---
title: "Mise en place d'une chaîne de production"
vignette: >
  %\VignetteIndexEntry{Production processus}
  %\VignetteEngine{quarto::html}
  %\VignetteEncoding{UTF-8}
knitr:
  opts_chunk:
    collapse: true
    comment: '#>'
---

```{r}
#| label: setup
#| eval: true
#| echo: false

cond_run_vignette <- rjd3toolkit::get_java_version() >= rjd3toolkit::minimal_java_version

knitr::opts_chunk$set(
    collapse = TRUE,
    echo = TRUE,
    eval = cond_run_vignette,
    comment = "#>"
)
```


```{r}
#| label: setup-rjd3production
library("rjd3production")
```

Le package {rjd3production} est utile pour mettre en place une chaîne de production de séries désaisonnalisées.

Avant de créer notre chaîne de production, il faut créer notre environnement de travail, notre projet. La fonction `init_env()` créer une structure :

- un dossier `data/` : nos données brutes
- un dossier `Workspaces/` : nos workspaces
- un dossier `output/` : les séries, tableaux et graphiques en sortie
- un dossier `specs/` : les spécifications propres au workspace (régresseurs de calendrier, outliers...)
- un dossier `BQ/` : les bilans qualité et fichiers de décisions
- un fichier DESCRIPTION pour gérer les dépendances de notre projet
- un fichier `.lintr` pour faire l'analyse statique du code (bonnes pratiques de formattage)
- un fichier README.md pour expliquer notre projet

```{r}
#| echo: true
#| eval: false
#| warning: false
#| label: init-project

path_project <- tempfile(pattern = "my_sa_project")
init_env(path = path_project)
```

Dans cette vignette, nous allons créer une chaîne de production à partir du jeu de données ABS du package {rjd3toolkit}.
Le jeu de données se trouve aussi sous la forme du fichier `ABS.csv` sous `{r} system.file("extdata", "ABS.csv", package = "rjd3providers")` dans le package {rjd3providers}.

```{r}
#| echo: true
#| warning: false
#| label: setup-rjd3toolkit

library("rjd3toolkit")
path_ABS <- system.file("extdata", "ABS.csv", package = "rjd3providers")
my_data <- ABS[, seq_len(3L)]
colnames(my_data) <- substr(colnames(my_data), start = 2L, stop = 11L)
```

## Sélection des régresseurs de calendrier

Dans le cas où nos séries sont sensibles aux effets de calendrier, on peut corriger ses effets avec des régresseurs de calendrier.

Pour cela, consulter la vignette `td-selection` au sujet de la manière de traiter ces effets et comment produire la table `td` contenant nos régresseurs de calendrier personnalisés selectionnés.

```{r}
#| echo: true
#| label: select-td

td <- select_td(my_data)
```

## Création d'un workspace

Nous utiliserons le package {rjd3workspace} pour les fonctions de création et manipulation des workspaces.

```{r}
#| echo: true
#| warning: false
#| label: setup-rjd3workspace

library("rjd3workspace")
```

Pour créer un nouveau worspace, vous avez le choix entre le créer à la main depuis 0 ou à partir d'un jeu de données.
Si vous utilisez des variables externes, des régresseurs de calendrier ou un calendrier personnalisé, il ne faut pas oublier de mettre tout cela dans un modelling context.

A l'Insee, nous utilisons la fonction `create_insee_context()` pour nous créer nos context:

```{r}
#| echo: true
#| label: create-context

my_context <- create_insee_context(s = my_data[, 1L])
```

Nous utiliserons le package {rjd3x13} pour créer les specs X13.

```{r}
#| echo: true
#| warning: false
#| label: setup-rjd3x13

library("rjd3x13")
```

- Créer un workspace à partir de 0

```{r}
#| echo: true
#| label: create-ws-from-0

jws <- jws_new(modelling_context = my_context)
jsap <- jws_sap_new(jws, "Nouveau SAP")
add_sa_item(jsap = jsap, name = "Première série", x = my_data[, 1L], spec = x13_spec())
add_sa_item(jsap = jsap, name = "Seconde série", x = my_data[, 2L], spec = x13_spec())
#... avec autant de commande que de séries
```

- Créer un workspace à partir d'un dataset

```{r}
#| echo: true
#| label: create-ws-from-data

jws <- create_ws_from_data(my_data)
set_context(jws, create_insee_context(start = c(2015L, 1L)))
```

Si nous en avons, il faut assigner les régresseurs de calendrier à chaque série :

```{r}
#| echo: true
#| label: assign-td

jws_compute(jws)
assign_td(td = td, jws = jws)
```

Il ne faut pas oublier de mettre à jour les metadonnées de notre workspace avec le chemin vers nos données brutes :

```{r}
#| echo: true
#| label: update-ts-metadata

add_raw_data_path(jws, path_ABS, delimiter = "COMMA")
```

Enfin, nous pouvons sauvegarder notre workspace !

```{r}
#| echo: true
#| eval: false
#| label: save-workspace

path_ws <- file.path(path_project, "Workspaces", "workspace_travail", "my_ws.xml")
save_workspace(jws, path_ws, replace = TRUE)
```