Encoder des données en couleur et en taille

Dans cet exercice, vous allez visualiser les relations entre les prix des avocats biologiques et conventionnels.

Les tableaux NumPy suivants sont déjà dans votre espace de travail :

conventional_price contient le prix moyen mensuel des avocats conventionnels dans de nombreux marchés.
organic_price contient la même information pour les avocats biologiques.
fraction_organic contient la proportion d'avocats vendus durant le mois qui étaient biologiques.

Vous utiliserez matplotlib pour tenter de répondre à quelques questions et mieux comprendre le marché des avocats biologiques.

Quand les avocats conventionnels coûtent plus cher, les prix des avocats biologiques augmentent-ils aussi ?
Quand la prime pour les avocats biologiques est moindre, les gens achètent-ils davantage d'avocats biologiques ?

Cette activité fait partie du cours

Python pour les utilisateurs et utilisatrices de MATLAB

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Initialize the figure
plt.figure()

# Make the scatter plot


plt.show()

Modifier et exécuter le code

Cette activité fait partie du cours

Python pour les utilisateurs et utilisatrices de MATLAB

SkillTag.level.beginnerSkillTag.label

4.8+

Commencer le cours gratuitement

Ce chapitre vous met sur la voie pour passer de MATLAB à Python. Vous verrez certaines similitudes et différences entre MATLAB et Python, comment utiliser des méthodes et des modules, et vous ferez connaissance avec le populaire module NumPy.

Exercise 1: Bienvenue dans Python !Exercise 2: Calculs de base Exercise 3: Prévoir un investissement Exercise 4: Types de variables Exercise 5: Méthodes et modules Exercise 6: Manipuler des chaînes avec des méthodes Exercise 7: Utiliser des progiciels Python Exercise 8: Tableaux et traçage Exercise 9: Premiers pas avec les tableaux NumPy Exercise 10: Tracer le trafic à vélo Exercise 11: Qu'est-ce qui prédit la longévité des animaux?

Dans ce chapitre, vous approfondirez vos nouvelles connaissances de NumPy. Vous plongerez dans les tableaux NumPy, l'équivalent Python des matrices, en effectuant des opérations mathématiques et de l'indexation. Vous commencerez aussi à explorer une autre structure de données importante en Python, la liste, puis vous terminerez le chapitre en créant des graphiques personnalisés de vos tableaux avec Matplotlib.

Exercise 1: Plongez dans les tableaux NumPy Exercise 2: Prévisions dans le temps Exercise 3: Combien plus chers sont les avocats biologiques?Exercise 4: Indexer des tableaux NumPy Exercise 5: Extraire des colonnes à partir de tableaux NumPy Exercise 6: Circulation à vélo pendant toute la semaine Exercise 7: Filtrage de tableaux avec une indexation booléenne Exercise 8: Listes Exercise 9: Exploration des listes Exercise 10: Créer des tableaux NumPy à partir de listes Exercise 11: Opérations sur les listes et les tableaux Exercise 12: Personnaliser des graphiques Exercise 13: Couleurs, styles de ligne et légendes Exercise 14: Encoder des données en couleur et en taille

Exercice en cours

Exercise 15: Déterminer les types de moteurs lors d'impacts avec la faune

Ce chapitre présente des structures de données Python puissantes : le dictionnaire et le DataFrame de pandas. Vous apprendrez à créer des dictionnaires en définissant des paires clé-valeur, puis à consulter et modifier votre dictionnaire. Ensuite, vous découvrirez l'un des modules les plus importants dans la boîte à outils des Pythonistas, pandas. Plus précisément, vous vous concentrerez sur la structure de pandas, le DataFrame, qui organise les données tabulaires de façon simple d'accès. Enfin, vous apprendrez à transformer différents types de données en DataFrames pour faciliter votre travail avec les données.

Exercise 1: Dictionnaires Exercise 2: Quelles clés?Exercise 3: Extraire des données Exercise 4: Modifier des dictionnaires Exercise 5: Introduction aux DataFrames Exercise 6: Explorer un DataFrame pandas Exercise 7: Tracer des données à partir d'un DataFrame Exercise 8: Accéder aux DataFrames de pandas Exercise 9: Accéder aux lignes et aux colonnes Exercise 10: Les multiples usages de .iloc Exercise 11: Créer des DataFrames pandas Exercise 12: À partir d'un fichier CSV Exercise 13: À partir d'un dictionnaire de listes Exercise 14: À partir d'une liste de dictionnaires

Vous terminerez le cours en maîtrisant le flux de votre code Python. Vous apprendrez à itérer sur différentes structures de données Python à l'aide de boucles for. Vous verrez aussi les structures conditionnelles en Python avec if, else et elif, ainsi que les opérateurs de comparaison (plus grand que, plus petit que, etc.) qui détermineront quelles lignes de votre code seront exécutées. Enfin, vous reviendrez aux tableaux NumPy en utilisant les opérateurs de comparaison de Python pour filtrer vos tableaux.

Exercise 1: Parcourir des données avec des boucles Exercise 2: Parcourir des listes Exercise 3: Superposer plusieurs tracés sur une figure Exercise 4: Comparaisons et contrôle du flux Exercise 5: Compter les différents types d'aéronefs Exercise 6: Repérer certaines lignes dans un DataFrame Exercise 7: Filtrer des données Exercise 8: Indexation booléenne pour des stats rapides Exercise 9: Les booléens à la rescousse!Exercise 10: Filtrage booléen et plaisir avec Matplotlib Exercise 11: Bravo !