# Process Book :
## 16 novembre 2017 :

:::info
Ce qui a été fait :

- choix d'un premier sujet
- Repository github du projet en place
- Design sketches avec les Five Design Sketches
:::

## 23 novembre 2017 :
:::info

Ce qui a été fait :

- changement du sujet par manque de données
- notre choix s'est porté sur les retards des TER

:::

## 7 décembre 2017 :
:::info
Ce qui a été fait gloablement :
- Redéfinition de la problématique
- Redéfinition des étapes à suivre
- Création des maquettes sous Illustrator
- Analyse de la donnée
- Partitionnement de la donnée par année
:::

Le peer review nous a permis de repenser notre projet et ce qu'on voudrait extraire comme information à chaque étape du projet :

* Première étape :
* normalisation des données
* présentation des données via une carte chloroplète incluant deux dimensions temporelles (année, mois)
* L'utilisateur choisit l'année puis le mois d'affichage des données et s'offre la possibilité de visualiser toutes les cartes
* type de visualisation : carte chloroplète :
* avantages :
* dimension géographique conservée
* dimension temporelle conservée aussi
* output : (Que doit comprendre l'utilisateur ? ) comparaison rapide entre les régions par an et mois --> cibler rapidement les régions où les retards sont plus fréquents ou au contraire celles qui sont les plus intéressantes niveau qualité de flux.

* Deuxième étape :

* est-il intéressant de prendre le TER dans les périodes critiques ?
* On définit les périodes critiques comme étant Noël et les vacances d'été.
* Pour la représentation on a pensé à un cartogramme ou on fait varier les visualisations en fonction de l'année et à la place des mois on a les deux périodes.

* output : TER est efficace dans telle région sur telle période critique et pas sur telle autre région.


:::danger
--> ici le prof conseille soit le cartogramme soit autre chose dans tous les cas éviter les chloroplèthes.
:::

* Troisième partie :
* quelle tendance entre 2013-2017 pour chaque région ?
* On veut voir comment a évolué la qualité des flux pour chaque région sur la période des cinq dernières années.
* représentation en courbes avec la possibilité de préciser les régions que l'on veut visualiser.
* output : la qualité de telle région a diminue/augmenté ...


#### Problème : Dans quelle région est-il plus intéressant de prendre le TER ?
- selon type?
- ou zone GéoGraphiques

#### DATA : open data Sncf

* quelle type de visualisation je veux faire ?
* Pour qui elle va s'adresser ?
* Simple et bien présenté car le projet sera en ligne à la fin :)
* Définir ce qu'on veut faire sur papier, puis utiliser D3
* Brainstorming :
* generation d'idée
* Organier, combiner et voir si les idées répondent aux besoins /... avantages inconv
* Alternatives :
* 3 façons <>tes de le faire
* vue globale,
* vue zoomé
* operations
* avantages + inconv

* créer un dossier nommé "avancement"
- répartition hebdomadaire : contenant 1 fichier/semaine
- chaque fichier résume les problèmes rencontrés, les idées exposées

## 14 décembre 2017 :

:::info
Ce qui a été fait :
- choix de l'indicateur de qualité
- construction des fichiers
- nettoyage de la donnée
:::
#### Choix de l'indicateur de qualité :

Ici nous avions la possibilité d'utiliser la colonne **taux de régularité** proposé dans le dataset original mais nous avons remarqué que les valeurs données par cette variable ne prennent pas en considération les trains annulés.

Par conséquent nous avons décidé de créer un indicateur qui prend en compte les retards et les annulations de trains prévus.

**Indicateur de non régularité = ((trains en retard + trains annulés ) * 100) / prévus**
#### Construction des fichiers :
Outil : Excel
Afin de faciliter le traitement nous avons choisi de découper les donner par année :
- un fichier pour l'année 2013
- un fichier pour l'année 2014
- un fichier pour l'année 2015
- un fichier pour l'année 2016
- un fichier pour l'année 2017

Ce choix est justifié par les visualisations que l'on a voulu faire. (cf semaine du 7 décembre)
#### Nettoyage de la donnée :
Ici il s'agit de détecter les mois ou régions non renseignés et remplacer la case vide par un NULL/Nan. Nous verrons plus tard comment représenter la donnée absente sur nos visualisations.
## 21 décembre 2017 :

:::info
Ce qui a été fait :

- choix des couleurs qui seront utilisées dans les visualisations
- comment renseigner la donnée manquante ?
- choisir l'échelle des retards lien : [colorBrewer](http://colorbrewer2.org/)

:::

#### Choix des couleurs :
Pour le choix des couleus d'une manière significativeative, nous allons faire recours au outil **colorBrewer** pour fixer une échelle séquentielle pour notre ensemble de données qui permet de mettre l'accent sur l'aspect de non régularité.
....
#### Donnée non renseignée :
- Représentation grisée

## 28 décembre 2017 :

:::info

Ce qui a été fait :

- première visualisation : carte choroplète pour une année
- mise en place des sliders pour le choix des dates (mois , années)
- deuxième visualisation : possibilité de comparaison entre deux cartes choroplètes
- troisième visualisation : line chart et analyse de tendances
- fin de la version 0 du projet

:::

## 4 janvier 2017 :

:::info

Ce qui a été fait :

- mise en place du site de présentation du projet
- début de la version v1
- ajout d'un dorling cartogram
- ajout de la notion de moyenne nationale afin de permettre une comparaison globale sur la première et troisième partie
- rédaction de l'article
- correction process Book
:::

## SNCF delay

régularité :
https://ressources.data.sncf.com/explore/dataset/regularite-mensuelle-ter/?disjunctive.region&sort=date

Incidents de sécurité

https://ressources.data.sncf.com/explore/dataset/incidents-securite/?sort=date

https://www.opendatasoft.fr/2015/07/17/ouverture-des-donnees-de-transport/

## references :

###### ter + ponctualité comparatif par région :
http://www.qualitetransports.gouv.fr/les-chiffres-de-la-ponctualite-r2.html

###### indicateurs qualité ter :
http://www.qualitetransports.gouv.fr/ter-r181.html