diff --git a/content/course/manipulation/04c_API_TP/index.qmd b/content/course/manipulation/04c_API_TP/index.qmd index 3e2c861e6..b4632d1e0 100644 --- a/content/course/manipulation/04c_API_TP/index.qmd +++ b/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 + + -{{% /box %}} # Exercices supplémentaires diff --git a/content/course/visualisation/index.qmd b/content/course/visualisation/index.qmd index 5e0b1adad..4dff4dd7c 100644 --- a/content/course/visualisation/index.qmd +++ b/content/course/visualisation/index.qmd @@ -8,9 +8,9 @@ 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 @@ -18,7 +18,7 @@ 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 diff --git a/content/course/visualisation/matplotlib/index.qmd b/content/course/visualisation/matplotlib/index.qmd index 570e14732..41775aae0 100644 --- a/content/course/visualisation/matplotlib/index.qmd +++ b/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 . :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*.