commit
3ce570fce4
@ -1,4 +1,94 @@
|
|||||||
import pandas as pd
|
import pandas as pd
|
||||||
data = pd.read_csv(r'vgsales.csv')
|
import psycopg2 as psy
|
||||||
df = pd.DataFrame(data)
|
import matplotlib.pyplot as plt
|
||||||
print(df)
|
import numpy as np
|
||||||
|
from getpass import getpass
|
||||||
|
|
||||||
|
data = pd. read_csv (r'vgsales.csv')
|
||||||
|
df = pd. DataFrame (data)
|
||||||
|
|
||||||
|
co = None
|
||||||
|
try:
|
||||||
|
co = psy.connect(host='londres',
|
||||||
|
database = 'dbanperederi',
|
||||||
|
user ='anperederi',
|
||||||
|
password = getpass())
|
||||||
|
|
||||||
|
cur = co.cursor()
|
||||||
|
|
||||||
|
cur.execute('''DROP TABLE IF EXISTS Formule ;''')
|
||||||
|
cur.execute('''CREATE TABLE Formule (
|
||||||
|
Name varchar(150),
|
||||||
|
Platform varchar,
|
||||||
|
Year numeric ,
|
||||||
|
Genre varchar,
|
||||||
|
Publisher varchar,
|
||||||
|
NA_Sales numeric,
|
||||||
|
EU_Sales numeric,
|
||||||
|
JP_Sales numeric,
|
||||||
|
Other_Sales numeric,
|
||||||
|
Global_Sales numeric,
|
||||||
|
PRIMARY KEY (Name, Platform)
|
||||||
|
);''')
|
||||||
|
|
||||||
|
# 3. Élimination des doublons
|
||||||
|
df = pd.DataFrame(data).drop_duplicates(subset=['Name', 'Platform'])
|
||||||
|
|
||||||
|
for row in df.itertuples():
|
||||||
|
cur.execute ('''INSERT INTO Formule VALUES(%s, %s, %s, %s, %s, %s, %s, %s, %s, %s);''',
|
||||||
|
(row.Name, row.Platform, row.Year, row.Genre, row.Publisher,
|
||||||
|
row.NA_Sales, row.EU_Sales, row.JP_Sales,
|
||||||
|
row.Other_Sales, row.Global_Sales))
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
# 5. Recherche des lignes incohérentes (par delta vu qu'il s'agit de nombre flottants)
|
||||||
|
cur.execute("""SELECT Name, Platform, ROUND((NA_Sales + EU_Sales + JP_Sales + Other_Sales)::numeric, 2), Global_Sales
|
||||||
|
FROM Formule
|
||||||
|
WHERE ABS(NA_Sales + EU_Sales + JP_Sales + Other_Sales - Global_Sales) > 0.1""")
|
||||||
|
|
||||||
|
# for row in cur.fetchall():
|
||||||
|
# print(row)
|
||||||
|
|
||||||
|
# 6. Recalcul des ventes pour les lignes incohérentes
|
||||||
|
cur.execute("""UPDATE Formule
|
||||||
|
SET Global_Sales = ROUND((NA_Sales + EU_Sales + JP_Sales + Other_Sales)::numeric, 2)
|
||||||
|
WHERE ABS(NA_Sales + EU_Sales + JP_Sales + Other_Sales - Global_Sales) > 0.1;""")
|
||||||
|
|
||||||
|
|
||||||
|
|
||||||
|
# 7. Création du DataFrame propre
|
||||||
|
cur.execute("SELECT * FROM Formule;")
|
||||||
|
|
||||||
|
# # 1. Calcul des ventes moyennes par année de sortie et pour le genre aventure
|
||||||
|
# df = pd.read_sql("""SELECT annee_sortie, AVG(ventes_total) ventes_moyennes, SUM(ventes_total) ventes_totales FROM plain_jeu
|
||||||
|
# WHERE genre = 'Adventure' AND annee_sortie IS NOT NULL
|
||||||
|
# GROUP BY annee_sortie
|
||||||
|
# ORDER BY annee_sortie;""", con=co)
|
||||||
|
|
||||||
|
# # 2/3. Affichage sous forme de courbe
|
||||||
|
# fig = df.plot(x='annee_sortie', y=['ventes_moyennes', 'ventes_totales'])
|
||||||
|
# fig.legend(['Ventes moyennes', 'Ventes totales'])
|
||||||
|
# fig.set_xlabel('Année de sortie')
|
||||||
|
# fig.set_ylabel('Ventes (en millions)')
|
||||||
|
|
||||||
|
# # 4. Ventes totales pour l'ensemble des jeux
|
||||||
|
# df = pd.read_sql("""SELECT annee_sortie, genre, SUM(ventes_total) ventes_totales FROM plain_jeu
|
||||||
|
# WHERE annee_sortie IS NOT NULL
|
||||||
|
# GROUP BY annee_sortie, genre
|
||||||
|
# ORDER BY annee_sortie;""", con=co)
|
||||||
|
# fig, ax = plt.subplots()
|
||||||
|
# for i, (label, group) in enumerate(df.groupby(['genre'])):
|
||||||
|
# ax = group.plot(ax=ax, kind='line', x='annee_sortie',
|
||||||
|
# y='ventes_totales', label=label, color=plt.cm.tab20.colors[i])
|
||||||
|
# ax.set_xlabel('Année de sortie')
|
||||||
|
# ax.set_ylabel('Ventes (en millions)')
|
||||||
|
|
||||||
|
co.commit()
|
||||||
|
cur.close()
|
||||||
|
|
||||||
|
except(Exception,psy.DatabaseError) as error :
|
||||||
|
print(error)
|
||||||
|
finally:
|
||||||
|
if co is not None:
|
||||||
|
co.close()
|
||||||
@ -0,0 +1,237 @@
|
|||||||
|
import pandas
|
||||||
|
import psycopg2 # pip3 install types-psycopg2
|
||||||
|
import matplotlib.pyplot as plt
|
||||||
|
import numpy as np
|
||||||
|
from getpass import getpass
|
||||||
|
|
||||||
|
##########
|
||||||
|
# Partie 1
|
||||||
|
##########
|
||||||
|
|
||||||
|
def part1_create_table(connection: psycopg2.connection, filename: str) -> pandas.DataFrame:
|
||||||
|
cur = connection.cursor()
|
||||||
|
|
||||||
|
# 2. Création et population de la table
|
||||||
|
cur.execute("""CREATE TABLE IF NOT EXISTS plain_jeu (
|
||||||
|
nom VARCHAR(150) NOT NULL,
|
||||||
|
plateforme VARCHAR(10) NOT NULL,
|
||||||
|
annee_sortie INTEGER,
|
||||||
|
genre VARCHAR(20) NOT NULL,
|
||||||
|
editeur VARCHAR(40) NOT NULL,
|
||||||
|
ventes_na NUMERIC(6, 2) NOT NULL DEFAULT 0,
|
||||||
|
ventes_ue NUMERIC(6, 2) NOT NULL DEFAULT 0,
|
||||||
|
ventes_jp NUMERIC(6, 2) NOT NULL DEFAULT 0,
|
||||||
|
ventes_autre NUMERIC(6, 2) NOT NULL DEFAULT 0,
|
||||||
|
ventes_total NUMERIC(6, 2) NOT NULL DEFAULT 0, -- Redondant vu que devrait être le total des autres colonnes des ventes
|
||||||
|
PRIMARY KEY(nom, plateforme)
|
||||||
|
)""")
|
||||||
|
|
||||||
|
ventes = pandas.read_csv(filename)
|
||||||
|
|
||||||
|
# 3. Élimination des doublons
|
||||||
|
df = pandas.DataFrame(ventes).drop_duplicates(subset=['Name', 'Platform'])
|
||||||
|
|
||||||
|
# 2. Insertions
|
||||||
|
for row in df.itertuples():
|
||||||
|
cur.execute("INSERT INTO plain_jeu VALUES (%s, %s, %s, %s, %s, %s, %s, %s, %s, %s);",
|
||||||
|
(row.Name, row.Platform, int(row.Year) if not pandas.isnull(row.Year) else None, row.Genre,
|
||||||
|
row.Publisher, row.NA_Sales, row.EU_Sales,
|
||||||
|
row.JP_Sales, row.Other_Sales, row.Global_Sales))
|
||||||
|
|
||||||
|
# 5. Recherche des lignes incohérentes (par delta vu qu'il s'agit de nombre flottants)
|
||||||
|
cur.execute("""SELECT nom, plateforme, ROUND((ventes_na + ventes_ue + ventes_jp + ventes_autre)::numeric, 2), ventes_total
|
||||||
|
FROM plain_jeu
|
||||||
|
WHERE ABS(ventes_na + ventes_ue + ventes_jp + ventes_autre - ventes_total) > 0.1""")
|
||||||
|
for row in cur.fetchall():
|
||||||
|
print(row)
|
||||||
|
|
||||||
|
# 6. Recalcul des ventes pour les lignes incohérentes
|
||||||
|
cur.execute("""UPDATE plain_jeu
|
||||||
|
SET ventes_total = ROUND((ventes_na + ventes_ue + ventes_jp + ventes_autre)::numeric, 2)
|
||||||
|
WHERE ABS(ventes_na + ventes_ue + ventes_jp + ventes_autre - ventes_total) > 0.1;""")
|
||||||
|
|
||||||
|
connection.commit()
|
||||||
|
cur.close()
|
||||||
|
|
||||||
|
# 7. Création du DataFrame propre
|
||||||
|
return pandas.read_sql("SELECT * FROM plain_jeu;", con=connection)
|
||||||
|
|
||||||
|
|
||||||
|
##########
|
||||||
|
# Partie 2
|
||||||
|
##########
|
||||||
|
|
||||||
|
def part2_graphs(connection: psycopg2.connection):
|
||||||
|
# 1. Calcul des ventes moyennes par année de sortie et pour le genre aventure
|
||||||
|
df = pandas.read_sql("""SELECT annee_sortie, AVG(ventes_total) ventes_moyennes, SUM(ventes_total) ventes_totales FROM plain_jeu
|
||||||
|
WHERE genre = 'Adventure' AND annee_sortie IS NOT NULL
|
||||||
|
GROUP BY annee_sortie
|
||||||
|
ORDER BY annee_sortie;""", con=connection)
|
||||||
|
|
||||||
|
# 2/3. Affichage sous forme de courbe
|
||||||
|
fig = df.plot(x='annee_sortie', y=['ventes_moyennes', 'ventes_totales'])
|
||||||
|
fig.legend(['Ventes moyennes', 'Ventes totales'])
|
||||||
|
fig.set_xlabel('Année de sortie')
|
||||||
|
fig.set_ylabel('Ventes (en millions)')
|
||||||
|
|
||||||
|
# 4. Ventes totales pour l'ensemble des jeux
|
||||||
|
df = pandas.read_sql("""SELECT annee_sortie, genre, SUM(ventes_total) ventes_totales FROM plain_jeu
|
||||||
|
WHERE annee_sortie IS NOT NULL
|
||||||
|
GROUP BY annee_sortie, genre
|
||||||
|
ORDER BY annee_sortie;""", con=connection)
|
||||||
|
fig, ax = plt.subplots()
|
||||||
|
for i, (label, group) in enumerate(df.groupby(['genre'])):
|
||||||
|
ax = group.plot(ax=ax, kind='line', x='annee_sortie',
|
||||||
|
y='ventes_totales', label=label, color=plt.cm.tab20.colors[i])
|
||||||
|
ax.set_xlabel('Année de sortie')
|
||||||
|
ax.set_ylabel('Ventes (en millions)')
|
||||||
|
|
||||||
|
|
||||||
|
##########
|
||||||
|
# Partie 3
|
||||||
|
##########
|
||||||
|
|
||||||
|
def part3_graphs(connection: psycopg2.connection):
|
||||||
|
# 1. Calcul du total des ventes en Europe par plateforme
|
||||||
|
df = pandas.read_sql("""SELECT plateforme, SUM(ventes_ue) ventes_ue FROM plain_jeu
|
||||||
|
GROUP BY plateforme
|
||||||
|
ORDER BY ventes_ue;""", con=connection)
|
||||||
|
|
||||||
|
def plot_ventes_ue(df: pandas.DataFrame, plot_kind: str = 'line'):
|
||||||
|
fig = df.plot(x='plateforme', y='ventes_ue', legend=False, kind=plot_kind)
|
||||||
|
fig.set_xlabel('Plateforme')
|
||||||
|
fig.set_ylabel('Ventes en Europe (en millions)')
|
||||||
|
fig.set_xticks(np.arange(len(df))) # Force l'affichage de tous les labels en abscisse
|
||||||
|
fig.set_xticklabels(df['plateforme'])
|
||||||
|
fig.set_title('Ventes de jeux vidéos en Europe par plateforme')
|
||||||
|
|
||||||
|
# 2. Affichage sous forme de courbe
|
||||||
|
plot_ventes_ue(df)
|
||||||
|
|
||||||
|
# 3. Affichage sous forme d'histogramme
|
||||||
|
# plot_ventes_ue(df, 'hist')
|
||||||
|
plot_ventes_ue(df, 'bar')
|
||||||
|
|
||||||
|
# 4. Calcul du total des ventes par plateforme et par zone géographique
|
||||||
|
df = pandas.read_sql("""SELECT plateforme, SUM(ventes_na) ventes_na, SUM(ventes_ue) ventes_ue, SUM(ventes_jp) ventes_jp, SUM(ventes_autre) ventes_autre FROM plain_jeu
|
||||||
|
GROUP BY plateforme
|
||||||
|
ORDER BY SUM(ventes_total);""", con=connection)
|
||||||
|
|
||||||
|
# 5/6. Affichage sous forme de courbes
|
||||||
|
fig = df.plot(x='plateforme', style=[
|
||||||
|
'r*-', 'bo--', 'y^:', 'gs-.'])
|
||||||
|
fig.set_xticks(np.arange(len(df['plateforme'])))
|
||||||
|
fig.set_xticklabels(df['plateforme'])
|
||||||
|
fig.set_xlabel('Plateforme')
|
||||||
|
fig.set_ylabel('Ventes (en millions)')
|
||||||
|
|
||||||
|
fig = df.plot.bar(x='plateforme', y=[
|
||||||
|
'ventes_na', 'ventes_ue', 'ventes_jp', 'ventes_autre'])
|
||||||
|
fig.set_xlabel('Plateforme')
|
||||||
|
fig.set_ylabel('Ventes (en millions)')
|
||||||
|
|
||||||
|
|
||||||
|
##########
|
||||||
|
# Partie 4
|
||||||
|
##########
|
||||||
|
|
||||||
|
def plot_ventes_jeu(cur: psycopg2.cursor, nom: str, pourcentages: bool = True):
|
||||||
|
# 1. Récupération des ventes, réorganisées en plusieurs lignes dans le dataframe
|
||||||
|
cur.execute("""SELECT ventes_na, ventes_ue, ventes_jp, ventes_autre FROM plain_jeu
|
||||||
|
WHERE nom = '%s';""" % nom)
|
||||||
|
data = cur.fetchone()
|
||||||
|
zones = [desc[0].split('_')[1] for desc in cur.description]
|
||||||
|
df = pandas.DataFrame([[zones[i], float(data[i])] for i in range(len(data))], columns=['zone', 'ventes'],
|
||||||
|
index=zones)
|
||||||
|
|
||||||
|
title = 'Ventes du jeu ' + nom + ' par zone géographique'
|
||||||
|
|
||||||
|
# 2. Diagramme en bâtons
|
||||||
|
fig = df.plot.bar(x='zone', y='ventes', legend=False, rot=0)
|
||||||
|
fig.set_title(title)
|
||||||
|
|
||||||
|
if pourcentages:
|
||||||
|
# 4. Diagramme camembert avec pourcentages
|
||||||
|
fig = df.plot.pie(y='ventes', labels=None, autopct='%1.1f%%')
|
||||||
|
else:
|
||||||
|
# 3. Diagramme camembert
|
||||||
|
fig = df.plot.pie(y='ventes', legend=False)
|
||||||
|
fig.set_title(title)
|
||||||
|
fig.set_xlabel('Zone géographique')
|
||||||
|
fig.set_ylabel('Ventes (en millions)')
|
||||||
|
|
||||||
|
|
||||||
|
def part4_graphs(connection: psycopg2.connection):
|
||||||
|
with connection.cursor() as cur:
|
||||||
|
plot_ventes_jeu(cur, 'Mario Kart 64')
|
||||||
|
# 5. Résultats de Mario Kart Wii
|
||||||
|
plot_ventes_jeu(cur, 'Mario Kart Wii')
|
||||||
|
|
||||||
|
|
||||||
|
##########
|
||||||
|
# Partie 5
|
||||||
|
##########
|
||||||
|
|
||||||
|
def part5_graphs(connection: psycopg2.connection):
|
||||||
|
# 1/2. Pourcentage du total des ventes par genre
|
||||||
|
df = pandas.read_sql("""SELECT genre, SUM(ventes_total) total_ventes FROM plain_jeu
|
||||||
|
GROUP BY genre;""", con=connection)
|
||||||
|
df.set_index('genre', inplace=True)
|
||||||
|
|
||||||
|
# 3. Diagramme camembert
|
||||||
|
fig = df.plot.pie(y='total_ventes', legend=False, autopct='%1.1f%%', colors=plt.cm.tab20.colors)
|
||||||
|
fig.set_title('Ventes mondiales de jeux vidéos par genre')
|
||||||
|
fig.set_ylabel('')
|
||||||
|
|
||||||
|
# 4. 4 camemberts du total des ventes par genre et par
|
||||||
|
df = pandas.read_sql("""
|
||||||
|
SELECT CASE WHEN annee_sortie < 1990 THEN '< 1990'
|
||||||
|
WHEN annee_sortie BETWEEN 1990 AND 1999 THEN '<=> 1990-1999'
|
||||||
|
WHEN annee_sortie BETWEEN 2000 AND 2009 THEN '<=> 2000-2009'
|
||||||
|
WHEN annee_sortie >= 2010 THEN '>= 2010'
|
||||||
|
END annee,
|
||||||
|
genre,
|
||||||
|
SUM(ventes_total) ventes_totales
|
||||||
|
FROM plain_jeu
|
||||||
|
WHERE annee_sortie IS NOT NULL
|
||||||
|
GROUP BY annee, genre
|
||||||
|
ORDER BY annee, genre;""", con=connection)
|
||||||
|
grouped = df.groupby('annee')
|
||||||
|
rowlength = grouped.ngroups // 2
|
||||||
|
fig, axs = plt.subplots(figsize=(9, 4), nrows=2, ncols=rowlength)
|
||||||
|
targets = zip(grouped.groups.keys(), axs.flatten())
|
||||||
|
legend = []
|
||||||
|
|
||||||
|
for (key, ax) in targets:
|
||||||
|
group = grouped.get_group(key)
|
||||||
|
legend = group['genre']
|
||||||
|
ax = group.plot.pie(ax=ax, y='ventes_totales', labels=None,
|
||||||
|
legend=False, colors=plt.cm.tab20.colors)
|
||||||
|
ax.set_ylabel('')
|
||||||
|
ax.set_title(key)
|
||||||
|
fig.legend(legend)
|
||||||
|
fig.suptitle('Ventes de jeux vidéos par genre et par période')
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == '__main__':
|
||||||
|
db_host = input('Nom d\'hôte : ')
|
||||||
|
if not db_host:
|
||||||
|
db_host = 'berlin'
|
||||||
|
db_name = input('Nom de la base de données : ')
|
||||||
|
if not db_name:
|
||||||
|
db_name = 'dbclfreville2'
|
||||||
|
db_user = input('Utilisateur : ')
|
||||||
|
if not db_user:
|
||||||
|
db_user = 'clfreville2'
|
||||||
|
db_password = getpass('Mot de passe : ')
|
||||||
|
|
||||||
|
connection = psycopg2.connect(host=db_host, port=5432, database=db_name, user=db_user, password=db_password)
|
||||||
|
|
||||||
|
#part1_create_table(connection, 'vgsales.csv')
|
||||||
|
part2_graphs(connection)
|
||||||
|
part3_graphs(connection)
|
||||||
|
part4_graphs(connection)
|
||||||
|
part5_graphs(connection)
|
||||||
|
|
||||||
|
connection.close()
|
||||||
|
plt.show()
|
||||||
@ -0,0 +1,93 @@
|
|||||||
|
import pandas as pd
|
||||||
|
import psycopg2 as psy
|
||||||
|
import matplotlib.pyplot as plt
|
||||||
|
import numpy as np
|
||||||
|
from getpass import getpass
|
||||||
|
|
||||||
|
data = pd. read_csv (r'vgsales.csv')
|
||||||
|
df = pd. DataFrame (data)
|
||||||
|
|
||||||
|
co = None
|
||||||
|
try:
|
||||||
|
co = psy.connect(host='londres',
|
||||||
|
database = 'dbanperederi',
|
||||||
|
user ='anperederi',
|
||||||
|
password = getpass())
|
||||||
|
|
||||||
|
cur = co.cursor()
|
||||||
|
|
||||||
|
cur.execute('''DROP TABLE IF EXISTS Formule ;''')
|
||||||
|
cur.execute('''CREATE TABLE Formule (
|
||||||
|
Name varchar(150) NOT NULL,
|
||||||
|
Platform varchar NOT NULL,
|
||||||
|
Year numeric NOT NULL,
|
||||||
|
Genre varchar NOT NULL,
|
||||||
|
Publisher varchar NOT NULL,
|
||||||
|
NA_Sales numeric NOT NULL,
|
||||||
|
EU_Sales numeric NOT NULL,
|
||||||
|
JP_Sales numeric NOT NULL,
|
||||||
|
Other_Sales numeric NOT NULL,
|
||||||
|
Global_Sales numeric NOT NULL,
|
||||||
|
|
||||||
|
);''')
|
||||||
|
for row in df.itertuples():
|
||||||
|
cur.execute ('''INSERT INTO Formule VALUES(%s, %s, %s, %s, %s, %s, %s, %s, %s, %s);''',
|
||||||
|
(row.Name, row.Platform, row.Year, row.Genre, row.Publisher,
|
||||||
|
row.NA_Sales, row.EU_Sales, row.JP_Sales,
|
||||||
|
row.Other_Sales, row.Global_Sales))
|
||||||
|
|
||||||
|
# 3. Élimination des doublons
|
||||||
|
df = pd.DataFrame(data).drop_duplicates(subset=['Name', 'Platform'])
|
||||||
|
|
||||||
|
# 5. Recherche des lignes incohérentes (par delta vu qu'il s'agit de nombre flottants)
|
||||||
|
cur.execute("""SELECT Name, Platform, ROUND((NA_Sales + EU_Sales + JP_Sales + Other_Sales)::numeric, 2), Global_Sales
|
||||||
|
FROM Formule
|
||||||
|
WHERE ABS(NA_Sales + EU_Sales + JP_Sales + Other_Sales - Global_Sales) > 0.1""")
|
||||||
|
|
||||||
|
for row in cur.fetchall():
|
||||||
|
print(row)
|
||||||
|
|
||||||
|
# 6. Recalcul des ventes pour les lignes incohérentes
|
||||||
|
cur.execute("""UPDATE Formule
|
||||||
|
SET Global_Sales = ROUND((NA_Sales + EU_Sales + JP_Sales + Other_Sales)::numeric, 2)
|
||||||
|
WHERE ABS(NA_Sales + EU_Sales + JP_Sales + Other_Sales - Global_Sales) > 0.1;""")
|
||||||
|
|
||||||
|
co.commit()
|
||||||
|
cur.close()
|
||||||
|
|
||||||
|
# 7. Création du DataFrame propre
|
||||||
|
# dp = pd.read_sql("SELECT * FROM Formule;", con=co) #! Regarder cette ligne !!!
|
||||||
|
# print(dp)
|
||||||
|
|
||||||
|
# # 1. Calcul des ventes moyennes par année de sortie et pour le genre aventure
|
||||||
|
# df = pd.read_sql("""SELECT year, AVG(Global_Sales) sales_avg, SUM(Global_Sales) sales_total
|
||||||
|
# FROM Formule
|
||||||
|
# WHERE Genre = 'Adventure' AND year IS NOT NULL
|
||||||
|
# GROUP BY year
|
||||||
|
# ORDER BY year;""", con=co)
|
||||||
|
|
||||||
|
# # 2/3. Affichage sous forme de courbe
|
||||||
|
# fig = df.plot(x='year', y=['sales_avg', 'sales_total'])
|
||||||
|
# fig.legend(['Ventes moyennes', 'Ventes totales'])
|
||||||
|
# fig.set_xlabel('Année de sortie')
|
||||||
|
# fig.set_ylabel('Ventes (en millions)')
|
||||||
|
|
||||||
|
# # 4. Ventes totales pour l'ensemble des jeux
|
||||||
|
# df = pd.read_sql("""SELECT year, Genre, SUM(Global_Sales) sales_total
|
||||||
|
# FROM Formule
|
||||||
|
# WHERE year IS NOT NULL
|
||||||
|
# GROUP BY year, Genre
|
||||||
|
# ORDER BY year;""", con=co)
|
||||||
|
# fig, ax = plt.subplots()
|
||||||
|
# for i, (label, group) in enumerate(df.groupby(['Genre'])):
|
||||||
|
# ax = group.plot(ax=ax, kind='line', x='year',
|
||||||
|
# y='sales_total', label=label, color=plt.cm.tab20.colors[i])
|
||||||
|
# ax.set_xlabel('Année de sortie')
|
||||||
|
# ax.set_ylabel('Ventes (en millions)')
|
||||||
|
|
||||||
|
|
||||||
|
except(Exception,psy.DatabaseError) as error :
|
||||||
|
print(error)
|
||||||
|
finally:
|
||||||
|
if co is not None:
|
||||||
|
co.close()
|
||||||
@ -0,0 +1,33 @@
|
|||||||
|
import pandas as pd
|
||||||
|
import psycopg2 as psy
|
||||||
|
from getpass import getpass
|
||||||
|
|
||||||
|
data = pd.read_csv(r'vgsales.csv')
|
||||||
|
df = pd.DataFrame(data)
|
||||||
|
print(df)
|
||||||
|
|
||||||
|
co = None
|
||||||
|
try:
|
||||||
|
co = psy.connect(host='londres',
|
||||||
|
database ='dbanperederi',
|
||||||
|
user='anperederi',
|
||||||
|
password = getpass())
|
||||||
|
|
||||||
|
curs = co.cursor()
|
||||||
|
|
||||||
|
|
||||||
|
curs.execute('''SELECT *
|
||||||
|
FROM Site
|
||||||
|
WHERE codePostal LIKE '63%';''')
|
||||||
|
res = curs.fetchall()
|
||||||
|
print(res)
|
||||||
|
|
||||||
|
|
||||||
|
curs.close()
|
||||||
|
except(Exception, psy.DatabaseError) as error:
|
||||||
|
print(error)
|
||||||
|
exit()
|
||||||
|
# Attention ! Toujours fermer la connexion lorsqu 'on en a plus besoin
|
||||||
|
finally:
|
||||||
|
if co is not None:
|
||||||
|
co.close()
|
||||||
Binary file not shown.
@ -0,0 +1,213 @@
|
|||||||
|
import numpy as np
|
||||||
|
import matplotlib.pyplot as plt
|
||||||
|
|
||||||
|
# dans python
|
||||||
|
import random
|
||||||
|
#générer un nombre aléatoire
|
||||||
|
random_number = random.random()
|
||||||
|
print(random_number)
|
||||||
|
#générer un entier aléatoire
|
||||||
|
random_int= random.randint(10,20) # doit etre compris entre 10 et 19 et le troisieme pour le nb qu'on veut
|
||||||
|
print(random_int)
|
||||||
|
# dans numpy
|
||||||
|
#générer un tableau de nombres aléatoires : example
|
||||||
|
random_tab= np.random.random([2,10])
|
||||||
|
print(random_tab.shape)
|
||||||
|
|
||||||
|
import random
|
||||||
|
Echantillon=random.sample(range(1, 50), 6)
|
||||||
|
print(Echantillon)
|
||||||
|
|
||||||
|
print("-------------------------------------------")
|
||||||
|
|
||||||
|
# Exo 1
|
||||||
|
|
||||||
|
# Generer une seule ligne de 0 et 1
|
||||||
|
Ligne1=np.random.randint(0,2,1)
|
||||||
|
print(Ligne1)
|
||||||
|
|
||||||
|
print("-------------------------------------------")
|
||||||
|
|
||||||
|
#Genere une seul colone de -1, 1
|
||||||
|
Colone1=np.random.randint(0,2,1)
|
||||||
|
Colone1[Colone1==0]=-1
|
||||||
|
print(Colone1)
|
||||||
|
|
||||||
|
print("-------------------------------------------")
|
||||||
|
|
||||||
|
# Générer une matrice (un tableau de deux dimensions) de taille de réels positifs et négatifs.
|
||||||
|
Matrice1=np.random.randint(0,2,[10,10])
|
||||||
|
Matrice1[Matrice1==0]=-1
|
||||||
|
print(Matrice1)
|
||||||
|
|
||||||
|
print("-------------------------------------------")
|
||||||
|
|
||||||
|
# générer deux matrices : A aléatoire de taille [n,m] et B de la même taille que A mais ne contient que 0 et 1. Multiplier A et B (élément par élément) et afficher le résultat
|
||||||
|
A=np.random.randint(0,2,[10,10])
|
||||||
|
A[A==0]=-1
|
||||||
|
print(A)
|
||||||
|
B=np.random.randint(0,2,[10,10])
|
||||||
|
print(B)
|
||||||
|
C=A*B
|
||||||
|
print(C)
|
||||||
|
|
||||||
|
|
||||||
|
# A l'aide de linspace, générer un tableau ax de 100 ponits començant à 0 et finissant à 1. Générer deux lignes aléatoires x et y de la même taille que ax. Dans une figure, afficher les points qui ont pour abscisse x et ordonnée y.
|
||||||
|
import numpy as np
|
||||||
|
import matplotlib.pyplot as plt
|
||||||
|
ax=np.linspace(0,1,100)
|
||||||
|
x=np.random.random(100)
|
||||||
|
y=np.random.random(100)
|
||||||
|
plt.plot(x,y,'o')
|
||||||
|
plt.show()
|
||||||
|
|
||||||
|
|
||||||
|
#Choix aléatoire avec python
|
||||||
|
from random import choice
|
||||||
|
|
||||||
|
Villes_européenens = ["Berlin", "Porto", "Madrid", "Amsterdam", "London", "Paris", "Rome", "Paris", "Barcelone", "Bruxelles", "Budapest", "Bucarest", "Lisbonne", "Stockholm", "Prague", "Vienne", "Dublin", "Milan", "Copenhague"]
|
||||||
|
|
||||||
|
print('Cette année direction : ',choice(Villes_européenens))
|
||||||
|
|
||||||
|
print("-------------------------------------------")
|
||||||
|
|
||||||
|
# Exo 2
|
||||||
|
|
||||||
|
def de(N):
|
||||||
|
return np.random.randint(1,7,N)
|
||||||
|
|
||||||
|
T = 100000
|
||||||
|
y = 6
|
||||||
|
tirage=de(T)
|
||||||
|
|
||||||
|
x= len(tirage[tirage==y])
|
||||||
|
print("Taux d'apparition du nombre 6 sur le de : ", x/T * 100 ,"%")
|
||||||
|
|
||||||
|
print(len(tirage[tirage==y]))
|
||||||
|
|
||||||
|
print("-------------------------------------------")
|
||||||
|
|
||||||
|
# Exo 3
|
||||||
|
|
||||||
|
|
||||||
|
colone=np.random.randint(0,100,[10,1])
|
||||||
|
print(colone)
|
||||||
|
# 1
|
||||||
|
print("mean, moyenne : ", np.mean(colone))
|
||||||
|
print("median, mediane : ", np.median(colone))
|
||||||
|
|
||||||
|
print("-------------------------------------------")
|
||||||
|
# 2
|
||||||
|
print("moyenne : ", np.mean(colone))
|
||||||
|
print("variance : ", np.var(colone))
|
||||||
|
print("ecart type : ", np.std(colone))
|
||||||
|
|
||||||
|
print("-------------------------------------------")
|
||||||
|
# 3
|
||||||
|
matrice=np.random.rand(4,3)
|
||||||
|
print(matrice)
|
||||||
|
# print("moyenne : ", np.mean(matrice[10,1]))
|
||||||
|
# print("variance : ", np.var(matrice[10,1]))
|
||||||
|
# print("ecart type : ", np.std(matrice[10,1]))
|
||||||
|
print("moyenne : ", np.mean(matrice))
|
||||||
|
print("variance : ", np.var(matrice))
|
||||||
|
print("ecart type : ", np.std(matrice))
|
||||||
|
|
||||||
|
print("-------------------------------------------")
|
||||||
|
|
||||||
|
# Générer une matrice aléatoire de taille [4, 3]
|
||||||
|
matrice = np.random.rand(4, 3)
|
||||||
|
|
||||||
|
# Calculer la moyenne, la médiane et l'écart-type ligne par ligne
|
||||||
|
moyennes = np.mean(matrice, axis=1)
|
||||||
|
medianes = np.median(matrice, axis=1)
|
||||||
|
ecarts_types = np.std(matrice, axis=1)
|
||||||
|
|
||||||
|
# Afficher les résultats
|
||||||
|
print("Matrice aléatoire:\n", matrice)
|
||||||
|
print("Moyennes par ligne:", moyennes)
|
||||||
|
print("Médianes par ligne:", medianes)
|
||||||
|
print("Écart-types par ligne:", ecarts_types)
|
||||||
|
|
||||||
|
print("-------------------------------------------")
|
||||||
|
|
||||||
|
|
||||||
|
# Calculer la moyenne, la médiane et l'écart-type colonne par colonne
|
||||||
|
moyennes = np.mean(matrice, axis=0)
|
||||||
|
medianes = np.median(matrice, axis=0)
|
||||||
|
ecarts_types = np.std(matrice, axis=0)
|
||||||
|
|
||||||
|
# Afficher les résultats
|
||||||
|
print("Matrice aléatoire : ", matrice)
|
||||||
|
print("Moyennes par colonne : ", moyennes)
|
||||||
|
print("Médianes par colonne : ", medianes)
|
||||||
|
print("Écart-types par colonne : ", ecarts_types)
|
||||||
|
|
||||||
|
# Exo 4
|
||||||
|
|
||||||
|
# 1
|
||||||
|
def lancer_de():
|
||||||
|
return np.random.randint(1, 6)
|
||||||
|
|
||||||
|
# 2
|
||||||
|
IN = [10, 100, 1000]
|
||||||
|
|
||||||
|
for n in IN:
|
||||||
|
nb_3 = 0
|
||||||
|
for i in range(n):
|
||||||
|
if lancer_de() == 3:
|
||||||
|
nb_3 += 1
|
||||||
|
freq_3 = nb_3 / n
|
||||||
|
print("Fréquence de 3 après", n, "lancers:", freq_3)
|
||||||
|
|
||||||
|
# 4
|
||||||
|
N = [10, 100, 1000]
|
||||||
|
|
||||||
|
for n in N:
|
||||||
|
nb_k = 0
|
||||||
|
for i in range(n):
|
||||||
|
if lancer_de() < 4:
|
||||||
|
nb_k += 1
|
||||||
|
freq_k = nb_k / n
|
||||||
|
print("Fréquence de k < 4 après", n, "lancers:", freq_k)
|
||||||
|
|
||||||
|
# 5
|
||||||
|
import matplotlib.pyplot as plt
|
||||||
|
|
||||||
|
probas = [1/6] * 6 # Probabilités théoriques
|
||||||
|
|
||||||
|
plt.bar(range(1, 7), probas)
|
||||||
|
plt.xlabel("Face du dé")
|
||||||
|
plt.ylabel("Probabilité")
|
||||||
|
plt.title("Probabilités d'obtenir chaque face du dé")
|
||||||
|
plt.show()
|
||||||
|
|
||||||
|
# 6
|
||||||
|
N = [10, 100, 1000]
|
||||||
|
|
||||||
|
for n in N:
|
||||||
|
freq_faces = [0] * 6
|
||||||
|
for i in range(n):
|
||||||
|
face = lancer_de()
|
||||||
|
freq_faces[face-1] += 1
|
||||||
|
freq_faces = [f / n for f in freq_faces]
|
||||||
|
print("Fréquences de chaque face après", n, "lancers:", freq_faces)
|
||||||
|
|
||||||
|
|
||||||
|
# 7
|
||||||
|
probas = [1/6] * 6 # Probabilités théoriques
|
||||||
|
cumul_theo = [sum(probas[:i+1]) for i in range(6)] # Fonction de répartition théorique
|
||||||
|
|
||||||
|
plt.plot(range(1, 7), cumul_theo)
|
||||||
|
plt.xlabel("Face du dé")
|
||||||
|
plt.ylabel("Probabilité")
|
||||||
|
plt.title("Fonction de répartition théorique")
|
||||||
|
plt.show()
|
||||||
|
|
||||||
|
|
||||||
|
# Exo 5
|
||||||
|
# 3
|
||||||
|
line = np.random.randint(0, 11, size=N-1000)
|
||||||
|
print(line)
|
||||||
|
|
||||||
|
# 4
|
||||||
Loading…
Reference in new issue