Choisir les horaires d’ouverture à partir des données est un projet pratique avec pandas et Matplotlib pour les personnes qui savent déjà lire, filtrer et regrouper des données. Aidez un lieu communautaire à comparer équitablement ses créneaux d’ouverture et produisez une analyse Python réutilisable, des tableaux CSV complets, un véritable graphique et une recommandation fondée sur des observations admissibles.
Deux laboratoires guidés partent d’un exemple calculé à la main avec des possibilités d’observation égales, puis abordent les observations manquantes, les taux comparables et une règle explicite de suffisance des données. Un défi indépendant applique les mêmes méthodes à un autre lieu. Chaque unité dispose de ses propres données et de son espace de travail préparés.
Ce que vous apprendrez
À la fin de ce cours, vous pourrez :
- relier un programme d’ouverture aux observations avec des clés complètes et uniques de date et de créneau ;
- distinguer les heures de fermeture, les relevés manquants et les véritables zéros de fréquentation ;
- calculer les heures prévues, les heures observées, la couverture des relevés et les visiteurs par heure observée ;
- appliquer des seuils d’admissibilité publics, conserver tous les ex æquo et différer une recommandation lorsque les données sont insuffisantes ;
- livrer des tableaux CSV reproductibles et des graphiques comparant totaux et taux, avec le nombre d’observations et la couverture visibles ;
- expliquer pourquoi des taux historiques descriptifs n’établissent pas l’effet d’une extension des horaires.
À qui s’adresse ce cours
Ce cours s’adresse aux analystes débutants qui souhaitent utiliser leurs outils familiers de regroupement et de visualisation pour prendre une décision pratique avec rigueur.
Prérequis : Bases de Python, saisie de commandes dans un terminal, lecture de CSV, filtrage et regroupement avec pandas, et diagrammes en barres avec Matplotlib. Le cours enseigne la jointure à clé composée, le sens des données manquantes et les règles de décision nécessaires.
Environnement d’apprentissage : Un WebIDE prêt à l’emploi dans le navigateur, avec Python, pandas et Matplotlib. Les données sont synthétiques ; les libellés et sorties de l’environnement restent en anglais. Aucune installation locale n’est nécessaire.
Questions fréquentes
Faut-il connaître l’apprentissage automatique ou les statistiques ?
Non. Vous réaliserez une comparaison descriptive, sans entraîner de modèle ni effectuer de test de significativité.
Faut-il recommander un seul créneau gagnant ?
Non. Les résultats corrects conservent tous les ex æquo et peuvent différer la recommandation si aucun créneau ne satisfait la règle indiquée. Les seuils sont des règles d’exercice, pas des garanties universelles de confiance.
Que pourrai-je conserver ?
Des scripts réutilisables, des tableaux complets par heure et créneau, un véritable graphique PNG et un bref conseil, tout en préservant les données originales. Chaque unité est initialisée indépendamment ; les fichiers d’une VM précédente sont inutiles.
