Analyse en composantes principales - Eaux minérales
Sarah Ouadah
Module DYST, M2 BEE, Septembre 2023
knitr::opts_chunk$set(echo = TRUE)
library(FactoMineR)
library(ggplot2)
library(factoextra) #pour extraire et visualiser les résultats issus de FactoMineR
## Welcome! Want to learn more? See two factoextra-related books at https://goo.gl/ve3WBa
library(corrplot)
## corrplot 0.88 loaded
library(gridExtra)
Données
On souhaite créer une typologie des eaux pour regrouper des eaux ayant des caractéristiques communes. On a
pour cela noté la teneur en HCO3, SO4, Cl, Ca, Mg, Na de 21 bouteilles d’eau minérale. La table de données
se trouve dans le fichier eaux.csv. On utilisera le package FactoMineR.
Extrait des données récoltées :
Table <- read.table("eaux.csv",header=TRUE, sep=";",row.names=7)
head(Table)
## HCO3 SO4 CL CA MG NA.
## Aix 341 27 3 84.0 23 2.0
## Beckerish 263 23 9 91.0 5 3.0
## Cayranne 287 3 5 44.0 24 23.0
## Chambon 298 9 23 96.0 6 11.0
## Cristal 200 15 8 70.0 2 4.0
## Cristaline 228 11 15 67.5 7 8.4
str(Table)
## 'data.frame': 21 obs. of 6 variables:
## $ HCO3: int 341 263 287 298 200 228 357 311 186 183 ...
## $ SO4 : int 27 23 3 9 15 11 10 14 10 16 ...
## $ CL : int 3 9 5 23 8 15 2 18 16 44 ...
## $ CA : num 84 91 44 96 70 67.5 78 73 64 48 ...
## $ MG : int 23 5 24 6 2 7 24 18 4 11 ...
## $ NA. : num 2 3 23 11 4 8.4 5 13 9 31 ...
Statistiques descriptives
On commence par regarder des statistiques simples sur les différentes variables :
1
m.Table=colMeans(Table)
sd.Table=apply(Table, 2, sd)
print(m.Table)
## HCO3 SO4 CL CA MG NA.
## 249.38095 40.90476 13.71429 77.02381 11.61905 10.01905
head(cor(Table))
## HCO3 SO4 CL CA MG NA.
## HCO3 1.0000000 0.4798519 0.1201849 0.8520840 0.73099594 -0.10600737
## SO4 0.4798519 1.0000000 0.0421654 0.7330726 0.67349251 -0.27261905
## CL 0.1201849 0.0421654 1.0000000 0.2503334 -0.12759491 0.66535937
## CA 0.8520840 0.7330726 0.2503334 1.0000000 0.60667932 -0.19330280
## MG 0.7309959 0.6734925 -0.1275949 0.6066793 1.00000000 -0.08493976
## NA. -0.1060074 -0.2726190 0.6653594 -0.1933028 -0.08493976 1.00000000
correlation=cor(Table)
# h=heatmap(abs(correlation),symm=T)
corrplot(correlation[h$rowInd,h$colInd])
HCO3
SO4
NA.
MG
CA
CL
CL 0.8
0.6
NA.
0.4
SO4 0.2
MG −0.2
−0.4
HCO3
−0.6
CA −0.8
−1
ACP
L’ACP est une méthode pour visualiser en deux dimensions, avec un minimum de déformation, un nuage
d’individus vivant dans une dimension supérieure, ici 6.
2
library(FactoMineR)
acp.res=PCA(Table, scale.unit = TRUE, graph=F, ncp = 6)
names(acp.res)
## [1] "eig" "var" "ind" "svd" "call"
On obtient la liste des valeurs propres en affichant la partie de l’objet acp.res correspondante :
acp.res$eig
## eigenvalue percentage of variance cumulative percentage of variance
## comp 1 3.09465248 51.5775414 51.57754
## comp 2 1.68496073 28.0826788 79.66022
## comp 3 0.59686615 9.9477692 89.60799
## comp 4 0.50368595 8.3947658 98.00276
## comp 5 0.09414994 1.5691656 99.57192
## comp 6 0.02568475 0.4280792 100.00000
fviz_eig(acp.res, addlabels = TRUE, ylim = c(0,50))
Scree plot
51.6%
50
Percentage of explained variances
40
30 28.1%
20
9.9%
10 8.4%
1.6%
0.4%
0
1 2 3 4 5 6
Dimensions
Les deux premiers axes expliquent quasiment 80% de l’inertie.
Le cercle des corrélations permet d’analyser les relations entre les composantes principales et les anciennes
variables. On obtient son graphique ainsi que les informations associées grâce aux commandes suivantes :
# plot(acp.res, choix="var")
names(acp.res$var)
## [1] "coord" "cor" "cos2" "contrib"
3
p1=fviz_pca_var(acp.res, axes = 1:2)
p2=fviz_pca_var(acp.res, axes = 3:4)
grid.arrange(p1,p2,nrow=1)
Variables − PCA Variables − PCA
1.0 CL 1.0
NA.
SO4
0.5 0.5
Dim2 (28.1%)
Dim4 (8.4%)
CA
HCO3 MG
NA.
MG
SO4 CL
0.0 0.0
CA
HCO3
−0.5 −0.5
−1.0 −1.0
−1.0 −0.5 0.0 0.5 1.0 −1.0 −0.5 0.0 0.5 1.0
Dim1 (51.6%) Dim3 (9.9%)
La projection des individus dans le premier plan, constitué des deux premiers axes principaux, ainsi que les
informations associées sont obtenues grâce aux commandes suivantes :
# plot(acp.res, choix="ind")
names(acp.res$ind)
## [1] "coord" "cos2" "contrib" "dist"
p1=fviz_pca_ind(acp.res, axes = 1:2,col.ind="cos2")
p1
4
Individuals − PCA
Ogeu
4
cos2
2
Perrier
Dim2 (28.1%)
St_Hyppolte
0.75
Chambon 0.50
St_Cyr Ferita
Cayranne
0.25
Laurier Ondine
0
Cristaline
Veri Vittel
Ribes Thonon
Volvic
Viladreau CristalBeckerish
Evian
Aix
Spa
−2 0 2 4
Dim1 (51.6%)
