Aller au contenu
Apprendre.
  • M1 · toutes les matières15 matières : Préparation de données, API & sécurité, CI/CD, Docker, Merise, Dataviz, KNIME, ML appliqué : projet LoL, SQL & UML, SQL avancé, Machine Learning, Git, IA frugale & responsable, Qualité des données, MathématiquesAnnée
  • M2 · toutes les matières4 matières : Deep Learning, AI Act, Comex & Fundraising, Gouvernance & DataMeshAnnée
  • Deep LearningM2 · 4 modules · Réseaux de neurones, CNN, texte, modèles génératifs.Matière
  • Préparation de donnéesM1 · 3 modules · Nettoyer, transformer et fusionner des données avec Python.Matière
  • API & sécuritéM1 · 2 modules · Consommer, concevoir et sécuriser des API.Matière
  • CI/CDM1 · 1 module · Intégration et livraison continues.Matière
  • DockerM1 · 3 modules · Conteneurs, images, volumes, réseaux, Compose.Matière
  • MeriseM1 · 2 modules · Modéliser une base : MCD, MLD, MPD.Matière
  • DatavizM1 · 2 modules · Visualiser pour comprendre et décider.Matière
  • KNIMEM1 · 1 module · Explorer et nettoyer des données en workflow.Matière
  • ML appliqué : projet LoLM1 · 2 modules · Du besoin métier au POC de vision par ordinateur.Matière
  • SQL & UMLM1 · 3 modules · Modèles UML et requêtes SQL.Matière
  • SQL avancéM1 · 3 modules · Jointures, fenêtres, CTE, optimisation.Matière
  • Machine LearningM1 · 3 modules · Régression, classification, segmentation, projet.Matière

↑↓ naviguer↵ ouvre le résultat en surbrillanceesc fermer

Partie 2 · Python et projet

Le style du graphique

Au-delà du style global, chaque graphique se configure : titre, labels des axes, rotation des étiquettes, ordre des catégories, limites d'axes, palette de couleurs, nombre de classes (bins), transparence (alpha), taille des points, légende, annotations, format des nombres et suppression des éléments inutiles.

Le cours oppose un exemple pauvre à un graphique soigné :

sns.countplot(data=df, x="city")
plt.show()
plt.figure(figsize=(12, 6))
sns.countplot(data=df, x="ville",
    order=df["ville"].value_counts().index)
plt.title("Nombre d'observations par ville")
plt.xlabel("Ville")
plt.ylabel("Effectif")
plt.xticks(rotation=45)
plt.tight_layout()
plt.show()
sans titre, sans libellésNombre d'observations par villetitre, axes, ordre, rotation

Vérifie que tu as compris

Dans le second code, que fait l'argument order=df["ville"].value_counts().index ?

Vérifie que tu as compris

À quoi sert plt.xticks(rotation=45) ?

Vérifie que tu as compris

Quel est le rôle de plt.tight_layout() ?

Fonction de chaque instruction : plt.figure(figsize=(12, 6)) fixe la taille ; sns.countplot compte les observations par catégorie ; plt.title, plt.xlabel, plt.ylabel nomment le graphique et ses axes ; plt.show() l'affiche.