modifs marginales

Author: linogaliana

content/01_data/02_pandas.Rmd

@@ -370,20 +370,22 @@ Comme indiqué précédemment, il faut faire attention aux valeurs manquantes qu
 par défaut, sont traitées comme des 0.
 Il est ainsi recommandé de systématiquement
 ajouter l'argument skipna, par exemple, 
------>
 
 ```{python}
 df.mean(skipna=True)
 ```
 
+----->
+
+
 Le tableau suivant récapitule le code équivalent pour avoir des 
 statistiques sur toutes les colonnes d'un dataframe en `R`. 
 
 
 | Opération                     | SQL            | pandas       | dplyr (`R`)    | data.table (`R`)           |
 |-------------------------------|----------------|--------------|----------------|----------------------------|
 | Nombre de valeurs non manquantes |             | `df.count()`   | `df %>% summarise_each(funs(sum(!is.na(.))))` | `df[, lapply(.SD, function(x) sum(!is.na(x)))]`
-| Moyenne de toutes les variables |  | `df.mean` | `df %>% summarise_each(funs(mean((., na.rm = TRUE))))` | `df[,lapply(.SD, function(x) mean(x, na.rm = TRUE))]`
+| Moyenne de toutes les variables |  | `df.mean()` | `df %>% summarise_each(funs(mean((., na.rm = TRUE))))` | `df[,lapply(.SD, function(x) mean(x, na.rm = TRUE))]`
 | TO BE CONTINUED |
 
 La méthode `describe` permet de sortir un tableau de statistiques 
@@ -410,9 +412,8 @@ df.isnull().sum()
 Les méthodes par défaut de graphique
 (approfondies dans le chapitre matplotlib/seaborn) sont pratiques pour 
 produire rapidement un graphique, notament après des opérations
-complexes de maniement de données
+complexes de maniement de données.
 
-**cf. exo**
 
 ```{python matplotlib}
 fig = df['Déchets'].plot()
@@ -423,6 +424,9 @@ fig = df['Déchets'].plot(kind = 'hist', logy = True)
 plt.show()
 ```
 
+La sortie est un objet `matplotlib`. La *customisation* de ces figures est ainsi
+possible, nous en verrons quelques exemples. 
+
 
 # Accéder à des éléments d'un DataFrame