Analyse automatique des métadonnées pour la protection des données tabulées

L’analyse de la demande peut être faite “à la main”, c’est-à-dire en suivant toutes les étapes présentées dans la partie “Analyser la demande” du cours. Cette fiche présente plusieurs exemples de demandes et leur analyse.

On peut aussi utiliser la fonction analyse_metadata() qui permet une analyse automatique de la demande à partir de métadonnées bien formatées.

Initialisation

Installation du package rtauargus.

Code 
remotes::install_github(
  'InseeFrLab/rtauargus',
  dependencies = TRUE,
  build_vignettes = FALSE,
  upgrade = 'never',
  ref = "v-1.2.999-dev" # version dev avec la fonction d'analyse automatique
)

Import des packages.

Code 
library(rtauargus)

Métadonnées

Tab Var_reponse expl_var1 expl_var2
T1 ca_pizzas Nuts2 TREFF
T2 ca_pizzas Nuts3 TREFF
T3 ca_pizzas A10 Nuts2
T4 ca_pizzas A10 Nuts3
T5 ca_pizzas A21 Nuts2
T6 ca_pizzas A21 Nuts3
T7 ca_pizzas A88 Nuts2
T8 ca_pizzas A88 Nuts3
T9 ca_batavia A10 TREFF
T10 ca_batavia A10 CJ
T11 ca_batavia A21 TREFF
T12 ca_batavia A21 CJ
T13 ca_batavia A88 TREFF
T14 ca_batavia A88 CJ
T15 ca_mache A10 TREFF
T16 ca_mache A10 CJ
T17 ca_mache A21 TREFF
T18 ca_mache A21 CJ
T19 ca_mache A88 TREFF
T20 ca_mache A88 CJ
T21 ca_salades A10 TREFF
T22 ca_salades A10 CJ
T23 ca_salades A21 TREFF
T24 ca_salades A21 CJ
T25 ca_salades A88 TREFF
T26 ca_salades A88 CJ 
Champ de la population : entreprises françaises.
Informations complémentaires : il n'y a que deux types de salades les batavias et la mâche.

Utilisation de la fonction analyse_metadata()

Les métadonnées doivent respecter un format spécifique. Une ligne représente un tableau et pour chaque tableau il faut préciser :

  • table_name : le nom du tableau ;
  • field : le champ (souvent, zone géographique, population étudiée, millésime) ;
  • hrc_field : s’il existe ou non un lien hiérarchique entre ce champ et un autre champ. S’il n’y a pas de lien hiérarchique cette case vaut NA. Si au contraire, un lien hiérarchique existe, il faut donner un nom à ce lien et réécrire ce même nom dans les autres tableaux ;
  • indicator : le nom de l’indicateur du tableau. Il s’agit du nom de la variable de ce qui est compté dans chaque cellule du tableau. Par exemple, si mon tableau présente le chiffre d’affaire des entreprises ma variable sera sans doute “CA”. Le mieux est de bien utiliser le nom de la variable tel que décrit dans les données ;
  • hrc_indicator : s’il existe ou non un lien hiérarchique entre cet indicateur et un autre indicateur. S’il n’y a pas de lien hiérarchique cette case vaut NA. Si au contraire, un lien hiérarchique existe, il faut donner un nom à ce lien et réécrire ce même nom dans les autres tableaux ;
  • spanning_1 : le nom de la première variable de croisement. On ajoute une colonne par variable de croisement en suivant le nommage : spanning_1, spanning_2, spanning_3, etc ;
  • hrc_spanning_1 : s’il existe ou non un lien hiérarchique entre cette variable de croisement et une autre variable de croisement. S’il n’y a pas de lien hiérarchique cette case vaut NA. Si au contraire, un lien hiérarchique existe, il faut donner un nom à ce lien et réécrire ce même nom dans les autres tableaux. On ajoute une colonne par variable de croisement en suivant le nommage : hrc_spanning_1, hrc_spanning_2, hrc_spanning_3, etc. N.B. il faut autant de colonnes spanning_X que de colonnes hrc_spanning_X.

On peut ensuite faire appel à la fonction analyse_metadata().

Code 
cluster_demande1 <- analyse_metadata(demande1, verbose = FALSE)

N.B. si l’on souhaite avoir plus de détails sur les étapes de l’analyse on indique verbose = TRUE.

Code 
DT::datatable(cluster_demande1)

Finalement, pour protéger les 26 tableaux qui seront publiés il suffit de protéger 4 tableaux. Les tableaux sont liés deux à deux, autrement dit il y a deux clusters (ent_france.hrc_salades et ent_france.ca_pizzas). Il faudra donc faire appel deux fois à rtauargus::tab_multi_manager().

Avec des hiérarchies non-emboîtées

A présent on ajoute d’autres sous-totaux à la demande. Pour chaque tableau concernant l’activité, on souhaite disposer des deux sous-totaux supplémentaires:

  • D_To_H : D+E+F+G+H (code NAF: A21)
  • C14_To_C19: 14+15+16+18+19 (code NAF: A88)

Pour prendre en compte les hiérarchies non-emboîtées, on duplique les tableaux concernés et on suffixe par ‘alt’ ces variables. On rajoute ensuite les tableaux dupliqués à ‘cluster_demande1’ pour obtenir la liste des tableaux à protéger.

Code 
# Dupliquer les tableaux concernés
tab_dupliquer <- cluster_demande1[c(1, 2, 4), , drop = FALSE]

# Renommer les tableaux (_bis) et les hiérarchies correspondantes (_alt)
tab_dupliquer[1:3, c("table_name", "hrc_spanning_1")] <- data.frame(
  table_name = c("T10.T12.T14.T16.T18.T20.T22.T24.T26_bis",
                 "T11.T13.T15.T17.T19.T21.T23.T25.T9_bis",
                 "T3.T4.T5.T6.T7.T8_bis"),
  hrc_spanning_1 = c("hrc_naf_alt", "hrc_naf_alt", "hrc_naf_alt")
)

# Liste des tableaux à protéger
cluster_demande1bis <- rbind(cluster_demande1, tab_dupliquer)

# Visualisation
DT::datatable(cluster_demande1bis)