1. Importez le fichier « Produits.xlsx » dans un dataframe intitulé « produits »

#Chargement du module pandas
import pandas as pd
#création du dataframe "produits"
produits = pd.read_excel("D:/ENSEIGNEMENTS/2021 - 2022/DATA SCIENCE/PARTIE 2/Produits.xlsx")

2. Affichez les 7 premières lignes du dataframe « produits »

produits.head(7)

	Nom	Categorie	Origine	Ville	Prix	Stock	Valeur
0	Alice Mutton	Viandes	CEE	Lyon	195.0	0	0.0
1	Aniseed Syrup	Condiments	Exterieur	Paris	50.0	25	1250.0
2	Boston Crab Meat	Poissons et fruits de mer	Exterieur	Paris	92.0	30	2760.0
3	Camembert Pierrot	Produits laitiers	Exterieur	Paris	170.0	0	0.0
4	Carnarvon Tigers	Poissons et fruits de mer	Exterieur	Lyon	312.5	0	0.0
5	Chai	Boissons	CEE	Lyon	90.0	10	900.0
6	Chang	Boissons	Exterieur	Lyon	95.0	25	2375.0

3. Affichez les 5 dernières lignes : tail()

produits.tail(5)

	Nom	Categorie	Origine	Ville	Prix	Stock	Valeur
72	Uncle Bob's Organic Dried Pears	Produits secs	Exterieur	Paris	150.00	10	1500.0
73	Valkoinen suklaa	Desserts	CEE	Paris	81.25	30	2437.5
74	Vegie-spread	Condiments	Exterieur	Paris	219.50	5	1097.5
75	Wimmers gute Semmelknödel	Pâtes et cereales	CEE	Lyon	166.25	30	4987.5
76	Zaanse koeken	Desserts	Exterieur	Lyon	47.50	0	0.0

4. Affichez un aperçu des caractéristiques des variables quantitatives.

produits.describe()

	Prix	Stock	Valeur
count	77.000000	77.000000	77.000000
mean	144.331818	12.467532	1507.798701
std	169.075557	10.931105	2585.013287
min	12.500000	0.000000	0.000000
25%	66.250000	0.000000	0.000000
50%	97.500000	10.000000	900.000000
75%	166.250000	25.000000	1950.000000
max	1317.500000	30.000000	19762.500000

La moyenne du Prix est 144.33, L'écart type du Stock est 10.93

5. Affichez un résumé de toutes les variables.

produits.dtypes

Nom           object
Categorie     object
Origine       object
Ville         object
Prix         float64
Stock          int64
Valeur       float64
dtype: object

Les variables Prix, Stock et Valeur sont numériques. Les variables Nom, Categorie, Origine et Ville sont catégorielle.

6. Affichez les noms, catégories, origines et prix des produits dont la catégorie est « Boissons »

produits.loc[(produits["Categorie"]=="Boissons"),["Nom", "Categorie", "Origine", "Prix"]]

	Nom	Categorie	Origine	Prix
5	Chai	Boissons	CEE	90.00
6	Chang	Boissons	Exterieur	95.00
7	Chartreuse verte	Boissons	Exterieur	90.00
11	Côte de Blaye	Boissons	CEE	1317.50
21	Guaraná Fantástica	Boissons	Exterieur	22.50
28	Ipoh Coffee	Boissons	Exterieur	230.00
31	Lakkalikööri	Boissons	CEE	90.00
32	Laughing Lumberjack Lager	Boissons	CEE	70.00
45	Outback Lager	Boissons	Exterieur	75.00
53	Rhönbräu Klosterbier	Boissons	CEE	38.75
57	Sasquatch Ale	Boissons	CEE	70.00
65	Steeleye Stout	Boissons	Exterieur	90.00

7. Affichez les noms, catégories, origines et prix des produits dont la catégorie est « Boissons » et le prix supérieur à 100

produits.loc[((produits["Categorie"]=="Boissons")&(produits["Prix"]>100)),["Nom", "Categorie", "Origine", "Prix"]]

	Nom	Categorie	Origine	Prix
11	Côte de Blaye	Boissons	CEE	1317.5
28	Ipoh Coffee	Boissons	Exterieur	230.0

8. Affichez les noms, catégories, origines et prix des produits dont la catégorie est « Boissons » et le prix supérieur à 100 et l’origine est « CEE »

produits.loc[((produits["Categorie"]=="Boissons")&(produits["Prix"]>100)&(produits["Origine"]=="CEE")),
             ["Nom", "Categorie", "Origine", "Prix"]]

	Nom	Categorie	Origine	Prix
11	Côte de Blaye	Boissons	CEE	1317.5

9. Affichez les noms, catégories, origines et prix des produits dont la catégorie est « Boissons » et l’origine « CEE » ; ou bien la catégorie est « Condiments »

produits.loc[(((produits["Categorie"]=="Boissons") & (produits["Origine"]=="CEE")) | (produits["Categorie"]=="Condiments"))
             ,["Nom", "Categorie", "Origine", "Prix"]]

	Nom	Categorie	Origine	Prix
1	Aniseed Syrup	Condiments	Exterieur	50.00
5	Chai	Boissons	CEE	90.00
8	Chef Anton's Cajun Seasoning	Condiments	CEE	110.00
9	Chef Anton's Gumbo Mix	Condiments	CEE	106.75
11	Côte de Blaye	Boissons	CEE	1317.50
16	Genen Shouyu	Condiments	CEE	77.50
19	Grandma's Boysenberry Spread	Condiments	Exterieur	125.00
23	Gula Malacca	Condiments	CEE	97.25
31	Lakkalikööri	Boissons	CEE	90.00
32	Laughing Lumberjack Lager	Boissons	CEE	70.00
34	Louisiana Fiery Hot Pepper Sauce	Condiments	CEE	105.25
35	Louisiana Hot Spiced Okra	Condiments	CEE	85.00
42	Northwoods Cranberry Sauce	Condiments	Exterieur	200.00
44	Original Frankfurter grüne Soße	Condiments	Exterieur	65.00
53	Rhönbräu Klosterbier	Boissons	CEE	38.75
57	Sasquatch Ale	Boissons	CEE	70.00
63	Sirop d'erable	Condiments	Exterieur	142.50
74	Vegie-spread	Condiments	Exterieur	219.50

10. Affichez les noms, catégories, origines et prix des produits dont le prix est compris entre 70 et 100.

produits.loc[(produits["Prix"]>70) & (produits["Prix"]<100) ,["Nom", "Categorie", "Origine", "Prix"]]

	Nom	Categorie	Origine	Prix
2	Boston Crab Meat	Poissons et fruits de mer	Exterieur	92.00
5	Chai	Boissons	CEE	90.00
6	Chang	Boissons	Exterieur	95.00
7	Chartreuse verte	Boissons	Exterieur	90.00
16	Genen Shouyu	Condiments	CEE	77.50
23	Gula Malacca	Condiments	CEE	97.25
27	Inlagd Sill	Poissons et fruits de mer	Exterieur	95.00
31	Lakkalikööri	Boissons	CEE	90.00
35	Louisiana Hot Spiced Okra	Condiments	CEE	85.00
45	Outback Lager	Boissons	Exterieur	75.00
47	Pavlova	Desserts	CEE	87.25
52	Ravioli Angelo	Pâtes et cereales	Exterieur	97.50
54	Röd Kaviar	Poissons et fruits de mer	CEE	75.00
65	Steeleye Stout	Boissons	Exterieur	90.00
73	Valkoinen suklaa	Desserts	CEE	81.25

11.Listez les 15 produits les moins chers

produits.sort_values(by=["Prix"], ascending=True).head(15)

	Nom	Categorie	Origine	Ville	Prix	Stock	Valeur
15	Geitost	Produits laitiers	CEE	Lyon	12.50	20	250.00
21	Guaraná Fantástica	Boissons	Exterieur	Lyon	22.50	0	0.00
30	Konbu	Poissons et fruits de mer	CEE	Lyon	30.00	5	150.00
13	Filo Mix	Pâtes et cereales	Exterieur	Paris	35.00	25	875.00
70	Tourtière	Viandes	CEE	Paris	37.25	10	372.50
53	Rhönbräu Klosterbier	Boissons	CEE	Paris	38.75	25	968.75
71	Tunnbröd	Pâtes et cereales	CEE	Paris	45.00	25	1125.00
67	Teatime Chocolate Biscuits	Desserts	Exterieur	Lyon	46.00	5	230.00
55	Røgede sild	Poissons et fruits de mer	Exterieur	Paris	47.50	15	712.50
76	Zaanse koeken	Desserts	Exterieur	Lyon	47.50	0	0.00
29	Jack's New England Clam Chowder	Poissons et fruits de mer	Exterieur	Lyon	48.25	10	482.50
33	Longlife Tofu	Produits secs	Exterieur	Lyon	50.00	5	250.00
1	Aniseed Syrup	Condiments	Exterieur	Paris	50.00	25	1250.00
62	Sir Rodney's Scones	Desserts	CEE	Lyon	50.00	5	250.00
64	Spegesild	Poissons et fruits de mer	Exterieur	Lyon	60.00	0	0.00

12. Affichez la moyenne des prix de tous les produits par catégorie

produits.groupby("Categorie").agg({"Prix":"mean"})

	Prix
Categorie
Boissons	189.895833
Condiments	115.312500
Desserts	125.800000
Poissons et fruits de mer	103.412500
Produits laitiers	143.650000
Produits secs	161.850000
Pâtes et cereales	101.250000
Viandes	270.033333

13. Affichez le minimum et le maximum des prix de tous les produits par catégorie

produits.groupby("Categorie").agg({"Prix":"min"})

	Prix
Categorie
Boissons	22.50
Condiments	50.00
Desserts	46.00
Poissons et fruits de mer	30.00
Produits laitiers	12.50
Produits secs	50.00
Pâtes et cereales	35.00
Viandes	37.25

produits.groupby("Categorie").agg({"Prix":"max"})

	Prix
Categorie
Boissons	1317.50
Condiments	219.50
Desserts	405.00
Poissons et fruits de mer	312.50
Produits laitiers	275.00
Produits secs	265.00
Pâtes et cereales	190.00
Viandes	618.95

14. Affichez la moyenne des prix des produits de type « Boissons » par origine

produits.loc[produits["Categorie"]=="Boissons",:].groupby("Origine").agg({"Prix":"mean"})

	Prix
Origine
CEE	279.375000
Exterieur	100.416667

15. Affichez le nombre de produits par catégorie

produits.groupby("Categorie").agg({"Nom":"count"})

	Nom
Categorie
Boissons	12
Condiments	12
Desserts	13
Poissons et fruits de mer	12
Produits laitiers	10
Produits secs	5
Pâtes et cereales	7
Viandes	6

16. Importez le fichier « Census.xlsx » dans un dataframe et affichez les 5 premières lignes (préciser la feuille « Adult » lors de l’importation du fichier).

census = pd.read_excel("Census.xlsx", sheet_name="adult")

census.head()

	age	workclass	education	marital_status	occupation	relationship	race	sex	hours_per_week	native_country	classe
0	41	State-gov	Masters	Married-civ-spouse	Exec-managerial	Husband	White	Male	50	United-States	more
1	50	Private	Masters	Divorced	Sales	Not-in-family	White	Female	50	United-States	more
2	24	Private	7th-8th	Separated	Machine-op-inspct	Own-child	White	Male	40	United-States	less
3	27	Without-pay	HS-grad	Never-married	Farming-fishing	Own-child	White	Female	40	United-States	less
4	50	Private	HS-grad	Married-civ-spouse	Craft-repair	Husband	White	Male	40	United-States	less

17.Combien y’a-t-il de variables et d’observations ?

census.shape

(48842, 11)

Il y'a 11 variables et 48842 individus

18. Quelle est la distribution des valeurs de la colonne « sex » ?

census["sex"].value_counts()

Male      32650
Female    16192
Name: sex, dtype: int64

19. Quelle est la distribution des valeurs de la colonne « class » ?

census["classe"].value_counts()

less    37155
more    11687
Name: classe, dtype: int64

20. Croiser les variables « classe » et « sex ».

pd.crosstab(census["sex"], census["classe"])

classe	less	more
sex
Female	14423	1769
Male	22732	9918

pd.crosstab(census["sex"], census["classe"], normalize=True, margins=True)

classe	less	more	All
sex
Female	0.295299	0.036219	0.331518
Male	0.465419	0.203063	0.668482
All	0.760718	0.239282	1.000000

La proportion des more dans l'échantillon global est de 23.93%

pd.crosstab(census["sex"], census["classe"], normalize="index")

classe	less	more
sex
Female	0.890749	0.109251
Male	0.696233	0.303767

La proportion des "more" parmi les hommes est de 30.38%

La proportion des "more" parmi les femmes est de 10.92%