Coding Club Bordeaux

Appearance

Atelier Starter : Introduction à l'Analyse de Données ​

Bienvenue dans ce premier atelier ! Notre mission est de répondre à la question : Les pays obtiennent-ils plus de médailles quand ils organisent les Jeux Olympiques d'hiver ?

Pour cela, nous allons explorer ensemble un jeu de données sur les médailles des JO d'hiver avec Python et la bibliothèque Pandas.

Étape 1 : Se familiariser avec l'environnement ​

Explication ​

Nous allons commencer par prendre en main l'environnement de travail, le Jupyter Notebook. C'est un outil interactif qui nous permet de mélanger du texte, comme celui-ci, et des blocs de code que l'on peut exécuter. Nous allons voir comment créer une cellule de texte (appelée Markdown) et une cellule de code.

⚡ Expérimentation ⚡ ​

  • Bloc de Markdown : Le Markdown est un langage de balisage simple qui permet de mettre en forme du texte facilement. Ajoutez un bloc de Markdown à votre notebook.
markdown
# Les pays obtiennent-ils plus de médailles quand ils organisent les JO d'hiver ?

La combinaison Ctrl+Entrée vous permet d'afficher le rendu de votre Markdown.

  • Bloc de code (Python) : Entrez votre premier bloc de code Python dans votre notebook.
python
print("Hello, world!")
21 * 2

La combinaison Ctrl+Entrée vous permet d'exécuter votre bloc de code.

💡 Astuce 💡: ​

  • Une ligne commençant par # en Markdown permet de déclarer un titre.
  • Le résultat de la dernière expression entrée dans un bloc de code (ici 21 * 2) de votre notebook est automatiquement affiché (si possible) après le bloc de code.

Étape 2 : Charger nos premières données ​

Explication ​

Nos données sont stockées dans un fichier au format CSV, un format texte simple pour les données en tableau. Pour les manipuler, nous allons utiliser une bibliothèque très puissante nommée Pandas. Elle nous permet de charger ces données dans un objet que l'on appelle un DataFrame, qui est l'équivalent d'un tableau intelligent.

⚡ Expérimentation ⚡ : ​

Dans un bloc de code:

  • importez la bibliothèque Pandas
  • utilisez Pandas pour lire le fichier CSV dans un DataFrame (df)
python
import pandas

df = pandas.read_csv("https://codingclubbordeaux.github.io/dataset/winter_olympics_medals.csv")
df

Prenez le temps d'observer les données présentes dans le DataFrame:

  • Le nombre de lignes
  • Le nom des colonnes et les données qu'elles contiennent
  • La colonne host qui indique si le pays a organisé les Jeux Olympiques cette année-là

Étape 3 : Isoler des informations (Filtrer) ​

Explication ​

Souvent, seule une partie de notre jeu de données nous intéresse. Nous allons donc apprendre à filtrer le DataFrame pour ne garder que les lignes qui correspondent à un critère précis.

Exemple ​

Par exemple, dans un nouveau bloc de code: pour extraire uniquement les médailles d'or de notre jeu de données:

python
df_medailles_or = df[df.medal == "gold"]
df_medailles_or

⚡ Expérimentation ⚡ ​

  • Bloc de code (Python) : Essayez d'extraire toutes les médailles obtenues par la France dans notre jeu de données.
  • Bloc de Markdown : Rédigez une brève description des données que vous venez de filtrer.

💡 Astuce 💡: ​

  • Utilisez Ctrl+Entrée pour exécuter chaque bloc (code ou Markdown) et afficher le résultat ou le rendu du texte.

Étape 4 : Résumer les données (Regrouper) ​

Explication ​

Une opération très courante est de regrouper les données pour en faire un résumé. Nous pouvons, par exemple, regrouper toutes les médailles par année pour savoir combien ont été décernées à chaque édition. Pour cela, nous utiliserons la fonction groupby().

Exemple ​

Par exemple pour regrouper les médailles par année d'obtention:

python
df.groupby('year')

Il est ensuite possible d'appliquer un calcul sur chacun des groupes: ici on récupère leur taille.

python
df.groupby('year').size()

⚡ Expérimentation ⚡: ​

  • Bloc de code: Regroupez les médailles obtenues par la France par année. Comptez le nombre de médailles obtenues chaque année. Votre nouvelle colonne devrait s'appeler medal_count.

  • Bloc de Markdown : Rédigez une courte réponse à la question suivante:

    • Quel est le nombre de médailles remportées par la France en 1968 et en 1992 ?

💡 Astuce 💡 : ​

  • .reset_index(name="xxx") permet de réinitialiser l'index d'une série/groupement en DataFrame tout en donnant le nom "xxx" à la nouvelle colonne contenant les valeurs.

Étape 5 : Rendre les chiffres visuels (Graphiques) ​

Explication ​

Un graphique est souvent plus facile à interpréter qu'un tableau. Nous allons utiliser une autre bibliothèque très populaire, Matplotlib, pour créer notre premier diagramme en barres.

Exemple ​

Commencez par importer matplotlib dans votre notebook.

python
import matplotlib.pyplot as plt

Par exemple, pour visualiser le nombre de médailles obtenues par la France par année (étape précédente):

python
df_medailles_france = df[df.country == "FRA"]

df_france_par_annee = df_medailles_france.groupby('year').size().reset_index(name="medals_count")

print(df_france_par_annee)

plt.bar(df_france_par_annee.year.astype(str), df_france_par_annee.medals_count)
plt.xticks(rotation=90)
plt.xlabel('Année')
plt.ylabel('Nombre de médailles')
plt.title('Nombre de médailles par année')
plt.show()

⚡ Expérimentation ⚡ ​

  • Bloc de code (Python) :
    • Ajoutez le code nécessaire pour afficher un graphe (exemple ci-dessus) montrant le nombre de médailles obtenues par la France à chaque JO d'hiver.
    • Vous pouvez ensuite tenter de personnaliser votre graphe.
  • Explications : Pouvez-vous expliquer chaque ligne de code de l'exemple précédent ?

💡 Astuce 💡 : ​

  • Un graphique peut être personnalisé avec les fonctions de matplotlib. Le type du graphique peut être modifié en utilisant différentes fonctions (plt.plot(), plt.bar(), plt.barh(), plt.scatter()).
  • La couleur peut être spécifiée avec le paramètre color ('r', 'g', 'b', '#xxyyzz').

Étape 6 : Établir un classement (Trier) ​

Explication ​

Pour savoir quels pays ont obtenu le plus de médailles, nous devons trier notre tableau de données. En Pandas, nous utilisons pour cela la méthode sort_values(), qui permet d'organiser le DataFrame selon les valeurs d'une ou plusieurs colonnes.

⚡ Expérimentation ⚡ ​

  • Bloc de code (Python) :
    • Triez les pays par nombre de médailles obtenues
    • Affichez le graphique correspondant

💡 Astuce 💡 : ​

  • Le paramètre by de sort_values() indique la colonne à utiliser pour le tri.
  • Le paramètre ascending=False permet de trier par ordre décroissant.

Étape 7 : Se concentrer sur le podium (Top 5) ​

Explication ​

Un graphique avec trop de barres peut devenir illisible. Si notre tableau est déjà trié, nous pouvons facilement ne sélectionner que les N premières lignes pour nous concentrer sur le "Top 5" avec la méthode .head(N).

Exemple ​

python
# Après avoir utilisé .head(3), vous aurez un DataFrame
# contenant uniquement les 3 premières lignes du tableau.
classement_artistes.head(3)

⚡ Expérimentation ⚡ ​

  • Dans un nouveau bloc de code :
  • Utilisez simplement .head(5) sur votre DataFrame déjà trié de l'étape précédente pour obtenir le top 5.
  • Affichez ensuite le graphique correspondant (par exemple un barplot avec matplotlib ou pandas plotting) sur ce top 5 uniquement.