Créer des visualisations avec Python

• Comprendre l'importance de la visualisation pour analyser des données
• Découvrir la bibliothèque matplotlib et ses composants de base
• Créer ses premiers graphiques (courbes, histogrammes, camemberts) à partir de données simples

Pourquoi visualiser les données ?

Les données brutes, comme une liste de températures mensuelles ou les résultats d'un sondage, sont souvent difficiles à interpréter rapidement. La visualisation transforme ces nombres en formes, couleurs et positions sur un graphique, ce qui permet à notre cerveau de percevoir immédiatement des motifs, des tendances ou des anomalies. Par exemple, une courbe qui monte montre une croissance, un pic sur un histogramme signale une valeur fréquente. En SNT, nous travaillons avec des données sur le web, les réseaux ou les objets connectés. Savoir les visualiser est crucial pour en tirer des conclusions. Prenons un cas concret : vous avez relevé le nombre d'heures passées sur différents réseaux sociaux par semaine. Sous forme de liste : [7, 3, 5, 2]. Sous forme de camembert, on voit tout de suite quelle application prend le plus de temps ! La visualisation sert donc à : EXPLIQUER (rendre clair un phénomène), EXPLORER (chercher des informations cachées) et PERSUADER (appuyer un argument avec une preuve visuelle).

Matplotlib : la boîte à outils graphique de Python

Pour créer des graphiques en Python, nous utilisons une bibliothèque appelée `matplotlib`. C'est un ensemble d'outils puissants et très répandus. Nous allons principalement utiliser son sous-module `pyplot`, souvent importé sous l'alias `plt` avec la commande : `import matplotlib.pyplot as plt`. Un graphique est construit comme un dessin sur une 'figure' (la fenêtre ou la page) qui contient un ou plusieurs 'axes' (les repères gradués où les données sont placées). Les étapes de base sont : 1. Préparer les données (souvent dans des listes). 2. Créer une figure et des axes. 3. Choisir le type de graphique (plot, bar, pie...) et le dessiner sur les axes en lui donnant les données. 4. Personnaliser (ajouter un titre, des labels aux axes, une légende, modifier les couleurs). 5. Afficher le graphique avec `plt.show()`. Par exemple, pour tracer la courbe de croissance d'une plante, on aurait une liste `jours = [1, 2, 3, 4, 5]` et une liste `tailles = [10, 12, 15, 19, 25]`. La commande `plt.plot(jours, tailles, color='green')` créerait la courbe. Il est essentiel de toujours annoter ses axes (ex: 'Jours' et 'Taille (cm)') pour que le graphique soit compréhensible par tous.

Applications pratiques

Mettons en pratique avec trois visualisations classiques. **1. Graphique en courbe (plot)** : Idéal pour montrer l'évolution dans le temps. Code type : `plt.plot(temps, valeurs)` ; `plt.xlabel('Mois')` ; `plt.ylabel('Température (°C)')` ; `plt.title('Évolution des températures en 2023')` ; `plt.show()`. **2. Histogramme (bar)** : Parfait pour comparer des catégories ou montrer une distribution. Exemple : visualiser le nombre d'élèves par note à un contrôle. `noms = ['Alice', 'Bob', 'Charlie']` ; `notes = [15, 12, 18]` ; `plt.bar(noms, notes, color=['blue', 'red', 'green'])`. **3. Diagramme circulaire (pie)** : Pour montrer les proportions d'un tout. Attention à l'utiliser avec peu de catégories. Exemple : répartition du trafic web par navigateur. `parts = [45, 30, 15, 10]` ; `labels = ['Chrome', 'Safari', 'Firefox', 'Edge']` ; `plt.pie(parts, labels=labels, autopct='%1.1f%%')`. En TP, vous pourriez créer un graphique à partir de données réelles, comme les statistiques de visites d'un site web collégial ou les résultats d'un questionnaire sur les pratiques numériques.