Académique Documents
Professionnel Documents
Culture Documents
La Statistique Avec Python: Université de Bretagne Sud
La Statistique Avec Python: Université de Bretagne Sud
Python
Salim Lardjane
Université de Bretagne Sud
Packages Python pour la
Statistique
• Le langage Python de base ne contient que l’essentiel
nécessaire à la programmation.
• https://pypi.python.org/pypi
• import numpy as np
• import scipy as sp
• import pandas as pd
• Connaître les listes, tuples et dictionnaires; connaître les tableaux numpy et les tableaux de
données pandas.
• Si vos fonctions personnelles sont dans le répertoire midi, vous pouvez ajouter ce répertoire
à votre PYTHONPATH avec la commande :
• import sys
• sys.path.append(‘mydir’)
• Pour utiliser des caractères non-ASCII comme les caractère français ou allemands, rajouter
en première ou deuxième ligne # -*- coding: utf-8 -*-
Pandas
• Pandas est un packages Python très utilisé dû à Wes
McKinney.
• Exemple :
Manipulation de données
import numpy as np
import pandas as pd
t = np.arange(0,10,0.1)
x = np.sin(t)
y = np.cos(t)
• Exemple :
df.Time
df[‘Time’]
Manipulation de données
• Exemple :
data.head( )
data.tail( )
data[4:10]
Manipulation de données
df[[‘Time’, ‘y’]][4:10]
df.iloc[4:10,[0,2]]
Manipulation de données
data.values
• Si les lignes d’un Data Frame ont des labels, on peut les extraire à l’aide de
la méthode loc. Par exemple, pour le label ‘rowlabel’, on ferait
df.loc[‘rowlabel’]. Si on veut référer à une ligne par son numéro, on utilise la
méthode iloc, par exemple df.iloc[15]. La méthode iloc peut également être
utilisée simultanément pour les lignes et les colonnes, par exemple :
df.iloc[2:4,3].
• Le slicing de lignes fonctionne, par exemple df[0:5] pour les cinq premières
lignes. Pour extraire une seule ligne, par exemple la ligne 5, faire df[5:6].
Regroupement de valeurs
data = pd.DataFrame({
})
Regroupement de valeurs
# Regroupement des données
grouped = data.groupby(‘Gender’)
# Statistiques de base
print(grouped.describe( ))
# Représentations graphiques
grouped.boxplot( )
plt.show( )
Regroupement de valeurs
• Sortie :
TV
Gender
import pandas as pd
import statsmodels.formula.api as sm
x = np.arange(100)
y = 0.5*x-20+np.random.randn(len(x))
df = pd.DataFrame({‘x’:x, ‘y’:y})
print(model.summary( ))
Statsmodels
• Sortie :
==============================================================================
Df Model: 1
==============================================================================
Statsmodels
==============================================================================
------------------------------------------------------------------------------
==============================================================================
==============================================================================
Warnings:
[1] Standard Errors assume that the covariance matrix of the errors is correctly specified.
Statsmodels
• Les modèles disponibles incluent :
• La régression linéaire
• L’ANOVA
• etc.
Seaborn
import pandas as pd
x = np.linspace(1,7,50)
y = 3+2*x+1.5*np.random.randn(len(x))
df = pd.DataFrame({‘xData’:x, ‘yData’:y})
plt.show( )
Seaborn
• Sortie :
Exercices
• Ecrire un programme qui demande à l’utilisateur d’entrer une
à une les coordonnées de deux points dans le plan puis
affiche la distance euclidienne entre ces deux points.
a = randint(0,1)
Ecrire un programme qui compte le nombre de fois où Pile est apparu au cours d’un
jeu.
import pandas as pd
cd ‘C:\Data\Storage’
pwd
ls
inFile = ‘data.txt’
df = pd.read_csv(inFile)
df.head( )
df.tail( )
Données Texte
1, 1.3, 0.6
2, 2.1, 0.7
3, 4.8, 0.8
4, 3.3, 0.9
data
Fichiers texte simples
• Le résultat est un tableau numpy
df
1, 1.3, 0.6
2, 2.1, 0.7
3, 4.8, 0.8
4, 3.3, 0.9
June, 2015
Fichiers texte complexes
data = np.round(np.random.randn(100,7),2)
df.head( )
vel.head( )
Lecture de données Excel
• Il y a deux façons de lire un fichier Microsoft Excel sous
pandas : la fonction read_excel et la classe ExcelFile.
xls = pd.ExcelFile(‘path_to_the_file.xls’)
pd.read_ + TAB
Exercices
forward(120)
left(120)
color('red')
forward(80)
reset()
Exercices
up()
goto(-200,50)
down()
speed("fast")
circle(40)
speed("slowest")
circle(80,270)
speed("normal")
circle(50)
reset()
Exercices
width(2)
hideturtle()
color('green')
begin_fill()
for a in range(4):
forward(50)
left(90)
end_fill()
reset()
Exercices
color('purple')
a=0
a+=1
forward(150)
left(150)
reset()
Exercices
up()
goto(100,-80)
down()
color('blue')
write('bonjour')
Exercices
• Les principales fonctions sont les suivantes :
• plt.savefig permet de diriger la sortie vers des fichiers, par exemple aux
formats PDF, JPG ou PNG.
Graphiques statistiques
• Ces deux styles sont aussi valides l’un que l’autre et ont
tous deux des avantages et des inconvénients.
import numpy as np
y = np.sin(x)
plt.plot(x,y)
plt.show()
Graphiques statistiques
• La création de la figure et des axes est faite
automatiquement par pyplot.
x = arange(0,10,0.2)
y = sin(x)
plot(x,y)
show()
Graphiques statistiques
import numpy as np
x = np.arange(0,10,0.2)
y = np.sin(x)
z = np.cos(x)
axs[0].plot(x,y)
axs[0].set_ylabel(‘sinus’)
axs[1].plot(x,z)
axs[1].set_ylabel(‘cosinus’)
plt.show()
Graphiques statistiques
import numpy as np
import pandas as pd
x = np.random.randn(500)
plt.plot(x,’.’)
plt.show()
Graphiques statistiques
Graphiques statistiques
• Exemple (histogramme) :
plt.hist(x,bins=25)
Graphiques statistiques
sns.kdeplot(x)
Graphiques statistiques
plt.plot(stats.cumfreq(x)[0])
Graphiques statistiques
• Exemple (boxplot) :
plt.boxplot(x,sym=‘*’)
Graphiques statistiques
• Exemple (diagramme en violon) :
nd = stats.norm
data = nd.rvs(size=(100))
nd2 = stats.norm(loc=3,scale=1.5)
data2 = nd2.rvs(size=(100))
df = pd.DataFrame({‘Girls’:data,’Boys’:data2})
sns.violinplot(data=df)
Graphiques statistiques
Graphiques statistiques
df = pd.DataFrame(np.random.rand(10,4),columns =
[‘a’,’b’,’c’,’d’])
df.plot(kind=‘bar’,grid=False)
Graphiques statistiques
• Exemple (diagramme en secteurs) :
fractions = [45,30,15,10]
offsets=(0,0.05,0,0)
plt.pie(fractions, explode=offsets,labels=txtLabels,autopct=‘%1.1f%%’,
shadow=True,startangle=90,colors=sns.color_palette(‘muted’))
plt.axis(‘equal’)
Graphiques statistiques
Graphiques statistiques
df2 =
pd.DataFrame(np.random.rand(50,4),columns=[‘a’,’b’,’c’,’d’])
import numpy as np
fig = plt.figure(figsize=plt.figaspect(0.5))
ax = fig.add_subplot(1,2,1, projection=‘3d’)
X = np.arange(-5,5,0.1)
Y = np.arange(-5,5,0.1)
X, Y = np.meshgrid(X,Y)
R = np.sqrt(X**2+Y**2)
Z = np.sin(R)
Graphiques statistiques
surf = ax.plot_surface(X,Y,Z,rstride=1,cstride=1,cmap=cm.GnBu, linewidth=0,antialiased=False)
ax.set_zlim3d(-1.01,1.01)
ax = fig.add_subplot(1,2,2,projection=‘3d’)
X,Y,Z = get_test_data(0.5)
ax.plot_wireframe(X,Y,Z,rstride=1,cstride=1)
outfile = ‘/Users/Salim/Desktop/3dGraph.png’
plt.savefig(outfile, dpi=600)
plt.show()
Graphiques statistiques
Exercices
• Sauvegarder les données iris de R dans un fichier csv.
import numpy as np
x = np.arange(10)
np.mean(x)
xWithNan = np.hstack((x,np.nan))
np.mean(xWithNan)
np.nanmean(xWithNan)
Distributions et tests
d’hypothèses
• Exemple :
data = [1, 3, 4, 4, 7]
stats.mode(data)
Distributions et tests
d’hypothèses
• Dans certains cas, on utilise la moyenne géométrique
comme caractéristique de tendance centrale d’une
distribution.
• Exemple :
x = np.arange(1,101)
stats.gmean(x)
Distributions et tests
d’hypothèses
• L’amplitude d’un échantillon, différence entre la valeur maximale et
minimale, est obtenue à l’aide de la fonction np.ptp.
import numpy as np
myDF = stats.norm(5,3)
x = np.linspace(-5,15,101)
y = myDF.cdf(x)
Distributions et tests
d’hypothèses
• CDF : fonction de répartition
• Exemple :
p = 0.5
p_pile = bernoulliDist.pmf(0)
p_face = bernoulliDist.pmf(1)
essais = bernoulliDist.rvs(10)
Distributions et tests
d’hypothèses
• Distribution binomiale :
import numpy as np
binomDist = stats.binom(num,p)
import numpy as np
mu = -2
sigma = 0.7
myDistribution = stats.norm(mu,sigma)
significanceLevel = 0.05
myDistribution.ppf([significanceLevel/2,1-significanceLevel/2])
Distributions et tests
d’hypothèses
• Avec Python :
nd = stats.norm(3.5, 0.76)
nd.cdf(2.6)
Exercice (Monty Hall)
• Le jeu suivant (Monty Hall) oppose un présentateur à un
candidat. Le joueur est placé devant trois portes fermées.
Derrière l’une d’elles se trouve une voiture et derrière chacun
des deux autres se trouve une chèvre. Il doit tout d’abord
désigner une porte. Puis le présentateur ouvre une porte qui
n’est ni celle choisie par le candidat, ni celle cachant a voiture (le
présentateur sait quelle est la bonne porte dès le début). Le
candidat a alors le droit ou bien d’ouvrir la porte qu’il a choisie
initialement, ou bien d’ouvrir la troisième porte.
import numpy as np
n = 20
df = n-1
alpha = 0.05
stats.t(df).isf(alpha/2)
alpha = 0.95
df = len(data)-1
import numpy as np
data = np.r_[3.04, 2.94, 3.01, 3.00, 2.94, 2.91, 3.02, 3.04, 3.09, 2.95, 2.99,
3.10, 3.02]
sigma = 0.05
chi2Dist = stats.chi2(len(data)-1)
statistic = sum(((data-np.mean(data))/sigma)**2)
chi2Dist.sf(statistic)
Distribution de Fisher
• Exemple : On souhaite comparer la précision de deux
méthodes de mesure du mouvement des yeux. La précision
est déterminée par la variance des mesures.
method1 = np.array[20.7, 20.3, 20.3, 20.3, 20.7, 19.9, 19.9, 19.9, 20.3, 20.3, 19.7, 20.3]
fd = stats.f(len(method1)-1,len(method2)-1)
print(‘’Différence significative’’)
• statsmodels
• scikit-learn
• seaborn
Modélisation Statistique
x = np.arange(100)
M1 = np.vstack ((np.ones_like(x),x)).T
M2 = np.vstack((np.ones_like(x),x,x**2)).T
p1 = np.linalg.lstsq(M1,y)
p2 = np.linalg.lstsq(M2,y)
p3 = np.linalg.lstsq(M3,y)
Modélisation Statistique
np.set_printoptions(precision=3)
import statsmodels.api as sm
print(Res1.summary2())
print(Res2.summary2())
print(Res3.summary2())
print('La valeur AIC est {0:4.1f} pour la régression linéaire, {1:4.1f} pour la régression quadratique, {2:4.1f} pour
la régression cubique'.format(Res1.aic,Res2.aic,Res3.aic))
Modélisation Statistique
• On peut également effectuer la régression, à l’aide de formules sous pandas, comme sous R, ce
qui évite de construire explicitement les matrices de plan.
import pandas as pd
df = pd.DataFrame({‘x’:x, ‘y’:y})
Res3F = smf.ols(‘y~x+I(x**2)+I(x**3)’,df).fit()
Res2F.params
Res2F.bse
Res2F.conf_int()
Exercice
• Lire les données de températures moyennes annuelles de la
station météorologique autrichienne de Sonnblick à partir du
fichier AvgTemp.xls, disponible sur le forum.
• Exemple :
sns.set()
df = sns.load_dataset(‘’iris’’)
import numpy as np
import pandas as pd
sns.set(style="white")
mask[np.triu_indices_from(mask)] = True
f, ax = plt.subplots(figsize=(11, 9))
fig = sns_plot.get_figure()
fig.savefig("/Users/Salim/Desktop/corrmat.png")
Matrice des corrélations
Régression Logistique
• On va prendre comme exemple l’évaluation de la probabilité
d’une défaillance de l’O-ring (une pièce critique) en fonction
de la température pour les navettes spatiales américaines.