ajout stat python et fichier csv

sae204stat.py

@@ -0,0 +1,40 @@
+import pandas
+pandas.__version__
+import matplotlib.pyplot as plt
+import pandas as pd
+import numpy as np
+pd.__version__
+
+#Lecture du fichier csv
+df = pd.read_csv("spotify_songs.csv") 
+print(df.head(5))
+df = df.dropna()
+
+#Trie de la liste par artist
+sorted_df = df.sort_values(by='track_artist')
+artist = sorted_df["track_artist"]
+print(artist)
+
+#creation d'une liste des artistes
+artistes = []
+for artiste in sorted_df['track_artist'].unique():
+    artistes.append(artiste)
+
+print(artistes)
+
+plt.figure(figsize=(10, 6))
+
+names = sorted_df["track_name"]
+popularity = sorted_df["track_popularity"]
+
+# Filtering popularity greater than or equal to 90
+filtered_names = [name for name, pop in zip(names, popularity) if pop >= 90]
+filtered_popularity = [pop for pop in popularity if pop >= 90]
+
+# Plotting the bar graph
+plt.barh(filtered_names,filtered_popularity, color='skyblue')
+plt.xlabel('Indice de popularité')
+plt.ylabel('Chansons')
+plt.title('Analyse des indices de popularité des chansons')
+plt.grid(True)
+plt.show()

sae204stattest.py

@@ -0,0 +1,74 @@
+import pandas as pd
+import matplotlib.pyplot as plt
+import numpy as np
+
+# Afficher la version de pandas
+print(pd.__version__)
+
+# Lecture du fichier csv
+df = pd.read_csv("spotify_songs.csv")
+print(df.head(5))
+
+# Supprimer les lignes avec des valeurs manquantes
+df = df.dropna()
+
+# Trier le DataFrame par artiste
+sorted_df = df.sort_values(by='track_artist')
+artistes = sorted_df["track_artist"].unique()
+
+# Créer une liste des artistes uniques
+print(artistes)
+
+# Créer une figure pour le premier graphique
+plt.figure(figsize=(10, 6))
+
+# Extraire les noms des chansons et leur popularité
+names = sorted_df["track_name"]
+popularity = sorted_df["track_popularity"]
+
+# Filtrer les chansons avec une popularité >= 90
+filtered_names = [name for name, pop in zip(names, popularity) if pop >= 90]
+filtered_popularity = [pop for pop in popularity if pop >= 90]
+
+# Tracer le premier graphique en barres horizontales
+plt.barh(filtered_names, filtered_popularity, color='skyblue')
+plt.xlabel('Indice de popularité')
+plt.ylabel('Chansons')
+plt.title('Analyse des indices de popularité des chansons')
+plt.grid(True)
+plt.show()
+
+# Créer un dictionnaire pour stocker la popularité par artiste
+popularity_by_artist = {}
+
+# Remplir le dictionnaire avec les indices de popularité correspondant à chaque artiste
+for name, pop in zip(names, popularity):
+    artiste = sorted_df.loc[sorted_df['track_name'] == name, 'track_artist'].iloc[0]
+    if artiste not in popularity_by_artist:
+        popularity_by_artist[artiste] = []
+    popularity_by_artist[artiste].append(pop)
+
+# Créer un dictionnaire pour stocker la popularité moyenne par artiste
+average_popularity_by_artist = {}
+
+# Calculer la popularité moyenne pour chaque artiste
+for artiste, popularity_list in popularity_by_artist.items():
+    average_popularity = np.mean(popularity_list)
+    average_popularity_by_artist[artiste] = average_popularity
+
+# Filtrer les artistes avec une popularité moyenne supérieure à 85
+selected_artists = {artiste: popularity for artiste, popularity in average_popularity_by_artist.items() if popularity > 80}
+
+# Créer un graphique pour la deuxième analyse
+plt.figure(figsize=(10, 6))
+
+# Tracer un graphique des indices de popularité moyens des artistes sélectionnés
+plt.bar(selected_artists.keys(), selected_artists.values(), color='skyblue')
+
+plt.xlabel('Artistes')
+plt.ylabel('Popularité moyenne')
+plt.title('Analyse de la popularité moyenne des artistes (Popularité moyenne > 85)')
+plt.grid(True)
+plt.xticks(rotation=90)  # Pour faire pivoter les étiquettes des axes x
+plt.tight_layout()  # Ajuster automatiquement les sous-graphiques pour éviter les chevauchements
+plt.show()