Relec Kim (visualisation + API) (#302)

* Relec ka 1610 (visualisation + API) (#301)

* typo intro visualisation

* TD matplotlib

* API mini modif

* Automated changes

* Automated changes

* change nom

* Automated changes

* Automated changes

* reordonne

* Automated changes

* Automated changes

Co-authored-by: Kim A <kim.antunez@ensae.fr>
Co-authored-by: github-actions[bot] <github-actions[bot]@users.noreply.github.com>

content/course/manipulation/04c_API_TP/index.qmd

@@ -1,5 +1,5 @@
 ---
-title: "Requêter via des API avec Python"
+title: "Récupérer des données avec des API depuis Python"
 date: 2020-09-08T13:00:00Z
 draft: false
 weight: 80
@@ -764,7 +764,7 @@ les auto-écoles disponibles.
 #| echo: false
 
 # Cette fois on veut bien le centre, pas le contour
-pal = gpd.read_file("https://geo.api.gouv.fr/communes?nom=Palaiseau&limit=1&format=geojson")
+pal = gpd.read_file("https://geo.api.gouv.fr/communes?nom=Palaiseau&format=geojson")
 ```
 
 :two: Voici une fonction pour créer un cercle autour d'un point (source [ici](https://gis.stackexchange.com/questions/289044/creating-buffer-circle-x-kilometers-from-point-using-python/289923))
@@ -798,7 +798,8 @@ circle = pd.DataFrame(b, columns = ['y','x'])
 circle = gpd.GeoDataFrame(circle, geometry=gpd.points_from_xy(circle.y, circle.x), crs = pal.crs)
 ```
 
-:three: Pour se convaincre, on peut représenter une carte
+:three: Pour se convaincre, on peut représenter une carte.
+On a bien un cercle centré autour de Palaiseau:
 
 ```{python}
 import matplotlib.pyplot as plt
@@ -817,14 +818,14 @@ plt.tight_layout(pad=0, h_pad = 0)
 plt.savefig('map_buffer.png', bbox_inches='tight')
 ```
 
-On a bien un cercle centré autour de Palaiseau:
+3. *To be continued*
 
-![](map_buffer.png)
+{{% /box %}}
 
-3. *To be continued*:  améliorer la constitutoin du cercle puis merge spatial 
+<!--  Améliorer la constitution du cercle puis merge spatial -->
 
+
 
-{{% /box %}}
 
 # Exercices supplémentaires
 

content/course/visualisation/index.qmd

@@ -8,17 +8,17 @@ icon_pack: fas
 #linktitle: Partie 2: visualisation
 summary: |
   Cette partie présente les outils pour visualiser des
-  données avec Python, qu'il s'agisse de graphiques
-  figés (matplotlib, seaborn, geoplot...) ou de
-  visualisation réactives (plotly, folium, etc.)
+  données avec `Python`, qu'il s'agisse de graphiques
+  figés (`matplotlib`, `seaborn`, `geoplot`...) ou de
+  visualisation réactives (`plotly`, `folium`, etc.)
 slug: visualisation
 type: book
 weight: 30
 ---
 
 
 
-L'écosystème `Python` pour la valrisation de données est très riche. Il est
+L'écosystème `Python` pour la valorisation de données est très riche. Il est
 possible de consacrer des livres entiers à celui-ci. 
 Dans le domaine de la visualisation, le parti pris est d'explorer quelques
 librairies centrales à partir d'un nombre restreint d'exemples en

content/course/visualisation/matplotlib/index.qmd

@@ -86,7 +86,7 @@ est une ressource qu'il est utile de consulter régulièrement.
 **Exercice 1 : Importer les données et produire un premier graphique**
 
 1. Importer les données de compteurs de vélos. Vous pouvez utiliser l'url <https://github.com/linogaliana/python-datascientist/raw/master/data/bike.csv>. :warning: Il s'agit de données
-compressées au format `gzip`, il faut donc utiliser l'option `compression`
+compressées au format `gzip`, il faut donc utiliser l'option `compression = 'gzip'`
 
 ```{python}
 #| include: false
@@ -101,7 +101,7 @@ df.head()
 2. En premier lieu, sans se préoccuper des éléments de style ni des labels des
 graphiques, reproduire les deux premiers graphiques de la
 [page d'analyse des données](https://opendata.paris.fr/explore/dataset/comptage-velo-donnees-compteurs/dataviz/?disjunctive.id_compteur&disjunctive.nom_compteur&disjunctive.id&disjunctive.name):
-*Les 10 compteurs avec la moyenne horaire la plus élevée* et *Les 10 compteurs ayant comptabilisés le plus de vélos*.
+*Les 10 compteurs avec la moyenne horaire la plus élevée* et *Les 10 compteurs ayant comptabilisés le plus de vélos*. Les valeurs chiffrées des graphiques seront différentes de celles de la page en ligne, c'est normal, nous travaillons sur des données plus anciennes. 
 
 ```{python}
 #| include: false
@@ -375,7 +375,7 @@ Le package `Plotly` est une surcouche à la librairie Javascript
 très flexible afin de produire des objets réactifs sans avoir à recourir
 à Javascript.
 
-Le point d'entrée recommandé est le module `Plotly Express`
+Le point d'entrée recommandé est le module `plotly.express`
 ([documentation ici](https://plotly.com/python/plotly-express/)) qui offre une arborescence
 riche mais néanmoins intuitive pour construire des graphiques
 (objets `plotly.graph_objects.Figure`) pouvant être modifiés *a posteriori*
@@ -423,7 +423,7 @@ from IPython.display import HTML #pour afficher les graphs
 
 L'objectif est de reconstuire le premier diagramme en barre rouge avec `plotly`. 
 
-1. Réalisez le graphique en utilisant la fonction adéquate avec `Plotly Express` et...
+1. Réalisez le graphique en utilisant la fonction adéquate avec `plotly.express` et...
 * Ne pas prendre le
 thème par défaut mais un à fond blanc, pour avoir un résultat ressemblant
 à celui proposé sur le site de l'*open-data*.