Température HadCRUT¶
Nous avons décidé ici d'utiliser le package prince pour démonstration.
In [1]:
import pandas
import numpy
import matplotlib.pyplot as plt
import seaborn
seaborn.set_style("white")
from prince import PCA
In [2]:
temp = pandas.read_table(
"https://crudata.uea.ac.uk/cru/data/temperature/HadCRUT5.0Analysis_gl.txt",
sep = "\s+",
names = ["Jan", "Feb", "Mar", "Apr", "May", "Jun", "Jul", "Aug", "Sep", "Oct", "Nov", "Dec", "Annual"])
temp = temp.iloc[::2]
temp = temp.iloc[:-1] # suppression de la dernière ligne (i.e. 2024 n'est pas finie)
temp
Out[2]:
| Jan | Feb | Mar | Apr | May | Jun | Jul | Aug | Sep | Oct | Nov | Dec | Annual | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1850 | -0.675 | -0.333 | -0.591 | -0.589 | -0.509 | -0.344 | -0.160 | -0.208 | -0.385 | -0.533 | -0.283 | -0.404 | -0.418 |
| 1851 | -0.201 | -0.469 | -0.646 | -0.542 | -0.198 | -0.137 | -0.097 | -0.102 | -0.091 | -0.008 | -0.082 | -0.228 | -0.233 |
| 1852 | -0.375 | -0.477 | -0.560 | -0.585 | -0.127 | -0.084 | 0.005 | -0.136 | -0.002 | -0.172 | -0.305 | 0.065 | -0.229 |
| 1853 | -0.233 | -0.404 | -0.280 | -0.386 | -0.268 | -0.142 | -0.083 | -0.057 | -0.250 | -0.392 | -0.411 | -0.337 | -0.270 |
| 1854 | -0.381 | -0.361 | -0.243 | -0.334 | -0.289 | -0.299 | -0.179 | -0.239 | -0.217 | -0.095 | -0.410 | -0.450 | -0.292 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 2019 | 0.800 | 0.844 | 1.076 | 0.939 | 0.778 | 0.809 | 0.857 | 0.858 | 0.803 | 0.956 | 0.937 | 1.037 | 0.891 |
| 2020 | 1.069 | 1.113 | 1.094 | 1.063 | 0.908 | 0.825 | 0.816 | 0.801 | 0.867 | 0.811 | 1.014 | 0.693 | 0.923 |
| 2021 | 0.701 | 0.565 | 0.726 | 0.760 | 0.706 | 0.713 | 0.792 | 0.799 | 0.868 | 0.907 | 0.854 | 0.751 | 0.762 |
| 2022 | 0.779 | 0.764 | 0.890 | 0.770 | 0.761 | 0.858 | 0.778 | 0.853 | 0.790 | 0.929 | 0.675 | 0.768 | 0.801 |
| 2023 | 0.779 | 0.869 | 1.125 | 0.927 | 0.871 | 1.052 | 1.150 | 1.199 | 1.352 | 1.287 | 1.334 | 1.259 | 1.100 |
174 rows × 13 columns
Description¶
- Pas de données manquantes
- Des moyennes globalement similaires
- Idem pour la variance
- Pas de distribution dissymétrique, mais quelques valeurs extrêmes toutefois.
In [3]:
temp.describe().round(2)
Out[3]:
| Jan | Feb | Mar | Apr | May | Jun | Jul | Aug | Sep | Oct | Nov | Dec | Annual | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| count | 174.00 | 174.00 | 174.00 | 174.00 | 174.00 | 174.00 | 174.00 | 174.00 | 174.00 | 174.00 | 174.00 | 174.00 | 174.00 |
| mean | -0.10 | -0.10 | -0.12 | -0.08 | -0.09 | -0.06 | -0.04 | -0.02 | -0.04 | -0.04 | -0.08 | -0.11 | -0.07 |
| std | 0.42 | 0.43 | 0.45 | 0.41 | 0.38 | 0.36 | 0.35 | 0.36 | 0.36 | 0.39 | 0.41 | 0.42 | 0.38 |
| min | -1.04 | -0.84 | -0.84 | -0.66 | -0.66 | -0.64 | -0.59 | -0.60 | -0.64 | -0.68 | -0.68 | -0.90 | -0.60 |
| 25% | -0.39 | -0.41 | -0.43 | -0.39 | -0.35 | -0.31 | -0.29 | -0.27 | -0.30 | -0.33 | -0.39 | -0.41 | -0.34 |
| 50% | -0.18 | -0.22 | -0.21 | -0.18 | -0.17 | -0.15 | -0.12 | -0.11 | -0.13 | -0.09 | -0.14 | -0.21 | -0.18 |
| 75% | 0.14 | 0.12 | 0.11 | 0.15 | 0.12 | 0.10 | 0.09 | 0.13 | 0.12 | 0.11 | 0.07 | 0.11 | 0.09 |
| max | 1.09 | 1.22 | 1.18 | 1.06 | 0.91 | 1.05 | 1.15 | 1.20 | 1.35 | 1.29 | 1.33 | 1.26 | 1.10 |
In [4]:
plt.figure(figsize = (16, 8))
seaborn.boxplot(data = temp)
plt.show()
Evolution annuelle sur la période¶
La représentation de l'évolution des anomalies moyennes annuelles permet de voir que la température est en augmentation, particulièrement depuis le milieu des années 1970.
In [5]:
plt.figure(figsize = (16, 8))
plt.axhline(y = 0, linestyle = "dashed", color = "gray", alpha = .5)
plt.axvline(x = 1961, linestyle = "dashed", color = "gray", alpha = .5)
plt.axvline(x = 1990, linestyle = "dashed", color = "gray", alpha = .5)
seaborn.lineplot(x = "Annee", y = "Annual",
data = temp.assign(Annee = temp.index).reset_index(drop=True))
plt.show()
Analyse¶
on enlève la dernière colonne, qui est l'anomalie annuelle.
In [6]:
temp2 = temp[temp.columns[:12]]
temp2
Out[6]:
| Jan | Feb | Mar | Apr | May | Jun | Jul | Aug | Sep | Oct | Nov | Dec | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1850 | -0.675 | -0.333 | -0.591 | -0.589 | -0.509 | -0.344 | -0.160 | -0.208 | -0.385 | -0.533 | -0.283 | -0.404 |
| 1851 | -0.201 | -0.469 | -0.646 | -0.542 | -0.198 | -0.137 | -0.097 | -0.102 | -0.091 | -0.008 | -0.082 | -0.228 |
| 1852 | -0.375 | -0.477 | -0.560 | -0.585 | -0.127 | -0.084 | 0.005 | -0.136 | -0.002 | -0.172 | -0.305 | 0.065 |
| 1853 | -0.233 | -0.404 | -0.280 | -0.386 | -0.268 | -0.142 | -0.083 | -0.057 | -0.250 | -0.392 | -0.411 | -0.337 |
| 1854 | -0.381 | -0.361 | -0.243 | -0.334 | -0.289 | -0.299 | -0.179 | -0.239 | -0.217 | -0.095 | -0.410 | -0.450 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 2019 | 0.800 | 0.844 | 1.076 | 0.939 | 0.778 | 0.809 | 0.857 | 0.858 | 0.803 | 0.956 | 0.937 | 1.037 |
| 2020 | 1.069 | 1.113 | 1.094 | 1.063 | 0.908 | 0.825 | 0.816 | 0.801 | 0.867 | 0.811 | 1.014 | 0.693 |
| 2021 | 0.701 | 0.565 | 0.726 | 0.760 | 0.706 | 0.713 | 0.792 | 0.799 | 0.868 | 0.907 | 0.854 | 0.751 |
| 2022 | 0.779 | 0.764 | 0.890 | 0.770 | 0.761 | 0.858 | 0.778 | 0.853 | 0.790 | 0.929 | 0.675 | 0.768 |
| 2023 | 0.779 | 0.869 | 1.125 | 0.927 | 0.871 | 1.052 | 1.150 | 1.199 | 1.352 | 1.287 | 1.334 | 1.259 |
174 rows × 12 columns
Et on réalise une ACP sur les données brutes, car les variables ont toutes la même unité, et des variations similaires.
In [7]:
pca = PCA(n_components = 12)
pca.fit(temp2)
Out[7]:
PCA(n_components=12)In a Jupyter environment, please rerun this cell to show the HTML representation or trust the notebook.
On GitHub, the HTML representation is unable to render, please try loading this page with nbviewer.org.
PCA(n_components=12)
On remarque que 92% de l'information est contenue dans le seul premier facteur.
In [8]:
eig = pandas.DataFrame({
"Dimension": ["Dim"+str(i+1) for i in range(12)],
"Valeurs propres": pca.eigenvalues_,
"% expliquée": pca.percentage_of_variance_,
"% expliquée cumulée": numpy.cumsum(pca.percentage_of_variance_)
})
eig.round(2)
Out[8]:
| Dimension | Valeurs propres | % expliquée | % expliquée cumulée | |
|---|---|---|---|---|
| 0 | Dim1 | 11.09 | 92.42 | 92.42 |
| 1 | Dim2 | 0.31 | 2.59 | 95.01 |
| 2 | Dim3 | 0.13 | 1.06 | 96.07 |
| 3 | Dim4 | 0.11 | 0.90 | 96.97 |
| 4 | Dim5 | 0.09 | 0.71 | 97.69 |
| 5 | Dim6 | 0.07 | 0.57 | 98.26 |
| 6 | Dim7 | 0.05 | 0.42 | 98.68 |
| 7 | Dim8 | 0.04 | 0.36 | 99.03 |
| 8 | Dim9 | 0.04 | 0.30 | 99.33 |
| 9 | Dim10 | 0.03 | 0.25 | 99.59 |
| 10 | Dim11 | 0.03 | 0.22 | 99.80 |
| 11 | Dim12 | 0.02 | 0.20 | 100.00 |
In [9]:
plt.figure(figsize = (16, 8))
seaborn.barplot(x = "Dimension", y = "% expliquée", data = eig, color = "steelblue")
plt.show()
In [10]:
pca.column_correlations.round(2)
Out[10]:
| component | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| variable | ||||||||||||
| Jan | 0.93 | -0.26 | -0.15 | 0.14 | 0.02 | -0.10 | -0.08 | 0.04 | 0.01 | -0.01 | -0.01 | 0.01 |
| Feb | 0.94 | -0.27 | -0.10 | 0.01 | 0.00 | 0.17 | 0.08 | -0.04 | 0.01 | 0.00 | 0.02 | 0.00 |
| Mar | 0.96 | -0.14 | 0.07 | -0.20 | -0.08 | 0.01 | -0.09 | 0.04 | 0.02 | -0.03 | 0.05 | -0.00 |
| Apr | 0.97 | -0.13 | 0.08 | -0.09 | -0.03 | -0.04 | 0.02 | -0.02 | -0.04 | 0.05 | -0.12 | -0.03 |
| May | 0.97 | -0.07 | 0.08 | -0.01 | 0.05 | -0.13 | 0.09 | -0.06 | -0.04 | 0.01 | 0.08 | 0.02 |
| Jun | 0.98 | 0.03 | 0.10 | 0.03 | 0.11 | -0.01 | 0.06 | 0.05 | 0.07 | -0.10 | -0.03 | -0.04 |
| Jul | 0.97 | 0.07 | 0.12 | 0.07 | 0.08 | 0.05 | -0.04 | 0.05 | 0.06 | 0.11 | 0.02 | 0.02 |
| Aug | 0.98 | 0.10 | 0.08 | 0.07 | -0.01 | 0.07 | -0.05 | -0.01 | -0.09 | -0.06 | -0.02 | 0.08 |
| Sep | 0.97 | 0.12 | 0.02 | 0.11 | -0.07 | 0.03 | -0.04 | -0.03 | -0.05 | 0.00 | 0.04 | -0.11 |
| Oct | 0.97 | 0.15 | -0.03 | 0.02 | -0.13 | -0.03 | -0.01 | -0.10 | 0.11 | -0.01 | -0.02 | 0.03 |
| Nov | 0.96 | 0.18 | -0.11 | -0.03 | -0.10 | -0.02 | 0.10 | 0.13 | -0.02 | 0.02 | 0.00 | 0.01 |
| Dec | 0.94 | 0.21 | -0.18 | -0.13 | 0.16 | 0.00 | -0.05 | -0.04 | -0.02 | 0.01 | -0.01 | -0.01 |
Le cercle des corrélations nous informe que les mois ont globalement tous le même comportement, et donc que les années à droite du graphique seront les années les plus chaudes.
Vous remarquerez qu'il est plus simple à obtenir avec le module
prince, par rapport Ãsklearn.
In [11]:
coord_col = pca.column_correlations
fig, axes = plt.subplots(figsize = (10, 10))
fig.suptitle("Cercle des corrélations")
axes.set_xlim(-1, 1)
axes.set_ylim(-1, 1)
axes.axvline(x = 0, color = 'lightgray', linestyle = '--', linewidth = 1)
axes.axhline(y = 0, color = 'lightgray', linestyle = '--', linewidth = 1)
for j in range(12):
xj = coord_col.iloc[j,0]
yj = coord_col.iloc[j,1]
axes.text(xj, yj, coord_col.index[j], size = 25)
axes.plot([0,xj], [0,yj], color = "gray", linestyle = 'dashed')
plt.gca().add_artist(plt.Circle((0,0),1,color='blue',fill=False))
plt.show()
In [12]:
pca.plot(temp2,
x_component=0,
y_component=1,
show_rows=True,
show_columns=False)
Out[12]:
In [13]:
coord = pca.row_coordinates(temp2)
coord
Out[13]:
| component | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1850 | -3.012003 | 0.431466 | 0.098982 | 0.067951 | 0.351684 | 0.776386 | 0.283599 | 0.428619 | -0.153287 | 0.164669 | 0.168333 | 0.241695 |
| 1851 | -1.345836 | 0.930646 | -0.244484 | 0.877566 | 0.095484 | -0.327217 | 0.146827 | 0.047136 | 0.222303 | -0.092849 | 0.229386 | 0.193750 |
| 1852 | -1.297763 | 1.145892 | -0.017672 | 0.485128 | 0.892949 | -0.089029 | -0.121513 | -0.232531 | 0.060483 | 0.023844 | 0.559803 | -0.200627 |
| 1853 | -1.711012 | -0.078725 | 0.439443 | 0.231846 | 0.498018 | 0.059116 | -0.378079 | 0.288674 | -0.123946 | -0.158261 | 0.156853 | 0.194773 |
| 1854 | -1.917393 | -0.015155 | 0.328295 | -0.011872 | -0.298448 | 0.000950 | -0.205764 | -0.259100 | 0.332803 | 0.062479 | 0.155142 | 0.052413 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 2019 | 8.475412 | 0.330155 | -0.027330 | -0.425422 | 0.042390 | 0.056811 | -0.228674 | 0.016499 | 0.122236 | 0.066653 | -0.079167 | 0.064623 |
| 2020 | 8.726627 | -0.751095 | 0.010678 | 0.015370 | -0.295516 | -0.032163 | 0.217470 | 0.304661 | -0.092436 | 0.123502 | 0.022758 | -0.139310 |
| 2021 | 7.402119 | 0.687969 | 0.207032 | 0.299010 | -0.194183 | -0.180343 | -0.140000 | -0.007238 | 0.035431 | 0.106444 | -0.033782 | -0.072324 |
| 2022 | 7.728384 | 0.150989 | 0.344504 | 0.155171 | 0.099516 | 0.005746 | -0.218616 | -0.225818 | 0.261071 | -0.290057 | 0.016249 | 0.049978 |
| 2023 | 10.419954 | 1.656237 | 0.185007 | 0.225360 | -0.289773 | 0.392665 | -0.264498 | 0.112945 | 0.024298 | -0.024447 | 0.184994 | -0.269471 |
174 rows × 12 columns
In [14]:
contrib = pca.row_contributions_
contrib.round(2)
Out[14]:
| component | 0 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1850 | 0.00 | 0.00 | 0.00 | 0.00 | 0.01 | 0.05 | 0.01 | 0.02 | 0.00 | 0.01 | 0.01 | 0.01 |
| 1851 | 0.00 | 0.02 | 0.00 | 0.04 | 0.00 | 0.01 | 0.00 | 0.00 | 0.01 | 0.00 | 0.01 | 0.01 |
| 1852 | 0.00 | 0.02 | 0.00 | 0.01 | 0.05 | 0.00 | 0.00 | 0.01 | 0.00 | 0.00 | 0.07 | 0.01 |
| 1853 | 0.00 | 0.00 | 0.01 | 0.00 | 0.02 | 0.00 | 0.02 | 0.01 | 0.00 | 0.00 | 0.01 | 0.01 |
| 1854 | 0.00 | 0.00 | 0.00 | 0.00 | 0.01 | 0.00 | 0.00 | 0.01 | 0.02 | 0.00 | 0.01 | 0.00 |
| ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... | ... |
| 2019 | 0.04 | 0.00 | 0.00 | 0.01 | 0.00 | 0.00 | 0.01 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| 2020 | 0.04 | 0.01 | 0.00 | 0.00 | 0.01 | 0.00 | 0.01 | 0.01 | 0.00 | 0.00 | 0.00 | 0.00 |
| 2021 | 0.03 | 0.01 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 | 0.00 |
| 2022 | 0.03 | 0.00 | 0.01 | 0.00 | 0.00 | 0.00 | 0.01 | 0.01 | 0.01 | 0.02 | 0.00 | 0.00 |
| 2023 | 0.06 | 0.05 | 0.00 | 0.00 | 0.01 | 0.01 | 0.01 | 0.00 | 0.00 | 0.00 | 0.01 | 0.02 |
174 rows × 12 columns
Représentation des années¶
On peut maintenant representer les années sur le premier plan factoriel. On voit bien que les dernières années sont les plus chaudes.
In [15]:
plt.figure(figsize = (16, 10))
seaborn.scatterplot(x = 0, y = 1, data = coord, color = "gray", alpha = .25)
for i in range(coord.shape[0]):
taille = "small"
if (contrib.iloc[i,0] > .02):
taille = 30
if (contrib.iloc[i,1] > .02):
taille = 30
plt.text(coord.iloc[i][0], coord.iloc[i][1], coord.index[i],
fontsize = taille, ha = "center", va = "center")
In [16]:
pandas.DataFrame(temp.mean()).transpose().round(3).rename(index = {0: "Moyenne"})
Out[16]:
| Jan | Feb | Mar | Apr | May | Jun | Jul | Aug | Sep | Oct | Nov | Dec | Annual | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Moyenne | -0.099 | -0.096 | -0.115 | -0.084 | -0.089 | -0.062 | -0.038 | -0.022 | -0.039 | -0.037 | -0.075 | -0.11 | -0.072 |
Années avec un début d'année chaud et une fin d'année froide¶
In [17]:
temp.filter(items = [1852, 1877, 1893, 1951], axis = 0)
Out[17]:
| Jan | Feb | Mar | Apr | May | Jun | Jul | Aug | Sep | Oct | Nov | Dec | Annual | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1852 | -0.375 | -0.477 | -0.560 | -0.585 | -0.127 | -0.084 | 0.005 | -0.136 | -0.002 | -0.172 | -0.305 | 0.065 | -0.229 |
| 1877 | -0.411 | -0.209 | -0.091 | -0.346 | -0.411 | -0.138 | -0.016 | 0.211 | 0.108 | 0.113 | 0.034 | -0.056 | -0.101 |
| 1893 | -1.045 | -0.845 | -0.427 | -0.515 | -0.572 | -0.442 | -0.244 | -0.287 | -0.365 | -0.304 | -0.405 | -0.485 | -0.495 |
| 1951 | -0.360 | -0.509 | -0.262 | -0.108 | 0.032 | 0.060 | 0.039 | 0.121 | 0.132 | 0.124 | -0.072 | 0.069 | -0.061 |
Années avec un début d'année froid et une fin d'année chaude¶
In [18]:
temp.filter(items = [1878, 1882, 1903, 1912, 1992], axis = 0)
Out[18]:
| Jan | Feb | Mar | Apr | May | Jun | Jul | Aug | Sep | Oct | Nov | Dec | Annual | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1878 | -0.070 | 0.229 | 0.361 | 0.189 | -0.122 | 0.010 | -0.077 | -0.047 | 0.021 | -0.165 | -0.143 | -0.323 | -0.011 |
| 1882 | -0.025 | -0.117 | -0.177 | -0.315 | -0.326 | -0.392 | -0.341 | -0.245 | -0.150 | -0.399 | -0.404 | -0.655 | -0.296 |
| 1903 | -0.434 | -0.240 | -0.398 | -0.588 | -0.516 | -0.548 | -0.505 | -0.601 | -0.560 | -0.665 | -0.630 | -0.714 | -0.533 |
| 1912 | -0.329 | -0.315 | -0.554 | -0.338 | -0.335 | -0.285 | -0.507 | -0.572 | -0.644 | -0.679 | -0.558 | -0.590 | -0.476 |
| 1992 | 0.363 | 0.348 | 0.309 | 0.162 | 0.168 | 0.156 | 0.005 | 0.038 | -0.090 | -0.023 | -0.037 | 0.099 | 0.125 |
Années (beaucoup) plus chaudes que la moyenne¶
In [19]:
temp.filter(items = [i for i in range(2015, 2022)], axis = 0)
Out[19]:
| Jan | Feb | Mar | Apr | May | Jun | Jul | Aug | Sep | Oct | Nov | Dec | Annual | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2015 | 0.740 | 0.782 | 0.795 | 0.701 | 0.731 | 0.760 | 0.715 | 0.799 | 0.826 | 1.015 | 0.996 | 1.042 | 0.825 |
| 2016 | 1.088 | 1.224 | 1.182 | 1.030 | 0.880 | 0.777 | 0.778 | 0.949 | 0.846 | 0.819 | 0.844 | 0.779 | 0.933 |
| 2017 | 0.952 | 1.067 | 1.065 | 0.846 | 0.780 | 0.658 | 0.805 | 0.811 | 0.729 | 0.809 | 0.806 | 0.815 | 0.845 |
| 2018 | 0.711 | 0.796 | 0.790 | 0.822 | 0.713 | 0.738 | 0.733 | 0.735 | 0.676 | 0.869 | 0.745 | 0.824 | 0.763 |
| 2019 | 0.800 | 0.844 | 1.076 | 0.939 | 0.778 | 0.809 | 0.857 | 0.858 | 0.803 | 0.956 | 0.937 | 1.037 | 0.891 |
| 2020 | 1.069 | 1.113 | 1.094 | 1.063 | 0.908 | 0.825 | 0.816 | 0.801 | 0.867 | 0.811 | 1.014 | 0.693 | 0.923 |
| 2021 | 0.701 | 0.565 | 0.726 | 0.760 | 0.706 | 0.713 | 0.792 | 0.799 | 0.868 | 0.907 | 0.854 | 0.751 | 0.762 |
Heatmap classique de lévolution pour repérer les années à comportement atypique¶
In [20]:
plt.figure(figsize = (16, 4))
g = seaborn.heatmap(temp2.T, cmap = "coolwarm")
Et avec une AFC ?¶
Les données doivent être toutes positives, donc on ajoute une valeur fixe à toutes les valeurs.
In [21]:
from prince import CA
ca = CA()
ca.fit(temp2 + 100)
Out[21]:
<prince.ca.CA at 0x13cd60520>
In [22]:
ca_row = ca.row_coordinates(temp2)
ca_col = ca.column_coordinates(temp2)
/usr/local/lib/python3.9/site-packages/prince/ca.py:206: FutureWarning: is_sparse is deprecated and will be removed in a future version. Check `isinstance(dtype, pd.SparseDtype)` instead. is_sparse = X.dtypes.apply(pd.api.types.is_sparse).all()
La méthode ne semble pas pertinente dans ce cas, ou alors bien trop complexe à analyser et utiliser.
In [23]:
plt.figure(figsize = (16, 8))
g = seaborn.scatterplot(x = 0, y = 1, data = ca_row)
for i in range(ca_row.shape[0]):
plt.text(ca_row.iloc[i][0], ca_row.iloc[i][1], ca_row.index[i],
ha = "center", va = "center", fontsize = 15, color = "steelblue")
for i in range(ca_col.shape[0]):
plt.text(ca_col.iloc[i][0], ca_col.iloc[i][1],
ca_col.index[i].replace(" Actifs ayant un emploi RP1968", ""),
ha = "center", va = "center", fontsize = 15, color = "red")
ax = plt.gca()
plt.show()
In [24]:
temp.filter(items = [i for i in [1878, 1942, 1943, 1978]], axis = 0)
Out[24]:
| Jan | Feb | Mar | Apr | May | Jun | Jul | Aug | Sep | Oct | Nov | Dec | Annual | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1878 | -0.070 | 0.229 | 0.361 | 0.189 | -0.122 | 0.010 | -0.077 | -0.047 | 0.021 | -0.165 | -0.143 | -0.323 | -0.011 |
| 1942 | 0.258 | 0.017 | -0.042 | -0.015 | 0.124 | 0.030 | -0.060 | -0.057 | -0.013 | -0.087 | -0.058 | -0.080 | 0.001 |
| 1943 | -0.183 | -0.031 | -0.168 | 0.023 | 0.036 | -0.075 | 0.018 | 0.032 | -0.013 | 0.228 | 0.104 | 0.106 | 0.006 |
| 1978 | 0.037 | 0.074 | 0.059 | 0.053 | 0.012 | -0.055 | 0.016 | -0.217 | 0.042 | -0.060 | 0.092 | 0.010 | 0.005 |
In [25]:
plt.figure(figsize = (4, 16))
g = seaborn.heatmap(temp2, cmap = "coolwarm")
