Review of all the tutorials

Author: arthurpeeters

DESCRIPTION

@@ -1,6 +1,6 @@
 Package: BioDataScience
 Type: Package
-Version: 0.22.0
+Version: 0.23.0
 Title: A Series of Learnr Documents for Biological Data Science
 Description: Interactive documents using learnr for studying biological data science.
 Authors@R: c(

NEWS.md

@@ -1,5 +1,10 @@
 # BioDataScience News
 
+
+## Changes in version 0.23.0
+
+- Review of the all tutoriels (02a - 12a)
+
 ## Changes in version 0.22.0
 
 - Tutorial examen_b finalized

inst/tutorials/02a_base/base.Rmd

@@ -3,7 +3,7 @@ title: "Les bases de R : découverte de l'outil"
 author : "Guyliann Engels & Philippe Grosjean"
 tutorial:
   id: "sdd1.02a"
-  version: 1.0.0
+  version: 1.1.0
 output: 
   learnr::tutorial:
     progressive: true
@@ -76,7 +76,7 @@ Ce tutoriel vous propose une suite d'activités afin d'apprendre les rudiments d
 
 ## R, une calculette scientifique
 
-Vous pouvez tout d'abord employer R comme une calculatrice (ce qui est bien réducteur de la puissance de cet outil). Les opérations de base sont directement utilisable dans R. 
+Vous pouvez tout d'abord employer R comme une calculatrice (ce qui est bien réducteur de la puissance de cet outil). Les opérations de base sont directement utilisables dans R. 
 
 | Opération           | Symbole  | Exemple | Réponse de R  |
 |:--------------------|:--------:|:-------:|:-------------:|
@@ -147,7 +147,7 @@ b <- 4 + 3
 a + b # Somme de a et b
 ```
 
-Notez aussi que tout de qui suit un dièse (`#`) dans R est considéré comme un **commentaire**, et n'est pas interprété par le programme. Servez-vous en pour documenter vos instructions !
+Notez aussi que tout de suite qu' un dièse (`#`) dans R est considéré comme un **commentaire**, et n'est pas interprété par le programme. Servez-vous en pour documenter vos instructions !
 
 **A retenir :**
 
@@ -157,7 +157,9 @@ Notez aussi que tout de qui suit un dièse (`#`) dans R est considéré comme un
 - Evitez d'utiliser des caractères accentués dans les noms.
 - R fait la différence entre majuscules et minuscules : `x` est différent de `X`.
 - Un nom commençant par un point sera "caché" (non visible dans l'onglet **Environnement** de RStudio)
-- Utilisez des noms courts, mais représentatifs du contenu de l'objet. Si possible, séparez les mots par un trait souligné, et utilisez uniquement des lettres minuscules. On a coutume d'utiliser des noms anglais, car cela facilite l'échange de code avec des collègues internationaux (oui, ça vous arrivera... donc, prenez directement des bonnes habitudes). Exemples corrects : `x`, `v1`, `initial_date`, `final_date`, `elapsed_time`. Exemples incorrects : `toto`, `Toto2`, `FinalDate`, `fd` or `FD` or `fi_dat` (pour final date), `date_finale`, `laatse_datum`.
+- Utilisez des noms courts, mais représentatifs du contenu de l'objet. Si possible, séparez les mots par un trait souligné, et utilisez uniquement des lettres minuscules. On a coutume d'utiliser des noms anglais, car cela facilite l'échange de code avec des collègues internationaux (oui, ça vous arrivera... donc, prenez directement des bonnes habitudes). 
+    + Exemples corrects : `x`, `v1`, `initial_date`, `final_date`, `elapsed_time`.
+    + Exemples incorrects : `toto`, `Toto2`, `FinalDate`, `fd` or `FD` or `fi_dat` (pour final date), `date_finale`, `laatse_datum`.
 
 A vous de jouer !
 

inst/tutorials/02a_base/base.html

@@ -4,7 +4,7 @@ sutitle: "L'obésité"
 author : "Guyliann Engels & Philippe Grosjean"
 tutorial:
   id: "sdd1.02b"
-  version: 1.1.0
+  version: 1.2.0
 output:
   learnr::tutorial:
     fig_caption: yes
@@ -23,7 +23,7 @@ SciViews::R()
 #library(knitr)
 #library(BioDataScience)
 
-biometry <- read("biometry", package = "BioDataScience")
+biometry <- read("biometry", package = "BioDataScience", lang = "fr")
 ```
 
 ```{r, echo=FALSE}
@@ -104,7 +104,7 @@ Le point d'interrogation devant notre jeu de données renvoit vers une page d'ai
 
 ```{r, echo = TRUE}
 biometry %>.%
-  select(., -c("day_birth","wrist", "year_measure")) -> bio
+  select(., -c(day_birth, wrist, year_measure)) -> bio
 ```
 
 
@@ -139,7 +139,7 @@ Continuons à manipuler notre tableau en sélectionnant des colonnes et en filtr
 ```{r, echo=TRUE}
 bio %>.%
   filter(., gender == "W") %>.% # sélectionne les femmes
-  select(., - c("age")) %>.% # retire la colonne age
+  select(., - age) %>.% # retire la colonne age
   head(., n = 8) %>.% # Garde les huit premières lignes
   knitr::kable(., align = "c")
 ```
@@ -167,7 +167,7 @@ chart(biometry, ~ age %fill=% gender | gender)+
   scale_fill_viridis_d()
 ```
 
-- Les graphiques en violon couplée avec des boites de dispersion montre que les hommes sont plus grands et plus lourds que les femmes dans notre jeu de données. 
+- Les graphiques en violon couplés avec des boites de dispersion montrent que les hommes sont plus grands et plus lourds que les femmes dans notre jeu de données. 
 
 ```{r, echo=TRUE}
 a <- chart(biometry, formula = height ~ gender %fill=% gender) +
@@ -262,6 +262,8 @@ Réalisez maintenant par vous-mêmes le calcul sur notre deuxième individu :
 
 L'espace ci-dessous est une zône où vous pouvez entrer du code R. Le bouton `Run Code` permet ensuite de l'exécuter et de visualiser le résultat. Vous pouvez modifier autant de fois qu'il faut l'expression, et utiliser plusieurs fois `Run Code`. Lorsque vous êtes satisfait du résultat, cliquez sur `Submit Answer`. Dans les tutoriaux, la `Solution` est également accessible, mais faites l'exercice par vous-même d'abord ! Dans les tests, vous n'y aurez pas accès, évidemment.
 
+Calculez l'IMC de l'homme ci-dessus de 191 cm et de 93 kg.
+
 ```{r id2_imc, exercise=TRUE}
 
 ```
@@ -374,7 +376,7 @@ woman
 
 Avez-vous remarqué la différence dans la façon d'encoder des valeurs numériques et des chaines de caractères ?
 
-Réalisez-les mêmes opérations sur les individus de 8 à 12 : 
+Réalisez-les mêmes opérations sur les individus de 8 à 12 (inspirez vous des instructions ci-dessus) : 
 
 | id | gender | weight [kg] | height [cm] |
 |:--:|:------:|:-----------:|:-----------:|
@@ -661,6 +663,9 @@ La fonction `summary()` permet d'obtenir un résumé complet d'un tableau de don
 # Résumé des données
 summary(bio_100)
 # Nombre d'obèses : 12 /100 = 12%
+bio_100 %>.%
+  filter(., bmi_schedule == "obese") %>.%
+  nrow(.) / nrow(bio_100) * 100 # Nbre lignes filtrées / nbre total * 100
 ```
 
 ```{r prepare4}