données Dataviz Présentation des données pour Tableaux et graphiques efficaces

Organisation de la leçon (valable pour toutes les pages de ce cours, sauf les exercices et les QCM) 1) Un support Powerpoint à lire (pas de son). Possibilité de le télécharger ou de le passer en plein écran (en bas à droite du diaporama). Pour faire défiler les diapos, il suffit de cliquer dessus. 2) Une vidéo (avec du son) pour expliciter le propos du support avec des explications complémentaires et des exemples. Possibilité de plein écran (en bas à […]

    # données —- load(« c:/olivier/dataviz/exemples_dataviz.Rdata ») # packages utiles —- library(ggplot2) # graphiques library(ggthemes) # jeux de couleurs pour graphiques library(GGally) # SPLOM # exemple 1 —- # évolution des effectifs des banques françaises # selon le pays (enquête Outward Fats) # sur le même graphique (illisible) ggplot(fats_europe) + aes(x=annee, y=effectif, group=pays, colour=pays) + geom_line() + labs(title = « Effectif des banques françaises à l’étranger », caption = « Source : enquêtes Outward Fats 2011- 2015 », x=NULL) + theme_clean() # en éclatant ggplot(fats_europe) […]

    # données —- load(« c:/olivier/dataviz/exemples_dataviz.Rdata ») # packages utiles —- library(tidyverse) library(treemapify) # treemap à deux niveaux —- ggplot(fats) + aes(area=pnb2014, fill=cont_name, label=pays, subgroup=cont_name) + geom_treemap(show.legend = FALSE, start = « topleft ») + geom_treemap_text(start = « topleft ») + labs(title= »PNB 2014 par pays/continent », caption= »Source : Banque de France\nEnquête Outward FATS »)

    Un PowerPoint pour montrer pas à pas comment construire une boîte à moustaches avec Excel 2016.  

Calculer de nouvelles colonnes pour les rangs des montants, des durées et des taux avec une formule comme =RANG(C2;C:C) pour le 2e montant. On généralisera la formule aux trois colonnes et à toutes les lignes. Utiliser ensuite l’utilitaire d’analyse (menu Données) pour calculer des corrélations entre les 6 colonnes (montants, durée, taux et leurs rangs respectifs). Les corrélations ne sont pas toujours cohérentes : en particulier une forte corrélation de Spearman entre montant et durée (0,61) alors que la corrélation […]

Avec un TCD et des % par ligne Non, les % de prêts garantis sont très variables selon la destination.

Avec une courbe simple construite en base 100 par rapport à juillet 2008. La formule est = B2/$B$188*100 pour la 2e ligne.

Avec un graphique empilé 100% ayant « taux fixe » comme modalité du bas. La part des prêts à taux fixes est proche dans les crédits immobiliers et d’investissement, mais moitié moins élevée dans les crédits de trésorerie.

Les crédits d’investissement présentent la plus forte hétérogénéité et les niveaux de taux les plus élevés. Les taux des crédits immobiliers sont, eux, très faiblement dispersés autour de 3%. Les crédits de trésorerie et d’investissement peuvent faire aussi bien l’objet de taux très faibles (quasiment zéro pour les plus bas) que très élevés (9% pour la trésorerie, 12% pour l’investissement).

Oui, c’est la même destination (trésorerie) selon tous les indicateurs, mais l’écart se réduit entre investissement et trésorerie quand on considère le % du montant prêté.

Pour les montants… Moyenne (fonction MOYENNE) = 104 008,47 € Médiane (fonction MEDIANE) = 11 268,00 € Coefficient de variation (diviser ECARTYPE.STANDARD par MOYENNE) = 8,50 90ème centile (fonction CENTILE.INCLURE, 2e argument=0,9) = 126 329,70€ 95ème centile = 300 000 € 99ème centile = 1 642 000 € Maximum (fonction CENTILE.INCLURE, 2e argument=1 ou fonction MAX) = 75 000 000 € Pour les taux… Moyenne = 4,37 Médiane = 3,63 Coefficient de variation = 0,68 Les taux sont beaucoup plus […]

Calculer la corrélation entre montants, durée et taux des crédits. On utilisera les deux types de corrélation (Pearson et Spearman). Comparer les résultats des deux calculs pour les mêmes couples de variables : sont-ils cohérents ?

Calculer la répartition par destination du crédit entre ceux qui font l’objet d’une garantie et ceux qui n’en ont pas. Est-ce que la répartition selon la garantie est proche quelle que soit la destination du crédit ?

Décrire l’évolution du montant des crédits aux entreprises (données de l’onglet « Evolution des montants prêtés »). On insistera sur leurs niveaux par rapport au mois de juillet 2008, juste avant la crise des subprimes.

Comparer avec un diagramme en bâtons la proportion de crédits à taux fixe selon la destination.

Construire une boîte à moustaches résumant la répartition des taux auxquels les crédits sont consentis en fonction de l’usage qui en est fait (destination). Il faut travailler sur l’onglet ECHANTILLON. Attention, si vous utilisez la génération automatique de boîtes à moustache d’Excel il faudra que la colonne « destination » soit à gauche de la colonne des taux.

Calculer la répartition des crédits selon leur destination. La décrire par le nombre de crédits, le pourcentage du nombre total de crédits et le pourcentage du montant total prêté. Est-ce que la même destination est la plus fréquente selon ces trois critères ?

Dans l’onglet des crédits, calculer le montant moyen et le montant médian des crédits (colonne C), ainsi que le coefficient de variation de cette donnée. Répéter l’opération pour le taux du crédit (colonne E) : moyenne, médiane, coefficient de variation. Laquelle des deux données (montant ou taux) vous semble la plus homogène ? Calculez également les 90e, 95e et 99e centiles du montant prêté (colonne C) et comparez-les au maximum.

Les données sont contenues dans deux classeurs Excel (exemples et exercices). Classeur « Exemples » Bilans comptables = 1000 bilans comptables d’entreprises correspondant aux comptes arrêtés pendant l’année 2014. Dans l’ordre des colonnes on trouve un identifiant fictif d’entreprise, une date auxquels les comptes ont été arrêtés (toujours le dernier jour du mois), la durée en mois de l’exercice comptable (la norme est de 12 mois mais on peut en théorie avoir des durées entre 1 et 24 mois). Suivent une série […]

  # packages utiles —- library(forecast) # outils de prévision des séries chronologiques # données exemples: taux de CO2 à Hawaii —- co2 plot(co2, main= »Série brute ») # série brute plot(decompose(co2)) # décomposition tendance / cycle / bruit # superposition de la tendance obtenue par decompose avec la série par(mfrow=c(1,1)) dec

  # packages utiles —- library(emmeans) # permet d’afficher les moyennes et leurs intervalles de confiance library(ggeffects) # permet d’afficher graphiquement les éléments d’un modèle de régression library(car) # tests d’utilité d’une variable dans un modèle de régression # distribution de la variable à modéliser —- hist(rps$stress) # premier modèle : stress en fonction du sexe, de l’âge et du statut de cadre —- modele1

  # packages utiles —- library(tidyverse) # manipulation de données library(emmeans) # permet d’afficher les moyennes et leurs intervalles de confiance # test de comparaison de moyennes (Student) —- t.test(femmes, hommes) t.test(echant_femmes, echant_hommes) # test de comparaison de médianes (Wilcoxon) wilcox.test(femmes, hommes) # test à plus de 2 groupes rps$age

    Le code R des exemples… # packages utiles —- library(readxl) # import des onglets du classeur d’exemples Excel library(tidyverse) # manipulation de données library(boot) # calcul d’intervalles de confiance par bootstrap library(janitor) # nettoyage des noms de colonnes (fonction clean_names) library(emmeans) # permet d’afficher les moyennes et leurs intervalles de confiance # répertoire par défaut —- setwd(« c:/olivier/stat101 ») # imports —- bilans % clean_names() fats % pull(stress) hommes % filter(sexe == « Homme ») %>% pull(stress) t.test(femmes)$conf.int t.test(hommes)$conf.int comparaison % sample_frac(0.01) […]

Organisation de la leçon (valable pour toutes les pages de ce cours, sauf les exercices et les QCM) 1) Un support Powerpoint à lire (pas de son). Possibilité de le télécharger ou de le passer en plein écran (en bas à droite du diaporama). Pour faire défiler les diapos, il suffit de cliquer dessus. 2) Une vidéo (avec du son) pour expliciter le propos du support avec des explications complémentaires et des exemples. Possibilité de plein écran (en bas à […]

Les descriptifs des fichiers sont ici.   Créer un objet etablissements à partir de la table SAS bce_uai.sas7bdat et un autre, agents, à partir de agents.sas7bdat.

count_distinct

academie

library(openxlsx) classeur

service_agents

library(lubridate) etablissements$annee_ouverture

library(readxl) service

library(dplyr) agents %>% filter(sexe == 2) %>% group_by(acad) %>% summarise(age_moyen = mean(age, na.rm=TRUE)) %>% ungroup() %>% arrange(age_moyen) %>% slice(1:5)

nb_agents

age_moyen_par_acad

etab_XXI = « 2000-01-01 » & is.na(etablissements$DATE_FERMETURE)),]

library(haven) etablissements

Les descriptifs des fichiers sont ici.   Créer deux fonctions ayant un vecteur pour argument. La première (count_distinct) compte le nombre de valeurs distinctes du vecteur ; la seconde (nmiss) compte les valeurs manquantes dans le vecteur. Tests : count_distinct(agents$acad) nmiss(etablissements$DATE_FERMETURE)

Les descriptifs des fichiers sont ici.   Paramétrer le nom de l’académie (une ou plusieurs) et le nombre d’agents par nature d’établissements (pour compter les agents, appliquer la fonction length à la colonne Clef dans un aggregate). Valeurs pour tester : académie de Corse ; puis académies de Paris, Versailles et Créteil.

Les descriptifs des fichiers sont ici.   Créer un classeur Excel à partir des agents avec un onglet par académie et dans chaque onglet, la liste des agents de cette académie.

Les descriptifs des fichiers sont ici.   Ajouter aux agents les informations sur le service des enseignants. Calculer ensuite une médiane du nombre d’heures enseignées (colonne heurens) selon l’académie et la nature d’établissement.

Les descriptifs des fichiers sont ici.   Ajouter aux données etablissements des colonnes annee_ouverture et anciennete dérivées de DATE_OUVERTURE et une colonne booléenne ferme dérivée de DATE_FERMETURE.

Les descriptifs des fichiers sont ici.   Importer les fichiers service.xlsx et agents.csv (ce dernier est un fichier à séparateur point-virgule). Attention à ne pas écraser le data.frame agents existant.

Les descriptifs des fichiers sont ici.   A partir des données agents, construire la liste des 5 académies où les moyennes d’âge des agents de sexe féminin sont les plus jeunes.

Les descriptifs des fichiers sont ici.   Compter le nombre d’agents par académie (colonne acad), ne retenir que celles qui représentent au moins 5% du total – il y en a trois, Créteil, Lille et Versailles.

Les descriptifs des fichiers sont ici.   Calculer l’âge moyen (colonne age) par académie (colonne acad) à partir des agents. Ne retenir que les académies où l’âge moyen est inférieur à 42 ans (il y en a 3 : Créteil, Versailles et Amiens).

Les descriptifs des fichiers sont ici.   Créer un objet etab_XXI des 4 118 établissements ayant ouvert depuis le 1er janvier 2000 (colonne DATE_OUVERTURE) en excluant les établissements fermés (un établissement est fermé quand sa colonne DATE_FERMETURE est renseignée). Aide : pour indiquer une constante date dans un filtre, on l’écrit entre guillemets sous la forme année-mois-jour, par exemple « 2020-12-31 » pour le 31 décembre 2020.

ODS EXCEL FILE= »c:/temp/stats agents.xlsx » ; PROC MEANS DATA=depp.agents MEAN ; VAR age ; CLASS sexe acad ; WAYS 1 2 ; RUN ; ODS EXCEL CLOSE ;

PROC IMPORT DATAFILE= »c:/olivier/depp/agents.csv » OUT=work.agents DBMS=DLM REPLACE ; DELIMITER= »; » ; GUESSINGROWS=10000 ; GETNAMES=YES ; RUN ; PROC CONTENTS DATA=depp.agents ; RUN ; PROC CONTENTS DATA=work.agents ; RUN ; /* toutes les colonnes communes sont de même type */ PROC IMPORT DATAFILE= »c:/olivier/depp/service.xlsx » OUT=work.service DBMS=XLSX REPLACE ; DELIMITER= »; » ; GUESSINGROWS=10000 ; GETNAMES=YES ; RUN ;

PROC SORT DATA=depp.agents OUT=work.agents ; BY etab ; RUN ; PROC SORT DATA=depp.bce_uai (WHERE=(YEAR(date_ouverture) >= 2000)) OUT=work.etab_recents ; BY numero_uai ; RUN ; DATA work.etab_recents ; SET work.etab_recents ; etab = numero_uai ; RUN ; DATA work.agents_etablissements_recents ; MERGE work.agents (IN=dans_agents) work.etab_recents (IN=dans_etab_recent) ; BY etab ; IF dans_agents AND dans_etab_recent THEN OUTPUT ; RUN ;

DATA work.etablissements ; SET depp.bce_uai ; ATTRIB dept LENGTH=$ 2 LABEL= »Département de l’établissement (99=étranger) » anciennete_etab LENGTH=3 LABEL= »Ancienneté en années de l’établissement » ; dept = SUBSTR(commune, 1, 2) ; anciennete_etab = FLOOR( YRDIF(date_ouverture, TODAY(), « ACT/ACT »)) ; IF MISSING(date_fermeture)=0 THEN anciennete_etab = . ; RUN ;

PROC MEANS DATA=depp.agents (WHERE=(nature = 320)) MEAN MEDIAN ; VAR age ; CLASS acad ; RUN ;

PROC FREQ DATA=depp.agents ; TABLE acad * sexe / NOCOL NOPERCENT ; RUN ; PROC FREQ DATA=depp.agents ; TABLE age * sexe ; FORMAT age age_tranches. ; RUN ;

PROC FORMAT ; VALUE age_tranches LOW –< 25 = "Moins de 25 ans" 25 -< 40 = "25 à 39 ans" 40 -< 60 = "40 à 59 ans" 60 - HIGH = "60 ans et plus" ; RUN ;

PROC SORT DATA=depp.agents OUT=work.agents_par_acad ; BY acad DESCENDING age ; RUN ; PROC SORT DATA=depp.bce_uai (WHERE=(commune NE: « 99 »)) OUT=_NULL_ UNIQUEOUT=work.etab_seuls_de_leur_commune (WHERE=(nature_uai > « 200 »)) NOUNIQUEKEY ; BY commune ; RUN ;

LIBNAME depp « c:/olivier/depp » ; PROC PRINT DATA=depp.agents (WHERE=(nature = 320 AND acad IN (« GUADELOUPE », « MARTINIQUE ») AND age < 40 AND age IS NOT MISSING)) ; RUN ;

Les descriptifs des fichiers sont ici. Créer un classeur Excel contenant les âges moyens des agents par sexe et académie. On exportera trois tableaux : un par sexe, un par académie et un croisant les deux critères.

Les descriptifs des fichiers sont ici. Importer les fichiers AGENTS.CSV (séparateur point-virgule) et SERVICE.XLSX dans deux tables SAS. Comparer les procédures CONTENTS de la table AGENTS d’origine et du résultat de l’import : est-ce que tous les types de variables sont identiques ?

Les descriptifs des fichiers sont ici. Croiser les tables AGENTS et BCE_UAI pour ne retenir que les agents exerçant dans un établissement ouvert depuis l’an 2000 (colonne DATE_OUVERTURE). Ils sont 17 908. Attention l’identifiant de l’établissement ne porte pas le même nom dans les deux tables ; une solution est d’utiliser une étape DATA pour créer une nouvelle colonne du « bon » nom égale à celle qui a le « mauvais » nom pour harmoniser.

Les descriptifs des fichiers sont ici. Ajouter aux données concernant les établissements deux nouvelles colonnes : DEPT est le numéro de département extrait du code commune Insee COMMUNE, ce sont les 2 premiers caractères ANCIENNETE_ETAB est le nombre d’années (arrondi à l’entier inférieur) depuis lequel l’établissement est ouvert (la date est dans DATE_OUVERTURE). Si l’établissement est fermé (la condition MISSING(date_fermeture) vaut 0), remplacer l’ancienneté par une valeur manquante (.)

Les descriptifs des fichiers sont ici. Calculez les âges moyen et médian des agents exerçant en lycée professionnel (NATURE vaut 320) selon l’académie.

Les descriptifs des fichiers sont ici. Quelle est la répartition des agents par académie et par sexe (on mettra le sexe en colonnes, en n’affichant que les comptages et les pourcentages par ligne) ? Quelle est la répartition des agents par tranche d’âge et par sexe ?

Les descriptifs des fichiers sont ici. Construire un format qui affiche l’âge des agents sous forme de tranches : moins de 25 ans, de 25 à 40 ans (exclus), de 40 à 60 ans (exclus) et enfin 60 ans et plus.

Les descriptifs des fichiers sont ici. Trier les agents par académie (ACAD) et au sein d’une même académie par âge (AGE) décroissant. Dans un deuxième code indépendant du précédent, lister les communes françaises (identifiées par leur code Insee COMMUNE qui ne doit pas commencer par 99) n’accueillant qu’un seul établissement scolaire. Parmi les établissements seuls de leur commune, ne conserver que ceux qui ne sont pas du 1er degré (leur NATURE_UAI est supérieure à 200). Il y en a 34.

Les descriptifs des fichiers sont ici. Associer une bibliothèque avec le répertoire de vos données DEPP. Vous devez y voir deux tables : AGENTS (les informations sur le personnel) et BCE_UAI (les établissements scolaires). Lister les agents exerçant en lycée professionnel (la colonne NATURE vaut le code 320) dans les académies (ACAD) de Guadeloupe et de Martinique âgés de moins de 40 ans. Le résultat compte 193 lignes.

  ODS EXCEL FILE= »c:/temp/tableau de bord ventes.xlsx » STYLE=dove ; ODS PDF FILE= »c:/temp/tableau de bord ventes.pdf » STYLE=meadow ; PROC MEANS DATA=donnees.transactions (WHERE=(YEAR(date_trans) IN (2014,2015))) SUM MAXDEC=0 NONOBS ; VAR ca ; CLASS id_mag date_trans ; FORMAT date_trans YYQ7. ; RUN ; ODS PDF CLOSE ; ODS EXCEL CLOSE ;

  /* SAS Guide */ PROC IMPORT DATAFILE= »c:/olivier/conso/produits.tab » OUT=work.produits DBMS=DLM REPLACE ; GETNAMES=YES ; DELIMITER= »09″x ; GUESSINGROWS=10000 ; RUN ; /* SAS Studio (University Edition) */ PROC IMPORT DATAFILE= »/folders/myshortcuts/SASUniversityEdition/myfolders/conso/rayons.xlsx » OUT=work.rayons DBMS=XLSX REPLACE ; GETNAMES=YES ; GUESSINGROWS=10000 ; SHEET= »rayons » ; RUN ;

  PROC SORT DATA=donnees.produits OUT=work.produits ; BY rayon ; RUN ; PROC SORT DATA=donnees.rayons OUT=work.rayons ; BY rayon ; RUN ; DATA work.produits ; MERGE work.produits work.rayons ; BY rayon ; RUN ; PROC SORT DATA=work.produits OUT=work.produits ; BY id_item ; RUN ; PROC SORT DATA=donnees.transactions (WHERE=(YEAR(date_trans)=2010)) OUT=work.trans2010 ; BY id_item ; RUN ; DATA work.trans2010 ; MERGE work.trans2010 (IN=vendus_en_2010) work.produits ; BY id_item ; IF vendus_en_2010 THEN OUTPUT ; RUN ; DATA work.trans2010bis ; MERGE work.trans2010 (IN=vendus_en_2010) work.produits (IN=produit_connu) […]

  DATA work.transactions_2010 ; SET work.transactions_2010 ; ATTRIB trim LABEL= »Trimestre de la transaction » LENGTH=3 ; SELECT ; WHEN(mois < 4 ) trim = 1 ; WHEN(mois < 7 ) trim = 2 ; WHEN(mois < 10) trim = 3 ; OTHERWISE trim = 4 ; END ; RUN ; PROC MEANS DATA=work.transactions_2010 SUM MAXDEC=0 ; VAR ca ; CLASS trim mois mois_txt ; RUN ;

  DATA work.magasins ; SET donnees.magasins ; ATTRIB dept LABEL= »Département d’implantation du magasin » LENGTH=$ 2 ; dept = SUBSTR(numCom, 1, 2) ; RUN ; DATA work.transactions_2010 ; SET donnees.transactions (WHERE=(YEAR(date_trans)=2010)) ; ATTRIB mois_txt LABEL= »Nom du mois de la transaction » LENGTH=$ 15 mois LABEL= »Numéro du mois de la transaction » LENGTH=3 ; mois = MONTH(date_trans) ; mois_txt = STRIP(PUT(date_trans, FRADFMN.)) ; RUN ;

  PROC MEANS DATA=donnees.transactions MEAN MEDIAN SUM MAXDEC=2 ; VAR ca ; RUN ; PROC MEANS DATA=donnees.transactions SUM MAXDEC=0 ; VAR ca ; CLASS id_mag ; RUN ; PROC MEANS DATA=donnees.transactions SUM MAXDEC=0 ; VAR ca ; CLASS prix date_trans id_mag ; FORMAT date_trans YEAR4. prix prix. ; TYPES date_trans * prix id_mag * date_trans ; RUN ; PROC MEANS DATA=donnees.transactions SUM MAXDEC=0 ; VAR ca ; CLASS prix date_trans id_mag ; FORMAT date_trans YEAR4. prix prix. ; WAYS 1 […]

  PROC FREQ DATA=donnees.produits ; TABLE rayon ; RUN ; PROC FREQ DATA=donnees.transactions ; TABLE ca date_trans; FORMAT ca prix. date_trans YEAR4. ; RUN ; PROC FREQ DATA=donnees.transactions (WHERE=(date_trans >= « 01JAN2015″D)) ; TABLE date_trans * prix / NOCOL NOPERCENT ; FORMAT prix prix. date_trans YYQR8. ; RUN ;

  OPTIONS OBS=100 ; PROC PRINT DATA=donnees.transactions ; RUN ; OPTIONS OBS=MAX ; OPTIONS OBS=100 ; PROC PRINT DATA=donnees.transactions ; FORMAT date_trans MMYYS7. ; RUN ; OPTIONS OBS=MAX ; OPTIONS OBS=100 ; PROC PRINT DATA=donnees.transactions ; FORMAT date_trans MMYYS7. client 32. ; RUN ; OPTIONS OBS=MAX ; OPTIONS OBS=100 ; PROC PRINT DATA=donnees.transactions ; FORMAT date_trans MMYYS7. client 32. prix ca 32.4 ; RUN ; OPTIONS OBS=MAX ; OPTIONS OBS=100 ; PROC PRINT DATA=donnees.transactions ; FORMAT date_trans MMYYS7. client 32. […]

  PROC CONTENTS DATA=donnees.magasins ; RUN ;

  PROC SORT DATA=donnees.magasins (WHERE=(numCom IN: (« 75″, »77″, »91″, »92″, »93″, »94″, »95 »))) OUT=work.magasins_ile_de_france ; BY numCom ; RUN ; PROC PRINT DATA=work.magasins_ile_de_france NOOBS LABEL ; RUN ; /* éliminer des doublons */ PROC SORT DATA=donnees.transactions NODUPKEY OUT=work.passages_en_caisse ; BY id_trans id_mag date_trans ; RUN ; /* isoler des singletons */ PROC SORT DATA=donnees.transactions NOUNIQUEKEY OUT=_NULL_ UNIQUEOUT=work.singletons ; BY id_trans date_trans ; RUN ;

  PROC PRINT DATA=donnees.rayons; RUN ; PROC PRINT DATA=donnees.rayons LABEL NOOBS ; RUN ; OPTIONS OBS=100 ; PROC PRINT DATA=donnees.transactions LABEL NOOBS ; VAR id_trans date_trans id_mag client id_item ca ; RUN ; OPTIONS OBS=MAX ; PROC PRINT DATA=donnees.rayons (WHERE=(rayon < 4)) NOOBS LABEL ; RUN ; PROC PRINT DATA=donnees.rayons (WHERE=(lib_rayon =: "A")) NOOBS LABEL ; RUN ; PROC PRINT DATA=donnees.rayons (WHERE=(lib_rayon LIKE '%s' AND rayon > 0)) NOOBS LABEL ; RUN ; PROC PRINT DATA=donnees.transactions (WHERE=((quantite < 5 AND […]

  LIBNAME donnees »c:\olivier\conso » ; Pour rappel, les données dont il est question ici et dans les leçons suivantes sont à récupérer sur http://www.od-datamining.com/data/conso_sas.zip et à dézipper dans le répertoire de votre choix. L’instruction LIBNAME pointera vers ce répertoire.