Relecture TD2 par Antoine (#418)

* relecture 02a_pandas

* typos 2b

* typo

* correction espaces

* oubli

* Update content/manipulation/02b_pandas_TP.qmd

* Update content/manipulation/02b_pandas_TP.qmd

* Update content/modelisation/index.qmd

---------

Co-authored-by: Lino Galiana <lino.galiana@insee.fr>

README.md

@@ -44,7 +44,7 @@ centralisatrice [`data.gouv`](https://www.data.gouv.fr) ou du site
 _web_ de l'[Insee](https://www.insee.fr)) ou de données
 américaines.
 
-Un bon complément du contenu du site web est le cours que nous donnons avec Romain Avouac ([@avouacr](https://github.com/avouacr)) en dernière année de l'ENSAE plus tourné autour de la mise en production de projets _data-science_ : [https://ensae-reproductibilite.github.io/website/](https://ensae-reproductibilite.github.io/website/)
+Un bon complément du contenu du site web est le cours que nous donnons avec Romain Avouac ([@avouacr](https://github.com/avouacr)) en dernière année de l'ENSAE plus tourné autour de la mise en production de projets _data science_ : [https://ensae-reproductibilite.github.io/website/](https://ensae-reproductibilite.github.io/website/)
 
 
 <details>

content/NLP/01_intro.qmd

@@ -400,7 +400,7 @@ des librairies `Python` a extraire du sens d'un texte. La librairie
 
 `NTLK` est la librairie historique d'analyse textuelle en `Python`. Elle existe
 depuis les années 1990. L'utilisation industrielle du NLP dans le monde
-de la _data-science_ est néanmoins plus récente et doit beaucoup à la collecte
+de la _data science_ est néanmoins plus récente et doit beaucoup à la collecte
 accrue de données non structurées par les réseaux sociaux. Cela a amené à 
 un renouvelement du champ du NLP, tant dans le monde de la recherche que dans
 sa mise en application dans l'industrie de la donnée.

content/NLP/02_exoclean.qmd

@@ -520,7 +520,7 @@ liée à son rang $n_i$ dans l'ordre des fréquences par une loi de la forme
 $f(n_i) = c/n_i$ où $c$ est une constante. Zipf, dans les années 1930, se basait sur l'oeuvre 
 de Joyce, *Ulysse* pour cette affirmation. 
 
-Plus généralement, on peut dériver la loi de Zipf d'une distribution exponentielle des fréquences: $f(n_i) = cn_{i}^{-k}$. Cela permet d'utiliser la famille des modèles linéaires généralisés, notamment les régressions poissonniennes, pour mesurer les paramètres de la loi. Les modèles linéaire traditionnels en `log` souffrent en effet, dans ce contexte, de biais (la loi de Zipf est un cas particulier d'un modèle gravitaire, où appliquer des OLS est une mauvaise idée, cf. [@galiana2020segregation](https://linogaliana.netlify.app/publication/2020-segregation/) pour les limites).
+Plus généralement, on peut dériver la loi de Zipf d'une distribution exponentielle des fréquences : $f(n_i) = cn_{i}^{-k}$. Cela permet d'utiliser la famille des modèles linéaires généralisés, notamment les régressions poissonniennes, pour mesurer les paramètres de la loi. Les modèles linéaire traditionnels en `log` souffrent en effet, dans ce contexte, de biais (la loi de Zipf est un cas particulier d'un modèle gravitaire, où appliquer des OLS est une mauvaise idée, cf. [@galiana2020segregation](https://linogaliana.netlify.app/publication/2020-segregation/) pour les limites).
 
 ```{=html}
 </div>
@@ -748,7 +748,7 @@ for word in ["women","daughters", "leaves"]:
 <h3 class="alert-heading"><i class="fa-solid fa-comment"></i> Note</h3>
 ```
 Pour disposer du corpus nécessaire à la lemmatisation, il faut, la première fois,
-télécharger celui-ci grâce aux commandes suivantes:
+télécharger celui-ci grâce aux commandes suivantes :
 
 ~~~python
 import nltk

content/NLP/03_lda.qmd

@@ -194,7 +194,7 @@ partie d’une catégorie de modèles appelés _"topic models"_, qui cherchent 
 thématiques cachées dans des vastes archives de documents.
 
 Ceci permet d’obtenir des méthodes
-efficaces pour le traitement et l’organisation des documents de ces archives: organisation automatique
+efficaces pour le traitement et l’organisation des documents de ces archives : organisation automatique
 des documents par sujet, recherche, compréhension et analyse du texte, ou même résumer des
 textes. 
 

content/NLP/04_word2vec.qmd

@@ -653,7 +653,7 @@ La performance remonte substantiellement.
 Cela étant, on ne parvient pas à faire mieux que les approches basiques,
 on arrive à peine aux performances de la vectorisation par comptage.
 
-En effet, pour rappel, les performances sont les suivantes:
+En effet, pour rappel, les performances sont les suivantes :
 
 ```{python}
 perfs = pd.DataFrame(

content/NLP/05_exo_supp.qmd

@@ -113,7 +113,7 @@ df_openfood.iloc[:2, :5]
 
 
 3. Créer une fonction de nettoyage des noms de produits effectuant les 
-étapes suivantes:
+étapes suivantes :
 
 * tokeniser le texte en question
 * retirer la ponctuation et les _stopwords_

content/getting-started/01_installation.qmd

@@ -6,7 +6,7 @@ weight: 20
 slug: "configuration"
 type: book
 description: |
-  L'environnement que propose `Python` pour la _data-science_
+  L'environnement que propose `Python` pour la _data science_
   est très riche. Afin de bénéficier du meilleur environnement
   pour tirer parti du langage, ce chapitre propose
   quelques conseils pour installer un environnement fonctionnel.
@@ -234,7 +234,7 @@ Les performances de ces solutions peuvent être variables.
 Les serveurs publics mis à disposition
 ne sont pas forcément des foudres de guerre. Avec ceux-ci,
 on vérifie plutôt la reproductibilité des scripts avec des jeux d'exemples.
-Il est bien-sûr interdit de mettre des données confidentielles dessus: ces
+Il est bien sûr interdit de mettre des données confidentielles dessus: ces
 dernières doivent rester dans des infrastructures où elles sont autorisées.
 
 Quand on est dans une entreprise ou administration,
@@ -310,7 +310,7 @@ du système sur laquelle elle est éxécutée.
 `Docker` <i class="fab fa-docker"></i></a> est utilisé dans
 le cadre de cours afin d'assurer la reproductibilité des exemples. 
 Plus de détails sont disponibles dans le cours de dernière année d'ENSAE
-dédié à la mise en production de projets data-science
+dédié à la mise en production de projets data science
 ([https://ensae-reproductibilite.github.io/website/](https://ensae-reproductibilite.github.io/website/)).
 
 Il est possible d'utiliser les images `Docker` sur lesquelles reposent
@@ -350,7 +350,7 @@ langages *open-source*.
 Ils sont l'équivalent des packages `R` ou `Stata`.
 Le monde de développeurs `Python` est très prolifique :
 des mises à jour sont très souvent disponibles,
-les bibliothèques de _packages_ sont très nombreuses. Un _data-scientist_
+les bibliothèques de _packages_ sont très nombreuses. Un _data scientist_
 prendra l'habitude de jongler avec des dizaines de packages dont il connaîtra
 quelques fonctions et où, surtout, il saura aller chercher de l'information. 
 Le rythme des mises à jour et des ajouts de fonctionalités

content/getting-started/02_DS_environment.qmd

@@ -7,7 +7,7 @@ slug: "ecosystemeDS"
 type: book
 description: |
   `Python` propose un écosystème très riche pour la
-  _data-science_. Ce chapitre fait un tour
+  _data science_. Ce chapitre fait un tour
   d'horizon de celui-ci en présentant les principaux
   _packages_ qui seront présentés dans ce cours.
 image: python_panda.jpg
@@ -30,12 +30,12 @@ data scientist. C'est ce dernier profil qui va ici nous
 intéresser.
 
 Le data scientist devant disposer de nombreuses cordes
-à son arc. Cela se reflète sur l'écosystème de la _data-science_
+à son arc. Cela se reflète sur l'écosystème de la _data science_
 qui est assez éclaté. Cependant, ce foisonnement 
 n'est pas propre à `Python` puisque `R` propose encore plus de
 packages que `Python` où un certain nombre de _framework_
 normalisés limitent l'éclatement de l'écosystème. De plus,
-le foisonnement de l'environnement du _data-scientist_ 
+le foisonnement de l'environnement du _data scientist_ 
 est une véritable opportunité puisqu'elle permet
 aux packages de se spécialiser dans un 
 domaine, où ils sont plus efficaces, et aux concepteurs
@@ -46,7 +46,7 @@ rapides de la recherche ou de la technologie.
 
 
 
-## Les packages python essentiels pour le cours et la vie des _data-scientists_
+## Les packages Python essentiels pour le cours et la vie des _data scientists_
 
 ![](https://pydsc.files.wordpress.com/2017/11/pythonenvironment.png?w=663)
 
@@ -86,7 +86,7 @@ de ce cours lui est consacré.
 
 ### `pandas`
 
-Avant tout, un bon _data-scientist_ doit être capable de
+Avant tout, un bon _data scientist_ doit être capable de
 s'approprier et manipuler des données rapidement. Pour cette raison,
 `pandas` est incontournable.
 Il gère la plupart des formats de données. Pour être efficace,
@@ -185,7 +185,7 @@ des langues non anglo-saxonnes, comme le Français.
 
 Mais `Python` est également un outil privilégié pour communiquer:
 
-* Une bonne intégration de python à `Markdown` (grâce notamment à ... `R Markdown`) qui facilite la construction de documents HTML ou PDF (via `Latex`)
+* Une bonne intégration de Python à `Markdown` (grâce notamment à ... `R Markdown`) qui facilite la construction de documents HTML ou PDF (via `Latex`)
 * [Sphynx](https://www.sphinx-doc.org/en/master/) et [JupyterBook](https://jupyterbook.org/intro.html) proposent des modèles de documentation
 très complets
 * [`bokeh`](https://bokeh.org/) ou [`streamlit`](https://www.streamlit.io/) comme alternative à [shiny (R)](https://shiny.rstudio.com/)

content/getting-started/03_data_analysis.qmd

@@ -157,7 +157,7 @@ qu'un graphique standard.
 
 
 Les Notebooks `Jupyter` ont eu beaucoup de succès dans le monde de 
-la _data-science_ pour valoriser des travaux. Pourtant il ne s'agit
+la _data science_ pour valoriser des travaux. Pourtant il ne s'agit
 pas forcément toujours du meilleur format. En effet, beaucoup
 de _notebooks_ tentent à empiler des pavés de code et du texte, ce
 qui les rend difficilement lisibles. 
@@ -342,7 +342,7 @@ Le numérique constitue une part croissante des
 émissions de gaz à effet de serre.
 Représentant aujourd'hui 4 % des émissions mondiales
 de CO2, cette part devrait encore croître [@arcep2019]. 
-Le monde de la _data-science_ est également
+Le monde de la _data science_ est également
 concerné.
 
 L'utilisation de données de plus en
@@ -379,7 +379,7 @@ sont produits lors des prévisualisations mises en
 oeuvre à chaque `pull request` sur le dépôt
 {{< githubrepo >}}. 
 
-Les _data-scientists_ doivent être conscients
+Les _data scientists_ doivent être conscients
 des implications de leur usage intensif de 
 ressources et essayer de minimiser leur
 impact. Par exemple, plutôt que ré-estimer
@@ -398,7 +398,7 @@ en fonction du mix énergétique du pays
 en question. Mesurer étant le
 prérequis pour prendre conscience puis comprendre,
 ce type d'initiatives peut amener à responsabiliser
-les _data-scientists_ et ainsi permettre un 
+les _data scientists_ et ainsi permettre un 
 meilleur partage des ressources. 
 
 

content/getting-started/04_python_practice.qmd

@@ -46,7 +46,7 @@ tests/test_advanced.py
 
 Quelques explications et parallèles avec les packages `R`^[1] :
 
-* Le code python est stocké dans un module nommé `monmodule`. C'est le coeur du code dans le projet. Contrairement
+* Le code Python est stocké dans un module nommé `monmodule`. C'est le coeur du code dans le projet. Contrairement
 à `R`, il est possible d'avoir une arborescence avec plusieurs modules dans un seul package. Un bon exemple
 de package dont le fonctionnement adopte une arborescence à plusieurs niveaux est `scikit`
 * Le fichier `setup.py` sert à construire le package `monmodule` pour en faire un code utilisable. Il n'est pas
@@ -109,7 +109,7 @@ retournera une erreur.
 
 Une fois que `modu.py` est trouvé, il sera exécuté dans un environnement isolé (relié de manière cohérente
 aux dépendances renseignées) et le résultat rendu disponible à l'interpréteur `Python` pour un usage
-dans la session via le *namespace* (espace où python associe les noms donnés aux objets).
+dans la session via le *namespace* (espace où Python associe les noms donnés aux objets).
 
 En premier lieu, ne **jamais** utiliser la syntaxe suivante :
 

content/getting-started/05_rappels_types.qmd

@@ -506,7 +506,7 @@ l[1:3] # donne les éléments de la 2ème position de la liste à la 4ème exclu
 Les listes embarquent ainsi nativement un certain nombre de méthodes
 qui sont pratiques. Cependant, pour avoir certaines informations
 sur une liste, il faut parfois plutôt passer par
-des fonctions natives comme les suivantes:
+des fonctions natives comme les suivantes :
 
 ```{python}
 longueur = len(l) # nombre d’éléments de l

content/getting-started/07_rappels_classes.qmd

@@ -65,7 +65,7 @@ syntaxe. On retrouvera régulière la syntaxe `objet.method` qui est au coeur
 de `Python`. Par exemple `pd.DataFrame.mean` se traduit par 
 appliquer la méthode `mean` a un objet de type `pd.DataFrame`. 
 
-### Quand utilise-t-on cela dans le domaine de la _data-science_ ?
+### Quand utilise-t-on cela dans le domaine de la _data science_ ?
 
 Les réseaux de neurone programmés avec `Keras` ou `PyTorch` fonctionnent de
 cette manière. On part d'une structure de base et modifie les attributs (par

content/getting-started/index.qmd

@@ -55,13 +55,13 @@ pas d'un éventail aussi large d'avantages.
 
 Le succès de `Python`, de par sa nature de 
 langage couteau-suisse, est indissociable 
-de l'émergence du profil du _data-scientist_, individu
+de l'émergence du profil du _data scientist_, individu
 capable de s'intégrer à différents niveaux dans la valorisation
 de données. 
 @davenport2012data, dans la _Harvard Business Review_, 
 ont ainsi pu parler du _"boulot le plus sexy du 21e siècle"_
 et ont pu, dix ans plus tard, faire un panorama complet de l'évolution
-des compétences attendues d'un _data-scientist_ dans
+des compétences attendues d'un _data scientist_ dans
 la même revue [@davenport2022data].
 
 
@@ -76,15 +76,15 @@ Ce cours introduit différents outils qui permettent de mettre en relation
 des données et des théories grâce à `Python`. Néanmoins, ce cours
 va au-delà d'une simple introduction au langage et propose
 des éléments plus approfondis, notamment sur les dernières 
-innovations permises par la _data-science_ dans les méthodes de travail.
+innovations permises par la _data science_ dans les méthodes de travail.
 
 ## Pourquoi faire du `Python` pour l'analyse de données ?
 
 Le succès de [scikit-learn](https://scikit-learn.org/stable/) et
 de [Tensorflow](https://www.tensorflow.org/) dans la communauté
 de la *Data-Science* ont beaucoup contribué à l'adoption de `Python`. Cependant,
 résumer `Python` à ces quelques librairies serait réducteur tant il s'agit
-d'un véritable couteau-suisse pour les *data-scientists*,
+d'un véritable couteau-suisse pour les *data scientists*,
 les *social scientists* ou les économistes.
 
 L'intérêt de `Python` pour un *data scientist* ou *data economist*
@@ -119,7 +119,7 @@ Ce site *web*, à l'arborescence relativement complexe, est ainsi
 construit grâce à cet outil qui permet à la fois de tester les blocs
 de code présentés mais aussi de produire de manière automatisée les 
 tableaux et graphiques présentés. S'il fallait trouver un point faible
-à `Python` par rapport à `R` dans le domaine de la _data-science_ 
+à `Python` par rapport à `R` dans le domaine de la _data science_ 
 c'est sur la production de graphiques. `matplotlib` et `seaborn`, qui sont
 présentés dans la partie visualisation, sont d'excellents outils. Néanmoins,
 `ggplot2`, l'équivalent en `R` est plus facile de prise en main et
@@ -168,10 +168,10 @@ Autrement dit,
 il présuppose qu'on désire faire un usage intense
 de données dans un cadre statistique rigoureux.
 
-La _data-science_ est un ensemble de techniques
+La _data science_ est un ensemble de techniques
 visant à donner du sens à des sources de données
 diverses. Selon les organisations,
-les _data-scientists_ peuvent ainsi être à 
+les _data scientists_ peuvent ainsi être à 
 l'interface de projets nécessitant un
 large spectre de compétences 
 (analyse
@@ -184,10 +184,10 @@ _data engineer_...) voire adopter
 un peu tous ces rôles.
 
 Les innovations 
-récentes de la _data-science_ ne se réduisent
+récentes de la _data science_ ne se réduisent
 néanmoins 
 pas qu'à des découvertes méthodologiques. 
-La _data-science_ propose un ensemble de
+La _data science_ propose un ensemble de
 techniques et de méthodes de travail
 pour réduire les coûts de passage 
 d'un protype à une chaine
@@ -228,7 +228,7 @@ outil indispensable pour favoriser le partage de codes informatiques,
 à savoir `Git`. 
 
 L'ensemble du contenu du site *web* est reproductible dans des environnements
-informatiques divers. Il est bien-sûr possible de copier-coller les morceaux
+informatiques divers. Il est bien sûr possible de copier-coller les morceaux
 de code présents dans ce site. Cette méthode montrant rapidement ses limites, 
 le site présente un certain nombre de boutons disponibles pour
 ouvrir la page sous un format `Jupyter Notebook` sur divers

content/git/exogit.qmd

@@ -65,7 +65,7 @@ qui doit servir quel que soit le langage de prédilection.
 L'idée de ce chapitre est d'amener, progressivement, à la mise en oeuvre
 de pratiques collaboratives devenues standards dans le domaine de l'_open-source_
 mais également de plus en plus communes dans les administrations et entreprises
-de la _data-science_. 
+de la _data science_. 
 
 Ce chapitre propose d'utiliser l'extension `Git` de `JupyterLab`.
 Un tutoriel présentant cette extension est disponible
@@ -258,7 +258,7 @@ est d'utiliser un gestionnaire de mot de passe comme
 `workflow` si vous désirez que votre jeton soit utilisable pour des projets
 où l'intégration continue est nécessaire)
 
-Pour résumer les étapes devraient être les suivantes:
+Pour résumer les étapes devraient être les suivantes :
 
 *Settings > Developers Settings > Personal Access Token > Generate a new token > "My bash script" > Expiration "30 days" > cocher juste "repo" > Generate token > Le copier*
 

content/git/introgit.qmd

@@ -14,7 +14,7 @@ description: |
   `Git` est un système de contrôle de version qui facilite la
   sauvegarde, la gestion des évolutions et le partage
   d'un projet informatique. Il s'agit d'un élément devenu
-  indispensable dans le domaine de la _data-science_.
+  indispensable dans le domaine de la _data science_.
   Ce chapitre présente quelques concepts qui seront 
   mis en pratique dans le suivant. 
 image: https://ensae-reproductibilite.github.io/website/cards/git/snakedolls.jpg
@@ -349,7 +349,7 @@ share/python-wheels/
 MANIFEST
 
 # PyInstaller
-#  Usually these files are written by a python script from a template
+#  Usually these files are written by a Python script from a template
 #  before PyInstaller builds the exe, so as to inject date/other infos into it.
 *.manifest
 *.spec

content/manipulation/01_numpy.qmd

@@ -12,7 +12,7 @@ categories:
 slug: "numpy"
 type: book
 description: |
-  `Numpy` constitue la brique de base de l'écosystème de la _data-science_ en
+  `Numpy` constitue la brique de base de l'écosystème de la _data science_ en
   `Python`. Toutes les librairies de manipulation de données, de modélisation
   et de visualisation reposent, de manière plus ou moins directe, sur `Numpy`.
   Il est donc indispensable de revoir quelques notions sur ce package avant
@@ -150,8 +150,8 @@ np.array([["a","z","e"],["r","t"],["y"]], dtype="object")
 Il existe aussi des méthodes pratiques pour créer des array:
 
 * séquences logiques : `np.arange` (suite) ou `np.linspace` (interpolation linéaire entre deux bornes)
-* séquences ordonnées: _array_ rempli de zéros, de 1 ou d'un nombre désiré : `np.zeros`, `np.ones` ou `np.full`
-* séquences aléatoires: fonctions de génération de nombres aléatoires: `np.rand.uniform`, `np.rand.normal`, etc. 
+* séquences ordonnées : _array_ rempli de zéros, de 1 ou d'un nombre désiré : `np.zeros`, `np.ones` ou `np.full`
+* séquences aléatoires : fonctions de génération de nombres aléatoires : `np.rand.uniform`, `np.rand.normal`, etc. 
 * tableau sous forme de matrice identité: `np.eye`
 
 Ceci donne ainsi, pour les séquences logiques:
@@ -848,7 +848,7 @@ Le site 1 est assez central car il est référencé 2 fois. Le site
 v
 ```
 
-D'autres idées: 
+D'autres idées :
 
 * Simulations de variables aléatoires ;
 * TCL ;