###############################################
# Exercice 1 - Analyse des ventes
###############################################
# 1.Importer les donnees
ventes <- read.csv("chemin/vers/le/fichier/donnees-ventes-exercice-r-debutant.csv")

# 3.Charger les librairies
library(dplyr)
library(ggplot2)


# 2.Voir les données
head(ventes)

#4. Calcul du chiffre d'affaires
chiffre_affaires <- ventes$prix * ventes$quantite
chiffre_affaires

#5.ajout d'une colonne chiffre d'affaires 
ventes$chiffre_affaires <- ventes$prix * ventes$quantite

# 6. Total
Tot.vente<-sum(ventes$chiffre_affaires)
Tot.vente

# 7. Filtrer Nord
ventes %>% filter(region == "Nord")

# 8. Graphique
ggplot(ventes, aes(x = produit, y = chiffre_affaires)) +
  geom_bar(stat = "identity")

#Version par produit qui est mieux visuellement 
ggplot(ventes, aes(x = produit, y = chiffre_affaires, fill = produit)) +
  geom_bar(stat = "identity")


###############################################
# Exercice 2 - Analyse avancée des ventes
###############################################

# Import et on le renomme ou renommer le directement apre le telechargement
ventes.region <- read.csv("chemin/vers/le/fichier/donnees-R-exercice-dplyr-ggplot2-intermediaire.csv")

# Librairies
library(dplyr)
library(ggplot2)

# Ajouter CA
ventes.region <- ventes.region %>%
  mutate(chiffre_affaires = prix * quantite)

# CA par région
ventes.region %>%
  group_by(region) %>%
  summarise(total_CA = sum(chiffre_affaires))

# CA moyen par produit
ventes.region %>%
  group_by(produit) %>%
  summarise(moyenne_CA = mean(chiffre_affaires))

# Région la plus performante
ventes.region %>%
  group_by(region) %>%
  summarise(total_CA = sum(chiffre_affaires)) %>%
  arrange(desc(total_CA))

# Filtrer
ventes.region %>%
  filter(chiffre_affaires > 100)

# Graphique
ggplot(ventes.region, aes(x = region, y = chiffre_affaires, fill = region)) +
  geom_bar(stat = "identity")