Shortcode rawhtml (#354)

* premier rawhtml

* raw

* rawhtml

* topojson

* update

* Update index.qmd

* Automated changes

* Automated changes

---------

Co-authored-by: github-actions[bot] <github-actions[bot]@users.noreply.github.com>

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

@@ -693,13 +693,13 @@ m.fit_bounds([sw, ne])
 
 La carte obtenue doit ressembler à la suivante:
 
-{{< rawhtml >}}
+{{{< rawhtml >}}}
 ```{python}
 #| echo : false
 # Afficher la carte
 m
 ```
-{{< /rawhtml >}}
+{{{< /rawhtml >}}}
 
 
 # Récupérer des informations sur les pokemons

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

@@ -278,13 +278,13 @@ def interactive_map_dpe(dpe):
 m = interactive_map_dpe(dpe)
 ```
 
-{{< rawhtml >}}
+{{{< rawhtml >}}}
 ```{python}
 #| echo : false
 # Afficher la carte
 m
 ```
-{{< /rawhtml >}}
+{{{< /rawhtml >}}}
 
 On remarque un problème dans les données: un logement qui n'a
 rien à voir avec les autres. Il faudrait donc idéalement
@@ -328,13 +328,13 @@ dpe_geo_filter = get_dpe_from_url(url_api)
 m_geo_filter = interactive_map_dpe(dpe)
 ```
 
-{{< rawhtml >}}
+{{{< rawhtml >}}}
 ```{python}
 #| echo : false
 # Afficher la carte
 m_geo_filter
 ```
-{{< /rawhtml >}}
+{{{< /rawhtml >}}}
 
 ## Un catalogue incomplet d'API existantes
 
@@ -520,13 +520,13 @@ m.fit_bounds([sw, ne])
 m
 ```
 
-{{< rawhtml >}}
+{{{< rawhtml >}}}
 ```{python}
 #| echo : false
 # Afficher la carte
 m
 ```
-{{< /rawhtml >}}
+{{{< /rawhtml >}}}
 
 
 
@@ -748,13 +748,13 @@ m.fit_bounds([sw, ne])
 
 Ce qui permet d'obtenir la carte:
 
-{{< rawhtml >}}
+{{{< rawhtml >}}}
 ```{python}
 #| echo : false
 # Afficher la carte
 m
 ```
-{{< /rawhtml >}}
+{{{< /rawhtml >}}}
 
 Vous pouvez aller plus loin avec l'exercice suivant.
 Celui-ci nécessite 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)),

content/course/modelisation/6_pipeline/index.qmd

@@ -142,15 +142,15 @@ set_config(display='diagram')
 pipe
 ~~~
 
-{{< rawhtml >}}
+{{{< rawhtml >}}}
 
 ```{python}
 #| output: asis
 #| echo: false
 print(estimator_html_repr(pipe))
 ```
 
-{{< /rawhtml >}}
+{{{< /rawhtml >}}}
 
 Au sein d'une étape de *pipeline*, les paramètres d'un estimateur
 sont accessibles avec la notation `<estimator>__<parameter>`.
@@ -165,15 +165,15 @@ param_grid = {"reduce_dim__n_components":[2, 5, 10], "clf__C":[0.1, 10, 100]}
 grid_search = GridSearchCV(pipe, param_grid=param_grid)
 ```
 
-{{< rawhtml >}}
+{{{< rawhtml >}}}
 
 ```{python}
 #| output: asis
 #| echo: false
 print(estimator_html_repr(grid_search))
 ```
 
-{{< /rawhtml >}}
+{{{< /rawhtml >}}}
 
 
 ## Données utilisées
@@ -396,15 +396,15 @@ ce _pipeline_ opère:
 pipe
 ~~~
 
-{{< rawhtml >}}
+{{{< rawhtml >}}}
 
 ```{python}
 #| output: asis
 #| echo: false
 print(estimator_html_repr(pipe))
 ```
 
-{{< /rawhtml >}}
+{{{< /rawhtml >}}}
 
 
 Maintenant, il ne reste plus qu'à estimer notre modèle sur l'ensemble
@@ -615,16 +615,15 @@ end_time = time.time()
 print("Elapsed time : {} seconds", int(end_time - start_time))
 ```
 
-{{< rawhtml >}}
+{{{< rawhtml >}}}
 
 ```{python}
 #| output: asis
 #| echo: false
 print(estimator_html_repr(grid_search))
 ```
 
-{{< /rawhtml >}}
-
+{{{< /rawhtml >}}}
 
 ```{python}
 #| echo: false
@@ -645,15 +644,15 @@ grid_search.best_estimator_
 ~~~
 
 
-{{< rawhtml >}}
+{{{< rawhtml >}}}
 
 ```{python}
 #| output: asis
 #| echo: false
 print(estimator_html_repr(grid_search.best_estimator_))
 ```
 
-{{< /rawhtml >}}
+{{{< /rawhtml >}}}
 
 Toutes les performances sur les ensembles d'échantillons et de test sur la grille
 d'hyperparamètres sont disponibles dans l'attribut:
@@ -971,15 +970,15 @@ pipe2 = Pipeline([
 ])
 ```
 
-{{< rawhtml >}}
+{{{< rawhtml >}}}
 
 ```{python}
 #| output: asis
 #| echo: false
 print(estimator_html_repr(pipe2))
 ```
 
-{{< /rawhtml >}}
+{{{< /rawhtml >}}}
 
 ```{python}
 preprocessor = ColumnTransformer(
@@ -991,15 +990,15 @@ pipe3 = Pipeline(steps=[('preprocessor', preprocessor),
                       ('randomforest', regr)])
 ```
 
-{{< rawhtml >}}
+{{{< rawhtml >}}}
 
 ```{python}
 #| output: asis
 #| echo: false
 print(estimator_html_repr(pipe3))
 ```
 
-{{< /rawhtml >}}
+{{{< /rawhtml >}}}
 
 # Références
 

content/course/visualisation/maps/index.qmd

@@ -590,14 +590,13 @@ m.fit_bounds([sw, ne])
 
 
 
-{{< rawhtml >}}
+{{{< rawhtml >}}}
 ```{python}
 #| echo : false
 # Afficher la carte
 m
 ```
-{{< /rawhtml >}}
-
+{{{< /rawhtml >}}}
 
 ::: {.cell .markdown}
 ```{=html}
@@ -654,13 +653,13 @@ m.fit_bounds([sw, ne])
 
 La carte obtenue doit ressembler à la suivante:
 
-{{< rawhtml >}}
+{{{< rawhtml >}}}
 ```{python}
 #| echo : false
 # Afficher la carte
 m
 ```
-{{< /rawhtml >}}
+{{{< /rawhtml >}}}
 
 # Exercices supplémentaires
 
@@ -672,7 +671,14 @@ parisiens et communes dans les autres villes.
 
 Nous allons privilégier une carte à ronds proportionnels (_bubble map_)
 aux cartes chorolèpthes qui trompent
-l'oeil. 
+l'oeil. Les instructions d'installation du package `topojson`
+sont disponibles dans la partie manipulation
+
+```{python}
+#| echo: false
+#| output: false
+!pip install topojson
+```
 
 ::: {.cell .markdown}
 ```{=html}
@@ -713,8 +719,11 @@ from cartiflette.s3 import download_vectorfile_url_all
 # 1/ Fonds communaux
 df = download_vectorfile_url_all(
     values = ["75", "92", "93", "94"],
-    level="COMMUNE_ARRONDISSEMENT",
-    decoupage="departement")
+    crs=4326,
+    borders="COMMUNE_ARRONDISSEMENT",
+    filter_by="DEPARTEMENT",
+    source="EXPRESS-COG-CARTO-TERRITOIRE",
+    year=2022)
 # 2/ Lambert 93
 df = df.to_crs(2154) 
 # 3/ Départements