Force build for pandas chapters

Author: linogaliana

.github/workflows/prod.yml

@@ -14,23 +14,23 @@ jobs:
       -
         name: Set up QEMU
         if: ${{ github.repository == 'linogaliana/python-datascientist' }}
-        uses: docker/setup-qemu-action@v1
+        uses: docker/setup-qemu-action@v3
       -
         name: Set up Docker Buildx
         if: ${{ github.repository == 'linogaliana/python-datascientist' }}
-        uses: docker/setup-buildx-action@v1
+        uses: docker/setup-buildx-action@v3
       -
         name: Login to DockerHub
         if: ${{ github.repository == 'linogaliana/python-datascientist' }}
-        uses: docker/login-action@v1 
+        uses: docker/login-action@v3 
         with:
           username: ${{ secrets.DOCKERHUB_USERNAME }}
           password: ${{ secrets.DOCKERHUB_TOKEN }}
       -
         name: Build and push
         if: ${{ github.repository == 'linogaliana/python-datascientist' }}
         id: docker_build
-        uses: docker/build-push-action@v2
+        uses: docker/build-push-action@v6
         env:
           GITHUB_PAT: ${{ secrets.PAT }}
         with:
@@ -147,13 +147,14 @@ jobs:
       - name: Define matrix
         id: set-matrix
         run: |
-          echo "::set-output name=matrix::$(find . -type f -name "*.ipynb" \
+          echo "matrix=$(find . -type f -name "*.ipynb" \
             ! -name "_*" \
             ! -regex '.*/getting-started/.*' \
             ! -regex '.*/modern-ds/.*' \
             ! -regex '.*/manipulation/04a_webscraping_TP.*' \
             ! -regex '.*/NLP/05_exo_supp.*' \
-            | jq -R -s -c 'split("\n")[:-1]')"
+            | jq -R -s -c 'split("\n")[:-1]')" >> $GITHUB_OUTPUT
+
   
   check:
     needs: define-matrix

content/manipulation/02_pandas_intro.qmd

@@ -24,6 +24,7 @@ links:
   name: Documentation Pandas
   url: https://pandas.pydata.org/docs/
 echo: false
+eval: false
 ---
 
 ::: {.content-visible when-format="html"}

content/manipulation/02_pandas_suite.qmd

@@ -24,6 +24,7 @@ links:
 - icon: journal-text
   name: Documentation Pandas
   url: https://pandas.pydata.org/docs/
+eval: false
 ---
 
 ::: {.content-visible when-format="html"}

content/visualisation/index.qmd

@@ -15,6 +15,7 @@ bibliography: ../../reference.bib
 
 # Introduction
 
+::: {.content-visible when-profile="fr"}
 Une partie essentielle du travail du _data scientist_
 consiste à synthétiser l'information que
 contient ses 
@@ -41,7 +42,36 @@ sur un _DataFrame_ `Pandas`, notre connaissance des données serait assez
 limitée. La mise en oeuvre de tableaux stylisés à partir
 de `great tables` constituait déjà un progrès dans cette démarche mais, en vérité,
 notre cerveau se représente l'information de manière beaucoup plus intuitive
-par le biais de visualisations graphiques simples. 
+par le biais de visualisations graphiques simples que dans un tableau. 
+:::
+
+::: {.content-visible when-profile="en"}
+An essential part of the work of a _data scientist_
+is to synthesize the information contained
+in their datasets in order to distinguish
+what constitutes the signal, which they 
+can focus on, and what constitutes
+the noise inherent in any dataset. 
+In the work of a _data scientist_, during an exploratory phase,
+there is a constant back-and-forth between synthesized information
+and disaggregated datasets. It 
+is therefore essential to know how to synthesize the information
+in a dataset before grasping its structure, which
+can then guide further analyses,
+whether for a modeling phase or data correction
+(anomaly detection or bad data retrieval).
+
+We have already explored a key part of this work,
+namely the construction of relevant
+and reliable descriptive statistics. However, if we were content
+to present information using raw outputs from the `groupby` and `agg`
+combo on a `Pandas` _DataFrame_, our understanding of the data would be quite
+limited. The implementation of stylized tables using
+`great tables` was already a step forward in this process but, in truth,
+our brain processes information much more intuitively
+through simple graphical visualizations than through a table.
+:::
+
 
 ## La visualisation des données, une part essentiel du travail de communication
 
@@ -53,7 +83,7 @@ de grands volumes d'information. En tant que _data scientist_, cela signifie
 qu'utiliser nos compétences informatiques et statistiques pour obtenir
 des représentations synthétiques de nos nombreux jeux de données est
 essentiel pour être en mesure de répondre à nos besoins opérationnels ou
-statistiques. 
+scientifiques. 
 L'ensemble des méthodes et des outils qui constituent la boîte à outil
 des _data scientists_ vise à simplifier l'appréhension puis l'exploitation
 de jeux de données dont le volume dépasse nos capacités cognitives. 
@@ -72,7 +102,11 @@ une certaine mise en contexte pour porter du sens.
 La visualisation de données joue un rôle crucial dans le
 processus d'analyse de données en fournissant des moyens visuels pour explorer, interpréter et communiquer des informations.
 Elle facilite la communication entre experts de la données, décideurs et grand public,
-en permettant de raconter des histoires basées sur les données de manière plus convaincante et engageante.
+en permettant aux derniers de bénéficier du travail rigoureux des premiers pour donner
+sens aux données sans la connaissance des subtilités conceptuelles qui ont permis
+de synthétiser l'information contenue dans celle-ci. 
+
+
 
 ## La place de la visualisation dans le processus de valorisation de la donnée
 
@@ -392,7 +426,7 @@ en barre...) pour synthétiser certaines informations quantitatives ;
     + Les graphiques réactifs s'appuieront sur `Plotly`
 - Dans un deuxième temps, nous présenterons les représentations
 cartographiques:
-    + Les cartes fixes avec `Geopandas` ou `Geoplot`
+    + Les cartes figées à partir de `Geopandas` ou de `plotnine`
     + Les cartes réactives avec `Folium` (adaptation `Python` de la librairie `Leaflet.js`)
 
 
@@ -421,13 +455,14 @@ de l'année dans la veine du [_data scrollytelling_](https://makina-corpus-blog-
 ::: {.callout-tip}
 ## Quelques ressources sur `Streamlit` ou `Dash`
 
-Outre notre [cours de 3e année](https://ensae-reproductibilite.github.io/website/),
+Outre le [cours de 3e année](https://ensae-reproductibilite.github.io/website/) de l'ENSAE,
 le lab de _data science_ de l'Insee a construit de nombreux tutoriels 
 pour s'appropier les écosystèmes d'applications réactives en `Python` qui
 sont l'un des produits les plus attractifs de l'écosystème `Python`. 
 
-Voici par exemple un [tutoriel 101](https://inseefrlab.github.io/funathon2023_sujet4/) très détaillé sur `Streamlit` permettant de créer une [application type `Yuka`](https://myyuka.lab.sspcloud.fr/)
-sur les données de l'_openfoodfacts_. 
+Voici par exemple un [tutoriel 101](https://inseefrlab.github.io/funathon2023_sujet4/) très détaillé sur `Streamlit` permettant de créer une [application type `Yuka`](https://myyuka.lab.sspcloud.fr/) sur les données de l'`openfoodfacts`. Un autre tutoriel pas à pas construit par l'Insee 
+est consacré à `streamlit` et vise à proposer la construction d'un [tableau de bord du trafic aérien](https://inseefrlab.github.io/funathon2024_sujet2/). 
+
 :::
 
 Et quelques références supplémentaires, citées dans cette introduction :