Coding Club Bordeaux

Appearance

Atelier Analyse : Pays Hôtes et Médailles, le Verdict ​

Bienvenue dans ce deuxième atelier ! Nous allons maintenant utiliser les compétences du starter.md pour répondre à une question plus complexe : Les pays obtiennent-ils plus de médailles quand ils organisent les Jeux Olympiques d'hiver ?

Pour cela, nous allons devoir manipuler nos données de manière plus avancée.

Étape 1 : Regrouper sur Plusieurs Colonnes ​

Explication ​

Dans l'atelier précédent, nous avons regroupé les données sur une seule colonne. Pour une analyse plus fine, nous pouvons regrouper sur plusieurs colonnes en même temps en passant une liste de noms de colonnes à la fonction groupby(). L'ordre des colonnes dans la liste est important car il définit la hiérarchie des groupes.

Exemple ​

Imaginons un DataFrame de ventes de produits.

python
# Regrouper sur une liste de colonnes
ventes.groupby(['produit', 'magasin', 'mois']).size()

Le résultat nous donnera le nombre de ventes pour chaque combinaison unique (e.g., 2 Laptops vendus à Paris en Janvier).

⚡ Expérimentation ⚡ ​

  • Bloc de code :
    • Reprenez le DataFrame df du starter contenant les médailles des JO.
    • Regroupez les données par country, host et year pour compter le nombre de médailles pour chaque participation d'un pays.
    • Utilisez .size() pour faire le décompte.
    • Transformez le résultat en DataFrame avec .reset_index(name="medals_count").
    • Stockez le tout dans une nouvelle variable df_grouped.
  • Bloc de Markdown :
    • Affichez votre DataFrame df_grouped. Que représente chaque ligne ?

💡 Astuce 💡: ​

  • La fonction .groupby() accepte une liste de chaînes de caractères : ['col1', 'col2', ...].

Étape 2 : Calculer une Moyenne sur des Groupes ​

Explication ​

Une fois les données regroupées, .size() est utile pour compter les lignes, mais nous pouvons faire bien plus ! En sélectionnant une colonne après le groupby(), nous pouvons appliquer des calculs plus spécifiques comme .mean() (moyenne), .sum() (somme), ou .max() (maximum).

Exemple ​

Avec un DataFrame de notes d'étudiants, pour calculer la moyenne de chaque étudiant, on regroupe par etudiant, on sélectionne la colonne note, puis on applique .mean():

python
# Calculer la moyenne des notes par étudiant
notes.groupby('etudiant')['note'].mean()

Le résultat montrera que la moyenne d'Alice est 13.5 et celle de Bob est 18.

⚡ Expérimentation ⚡ ​

  • Bloc de code :
    • À partir de votre DataFrame df_grouped de l'étape précédente, regroupez cette fois par country et host.
    • Calculez la moyenne de la colonne medals_count pour chaque groupe.
    • Stockez le résultat dans un DataFrame nommé df_avg_medals (n'oubliez pas d'utiliser .reset_index()).
  • Bloc de Markdown :
    • Affichez df_avg_medals. Que représentent les colonnes host=True et host=False ?

💡 Astuce 💡: ​

  • La structure est df.groupby(...)['colonne_a_calculer'].mean().

Étape 3 : Pivoter une Table ​

Explication ​

Notre df_avg_medals est bien, mais pour comparer facilement les performances, nous préférerions avoir une seule ligne par pays et deux colonnes : une pour la moyenne des médailles en tant qu'hôte, et une autre en tant que non-hôte. Nous allons utiliser la fonction pivot_table() qui est conçue exactement pour ça. Elle nous permet de "pivoter" une colonne pour que ses valeurs deviennent les nouvelles colonnes du DataFrame.

Exemple ​

Imaginons un DataFrame des notes moyennes par semestre que l'on peut pivoter pour avoir une ligne par étudiant et une colonne par semestre :

python
# Pivoter le DataFrame
notes.pivot_table(index='etudiant', columns='semestre', values='moyenne')

⚡ Expérimentation ⚡ ​

  • Bloc de code :
    • Utilisez .pivot_table() sur votre DataFrame df_avg_medals.
    • Utilisez index='country' pour que chaque pays devienne une ligne.
    • Utilisez columns='host' pour que les valeurs True et False deviennent les nouvelles colonnes.
    • Utilisez values='medals_count' (ou le nom que vous avez donné à votre colonne de moyenne) pour remplir la table.
    • Stockez le résultat dans un DataFrame df_pivot.
    • Important : certaines analyses ne sont valides que si nous avons les deux points de comparaison. Utilisez .dropna() sur votre df_pivot pour ne garder que les pays qui ont organisé au moins une fois ET participé en tant que non-hôte.
  • Bloc de Markdown :
    • Affichez votre df_pivot après le .dropna(). Combien de pays peut-on comparer équitablement ?

Étape 4 : Créer une Nouvelle Colonne ​

Explication ​

Maintenant que nos données sont bien structurées, nous pouvons enrichir notre analyse en créant une nouvelle colonne. Par exemple, nous pouvons calculer le pourcentage d'amélioration du nombre de médailles. La formule du pourcentage d'amélioration est : ((valeur_finale - valeur_initiale) / valeur_initiale) * 100.

Exemple ​

Si un DataFrame df a deux colonnes ventes_annee_1 et ventes_annee_2, on peut créer une colonne progression comme ceci :

python
# Créer une nouvelle colonne
df['progression'] = ((df['ventes_annee_2'] - df['ventes_annee_1']) / df['ventes_annee_1']) * 100

⚡ Expérimentation ⚡ ​

  • Bloc de code :
    • Dans votre df_pivot nettoyé, créez une nouvelle colonne nommée boost.
    • Dans cette colonne, calculez le pourcentage d'amélioration entre la moyenne de médailles en tant que non-hôte (False) et la moyenne en tant qu'hôte (True).
    • Triez votre DataFrame en fonction de cette colonne boost avec .sort_values('boost', ascending=False).
  • Bloc de Markdown :
    • Affichez les 5 premiers pays de votre DataFrame trié. Quel est le pays avec le plus grand "boost" ?

💡 Astuce 💡: ​

  • Les colonnes après le pivot se nomment True et False. Vous pouvez les utiliser directement dans vos calculs : df[True] et df[False].

Étape 5 : Visualisation Avancée ​

Explication ​

Un graphique est souvent la meilleure façon de présenter une conclusion. Nous allons créer un diagramme en barres horizontales (plt.barh) pour visualiser le boost de chaque pays. Pour le rendre encore plus lisible, nous allons colorer les barres différemment si le boost est positif ou négatif.

Exemple ​

Imaginons un DataFrame df avec une colonne pays et une colonne score. On peut créer une liste de couleurs avant de faire le graphique. Cette technique de "list comprehension" est très puissante en Python.

python
# Créer une liste de couleurs : 'g' pour vert si score > 0, 'r' pour rouge sinon
couleurs = ['g' if s > 0 else 'r' for s in df['score']]

# Créer le graphique en utilisant cette liste
plt.barh(df['pays'], df['score'], color=couleurs)
plt.title("Scores par pays")
plt.show()

⚡ Expérimentation ⚡ ​

  • Bloc de code :
    • Prenez votre DataFrame df_pivot final, trié par boost (pour un graphique plus lisible, triez par ordre croissant cette fois).
    • Créez une liste de couleurs conditionnelle basée sur la colonne boost.
    • Créez un graphique en barres horizontales (plt.barh) avec les noms des pays et leur boost.
    • Utilisez votre liste de couleurs avec le paramètre color.
    • Ajoutez des titres et des labels pour rendre votre graphique compréhensible.
  • Bloc de Markdown :
    • Décrivez en une phrase ce que votre graphique final montre. A-t-on répondu à notre question de départ ?