Aller au contenu principal

TP2 🧮 Analyse de données

🧠 Contexte

Les données sont partout autour de nous. Savoir les analyser et en tirer des conclusions est une compétence essentielle dans de nombreux domaines, en particulier en science.

Dans ce TP, vous allez choisir un ensemble de données réelles, les analyser à l'aide de Python et produire des visualisations pour illustrer vos découvertes.

🎯 Objectifs pédagogiques

À la fin de ce travail, vous serez capable de :

  • Lire et traiter des fichiers CSV avec Pandas
  • Créer des visualisations de données avec Matplotlib
  • Interpréter des données scientifiques réelles
👀 Plagiat

❗🤖 👀 🚫

Si votre travail est suspecté de plagiat (code copié d'un(e) autre étudiant(e), code généré par IA, notions non abordées en classe, etc.), deux choses peuvent se produire :

  • Le plagiat est prouvé par nos outils : note de 0, automatiquement.
  • Le plagiat est plutôt évident, mais une validation est requise : vous serez convoqué(e) au bureau de votre enseignant(e). Vous devrez répondre à certaines questions pour prouver que vous comprenez et maîtrisez le code qui a été utilisé. Si vous ne réussissez pas à répondre à certaines questions, vous aurez la note de 0 (si vous ne comprenez pas votre propre code, c'est que vous avez plagié, d'une manière ou d'une autre).
📝 Pour faire ce TP, vous devez :
  • créer un projet PyCharm dans un nouveau répertoire GitHub (spécifié par votre prof).
  • choisir un des projets proposés (voir onglets plus bas).
  • suivre le lien donné pour chercher, trouver et télécharger le fichier CSV de données approprié pour le projet choisi.
  • écrire un script Python qui lit le fichier CSV, analyse les données et produit des figures en utilisant les bibliothèques Pandas et Matplotlib.
  • sauvegarder les figures produites dans des fichiers PDF dans le répertoire du projet.
  • faire au moins 5 commits Git qui décrivent l'avancement du projet dans un français sans faute (voir instructions).
Fichers de données volumineux

Les fichiers CSV de données que vous allez télécharger seront trop volumineux pour être hébergés sur GitHub. Ne les ajoutez donc pas dans votre projet Pycharm. Plutôt, téléchargez-les dans le dossier Téléchargements de votre ordinateur, puis lisez-les directement à partir de ce dossier dans votre script Python analyse.py :

import pandas as pd
df = pd.read_csv('C:/Users/VOTRENOMUTILISATEUR/Downloads/NOMDUFICHIERDEDONNEES.csv')

Évidemment, remplacez VOTRENOMUTILISATEUR par votre matricule étudiant et NOMDUFICHIERDEDONNEES.csv par le nom du fichier CSV que vous avez téléchargé.

Attention

Excel permet normalement d'explorer le contenu de fichiers CSV.
Cependant, lorsque les fichiers sont trop volumineux (comme c'est souvent le cas pour les fichiers de données scientifiques), Excel ne peut pas afficher tout le contenu.

‼️ N'essayez donc pas d'ouvrir le fichier CSV avec Excel. Cela pourrait même corrompre le fichier.​

1 point 📂 Fichiers dans le projet

Votre projet doit contenir exactement 1 script Python nommé analyse.py et rien d'autre (ne laissez traîner aucun script inutile).

tp2/
└── analyse.py

Les figures générées en format PDF par votre programme ne doivent pas être commitées dans votre GIT.

1 point Répertoire Git 🐈‍⬛ et documentation des fonctions
  • Au moins 5 commits de tailles comparables (il n'y a pas un commit avec tout dedans et les autres vides)
  • Les commits décrivent l'avancement du projet dans un français sans faute (voir instructions)
  • Chaque fonction doit être documentée à l'aide d'un docstring dans un français sans faute : description de la fonction, paramètres, limites et exceptions possibles.
1 point 🏗️ Structure de votre code

Votre script analyse.py doit être structuré de la manière suivante :

import pandas as pd
import ... # autres importations nécessaires

def nom_de_la_fonction_1(df, autres_parametres, ...):
    """
    Docstring
        (description de ce que fait la fonction,
        paramètres, valeurs retournées, fichiers produits, etc.)
    """
    # Corps de la fonction
    ...

def nom_de_la_fonction_2(df, autres_parametres, ...):
    ...

... # Autres fonctions nécessaires

# Lecture du fichier CSV de données
df = pd.read_csv('C:/Users/VOTRENOMUTILISATEUR/Downloads/NOMDUFICHIERDEDONNEES.csv')

# Nettoyage du DataFrame avant utilisation pour analyse
df = ...

# Appels aux fonctions définies plus haut pour analyser les données et produire les figures
nom_de_la_fonction_1(df, autres_arguments, ...)
nom_de_la_fonction_2(df, autres_arguments, ...)
...
🧮 Grille d'évaluation
PointsCritère
1Commits Git et documentation des fonctions dans un français sans faute
1Fichiers dans le projet (aucun fichier de données ou autre fichier non requis n'est présent dans le projet)
1Structure du code (utilisation de fonctions bien définies et appelées)
3Manipulation et analyse statistique des données afin de répondre à des questions
4Visualisation de données par des figures précises
10Total
Fonctionnement global 2 points négatifs

Le projet fonctionne sans plantage et correctement, et le code est clair et facile à lire. Ce pointage fonctionne en négatif. Si le projet fonctionne correctement en tout temps, vous conservez votre note. Dans le cas contraire, vous perdez des points avec un maximum de 2.

  • Plantage -1 point
  • Code illisible -1 point
  • Information affichée incohérente -1 point
  • Autre cas...
astuce
  • Commencez par explorer les données pour comprendre leur structure et leur contenu, en utilisant des fonctions comme head(), info() et describe() de Pandas.
  • Nettoyez les données si nécessaire (gestion des valeurs manquantes, conversion des types de données, etc.).
  • Utilisez des fonctions Pandas pour effectuer des analyses statistiques de base (moyennes, médianes, écarts-types, etc.).
  • Créez des visualisations claires et informatives avec Matplotlib, en utilisant des graphiques adaptés aux types de données analysées (graphique linéaire, diagramme à barres, histogramme, etc.).

Choisissez un des projets suivants :​

Projet : 🚲 Comptages des vélos sur les pistes cyclables de Montréal​

📝 Description
  • La Ville de Montréal a installé des compteurs de vélos sur plusieurs pistes cyclables pour suivre l'utilisation du réseau cyclable. L'objectif de ce projet est d'analyser les données de comptage des vélos pour identifier les tendances saisonnières, hebdomadaires et journalières dans l'utilisation des pistes cyclables.
🔢 Source de données
3 points 🔍 Éléments à analyser

Écrivez du code pour répondre aux questions suivantes (écrivez une fonction par question) :

  • Quelles sont les variables présentes dans le jeu de données?
  • Combien y a-t-il d'enregistrements (lignes) dans le jeu de données?
  • Quel est le plus grand nombre de vélos comptés en une seule fois? À quel moment cela s'est-il produit (date, heure, emplacement)?
  • Quel est le total de vélos comptés pour l'année 2024?
  • Combien y a-t-il de compteurs de vélos différents?
  • Quelle est la fréquence de prise des données dans le fichier (ex : environ toutes les heures, toutes les 15 minutes, etc.)?
4 points 📊 Figures à produire
Figure 1
Astuces
  • Créez une nouvelle colonne représentant l'heure sans les minutes et secondes.
  • Regroupez vos données et générez des statistiques avant la visualisation.
  • Vous pouvez utiliser df.plot(kind="bar").
Figure 2
Astuces
  • Créez un dictionnaire ayant comme clé le numéro du mois et comme valeur son nom.
  • Utilisez la méthode map pour créer une nouvelle colonne pour le nom du mois.
Figure 3
Astuces
  • Utilisez un tableau croisé dynamique (pivot table).
Figure 4
Astuces
  • Regroupez les données par compteur, puis calculez la moyenne.
  • La taille des points est le nombre moyen de passages x 10.
  • La transparence est de 50%.