq_de_2023_2022)
if (shallDeleteVars) rm(es_pjan_quinq_de_2023_2022)
#concaténer les lignes à ajouter
es_deces_2023_2022_tot_DE <- es_deces_2023_tot_DE %>%
rbind(es_deces_2022_tot_DE) %>%
rbind(es_deces_complet_DE_lt40)
if (shallDeleteVars) rm(es_deces_complet_DE_lt40)
if (shallDeleteVars) rm(es_deces_2023_tot_DE_M)
if (shallDeleteVars) rm(es_deces_2023_tot_DE_F)
# Prendre 2019
es_deces_2019_complet_DE <- b__es_deces_et_pop_par_annee_agequinq %>%
filter(geo == "DE") %>%
filter(time == "2019-01-01") %>%
select(geo, sex, agequinq, pop2020, deces2020)
# Joindre la colonne pop2020
es_deces_2023_2022_tot_DE <- es_deces_2023_2022_tot_DE %>%
left_join(es_deces_2019_complet_DE)
es_deces_2022_tot_DE <- es_deces_2023_2022_tot_DE %>% filter(time =="2022-01-01")
#Ajouter les lignes de l'Allemagne 2023 et 2022
b__es_deces_et_pop_par_annee_agequinq <- b__es_deces_et_pop_par_annee_agequinq %>%
rbind(es_deces_2022_tot_DE)
if (shallDeleteVars) rm(es_deces_complet_DE)
if (shallDeleteVars) rm(es_deces_2019_complet_DE)
if (shallDeleteVars) rm(es_deces_2023_tot_by_agequinq_sex_geo)
if (shallDeleteVars) rm(es_deces_2023_tot_DE)
if (shallDeleteVars) rm(es_pjan_quinq_2023)
if (shallDeleteVars) rm(es_deces_2023_2022_tot_DE)
if (shallDeleteVars) rm(es_deces_2022_tot_DE)
if (shallDeleteVars) rm(es_deces_2022_tot_DE_F)
if (shallDeleteVars) rm(es_deces_2022_tot_DE_M)
if (shallDeleteVars) rm(es_deces_2022_tot_by_agequinq_sex_geo)
if (shallDeleteVars) rm()
if (shallDeleteVars) rm()
if (shallDeleteVars) rm()
##----------------------------------------------------------------------------##
#
#### Récupérer les données anglaises ####
#
##----------------------------------------------------------------------------##
#récupérer les populations annuelles
population_england <- read.csv("data/csv/population_england.csv")
population_ireland <- read.csv("data/csv/population_ireland.csv")
population_northern_ireland <- read.csv("data/csv/population_northern_ireland.csv")
population_scotland <- read.csv("data/csv/population_scotland.csv")
population_wales <- read.csv("data/csv/population_wales.csv")
#mettre les populations annuelles en lignes
col_population_england <- colnames(population_england)
population_england <- melt(population_england,id.vars = 'Age',measure.vars = col_population_england[col_population_england!='Age'])
population_england <- population_england %>% mutate(time = str_sub(variable,2,11)) %>%
mutate(time = as.Date(time, format = "%Y . %m . %d")) %>%
select(-variable) %>%
dplyr::rename(population = value) %>%
mutate(geo="EN")
col_population_ireland <- colnames(population_ireland)
population_ireland <- melt(population_ireland,id.vars = 'Age',measure.vars = col_population_ireland[col_population_ireland!='Age'])
population_ireland <- population_ireland %>% mutate(time = str_sub(variable,2,11)) %>%
mutate(time = as.Date(time, format = "%Y . %m . %d")) %>%
select(-variable) %>%
dplyr::rename(population = value)%>%
mutate(geo="IR")
col_population_northern_ireland <- colnames(population_northern_ireland)
population_northern_ireland <- melt(population_northern_ireland,id.vars = 'Age',measure.vars = col_population_northern_ireland[col_population_northern_ireland!='Age'])
population_northern_ireland <- population_northern_ireland %>% mutate(time = str_sub(variable,2,11)) %>%
mutate(time = as.Date(time, format = "%Y . %m . %d")) %>%
select(-variable) %>%
dplyr::rename(population = value)%>%
mutate(geo="NI")
col_population_scotland <- colnames(population_scotland)
population_scotland <- melt(population_scotland,id.vars = 'Age',measure.vars = col_population_scotland[col_population_scotland!='Age'])
population_scotland <- population_scotland %>% mutate(time = str_sub(variable,2,11)) %>%
mutate(time = as.Date(time, format = "%Y . %m . %d")) %>%
select(-variable) %>%
dplyr::rename(population = value)%>%
mutate(geo="SC")
col_population_wales <- colnames(population_wales)
population_wales <- melt(population_wales,id.vars = 'Age',measure.vars = col_population_wales[col_population_wales!='Age'])
population_wales <- population_wales %>% mutate(time = str_sub(variable,2,11)) %>%
mutate(time = as.Date(time, format = "%Y . %m . %d")) %>%
select(-variable) %>%
dplyr::rename(population = value)%>%
mutate(geo="WA")
#récupérer les décès annuels
deces_england <- read.csv("data/csv/deces_england.csv")
deces_ireland <- read.csv("data/csv/deces_ireland.csv")
deces_northern_ireland <- read.csv("data/csv/deces_northern_ireland.csv")
deces_scotland <- read.csv("data/csv/deces_scotland.csv")
deces_wales <- read.csv("data/csv/deces_wales.csv")
#mettre les décès annuels en ligne
col_deces_england <- colnames(deces_england)
deces_england <- melt(deces_england,id.vars = 'Age',measure.vars = col_deces_england[col_deces_england!='Age'])
deces_england <- deces_england %>% mutate(time = str_sub(variable,2,11)) %>%
mutate(time = as.Date(time, format = "%Y . %m . %d")) %>%
select(-variable) %>%
dplyr::rename(deces = value) %>%
mutate(geo="EN")
col_deces_ireland <- colnames(deces_ireland)
deces_ireland <- melt(deces_ireland,id.vars = 'Age',measure.vars = col_deces_ireland[col_deces_ireland!='Age'])
deces_ireland <- deces_ireland %>% mutate(time = str_sub(variable,2,11)) %>%
mutate(time = as.Date(time, format = "%Y . %m . %d")) %>%
select(-variable) %>%
dplyr::rename(deces = value)%>%
mutate(geo="IR")
col_deces_northern_ireland <- colnames(deces_northern_ireland)
deces_northern_ireland <- melt(deces_northern_ireland,id.vars = 'Age',measure.vars = col_deces_northern_ireland[col_deces_northern_ireland!='Age'])
deces_northern_ireland <- deces_northern_ireland %>% mutate(time = str_sub(variable,2,11)) %>%
mutate(time = as.Date(time, format = "%Y . %m . %d")) %>%
select(-variable) %>%
dplyr::rename(deces = value)%>%
mutate(geo="NI")
col_deces_scotland <- colnames(deces_scotland)
deces_scotland <- melt(deces_scotland,id.vars = 'Age',measure.vars = col_deces_scotland[col_deces_scotland!='Age'])
deces_scotland <- deces_scotland %>% mutate(time = str_sub(variable,2,11)) %>%
mutate(time = as.Date(time, format = "%Y . %m . %d")) %>%
select(-variable) %>%
dplyr::rename(deces = value)%>%
mutate(geo="SC")
col_deces_wales <- colnames(deces_wales)
deces_wales <- melt(deces_wales,id.vars = 'Age',measure.vars = col_deces_wales[col_deces_wales!='Age'])
deces_wales <- deces_wales %>% mutate(time = str_sub(variable,2,11)) %>%
mutate(time = as.Date(time, format = "%Y . %m . %d")) %>%
select(-variable) %>%
dplyr::rename(deces = value)%>%
mutate(geo="WA")
#regrouper les populations
population_concat <- population_england %>%
rbind(population_ireland) %>%
rbind(population_northern_ireland) %>%