Analyse des Températures Mensuelles par Ville
JAOFENO Stéphan Claude
29 mai 2025
Introduction
Ce document présente une analyse des températures mensuelles moyennes pour différentes villes. Nous allons explorer les corrélations
entre les variables et les individus, déterminer le nombre d’axes à retenir, et visualiser les résultats.
Données
# Chargement des données
Temp <- read.csv2("E:/Excel/Temp.csv", sep=";", row.names = "VILLE")
# Affichage du tableau des données
knitr::kable(Temp, caption = "Températures mensuelles moyennes (°C) par ville")
Tableau 1 : Températures mensuelles moyennes (°C) par ville
VILLE JANVIER FEVRIER MARS AVRIL MAI JUIN JUILLET AOÛT SEPTEMBRE OCTOBRE NOVEMBRE DÉCEMBRE
MAHAJANGA 32.5 31.00 32.8 29.00 28.00 27.00 26.00 25.00 24.00 23.00 22.00 21.00
TAMATAVE 29.8 27.00 27.8 26.33 25.83 25.33 24.83 24.33 23.83 23.33 22.83 22.33
DIEGO 29.0 23.80 28.9 27.67 27.17 26.67 26.17 25.67 25.17 24.67 24.17 23.67
ANTANANARIVO 29.5 30.40 27.9 26.67 25.67 24.67 23.67 22.67 21.67 20.67 27.00 18.67
TULEAR 33.2 34.70 32.7 32.00 31.50 31.00 30.50 30.00 29.50 29.00 28.50 28.00
FIANARANTSOA 30.5 33.90 29.0 28.67 28.17 27.67 27.17 26.67 26.17 25.67 25.17 24.67
MANAKARA 29.7 29.80 30.0 30.00 30.50 31.00 31.50 32.00 32.50 33.00 33.50 34.00
NOSY BE 31.5 31.50 30.0 29.67 29.17 28.67 28.17 27.67 27.17 26.67 26.17 25.67
ANTSIRABE 26.0 27.26 27.0 27.33 27.83 28.33 28.83 29.33 29.83 30.33 30.83 31.33
AMBILOBE 35.7 33.21 32.0 31.00 30.00 29.00 28.00 27.00 26.00 25.00 24.00 23.00
MORONDAVA 31.0 32.70 30.0 30.00 29.50 29.00 28.50 28.00 27.50 27.00 26.50 26.00
MAROVOAY 30.0 29.70 31.0 31.00 31.50 32.00 32.50 33.00 33.50 34.00 34.50 35.00
MAEVATANANA 35.7 34.00 32.0 30.67 29.17 27.67 26.17 24.67 23.17 21.67 20.17 18.67
1
MATRICE DE CORRELATION
Tableau 2 : Matrice de corrélation
JANVIER FEVRIER MARS AVRIL MAI JUIN JUILLET AOÛT SEPTEMBRE OCTOBRE NOVEMBRE DÉCEMBRE
JANVIER 1.00000000 0.70903567 0.82482761 0.6627877 0.3944673 0.1385430 -0.05614371 -0.19297112 -0.28884316 -0.35767674 -0.5297397 -0.44749407
FEVRIER 0.70903567 1.00000000 0.61793621 0.6749211 0.5054445 0.3218896 0.17138102 0.06024661 -0.02038619 -0.07979699 -0.1490155 -0.15943106
MARS 0.82482761 0.61793621 1.00000000 0.8368241 0.6719437 0.4779626 0.31217115 0.18667526 0.09411164 0.02510823 -0.1906549 -0.06847048
AVRIL 0.66278767 0.67492109 0.83682411 1.0000000 0.9432995 0.8157101 0.68216202 0.57033300 0.48270498 0.41469502 0.1929760 0.31886582
MAI 0.39446732 0.50544451 0.67194372 0.9432995 1.0000000 0.9614749 0.88620001 0.81065715 0.74604522 0.69323641 0.4784127 0.61540129
JUIN 0.13854296 0.32188957 0.47796256 0.8157101 0.9614749 1.0000000 0.97941769 0.94038205 0.90035359 0.86464749 0.6738973 0.80836727
JUILLET -0.05614371 0.17138102 0.31217115 0.6821620 0.8862000 0.9794177 1.00000000 0.98967798 0.96965647 0.94825324 0.7845013 0.91055041
AOÛT -0.19297112 0.06024661 0.18667526 0.5703330 0.8106571 0.9403821 0.98967798 1.00000000 0.99468265 0.98396814 0.8434682 0.96039538
SEPTEMBRE -0.28884316 -0.02038619 0.09411164 0.4827050 0.7460452 0.9003536 0.96965647 0.99468265 1.00000000 0.99710327 0.8751024 0.98398515
OCTOBRE -0.35767674 -0.07979699 0.02510823 0.4146950 0.6932364 0.8646475 0.94825324 0.98396814 0.99710327 1.00000000 0.8924938 0.99469247
NOVEMBRE -0.52973974 -0.14901547 -0.19065491 0.1929760 0.4784127 0.6738973 0.78450129 0.84346816 0.87510238 0.89249377 1.0000000 0.90778634
DÉCEMBRE -0.44749407 -0.15943106 -0.06847048 0.3188658 0.6154013 0.8083673 0.91055041 0.96039538 0.98398515 0.99469247 0.9077863 1.00000000
2
Valeurs propres et choix du nombre d’axes
library(FactoMineR)
library(factoextra)
acp <- PCA(Temp, scale.unit = TRUE, ncp = 6, graph = FALSE)
# Valeurs propres
eigenvalues <- as.data.frame(get_eigenvalue(acp))
knitr::kable(eigenvalues, caption = "Valeurs propres et variance expliquée")
Tableau 3 : Valeurs propres et variance expliquée
eigenvalue variance.percent cumulative.variance.percent
Dim.1 7.6205638 63.5046983 63.50470
Dim.2 3.6977514 30.8145953 94.31929
Dim.3 0.4372582 3.6438187 97.96311
Dim.4 0.1246339 1.0386157 99.00173
Dim.5 0.0823202 0.6860021 99.68773
Dim.6 0.0374724 0.3122700 100.00000
Dim.7 0.0000000 0.0000000 100.00000
Dim.8 0.0000000 0.0000000 100.00000
Dim.9 0.0000000 0.0000000 100.00000
Dim.10 0.0000000 0.0000000 100.00000
Dim.11 0.0000000 0.0000000 100.00000
Dim.12 0.0000000 0.0000000 100.00000
3
# Graphique des valeurs propres
fviz_eig(acp, addlabels = TRUE, ylim = c(0, 70))
Figure 1 : Graphique des valeurs propres
Interprétation : Nous retenons les axes dont la valeur propre est supérieure à 1 (règle de Kaiser). Ici, 2 axes sont à retenir.
4
Contributions des variables
# Contributions aux axes 1 et 2
var_contrib <- get_pca_var(acp)$contrib[, 1:2]
knitr::kable(round(var_contrib, 2), caption = "Contributions des variables aux axes 1 et 2 (%)")
Tableau 4 : Contributions des variables aux axes 1 et 2 (%)
MOIS Dim.1 Dim.2
JANVIER 0.04 25.61
FEVRIER 0.47 17.36
MARS 1.33 20.57
AVRIL 6.18 13.86
MAI 10.35 5.49
JUIN 12.59 1.00
JUILLET 13.09 0.00
AOÛT 12.80 0.59
SEPTEMBRE 12.27 1.65
OCTOBRE 11.72 2.75
NOVEMBRE 8.37 6.50
DÉCEMBRE 10.79 4.61
5
# Visualisation
fviz_contrib(acp, choice = "var", axes = 1:2, top = 12)
Figure 2 : Contributions des variables à 2 axes
6
Contributions des individus
# Contributions aux axes 1 et 2
ind_contrib <- get_pca_ind(acp)$contrib[, 1:2]
knitr::kable(round(ind_contrib, 2), caption = "Contributions des individus aux axes 1 et 2 (%)")
Tableau 5 : Contributions des individus aux axes 1 et 2 (%)
VILLE Dim.1 Dim.2
MAHAJANGA 4.01 5.08
TAMATAVE 12.55 6.47
DIEGO 4.34 7.03
ANTANANARIVO 18.65 2.91
TULEAR 9.44 9.88
FIANARANTSOA 0.60 0.00
MANAKARA 17.10 3.43
NOSY BE 0.10 0.22
ANTSIRABE 1.04 26.56
AMBILOBE 0.02 14.68
MORONDAVA 0.49 0.42
MAROVOAY 27.88 1.37
MAEVATANANA 3.77 21.94
7
# Visualisation
fviz_contrib(acp, choice = "ind", axes = 1:2, top = 10)
Figure 3 : Contributions des individus à 2 axes
8
Visualisations
Variables sur les 2 axes principaux
fviz_pca_var(acp, col.var = "contrib",
gradient.cols = c("blue", "red", "yellow"),
repel = TRUE)
Figure 4 : Variables sur les 2 axes principaux
9
Individus sur les 2 axes principaux
fviz_pca_ind(acp, col.ind = "cos2",
gradient.cols = c("blue", "red", "yellow"),
repel = TRUE)
Figure 5 : Individus sur les 2 axes principaux
10
Biplot (variables et individus)
fviz_pca_biplot(acp, repel = TRUE,
select.ind = list(contrib = 10),
select.var = list(contrib = 10))
Figure 6 : Biplot (variables et individus)
11
Interprétation et Conclusion
Interprétation des résultats :
1. Corrélations : Les mois d’hiver JUILLET, AOÛT sont groupés à gauche corrélés négativement avec l’axe 1, tandis que les mois
d’été JANVIER, FEVRIER sont à droite. MARS et AVRIL sont intermédiaires, reflétant des transitions.
2. Axes principaux :
➢ TULEAR et MAROVOAY sont à l’extrême droit, villes chaudes.
➢ ANTSIRABE et MAEVATANANA sont en haut, variations saisonnières marquées.
➢ ANTANANARIVO et TAMATAVE sont centraux, avec des températures modérées.
3. Contributions :
➢ Les variables JANVIER et JUILLET contribuent le plus à l’axe 1.
➢ Les villes MAHAJANGA et TULEAR sont les plus représentatives.
4. Biplot :
➢ Confirme que JUILLET et AOÛT sont associés aux villes froides (ex. : ANTSIRABE).
➢ JANVIER et FEVRIER sont proches des villes chaudes (ex. : TULEAR).
Conclusion : L’ACP a permis de réduire la dimensionnalité des données et d’identifier les principales tendances climatiques entre les
villes. Les visualisations confirment les patterns saisonniers et les différences géographiques.
12
