In [ ]:
!pip install matplotlib
%matplotlib inline
!pip install pandas

Traitement de données

  1. Executer le programme et noter le résultat fourni.
In [2]:
f = open("indices_QA_commune_IDF_2017.csv", "r")
entete = f.readline()
s_no2,n = 0,0
ligne = f.readline()
while ligne != "" :
    date,ninsee,no2,o3,pm10 = ligne.split(",")
    if ninsee == '93066' :
        n += 1
        s_no2 += int(no2)
    ligne = f.readline()
print("Moyenne annuelle indice no2 :", s_no2/n)
f.close()
Moyenne annuelle indice no2 : 33.41208791208791
  1. Modifier le programme pour qu'il affiche aussi les moyennes annuelles des indices O$_3$ et PM10.
In [3]:
f = open("indices_QA_commune_IDF_2017.csv", "r")
entete = f.readline()
s_no2,s_o3,s_pm10,n = 0,0,0,0
ligne = f.readline()
while ligne != "" :
    date,ninsee,no2,o3,pm10 = ligne.split(",")
    if ninsee == '93066' :
        n += 1
        s_no2 += int(no2)
        s_o3 += int(o3)
        s_pm10 += int(pm10)
    ligne = f.readline()
print("Moyenne annuelle indice no2 :", s_no2/n)
print("Moyenne annuelle indice o3 :", s_o3/n)
print("Moyenne annuelle indice pm10 :", s_pm10/n)
f.close()
Moyenne annuelle indice no2 : 33.41208791208791
Moyenne annuelle indice o3 : 30.27747252747253
Moyenne annuelle indice pm10 : 33.032967032967036
  1. Modifier le programme pour qu'il affiche ces informations pour une autre commune au choix, dont on cherchera le code INSEE.
In [4]:
f = open("indices_QA_commune_IDF_2017.csv", "r")
entete = f.readline()
s_no2,s_o3,s_pm10,n = 0,0,0,0
ligne = f.readline()
while ligne != "" :
    date,ninsee,no2,o3,pm10 = ligne.split(",")
    if ninsee == '77288' : #commune de Melun ... Département : Seine-et-Marne 
        n += 1
        s_no2 += int(no2)
        s_o3 += int(o3)
        s_pm10 += int(pm10)
    ligne = f.readline()
print("Moyenne annuelle indice no2 :", s_no2/n)
print("Moyenne annuelle indice o3 :", s_o3/n)
print("Moyenne annuelle indice pm10 :", s_pm10/n)
f.close()
Moyenne annuelle indice no2 : 20.821428571428573
Moyenne annuelle indice o3 : 31.03846153846154
Moyenne annuelle indice pm10 : 26.521978021978022

Visualisation de données avec Pandas

  1. Exécuter le programme et observer le graphique produit.
In [5]:
import pandas as pnd
import matplotlib.pyplot as plt
sd = pnd.read_csv("Chap5_indicesSaintDenis.csv")
sd.pm10.plot()
plt.show()
  1. Modifier ce programme pour observer l'évoultion d'un autre critère de pollution au choix.
In [6]:
sd.head() #sd.tail()  #09/01/2017 ? #09/02/2017 ? #sd.shape
Out[6]:
date ninsee no2 o3 pm10
0 01/01/2017 93066 24 6 37
1 02/01/2017 93066 30 12 35
2 03/01/2017 93066 36 9 45
3 04/01/2017 93066 34 19 30
4 05/01/2017 93066 45 18 42
In [ ]:
 
In [7]:
import pandas as pnd
import matplotlib.pyplot as plt
sd = pnd.read_csv("Chap5_indicesSaintDenis.csv")
sd["o3"].plot()
plt.show()
In [8]:
import pandas as pnd
import matplotlib.pyplot as plt
sd = pnd.read_csv("Chap5_indicesSaintDenis.csv")
sd["no2"].plot()
plt.show()
In [ ]: