Projet Guidé : Explorer le Développement Mondial avec Gapminder

Manipulation et visualisation avec Pandas et Seaborn

Author
Affiliation

Wilson Toussile

ENSPY & ESSFAR

1 Introduction : Raconter l’Histoire du Monde en Données

L’analyse de données ne se résume pas à des modèles complexes ; elle commence par la curiosité et l’exploration. Dans cet atelier, nous allons nous mettre dans la peau d’un analyste pour explorer l’un des jeux de données les plus emblématiques de la data visualisation : Gapminder.

Notre objectif est de mener une Analyse Exploratoire des Données (EDA) complète pour comprendre les grandes tendances de l’évolution du monde au cours de la seconde moitié du 20ème siècle. Nous allons manipuler, agréger et visualiser les données pour répondre à des questions sur l’espérance de vie, la richesse et la démographie.

Cet atelier est une opportunité de mettre en pratique et de renforcer vos compétences avec les outils essentiels de l’écosystème Python : Pandas pour la manipulation et Seaborn/Matplotlib pour la visualisation.

2 Le Jeu de Données Gapminder

Rendu célèbre par les conférences TED du statisticien suédois Hans Rosling, ce jeu de données est un extrait de la base de données de la Fondation Gapminder. Il compile des indicateurs de développement pour 142 pays, collectés tous les cinq ans de 1952 à 2007.

2.1 Description des Variables

  • country (qualitative) : Le nom du pays.
  • continent (qualitative) : Le continent auquel le pays appartient.
  • year (temporelle/discrète) : L’année de l’observation (de 1952 à 2007, par pas de 5 ans).
  • lifeExp (quantitative) : L’espérance de vie à la naissance, en années.
  • pop (quantitative) : La population totale du pays.
  • gdpPercap (quantitative) : Le Produit Intérieur Brut (PIB) par habitant, en dollars internationaux (ajusté pour l’inflation, base 2005).

2.2 Chargement des Données

Nous allons commencer par charger les bibliothèques nécessaires et le jeu de données.

import pandas as pd
import numpy as np
import seaborn as sns
import plotly.express as px
import matplotlib.pyplot as plt

# Configuration du style des graphiques
sns.set_theme(style="whitegrid", context="talk")
plt.rcParams['figure.figsize'] = (14, 8)

# Charger le jeu de données depuis une URL
gapminder = px.data.gapminder()

# Premières infos
print("Jeu de données Gapminder chargé. Dimensions initiales :", gapminder.shape)
print("\nAperçu des données :")
gapminder.head()
Jeu de données Gapminder chargé. Dimensions initiales : (1704, 8)

Aperçu des données :
country continent year lifeExp pop gdpPercap iso_alpha iso_num
0 Afghanistan Asia 1952 28.801 8425333 779.445314 AFG 4
1 Afghanistan Asia 1957 30.332 9240934 820.853030 AFG 4
2 Afghanistan Asia 1962 31.997 10267083 853.100710 AFG 4
3 Afghanistan Asia 1967 34.020 11537966 836.197138 AFG 4
4 Afghanistan Asia 1972 36.088 13079460 739.981106 AFG 4

3 Objectifs de l’Atelier

Voici le plan de match. Pour chaque section, des tâches précises vous seront demandées pour explorer progressivement le jeu de données.

3.1 A. Inspection et Gestion des Données

Avant toute analyse, un premier contact avec les données est essentiel pour s’assurer de leur qualité.

  1. Exploration Initiale : Utilisez les méthodes .info() et .describe() pour comprendre la structure, les types de données et les statistiques de base.
  2. Gestion des Valeurs Manquantes :
    • Quantifier le nombre de valeurs manquantes par colonne.
    • Proposer une stratégie simple pour les traiter (suppression) et l’appliquer pour nettoyer le jeu de données.

3.2 B. Manipulation et Agrégation avec Pandas

Nous allons maintenant transformer les données pour répondre à des questions spécifiques.

  1. Sélection & Filtrage :
    • Créez un DataFrame contenant uniquement les données pour l’année 2007.
    • Filtrez ce nouveau DataFrame pour n’afficher que les pays africains.
  2. Groupement & Agrégation (groupby) :
    • Calculez l’espérance de vie moyenne et le PIB par habitant moyen pour chaque continent en 2007.
    • Calculez la population mondiale totale pour chaque année présente dans le jeu de données.

3.3 C. Analyse Exploratoire par la Visualisation (Seaborn)

Un graphique est souvent plus parlant qu’un tableau.

  1. Analyse Univariée :

    • Visualisez la distribution de l’espérance de vie dans le monde en 2007.
    • Visualisez la distribution du PIB par habitant en 2007 (en utilisant une échelle logarithmique).

  2. Analyse Bivariée :

    • Explorez la relation entre gdpPercap et lifeExp pour l’année 2007 avec un nuage de points.
    • Comparez la distribution de lifeExp par continent en 2007 avec des boîtes à moustaches.

  3. Analyse Multivariée et Temporelle :

    • Visualisez l’évolution de l’espérance de vie pour une sélection de pays avec un graphique en lignes.
    • Recréez une version du célèbre graphique de Hans Rosling pour l’année 2007.

4 Atelier Pratique

4.1 Inspection et Gestion des Données

# --- 1. Exploration Initiale ---
print("--- Informations sur le DataFrame ---")
gapminder.info()

print("\n--- Statistiques Descriptives ---")
print(gapminder.describe())


# --- 2. Gestion des Valeurs Manquantes ---
print("\n--- Vérification des Valeurs Manquantes par Colonne ---")
missing_values = gapminder.isnull().sum()
print(missing_values)

# Interprétation et action
if missing_values.sum() == 0:
    print("\nBonne nouvelle ! Il n'y a aucune valeur manquante dans ce jeu de données.")
else:
    print(f"\nIl y a un total de {missing_values.sum()} valeurs manquantes à traiter.")
    print("Pour cet atelier, nous allons opter pour une stratégie simple : la suppression complète des lignes contenant au moins une valeur manquante.")
    
    # Sauvegarde des dimensions avant suppression
    rows_before = gapminder.shape[0]
    
    # Suppression des lignes avec des valeurs manquantes
    # .dropna() supprime les lignes (axis=0) par défaut
    gapminder_cleaned = gapminder.dropna()
    
    rows_after = gapminder_cleaned.shape[0]
    
    print("\nDimensions avant suppression :", (rows_before, gapminder.shape[1]))
    print("Dimensions après suppression :", (rows_after, gapminder_cleaned.shape[1]))
    print(f"Nous avons perdu {rows_before - rows_after} lignes.")
    
    # On remplace le dataframe original par le dataframe nettoyé pour la suite de l'atelier
    gapminder = gapminder_cleaned
    
    # Vérification finale
    print("\nVérification après nettoyage :")
    print(gapminder.isnull().sum().sum(), "valeurs manquantes restantes.")
--- Informations sur le DataFrame ---
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1704 entries, 0 to 1703
Data columns (total 8 columns):
 #   Column     Non-Null Count  Dtype  
---  ------     --------------  -----  
 0   country    1704 non-null   object 
 1   continent  1704 non-null   object 
 2   year       1704 non-null   int64  
 3   lifeExp    1704 non-null   float64
 4   pop        1704 non-null   int64  
 5   gdpPercap  1704 non-null   float64
 6   iso_alpha  1704 non-null   object 
 7   iso_num    1704 non-null   int64  
dtypes: float64(2), int64(3), object(3)
memory usage: 106.6+ KB

--- Statistiques Descriptives ---
             year      lifeExp           pop      gdpPercap      iso_num
count  1704.00000  1704.000000  1.704000e+03    1704.000000  1704.000000
mean   1979.50000    59.474439  2.960121e+07    7215.327081   425.880282
std      17.26533    12.917107  1.061579e+08    9857.454543   248.305709
min    1952.00000    23.599000  6.001100e+04     241.165876     4.000000
25%    1965.75000    48.198000  2.793664e+06    1202.060309   208.000000
50%    1979.50000    60.712500  7.023596e+06    3531.846989   410.000000
75%    1993.25000    70.845500  1.958522e+07    9325.462346   638.000000
max    2007.00000    82.603000  1.318683e+09  113523.132900   894.000000

--- Vérification des Valeurs Manquantes par Colonne ---
country      0
continent    0
year         0
lifeExp      0
pop          0
gdpPercap    0
iso_alpha    0
iso_num      0
dtype: int64

Bonne nouvelle ! Il n'y a aucune valeur manquante dans ce jeu de données.

4.2 Conclusion de l’étape A

Notre jeu de données est maintenant propre et prêt pour l’analyse. Dans ce cas précis, le jeu de données était déjà complet, mais la procédure de vérification et de nettoyage reste une étape non négociable de tout projet d’analyse.

(Le reste de l’atelier utiliserait maintenant le DataFrame gapminder nettoyé pour les étapes B et C, comme défini dans les objectifs).

Back to top