Agrégats

• Supprimer Composition : OK
• Ajouter Evolution Nombre d'agrégats ayant un pôle : Ajouté en output, à intégrer
• Ajouter Evolution Nombre d'agrégats ayant une CA : OK

Seigneurs

• Redevances : Modifier en boxplot :
  Pour dernière année : Variabilité du nombre de FP assujetis (Y) par type de seigneurs (X)
• + Ajouter autre graphique : boxplot (/répli)
  X : Nb FP assujetis (4 classes)
  Y : Nb PS de ce type
• + Ajouter idem pour chatelains
• Plot Puissance : vérifier que PS ne contient pas les Chatelains
• Ajouter plot Nb de seigneurs de chaque type (Chatelains et PS) au cours du temps
• Ajouter Plot Nb Seigneurs / agrégat (indifférencié PS/Chatelains): boxplot
  - Y : Nb
  - X : Discrétisation du nombre de seigneurs (0 / 1-2 / 3-5 / 5+ )

Seigneurs

• Redevances : Modifier en boxplot :
  Pour dernière année : Variabilité du nombre de FP assujetis (Y) par type de seigneurs (X)
• + Ajouter autre graphique : boxplot (/répli)
  X : Nb FP assujetis (4 classes)
  Y : Nb PS de ce type
• + Ajouter idem pour chatelains
• Plot Puissance : vérifier que PS ne contient pas les Chatelains
• Ajouter plot Nb de seigneurs de chaque type (Chatelains et PS) au cours du temps
• Ajouter Plot Nb Seigneurs / agrégat (indifférencié PS/Chatelains): boxplot
  - Y : Nb
  - X : Discrétisation du nombre de seigneurs (0 / 1-2 / 3-5 / 5+ )

Indicateurs pour l'instant :

Sur données standardisées :

standardised_data <- filtered_data %>%
   group_by(Indicateur) %>%
   mutate(StdResult = scale(Resultat,  center = TRUE, scale = TRUE)) %>%
   ungroup()

• med_sd_intra & Q1_sd_intra :

standardised_data %>%
   group_by(param, valeur, Indicateur) %>%
   summarise(sd_intra =  sd(StdResult, na.rm = TRUE)) %>%
   group_by(param) %>%
   summarise(med_sd_intra = mean(sd_intra, na.rm = TRUE),
             Q1_sd_intra = quantile(sd_intra, na.rm = TRUE, probs = .25))

• avg_sd_avg & Q3_sd_avg :

standardised_data %>%
   group_by(param, valeur, Indicateur) %>%
   summarise(avg = mean(StdResult, na.rm = TRUE)) %>%
   group_by(param, Indicateur) %>%
   summarise(sd_avg = sd(avg, na.rm = TRUE)) %>%
   group_by(param) %>%
   summarise(avg_sd_avg = mean(sd_avg, na.rm = TRUE),
             Q3_sd_avg =  quantile(sd_avg, na.rm = TRUE, probs = .75))

• avg_ecart & Q1_ecart :

filtered_data %>%
   spread(key = Indicateur, value = Resultat) %>%
   select(-param, -valeur, -seed) %>%
   scale(scale = TRUE, center = Objectifs %>% arrange(RealVar) %>% pull(Objectif)) %>%
   as.data.frame() %>%
   bind_cols(filtered_data %>%
               spread(key = Indicateur, value = Resultat) %>%
               select(param, valeur, seed)) %>%
   select(param, valeur, seed, everything()) %>%
   gather(key = Indicateur, value = StdResultat, -param, -valeur, -seed) %>%
   group_by(param) %>%
   summarise(avg_ecart =  mean(abs(StdResultat), na.rm = TRUE),
             Q1_ecart =  quantile(abs(StdResultat), na.rm = TRUE, probs =  .25))

• percent_failing_seeds :

filtered_data %>%
   group_by(param, valeur, Indicateur) %>%
   summarise(nb_failing_seeds = sum(is.na(Resultat), na.rm = TRUE)) %>%
   ungroup() %>%
   group_by(param) %>%
   summarise(percent_failing_seeds = mean(nb_failing_seeds) * 100 / n())

• nb_failing_values

filtered_data %>%
   filter(Indicateur == "Agrégats") %>%
   group_by(param, valeur) %>%
   summarise(nb_failing_seeds = sum(is.na(Resultat), na.rm = TRUE)) %>%
   mutate(is_failing = ifelse(nb_failing_seeds > 0, TRUE, FALSE)) %>%
   ungroup() %>%
   group_by(param) %>%
   summarise(nb_failing_values = sum(is_failing))

FP

• Déplacements : corriger outputs + mettre à jour graphiques avec nouvelles possibilités :
  • Local :
    isolé -> poles (sans agrégat)
    isolé -> pole (ds agrégat)
    agrégat -> agrégat + attractif
  • Lointain :
    isolé -> agrégat
    agrégat -> agrégat + lointain
• Ajouter Evolution nb de déplacements (lointains/locaux) au cours du temps
• Ajouter différenciation des satisfactions (globale, religieuse,matéreille, protection, communauté)

Poles : OK

• Supprimer Hiérarchie : OK
• Ajouter Evolution rang-taille (à tester) : OK
• Remplacer composition (partrie nombre attracteurs) par précédente (si ok) : OK
• Conserver attractivité des pôles ds nouvel Onglet/plot : OK
• Ajouter Evolution % de poles localisés ds agrégat : OK
• Graphique Nombre -> "Taux de poles contenant un agrégat" remplacé "contenant" par "localisés dans" : OK

Les paramètres sont maintenant tous lus en caractère.
Donc le classement se fait sur du caractère (2 > 11), ce qui pose problème.
Corriger l'ordre des valeurs uniquement dans l'interface des parcoords (plotly_helper.R=>create_dims())

Paramètres à supprimer dans SGBD :

• debut_simulation
• fin_simulation
• duree_step
• proba_creer_chateau_gs
• proba_creer_chateau_ps
• puissance_necessaire_creation_chateau_gs
• puissance_necessaire_creation_chateau_ps

Paroisses

• Renommer Composition (Nb FP / paroisse) pour que ce soit plus clair
• Ajouter plot : Nb de promotions d'Eglises en eglises paroissiales vs Nb de créations d'églises paroissiales (ajuster titres)

Tableau

• Reprendre le format (mise en forme) du tableau 8 du chapitre TMD
• Ajouter Nb seigneurs (PS + Chatelain) : Objectif 200

Right now, it's all the experiments vs a subset.
Should be better to compare 2 different subsets, or at least to be able to remove some experiments from the "base view", while keeping them for filtred views.

Vérifier tous les noms de champs etc.