Pour traiter des données, nous allons utiliser la bibliothèque Python Pandas. La bibliothèque Pandas est très utilisée pour tout ce qui touche au traitement des données.
Pour nos premiers pas avec Pandas, nous allons utiliser des données très simples au format CSV : ces données sont contenues dans le fichier ident_virgule.csv.
Après avoir téléchargé le fichier ident_virgule.csv, placez-le dans le même dossier que vos programmes Python.
Dans votre IDE Python, saisissez le code Python suivant :
import pandas
iden=pandas.read_csv("ident_virgule.csv")
Une fois le code saisi, enregistrer le fichier contenant ce code dans le même répertoire que le fichier "ident_virgule.csv"
Le code ci-dessus est très simple :
Exécutez le programme que vous venez de saisir. Puis dans la console tapez alors :
>>>iden
Vous devriez voir apparaitre les données contenues dans la variable iden rangées sous la forme d'un tableau, un peu comme ce que nous obtenions en ouvrant le fichier "ident_virgule.csv" avec un tableur.
Vous avez peut-être remarqué qu'une colonne a été ajoutée par rapport à ce que nous obtenions avec le tableur :
Les nombres présents dans cette colonne sont appelés des index. Chaque ligne du tableau a un index (première ligne : index 0, deuxième ligne index 1...)
ATTENTION : les index commencent à 0 et pas à 1
Les colonnes possèdes également des index, dans notre exemple ces index correspondent au "nom" (index de la première colonne), au "prenom" (index de la deuxième colonne) et à "date_naissance" (index de la troisième colonne)
En résumé : les lignes possèdent des index (0,1,2..), les colonnes possèdent aussi des index ("nom", "prenom",...)
Il est possible de récupérer certaines données du tableau, par exemple, certaines lignes, certaines colonnes ou bien encore des valeurs uniques. Pour cela, il suffit d'utiliser la méthode loc avec les index des lignes et les index des colonnes. Le principe de fonctionnement de loc est relativement simple puisque l'on aura une instruction de la forme "loc[index_ligne,index_colonne]"
Testez le programme suivant :
import pandas
iden=pandas.read_csv("ident_virgule.csv")
info=iden.loc[1,'prenom']
Vérifiez que la variable info contient bien le prénom "christophe"
Modifiez le programme précédent pour que la variable info contienne "12/06/1978"
Il est possible de récupérer toutes les lignes d'une colonne, il suffit de remplacer la partie "index_ligne" de loc par ":"
Testez le programme suivant :
import pandas
iden=pandas.read_csv("ident_virgule.csv")
info=iden.loc[:,'nom']
Vérifiez que la variable info contient bien toutes les données de la colonne d'index "nom", autrement dit, tous les noms
Il est possible de récupérer toutes les colonnes d'une ligne particulière, cette fois en remplaçant la partie "index_colonne" de loc par ":"
Testez le programme suivant :
import pandas
iden=pandas.read_csv("ident_virgule.csv")
info=iden.loc[2,:]
Vérifiez que la variable info contient bien toutes les données de la dernière ligne (index 2)
Il est aussi possible de récupérer seulement certaines lignes et certaines colonnes en utilisant la notation suivante : loc[[index_ligne_1,index_ligne_2,...],[index_colonne_1,index_colonne_2,...]]
Testez le programme suivant :
import pandas
iden=pandas.read_csv("ident_virgule.csv")
info=iden.loc[[0,1],['nom','date_naissance']]
Vérifiez que la variable info contient bien un tableau avec uniquement les colonnes "nom" et "date_naissance" de la première ligne (index 0) et de la deuxième ligne (index 1).
Afin d'avoir des exemples plus complexes à traiter, dans la suite, nous allons travailler sur les données contenues dans le fichier ville_virgule.csv.
Testez le programme suivant :
import pandas
info_villes=pandas.read_csv("villes_virgule.csv")
Vérifiez que la variable "info_villes" contient bien les données contenues dans le fichier ville_virgule.csv.
Vous devriez alors obtenir ceci :
La valeur "nan" que vous pouvez voir dans certaine colonne signifie "not a number", ici, cela veut tout simplement dire que certaines données sont manquantes.
Nous allons maintenant introduire des conditions dans la sélection des villes. Imaginez par exemple que vous désirez obtenir un tableau contenant toutes les villes qui ont une altitude minimum supérieure à 1500 m :
Analysez et testez le programme suivant :
import pandas
info_villes=pandas.read_csv("villes_virgule.csv")
nom_alt=info_villes.loc[info_villes["alt_min"]>1500,["nom","alt_min"]]
Dans le "loc", l'expression "info_villes["alt_min"]>1500" est bien avant la virgule, elle concerne donc les index des lignes du tableau. On sélectionnera uniquement les lignes qui auront la valeur du descripteur "alt_min" supérieure à 1500. Nous allons donc bien sélectionner les villes qui ont une altitude minimum supérieure à 1500 m
En vous inspirant de ce qui a été fait au "À faire vous-même 10", écrivez un programme qui permettra d'avoir les villes qui ont une densité d'habitant inférieure à 50 (dans le tableau ainsi créé, on aura 3 colonnes : le nom de la ville, la densité de la population et l'altitude minimum)
Il est possible de combiner plusieurs facteurs de sélection en utilisant un "et"("&") ou un "ou"("|").
Analysez et testez le programme suivant :
import pandas
info_villes=pandas.read_csv("villes_virgule.csv")
nom_alt=info_villes.loc[(info_villes["alt_min"]>1500) & (info_villes["dens"]>50),["nom","dens","alt_min"]]
Vous devriez constater qu'il y a, en France, une seule ville avec une densité de population supérieure à 50 et une altitude minimum supérieure à 1500 m.
Il est aussi possible d'effectuer des calculs sur des colonnes, par exemple des moyennes. Il suffit d'utiliser l'instruction "mean" pour effectuer une moyenne :
Analysez et testez le programme suivant :
import pandas
info_villes=pandas.read_csv("villes_virgule.csv")
moyenne_alt_min=info_villes.loc[:,"alt_min"].mean()
Vous devriez constater que l'altitude minimum moyenne est de 193 m en France. Je rappelle que dans "loc[:,"alt_min"]" le ":" signifie que l'on considère toutes les lignes du tableau. De plus le "alt_min" que le calcul de la moyenne porte bien sur les données du descripteur "alt_min".
Écrivez un programme permettant de calculer le nombre moyen d'habitants en 2012
Pour l'instant nous avons calculé une moyenne sur l'ensemble des lignes, il est aussi possible d'imposer une condition sur les lignes qui seront utilisées pour le calcul.
Analysez et testez le programme suivant :
import pandas
info_villes=pandas.read_csv("villes_virgule.csv")
nbe_hab=info_villes.loc[info_villes["alt_min"]>1500,"nb_hab_2012"].mean()
print(nbe_hab)
Vous devriez constater que les villes ayant une altitude minimum supérieure à 1500 m avaient en moyenne 350 habitants en 2012.
Il est aussi possible de trier le tableau en fonction des valeurs d'un descripteur. Il suffit d'utiliser l'instruction "sort_values"
Analysez et testez le programme suivant :
import pandas
info_villes=pandas.read_csv("villes_virgule.csv")
tri_alt_min=info_villes.sort_values(by=["alt_min"])
Vous devriez obtenir un nouveau tableau de données "tri_alt_min" trié dans l'ordre croissant des altitudes minimums. Quelle est la ville ayant l'altitude minimum la plus faible de France ?
Il est aussi possible de trier par ordre décroissant en ajoutant "ascending=False" :
Analysez et testez le programme suivant :
import pandas
info_villes=pandas.read_csv("villes_virgule.csv")
tri_alt_min=info_villes.sort_values(by=["alt_min"], ascending=False)
Quelle est la ville ayant l'altitude minimum la plus importante de France ?
Écrivez un programme permettant de répondre à la question suivante : quelle est la ville ayant la densité de population la plus forte ?
(source : pixees.fr/informatiquelycee)