Retour à la page d’accueil



Exercice 1:

Calculez la médiane et l’écart-type de blade.length.mm et total.leaf.length.mm pour chaque genotype au différentes day.length. Ajoutez aussi le nombre d’observations de chaque groupe

group_by(expt1, genotype, day.length) %>% 
  summarise(mediane.blade.length.mm=median(blade.length.mm, na.rm = TRUE),
            ecart.type.blade.length.mm=sd(blade.length.mm, na.rm = TRUE),
            mediane.total.leaf.length.mm=median(total.leaf.length.mm, na.rm = TRUE),
            ecart.type.total.leaf.length.mm=sd(total.leaf.length.mm, na.rm = TRUE),
            n.obs=n())
## `summarise()` regrouping output by 'genotype' (override with `.groups` argument)
## # A tibble: 20 x 7
## # Groups:   genotype [10]
##    genotype day.length mediane.blade.l… ecart.type.blad… mediane.total.l…
##    <chr>         <dbl>            <dbl>            <dbl>            <dbl>
##  1 Col Ama           8             23.1             4.13             39.1
##  2 Col Ama          16             13.7             2.12             23  
##  3 Col FRI           8             23.4             3.78             40.0
##  4 Col FRI          16             20.1             3.75             34  
##  5 fca-6             8             22.4             5.28             34.8
##  6 fca-6            16             16.8             3.02             27.8
##  7 flc-3 F…          8             23.5             3.99             39.8
##  8 flc-3 F…         16             13.5             3.05             21.5
##  9 flk-1             8             23.2             9.75             39.1
## 10 flk-1            16             20.8             3.63             35.3
## 11 fve-3             8             20.5             3.12             37.9
## 12 fve-3            16             21.9             2.13             36.6
## 13 ld-1              8             24.4             4.12             37.2
## 14 ld-1             16             24.2             3.03             40.0
## 15 Ler-1             8             21.6             8.00             34.4
## 16 Ler-1            16             13.8             3.65             17.9
## 17 prmt5 F…          8             20.8             3.62             34.1
## 18 prmt5 F…         16             19.9             3.81             32.5
## 19 vin3-4 …          8             21.4             3.49             39.6
## 20 vin3-4 …         16             23.6             3.23             39.3
## # … with 2 more variables: ecart.type.total.leaf.length.mm <dbl>, n.obs <int>


Exercice 2

Faites un voilin plot de total.leaf.length.mm pour chaque génotype et ajoutez la médiane pour chaque groupe (avec un point coloré) ainsi que le nombre d’observation de chaque groupe

group_by(expt1, genotype) %>% 
  summarise( mediane.total.leaf.length.mm=median(total.leaf.length.mm, na.rm = TRUE),
            n.obs=n()) %>% 
  mutate(n.obs=paste("n =",n.obs)) %>% 
  full_join(expt1, by="genotype") %>%
  ggplot(aes(x=genotype, y=total.leaf.length.mm)) +
  geom_violin() +
  geom_point(aes(x=genotype, y=mediane.total.leaf.length.mm), col="red") +
  geom_text(aes(label=n.obs, x=genotype, y=0))
## `summarise()` ungrouping output (override with `.groups` argument)
## Warning: Removed 303 rows containing non-finite values (stat_ydensity).


Exercice 3

Représenter des violin plot de cauline.leaf.num pour les génotypes de background “Col”, colorés par la température et ce uniquement pour les plantes sans fluctuation de température et qui sont en jours longs (16 h).

Ordonnez les génotypes selon ces deux cas (un graphique par cas):

-1 Dans l’ordre suivant: “Col Ama”, “ld-1”, “fve-3”, “flk-1”

-2 Dans l’ordre de la valeur de cauline.leaf.num

# Ordonnez les génotypes dans l'ordre suivant: "Col Ama", "ld-1", "fve-3", "flk-1"

  filter(expt1, background=="Col" & fluctuation=="Con" & day.length==16) %>% 
  mutate(genotype = factor(genotype, levels = c("Col Ama", "ld-1", "fve-3", "flk-1"))) %>% 
  ggplot(aes(x=genotype, y=cauline.leaf.num, fill=factor(temperature))) +
  geom_violin()
## Warning: Removed 1 rows containing non-finite values (stat_ydensity).

# Ordonnez les génotypes dans l'ordre de la valeur de `cauline.leaf.num`

  filter(expt1, background=="Col" & fluctuation=="Con" & day.length==16) %>% 
  mutate(genotype = fct_reorder(genotype, cauline.leaf.num)) %>% 
  ggplot(aes(x=genotype, y=cauline.leaf.num, fill=factor(temperature))) +
  geom_violin()
## Warning: Removed 1 rows containing non-finite values (stat_ydensity).