Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
Scribd Logo
Importer

Bienvenue sur Scribd !

  • 2 vues

    Correction TP

    Transféré par

    Oscar roméo AÏDAM

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd

    Correction TP

    Transféré par

    Oscar roméo AÏDAM
    2 vues3 pages

    Copyright

    © © All Rights Reserved

    Formats disponibles

    PDF, TXT ou lisez en ligne sur Scribd

    Avez-vous trouvé ce document utile ?

    Ce contenu est-il inapproprié ?

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    2 vues3 pages

    Correction TP

    Transféré par

    Oscar roméo AÏDAM

    Droits d'auteur :

    © All Rights Reserved
    Téléchargez comme PDF, TXT ou lisez en ligne sur Scribd
    Télécharger au format pdf ou txt
    sur 3

    Corrigé du TP d'analyse de données avec Iris

    import numpy as np # Pour les calculs numériques

    import pandas as pd # Pour manipuler les données sous forme de tableaux

    import matplotlib.pyplot as plt # Pour la visualisation graphique

    from sklearn import datasets # Pour charger le dataset Iris

    # Chargement du dataset Iris intégré dans sklearn

    iris= datasets.load_iris()

    # Création d'un DataFrame pandas à partir des données brutes

    data = iris['data'] #Indexer la clé ‘data’ dans le dictionnaire ‘iris’

    data = pd.DataFrame(data, columns=iris["feature_names"]) # Créer un dataframe avec les


    données avec les noms des attributs pour noms de colonnes.

    print(data.head()) # Aperçu des 5 premières lignes du DataFrame

    # =====================================

    # Partie 1 : Manipulation des données

    # =====================================

    # Extraction des colonnes concernant les pétales sous forme d'un tableau NumPy

    petal_data = data[['petal length (cm)', 'petal width (cm)']].to_numpy()

    # Calcul de la moyenne et de la variance de la longueur des pétales

    mean_petal_length = np.mean(petal_data[:, 0]) # Moyenne de la longueur des pétales

    variance_petal_length = np.var(petal_data[:, 0]) # Variance de la longueur des pétales

    # Comptage des pétales dont la largeur dépasse 1 cm

    petal_width_greater_than_1 = np.sum(petal_data[:, 1] > 1)

    # Affichage des résultats


    print(f"Longueur moyenne des pétales : {mean_petal_length}")

    print(‘Variance de la longueur des pétales :’, variance_petal_length’)

    print(‘Nombre de largeurs de pétales > 1 cm :’ , petal_width_greater_than_1’)

    # =================================

    # Partie 2 : Visualisation

    # =================================

    # 1. Histogramme des longueurs des pétales

    plt.hist(data['petal length (cm)'], bins=20, color='blue', alpha=0.7)

    plt.title("Distribution des longueurs des pétales")

    plt.xlabel("Longueur des pétales (cm)")

    plt.ylabel("Fréquence")

    plt.show() # Affichage de l'histogramme

    # 2. Scatter plot entre ‘sepal_length’ et ‘sepal_width’

    plt.figure(figsize=(8, 6)) # Définir la taille du graphique

    # Ajout des titres, labels et légendes

    plt.title("Relation entre longueur et largeur des sépales")

    plt.xlabel("Longueur des sépales (cm)")

    plt.ylabel("Largeur des sépales (cm)")

    plt.legend() # Ajout de la légende pour identifier les espèces

    plt.show()

    Questions générales

    1. Qu’est-ce que la moyenne et pourquoi est-elle importante ?

    o La moyenne représente la valeur centrale d’une caractéristique. Elle aide à


    comprendre la tendance générale des données.

    2. À quoi sert de calculer la variance d’une caractéristique ?

    o La variance mesure la dispersion des données. Une variance élevée indique


    une grande diversité dans les valeurs.

    3. Pourquoi est-il utile d’utiliser un DataFrame Pandas ?


    o Pandas offre des outils pratiques pour manipuler, analyser et afficher les
    données de manière intuitive (par exemple, indexation par colonnes,
    filtrage).

    4. Que signifie np.sum(petal_data[:, 1] > 1) ?

    o Cela compte le nombre de valeurs dans la 2ᵉ colonne (petal width) qui sont
    supérieures à 1.

    Vous aimerez peut-être aussi