2  Premier pas avec Pandas

2.1 Introduction

Télécharger les données Présentation HTML Présentation PDF

Cette première séance de code introduit pandas, une bibliothèque Python permettant de lire, organiser et interroger des données sous forme de tableaux. L’objectif n’est pas de mémoriser un grand nombre de fonctions, mais d’apprendre quelques opérations simples afin de consacrer le plus de temps possible au raisonnement scientifique et à la pensée statistique..

Nous travaillerons avec un sous-ensemble du catalogue de volcans du Global Volcanism Program du Smithsonian Institution (Simkin et al. 2010). Il conserve les volcans dont l’année numérique de la dernière éruption connue est supérieure ou égale à 0. Chaque opération informatique répondra à une question concrète sur leur localisation, leur morphologie et les indices de leur activité.

2.1.1 Question fil rouge

Comment réaliser une première exploration de données et les interroger dans un contexte de question de recherche?

2.1.2 Objectifs d’apprentissage

À la fin de la séance, vous devriez être capable de:

  • expliquer ce que représentent les lignes, les colonnes et l’index d’un DataFrame;
  • charger un fichier CSV avec pandas;
  • inspecter la taille, les colonnes, les types et les valeurs manquantes;
  • sélectionner des lignes et des colonnes;
  • filtrer des observations avec une ou plusieurs conditions;
  • trier des données;
  • effectuer une opération simple sur une colonne;
  • distinguer une observation, une interprétation et une limite scientifique.

2.1.3 Pour commencer

Pour chaque exercice, il faut:

  1. Créer un nouveau Jupyter notebook;
  2. Télécharger les données et les placer dans le dossier data/;
  3. Copier, exécuter et expérimenter les blocs de code décrits dans l’exercice;
  4. Résoudre les questions posées dans l’exercice.

Il est impératif d’apprendre à documenter son code. Dans le contexte de Jupyter notebooks, Markdown est un langage simple, efficace et élégant pour formater du texte.

N’oubliez pas de revoir les bonnes pratiques des notebook Jupyter (Section 1.4) et leurs raccourcis clavier (Section 1.3.2).

2.1.4 Pourquoi utiliser pandas?

Une bibliothèque ajoute à Python des outils conçus pour un usage particulier. pandas est spécialisée dans la manipulation de données structurées: tableaux, séries temporelles et catalogues scientifiques.

Elle permet notamment de:

  • lire des fichiers CSV ou Excel;
  • examiner les données et leurs types;
  • sélectionner, filtrer et trier des observations;
  • gérer les valeurs manquantes;
  • calculer des résumés simples;
  • conserver une analyse reproductible.

2.1.5 Comprendre la structure d’un DataFrame

pandas utilise principalement deux structures:

  1. un DataFrame correspond à l’équivalent d’un tableau Excel en 2 dimensions contenant plusieurs colonnes.
  2. une Series, qui correspond à une seule colonne d’un DataFrame (→ 1 dimension);

Dans ce cours, nous travaillerons principalement avec des DataFrame. Après le chargement du catalogue, Tip 2.1 montrera la différence entre ces deux structures.

Figure 2.1: Anatomie d’un DataFrame pandas. Les lignes représentent des observations et les colonnes des variables.

Dans un tableau scientifique:

  • une ligne représente généralement une observation, une mesure, un échantillon ou un événement;
  • une colonne représente une variable décrivant les observations;
  • l’index contient les labels des lignes;
  • les noms de colonnes sont les labels des variables.
Figure 2.2: L’index identifie les lignes, tandis que les noms de colonnes identifient les variables.
Avertissement 2.1: Une ligne n’est pas toujours un objet scientifique indépendant

Avant de compter ou de comparer les lignes, il faut toujours déterminer ce qu’elles représentent. Une ligne peut correspondre à un événement, mais aussi à une mesure répétée ou à une partie d’un événement.

Mise en garde 2.1: L’indexation commence à zéro

En Python, la première position est 0, la deuxième est 1, etc.

2.1.6 Types de variables et types informatiques

Avant de choisir une opération ou une figure, il faut déterminer ce que représente chaque variable. Une variable quantitative mesure une quantité sur laquelle les opérations numériques ont un sens. Elle peut être discrète lorsqu’elle résulte d’un comptage, comme le nombre d’éruptions, ou continue lorsqu’elle mesure une grandeur pouvant théoriquement prendre toute valeur dans un intervalle, comme l’altitude ou la latitude.

Une variable catégorielle distingue des groupes. Elle est nominale lorsque les catégories ne possèdent aucun ordre naturel, comme le pays, le type de volcan ou le contexte tectonique. Elle est ordinale lorsqu’un classement est possible, comme un niveau d’alerte faible, moyen ou élevé. Dans ce dernier cas, l’ordre a un sens, mais la distance entre deux catégories n’est pas nécessairement mesurable ou constante. Une variable ne contenant que deux catégories, comme vrai ou faux, est dite binaire.

Pour stocker les valeurs, chaque colonne dans un objet pandas possède un type informatique (dtype) qui détermine les opérations que Python peut exécuter. Table 2.1 résume les principaux types et la nature scientifique qu’ils représentent.

Table 2.1: Correspondance habituelle entre les types informatiques et la nature scientifique des variables.
Type dans pandas Exemple Nature scientifique habituelle
int64 année, nombre d’événements quantitative discrète ou code catégoriel
float64 latitude, altitude quantitative continue
bool actif: vrai ou faux catégorielle binaire
string ou object contexte tectonique, nom du volcan catégorielle ou texte libre
datetime64 date d’une éruption temporelle et ordonnée
geometry (GeoPandas) point, ligne ou polygone spatiale: position ou forme

Le type informatique ne suffit pas à déterminer le sens scientifique. Une altitude arrondie peut être stockée comme un entier tout en restant une variable quantitative continue. À l’inverse, des nombres tels que 1, 2 et 3 peuvent servir uniquement de codes pour des catégories. Les dates et les géométries possèdent quant à elles une structure temporelle ou spatiale qui demande des opérations spécifiques.

2.2 Exercise

2.2.1 Charger les données

Nous utilisons le fichier GVP_Volcanoes.csv décrit précédemment. Listing 2.1 illustre ce à quoi l’en-tête d’un notebook - ou sa première cellule - ressemble.

  • On commence par importer les bibliothèques. Ici pandas est abrégé en pd par convention.
  • pd.read_csv() lit le fichier et enregistre son contenu dans la variable df.
  • index_col=0 indique que la première colonne (Caution 2.1) du fichier csv doit être utilisée comme index (Figure 2.2).
Listing 2.1: Importer pandas et charger les fichers 
import pandas as pd

df = pd.read_csv(
    "data/GVP_Volcanoes.csv",
    index_col=0,
)
1
Importe la bibliothèque pandas. Par convention, pandas est abrégé en pd.
2
Utilise pd.read_csv() pour lire un fichier csv
3
Le premier argument de pd.read_csv() doit être le chemin vers le fichier
4
L’argument index_col=0 utilise la première colonne comme index

2.2.2 Inspecter le tableau

2.2.2.1 Afficher les premières lignes

Commençons par afficher les premières lignes des données avec head(). Observer quelques lignes permet de comprendre ce que représente une observation, de repérer les principales variables et de détecter rapidement certaines erreurs d’importation.

Listing 2.2: Afficher les cinq premières lignes 
df.head()

On peut choisir le nombre de lignes à afficher:

df.head(10)

De façon similaire, on peut afficher les dernières lignes avec tail().

Note 2.1: Afficher ou sauver?

Les fonctions utilisées pour explorer les données sont généralement utilisées pour de la visualisation, et on ne sauve généralement pas leur résultats dans une nouvelle variable. Cela changera à partir de Listing 2.9.

Astuce 2.1: Series ou DataFrame?

La sélection d’une seule colonne peut produire deux objets différents. Les cellules suivantes affichent les deux premières lignes du même catalogue, d’abord sous forme de Series (une dimension):

df["Country"].head(2)
Volcano Number
211010    Italy
211020    Italy
Name: Country, dtype: object

Puis sous forme de DataFrame (deux dimensions):

df[["Country"]].head(2)
Country
Volcano Number
211010 Italy
211020 Italy

Dans df[["Country"]], les crochets intérieurs forment une liste contenant un seul nom de colonne. Les crochets extérieurs sélectionnent cette liste de colonnes et renvoient un DataFrame, même si la liste ne contient qu’un nom. Cela permet de conserver un tableau à deux dimensions lorsqu’une opération l’attend.

2.2.2.2 Examiner la taille et les labels

Commençons par examiner la taille des données. L’attribut shape indique combien d’observations et de variables sont disponibles. Les attributs index et columns donnent les labels des lignes et des colonnes. La méthode .tolist() permet de convertir ces labels en liste Python (Tip 2.2).

Listing 2.3: Examiner la taille, l’index et les colonnes 
df.shape
df.index
df.columns.tolist()
1
Retourne la taille du tableau sous la forme (nombre de lignes, nombre de colonnes).
2
Affiche l’index du DataFrame, c’est-à-dire les étiquettes utilisées pour identifier les lignes.
3
Convertit les noms de colonnes en liste Python.

df.shape retourne un tuple (nombre_de_lignes, nombre_de_colonnes). On peut accéder aux résultats avec des crochets ([ ]). Souvenez-vous qu’en Python, le premier élément est 0 (Caution 2.1)!

df.shape[0]  # nombre de lignes
df.shape[1]  # nombre de colonnes
Note 2.2: Que peut-on conclure?

On connaît le nombre d’enregistrements et les variables présentes. La présence d’une colonne ne signifie cependant pas que toutes ses valeurs sont renseignées ou scientifiquement fiables.

2.2.2.3 Examiner les types de données

Le type informatique d’une colonne détermine les opérations possibles (Table 2.1). Une date importée comme texte, par exemple, ne se comporte pas comme une véritable date. Une valeur numérique importée comme texte doit être convertie avant de pouvoir effectuer des opérations arithmétiques. info() affiche les types des colonnes (dtype pour data type) ainsi que leur nombre de valeurs valides (Non-Null).

Listing 2.4: Examiner les types et les valeurs non manquantes 
df.info()
Note 2.3: Que peut-on conclure?

info() permet de vérifier si les variables ont été importées avec le type attendu et si certaines valeurs sont manquantes. Il ne permet pas, à lui seul, de vérifier l’exactitude scientifique des valeurs.

Question 2.1  

QuestionVérifier la structure du catalogue
  1. Quel est le type de la colonne Last Known Eruption?
  2. Toutes les colonnes contiennent-elles le même nombre de valeurs non manquantes?

Solution 2.1. 

print("Nombre de lignes :", df.shape[0])
print("Nombre de colonnes :", df.shape[1])
df.info()

Last Known Eruption est une colonne d’entiers (int64). Les nombres de valeurs non manquantes ne sont pas identiques pour toutes les colonnes. La structure du tableau indique ce qui est techniquement disponible, mais elle ne suffit pas à déterminer quelles comparaisons sont scientifiquement pertinentes.

Retour à la question 2.1

2.2.2.4 Trier les observations

Trier les valeurs est important lors de l’exploration initiale des données, car cela permet d’identifier des observations extrêmes. La méthode sort_values() permet de modifier l’ordre d’affichage en utilisant une (Listing 2.5) ou plusieurs (Listing 2.6) colonnes.

Listing 2.5: Trier les volcans selon leur altitude 
df.sort_values("Elevation (m)").head()
Listing 2.6: Trier les volcans selon plusieurs colonnes 
df.sort_values(
    ["Elevation (m)", "Volcano Name"],
    ascending=[False, True],
)

Question 2.2  

QuestionIdentifier les volcans avec l'activité la plus récente

Quels sont les volcans qui ont eu une activité la plus récente?

Solution 2.2. 

df.sort_values(
    "Last Known Eruption",
    ascending=False,
).head()

Le tri décroissant place en tête du tableau les volcans dont l’année de la dernière éruption connue est la plus récente. Il renseigne sur la chronologie documentée dans le catalogue, pas directement sur la probabilité d’une future éruption.

Retour à la question 2.2

2.2.3 Sélectionner et manipuler les données

2.2.3.1 Sélectionner des colonnes

Une question scientifique n’utilise généralement qu’une partie des variables. Sélectionner les colonnes utiles rend le tableau plus lisible et oblige à préciser les données nécessaires. Pour obtenir une colonne tout en conservant un DataFrame (Tip 2.1), on place son nom dans une liste (Tip 2.2):

Listing 2.7: Sélectionner une colonne 
df[["Elevation (m)"]].head()

Pour sélectionner plusieurs colonnes, on utilise une liste de noms (Tip 2.2):

Listing 2.8: Sélectionner plusieurs colonnes 
df[["Volcano Name", "Country", "Last Known Eruption", "Elevation (m)"]].head()
Note 2.4: Pourquoi est-ce utile?

Il est fréquent que seul un sous-ensemble de données nous intéresse. Trier les colonnes aide à garder une idée claire de l’analyse, particulièrement quand le volume de données augmente (par ex. plusieurs millions de lignes, ou Big Data). Cette sélection est déjà un choix scientifique en soi: les variables écartées ne participeront pas à l’interprétation.

Astuce 2.2: Qu’est-ce qu’une liste Python?

Une liste Python est une collection ordonnée de valeurs regroupées dans une même variable. Elle s’écrit entre crochets [] et peut contenir des nombres, du texte ou d’autres objets séparés par des virgules.

volcans = ["Etna", "Vésuve", "Stromboli"]

Les éléments conservent leur ordre et sont accessibles par leur position, en commençant par l’indice 0 (Caution 2.1):

volcans[0]  # "Etna"

2.2.3.2 Sélectionner des données

Il existe deux manières complémentaires d’accéder aux données:

  • .loc utilise les labels;
  • .iloc utilise les positions.

2.2.3.3 Sélection par label

Figure 2.3: Sélection de lignes et de colonnes par leurs labels avec .loc.

La sélection par label est utile lorsque l’observation recherchée possède un identifiant connu et explicite. Pour utiliser le nom du volcan comme label de ligne, on le définit comme index avec .set_index(). Listing 2.9 illustre comment sélectionner une ou plusieurs lignes, et une ou un sous-ensemble des colonnes.

Listing 2.9: Sélectionner des volcans et des variables par label 
volcans = df.set_index("Volcano Name")

volcans.loc["Etna"]

volcans.loc[
    ["Calbuco", "Taal"],
    ["Country", "Elevation (m)"],
]
1
Définit la colonne Volcano Name comme index, afin de pouvoir sélectionner les lignes par nom de volcan.
2
Sélectionne toutes les informations disponibles pour le volcan Etna.
3
Sélectionne deux volcans précis et seulement deux colonnes: le pays et l’altitude.

2.2.3.4 Sélection par position

Figure 2.4: Sélection de lignes et de colonnes par leur position avec .iloc.

La sélection par position est utile pour inspecter une partie du tableau lorsque les labels ne sont pas connus. Dans Listing 2.10, la borne finale est exclue: 0:5 sélectionne les positions 0 à 4.

Listing 2.10: Sélectionner les cinq premières lignes et trois colonnes 
df.iloc[0:5, 0:3]
Avertissement 2.2: Avantages et désaventages

Le résultat montre une portion du tableau définie par sa position. Comme l’ordre des lignes peut changer après un tri, les positions ne sont pas des identifiants scientifiques stables.

2.2.4 Filtrer des lignes

Filtrer signifie conserver uniquement les lignes qui respectent une condition. Une comparaison produit une série de valeurs True et False, appelée masque booléen. Table 2.2 illustre les opérateurs utiles. Listing 2.11 montre comment définir un masque, et Listing 2.12 extrait les lignes pour lesquelles la condition retourne True.

Table 2.2: Opérateurs de comparaison utilisés pour filtrer un tableau
Opérateur Signification
== égal à
!= différent de
> supérieur à
< inférieur à
>= supérieur ou égal à
<= inférieur ou égal à
Listing 2.11: Identifier les volcans dont une éruption a été observée 
df["Activity Evidence"] == "Eruption Observed"
Listing 2.12: Conserver les volcans dont une éruption a été observée 
df[df["Activity Evidence"] == "Eruption Observed"]
Note 2.5: Pourquoi est-ce important?

Un filtre traduit une définition scientifique en règle explicite. Il permet de définir précisément la population analysée.

Le même principe s’applique au texte:

Listing 2.13: Conserver les volcans d’Indonésie 
df[df["Country"] == "Indonesia"]

2.2.4.1 Combiner plusieurs conditions

Il est possible de combiner plusieurs opérateurs en utilisant Table 2.3. Notez que chaque opération doit être placée entre parenthèses (Listing 2.14).

Table 2.3: Opérateurs de comparaison utilisés pour combiner plusieurs opérations booléennes.
Opérateur Signification
& et
| ou
~ non
Listing 2.14: Combiner deux conditions 
df[
    (df["Country"] == "Indonesia")
    & (df["Last Known Eruption"] >= 1900)
]
Note 2.6: Que peut-on conclure?

Le résultat identifie les volcans indonésiens dont la dernière éruption connue est datée de 1900 ou plus tard.

Question 2.3  

QuestionÉtudier les volcans de l’hémisphère sud
  1. Filtrez les volcans dont la latitude est négative.
  2. Parmi eux, combien atteignent au moins 4 000 m d’altitude?
  3. Cette sélection suffit-elle pour comparer le volcanisme des deux hémisphères?

Solution 2.3. 

sud = df[df["Latitude"] < 0]
sud_4000 = sud[sud["Elevation (m)"] >= 4000]

print("Volcans dans l’hémisphère sud :", len(sud))
print("Volcans d’altitude ≥ 4 000 m :", len(sud_4000))
Volcans dans l’hémisphère sud : 239
Volcans d’altitude ≥ 4 000 m : 28

Ce décompte ne suffit pas pour comparer le volcanisme des deux hémisphères. Il dépend de la couverture du catalogue, et l’altitude d’un volcan n’est pas une mesure de son activité.

Retour à la question 2.3

Question 2.4  

QuestionUtiliser d’autres fonctions pour filtrer

pandas contient certaines fonctions pour trier de façon plus efficace. En utilisant la documentation:

  • Filtrer toutes les volcans dont la dernière éruption a eu lieu entre 1990 et 2000 avec .between()
  • Filtrer les volcans ou le Primary Volcano Type est soit Caldera ou Caldera(s) avec .isin()

Solution 2.4. 

df[df["Last Known Eruption"].between(1990, 2000)]

df[df["Primary Volcano Type"].isin(["Caldera", "Caldera(s)"])]
Volcano Name Country Volcanic Region Group Volcanic Region Volcano Landform Primary Volcano Type Activity Evidence Last Known Eruption Latitude Longitude Elevation (m) Tectonic Setting Dominant Rock Type
Volcano Number
211010 Campi Flegrei Italy European Volcanic Regions Italian Peninsula Volcanic Provinces Caldera Caldera Eruption Observed 1538 40.8270 14.1390 458 Subduction zone / Continental crust (>25 km) Trachyte / Trachydacite
221200 Kone Ethiopia Eastern Africa Volcanic Regions Main Ethiopian Rift Volcanic Province Caldera Caldera(s) Eruption Observed 1820 8.8105 39.6946 1380 Rift zone / Continental crust (>25 km) Rhyolite
222164 Ngozi Tanzania Eastern Africa Volcanic Regions Rukwa Rift Volcanic Province Caldera Caldera Eruption Dated 1450 -9.0036 33.5520 2614 Rift zone / Continental crust (>25 km) Trachyte / Trachydacite
234000 Boomerang Seamount France Somalian-Antarctic Volcanic Regions Amsterdam-St. Paul Hotspot Volcano Group Caldera Caldera Eruption Dated 1995 -37.7216 77.8221 -650 Rift zone / Oceanic crust (< 15 km) Basalt / Picro-Basalt
241070 Taupo New Zealand Tonga-Kermadec Volcanic Regions Taupo Volcanic Arc Caldera Caldera Eruption Dated 260 -38.7811 175.8930 760 Subduction zone / Continental crust (>25 km) Rhyolite
243040 Hunga Tonga-Hunga Ha'apai Tonga Tonga-Kermadec Volcanic Regions Tofua Volcanic Arc Caldera Caldera Eruption Observed 2022 -20.5532 -175.3841 114 Subduction zone / Oceanic crust (< 15 km) Andesite / Basaltic Andesite
243060 Tofua Tonga Tonga-Kermadec Volcanic Regions Tofua Volcanic Arc Caldera Caldera Eruption Observed 2026 -19.7500 -175.0700 515 Subduction zone / Oceanic crust (< 15 km) Andesite / Basaltic Andesite
252040 Dakataua Papua New Guinea Southwestern Pacific Volcanic Regions Bismarck Volcanic Arc Caldera Caldera Eruption Dated 1895 -5.0455 150.0996 408 Subduction zone / Continental crust (>25 km) Andesite / Basaltic Andesite
252080 Witori Papua New Guinea Southwestern Pacific Volcanic Regions Bismarck Volcanic Arc Caldera Caldera Eruption Observed 2012 -5.5745 150.5161 724 Subduction zone / Continental crust (>25 km) Dacite
252130 Lolobau Papua New Guinea Southwestern Pacific Volcanic Regions Bismarck Volcanic Arc Caldera Caldera Eruption Observed 1912 -4.9156 151.1617 878 Subduction zone / Continental crust (>25 km) Basalt / Picro-Basalt
252140 Rabaul Papua New Guinea Southwestern Pacific Volcanic Regions Bismarck Volcanic Arc Caldera Caldera Eruption Observed 2014 -4.2459 152.1937 688 Subduction zone / Continental crust (>25 km) Dacite
255011 Billy Mitchell Papua New Guinea Southwestern Pacific Volcanic Regions Bougainville Volcanic Arc Caldera Caldera Eruption Dated 1580 -6.0898 155.2254 1544 Subduction zone / Crustal thickness unknown Andesite / Basaltic Andesite
257070 Kuwae Vanuatu Southwestern Pacific Volcanic Regions Vanuatu Volcanic Arc Caldera Caldera Eruption Observed 1974 -16.8304 168.5227 -2 Subduction zone / Intermediate crust (15-25 km) Basalt / Picro-Basalt
261070 Singkut Indonesia Sunda-Banda Volcanic Regions Sunda Volcanic Arc Caldera Caldera(s) Eruption Observed 1881 3.2379 98.5127 2181 Subduction zone / Continental crust (>25 km) Andesite / Basaltic Andesite
261270 Suoh Indonesia Sunda-Banda Volcanic Regions Sunda Volcanic Arc Cluster Caldera(s) Eruption Observed 2024 -5.2500 104.2700 1000 Subduction zone / Continental crust (>25 km) No Data (checked)
262000 Krakatau Indonesia Sunda-Banda Volcanic Regions Sunda Volcanic Arc Caldera Caldera Eruption Observed 2024 -6.1009 105.4233 285 Subduction zone / Continental crust (>25 km) Andesite / Basaltic Andesite
264010 Batur Indonesia Sunda-Banda Volcanic Regions Sunda Volcanic Arc Caldera Caldera Eruption Observed 2000 -8.2403 115.3775 1711 Subduction zone / Continental crust (>25 km) Andesite / Basaltic Andesite
265090 Banda Api Indonesia Sunda-Banda Volcanic Regions Inner Banda Volcanic Arc Composite Caldera Eruption Observed 1988 -4.5230 129.8810 596 Subduction zone / Oceanic crust (< 15 km) Dacite
273070 Taal Philippines Western Pacific Volcanic Regions Luzon Volcanic Arc Caldera Caldera Eruption Observed 2026 14.0106 120.9975 311 Subduction zone / Continental crust (>25 km) Andesite / Basaltic Andesite
282060 Kikai Japan Western Pacific Volcanic Regions Ryukyu Volcanic Arc Caldera Caldera Eruption Observed 2025 30.7930 130.3050 704 Subduction zone / Oceanic crust (< 15 km) Rhyolite
282070 Ata Japan Western Pacific Volcanic Regions Ryukyu Volcanic Arc Caldera Caldera(s) Eruption Observed 885 31.1800 130.5283 924 Subduction zone / Continental crust (>25 km) Andesite / Basaltic Andesite
282080 Aira Japan Western Pacific Volcanic Regions Ryukyu Volcanic Arc Caldera Caldera Eruption Observed 2026 31.5772 130.6589 1117 Subduction zone / Continental crust (>25 km) Andesite / Basaltic Andesite
282110 Asosan Japan Western Pacific Volcanic Regions Nankai Volcanic Arc Caldera Caldera Eruption Observed 2021 32.8849 131.0850 1592 Subduction zone / Continental crust (>25 km) Andesite / Basaltic Andesite
283200 Naruko Japan Northwestern Pacific Volcanic Regions Northeast Japan Volcanic Arc Cluster Caldera Eruption Observed 837 38.7290 140.7340 470 Subduction zone / Continental crust (>25 km) Rhyolite
283271 Towada Japan Northwestern Pacific Volcanic Regions Northeast Japan Volcanic Arc Caldera Caldera Eruption Observed 915 40.5100 140.8800 1011 Subduction zone / Continental crust (>25 km) Andesite / Basaltic Andesite
284070 Myojinsho Japan Northwestern Pacific Volcanic Regions Izu Volcanic Arc Caldera Caldera Eruption Observed 1970 31.8880 139.9180 11 Subduction zone / Oceanic crust (< 15 km) Dacite
284080 Sumisujima Japan Northwestern Pacific Volcanic Regions Izu Volcanic Arc Caldera Caldera Eruption Observed 1916 31.4400 140.0510 136 Subduction zone / Oceanic crust (< 15 km) Dacite
284096 Nishinoshima Japan Northwestern Pacific Volcanic Regions Ogasawara Volcanic Arc Composite Caldera Eruption Observed 2023 27.2439 140.8797 160 Subduction zone / Crustal thickness unknown Andesite / Basaltic Andesite
284120 Ioto Japan Northwestern Pacific Volcanic Regions Ogasawara Volcanic Arc Caldera Caldera Eruption Observed 2025 24.7503 141.2892 172 Subduction zone / Crustal thickness unknown Trachyandesite / Basaltic Trachyandesite
285040 Shikotsu Japan Northwestern Pacific Volcanic Regions Northeast Japan Volcanic Arc Caldera Caldera Eruption Observed 1981 42.6880 141.3800 1320 Subduction zone / Continental crust (>25 km) Andesite / Basaltic Andesite
285070 Akan Japan Northwestern Pacific Volcanic Regions Kuril Volcanic Arc Caldera Caldera Eruption Observed 2026 43.3864 144.0086 1499 Subduction zone / Continental crust (>25 km) Andesite / Basaltic Andesite
285080 Kussharo Japan Northwestern Pacific Volcanic Regions Kuril Volcanic Arc Caldera Caldera Eruption Dated 1320 43.6150 144.4270 574 Subduction zone / Continental crust (>25 km) Dacite
285081 Mashu Japan Northwestern Pacific Volcanic Regions Kuril Volcanic Arc Caldera Caldera Eruption Dated 1080 43.5720 144.5610 857 Subduction zone / Continental crust (>25 km) Andesite / Basaltic Andesite
290010 Tomariyama [Golovnin] Japan - administered by Russia Northwestern Pacific Volcanic Regions Kuril Volcanic Arc Caldera Caldera Eruption Observed 1848 43.8440 145.5040 535 Subduction zone / Intermediate crust (15-25 km) Andesite / Basaltic Andesite
290150 Chirpoi Russia Northwestern Pacific Volcanic Regions Kuril Volcanic Arc Composite Caldera Eruption Observed 2016 46.5320 150.8710 742 Subduction zone / Oceanic crust (< 15 km) Andesite / Basaltic Andesite
290180 Zavaritzki Caldera Russia Northwestern Pacific Volcanic Regions Kuril Volcanic Arc Caldera Caldera Eruption Observed 1957 46.9178 151.9518 612 Subduction zone / Oceanic crust (< 15 km) Andesite / Basaltic Andesite
290210 Ushishur Russia Northwestern Pacific Volcanic Regions Kuril Volcanic Arc Caldera Caldera Eruption Observed 1884 47.5125 152.8139 357 Subduction zone / Oceanic crust (< 15 km) Andesite / Basaltic Andesite
290320 Nemo Peak Russia Northwestern Pacific Volcanic Regions Kuril Volcanic Arc Caldera Caldera Eruption Observed 1938 49.5641 154.8126 994 Subduction zone / Intermediate crust (15-25 km) Andesite / Basaltic Andesite
300070 Gorely Russia Northwestern Pacific Volcanic Regions Kuril Volcanic Arc Composite Caldera Eruption Observed 2010 52.5549 158.0358 1799 Subduction zone / Continental crust (>25 km) Basalt / Picro-Basalt
300080 Opala Russia Northwestern Pacific Volcanic Regions Kuril Volcanic Arc Composite Caldera Eruption Observed 1776 52.5430 157.3390 2439 Subduction zone / Continental crust (>25 km) Basalt / Picro-Basalt
300140 Maly Semyachik Russia Northwestern Pacific Volcanic Regions Eastern Kamchatka Volcanic Arc Composite Caldera Eruption Observed 1952 54.1350 159.6740 1527 Subduction zone / Continental crust (>25 km) Basalt / Picro-Basalt
300170 Uzon Russia Northwestern Pacific Volcanic Regions Eastern Kamchatka Volcanic Arc Caldera Caldera(s) Eruption Dated 200 54.4885 159.9741 1617 Subduction zone / Continental crust (>25 km) Andesite / Basaltic Andesite
300190 Krasheninnikov Russia Northwestern Pacific Volcanic Regions Eastern Kamchatka Volcanic Arc Composite Caldera Eruption Dated 2026 54.5960 160.2700 1816 Subduction zone / Continental crust (>25 km) Basalt / Picro-Basalt
312090 Aniakchak United States North America Volcanic Regions Alaska Peninsula Volcanic Arc Caldera Caldera Eruption Observed 1931 56.8800 -158.1700 1341 Subduction zone / Continental crust (>25 km) Andesite / Basaltic Andesite
312180 Novarupta United States North America Volcanic Regions Alaska Peninsula Volcanic Arc Caldera Caldera Eruption Observed 1912 58.2655 -155.1588 841 Subduction zone / Continental crust (>25 km) Rhyolite
343060 Ilopango El Salvador Middle America-Caribbean Volcanic Regions Central America Volcanic Arc Caldera Caldera Eruption Observed 1880 13.6720 -89.0530 450 Subduction zone / Continental crust (>25 km) Dacite
344100 Masaya Nicaragua Middle America-Caribbean Volcanic Regions Central America Volcanic Arc Caldera Caldera Eruption Observed 2026 11.9844 -86.1688 594 Subduction zone / Continental crust (>25 km) Basalt / Picro-Basalt
352003 Cuicocha Ecuador South America Volcanic Regions Northern Andean Volcanic Arc Caldera Caldera Eruption Dated 650 0.3080 -78.3640 3246 Subduction zone / Continental crust (>25 km) Dacite
352011 Pululahua Ecuador South America Volcanic Regions Northern Andean Volcanic Arc Caldera Caldera Eruption Dated 290 0.0464 -78.4900 3360 Subduction zone / Continental crust (>25 km) Dacite
352022 Chacana Ecuador South America Volcanic Regions Northern Andean Volcanic Arc Caldera Caldera Eruption Observed 1773 -0.3750 -78.2500 4643 Subduction zone / Continental crust (>25 km) Rhyolite
352060 Quilotoa Ecuador South America Volcanic Regions Northern Andean Volcanic Arc Caldera Caldera Eruption Dated 1280 -0.8592 -78.9044 3914 Subduction zone / Continental crust (>25 km) Dacite
357021 Maipo Chile-Argentina South America Volcanic Regions Southern Andean Volcanic Arc Composite Caldera Eruption Observed 1912 -34.1640 -69.8320 5323 Subduction zone / Continental crust (>25 km) Trachyandesite / Basaltic Trachyandesite
357111 Sollipulli Chile South America Volcanic Regions Southern Andean Volcanic Arc Caldera Caldera Eruption Dated 1240 -38.9700 -71.5200 2282 Subduction zone / Continental crust (>25 km) Andesite / Basaltic Andesite
358041 Chaiten Chile South America Volcanic Regions Southern Andean Volcanic Arc Caldera Caldera Eruption Observed 2011 -42.8349 -72.6514 1122 Subduction zone / Continental crust (>25 km) Rhyolite
360140 Qualibou Saint Lucia Middle America-Caribbean Volcanic Regions Lesser Antilles Volcanic Arc Caldera Caldera Eruption Observed 1766 13.8300 -61.0500 777 Subduction zone / Oceanic crust (< 15 km) Andesite / Basaltic Andesite
373010 Grimsvotn Iceland Atlantic Ocean Volcanic Regions Iceland Neovolcanic Rift Volcanic Province Caldera Caldera Eruption Observed 2011 64.4160 -17.3160 1719 Rift zone / Oceanic crust (< 15 km) Basalt / Picro-Basalt
373080 Krafla Iceland Atlantic Ocean Volcanic Regions Iceland Neovolcanic Rift Volcanic Province Cluster Caldera Eruption Observed 1984 65.7150 -16.7280 800 Rift zone / Oceanic crust (< 15 km) Basalt / Picro-Basalt
390030 Deception Island Antarctica Antarctic-Scotia Volcanic Regions South Shetlands Volcanic Arc Caldera Caldera Eruption Observed 1970 -62.9567 -60.6367 602 Intraplate / Continental crust (>25 km) Basalt / Picro-Basalt

between(1990, 2000) inclut les deux bornes. isin() conserve les lignes dont la valeur correspond à l’une des catégories indiquées dans la liste (Tip 2.2).

Retour à la question 2.4

2.2.5 Effectuer une opération sur une colonne

Une opération appliquée à une colonne est effectuée sur toutes ses valeurs. Table 2.4 illustre certaines de ces opérations. Notez qu’on peut aussi appliquer certaines fonctions de NumPy aux colonnes d’un tableau.

Table 2.4: Exemples d’opérations arithmétiques avec pandas et NumPy
Opération Exemple
addition df["Elevation (m)"] + 100
soustraction df["Elevation (m)"] - 100
multiplication df["Elevation (m)"] * 2
puissance df["Elevation (m)"] ** 2
division df["Elevation (m)"] / 1000
arrondi avec .round() df["Longitude"].round(1)
valeur absolue avec np.abs() np.abs(df["Latitude"])

Listing 2.15 convertit les longitudes négatives en valeurs comprises entre 0 et 360° E et ajoutons le résultat comme un nouvelle colonne à df. Pour ajouter une nouvelle colonne à un DataFrame, on lui attribue une valeur en indiquant son nom entre crochets. Cette valeur peut être une constante, une colonne existante ou le résultat d’un calcul. Chaque ligne reçoit alors une valeur calculée à partir de la ligne correspondante.

Ici, nous créons Longitude_E en copiant d’abord Longitude. Nous modifions ensuite uniquement les lignes situées à l’ouest du méridien de Greenwich. La colonne originale est conservée, ce qui permet de comparer les deux conventions et de vérifier la transformation.

Listing 2.15: Convertir les longitudes vers la convention 0–360° E 
df["Longitude_E"] = df["Longitude"]

ouest = df["Longitude"] < 0
df.loc[ouest, "Longitude_E"] = 360 + df.loc[ouest, "Longitude"]

df[["Volcano Name", "Longitude", "Longitude_E"]].head()
1
Crée une nouvelle colonne Longitude_E en copiant d’abord les valeurs originales de Longitude.
2
Identifie les longitudes négatives, c’est-à-dire les positions situées à l’ouest du méridien de Greenwich.
3
Remplace uniquement ces longitudes négatives par leur équivalent dans la convention 0–360° E.
4
Affiche les colonnes utiles pour vérifier la conversion.
Note 2.7: Que peut-on conclure?

Les deux colonnes décrivent les mêmes positions avec deux conventions différentes. La transformation modifie la représentation des données, pas la localisation réelle des volcans.

Ces opérations peuvent être utiles, mais elles ne sont pas nécessaires pour toutes les analyses.

Objectif Exemple
valeur absolue avec .abs() df["Longitude"].abs()
limiter un intervalle avec .clip() df["Elevation (m)"].clip(lower=0)
chercher du texte avec .str.contains() df["Volcano Name"].str.contains("Etna")
convertir en minuscules avec .str.lower() df["Country"].str.lower()
remplacer du texte avec .str.replace() df["Country"].str.replace("USA", "United States")

2.2.6 Question indépendante

Question 2.5  

QuestionQuestion indépendante

Quels sont les volcans aux sommets les plus élevés dans l’hémisphère sud, et que nous apprend réellement ce classement?

Pour répondre:

  1. filtrez les latitudes négatives;
  2. triez le résultat par altitude décroissante;
  3. sélectionnez les colonnes Volcano Name, Country, Last Known Eruption, Elevation (m), Primary Volcano Type et Latitude;
  4. formulez une observation, une interprétation et une limite.

Solution 2.5. 

volcans_sud = (
    df[df["Latitude"] < 0]
    .sort_values("Elevation (m)", ascending=False)
    [[
        "Volcano Name",
        "Country",
        "Last Known Eruption",
        "Elevation (m)",
        "Primary Volcano Type",
        "Latitude",
    ]]
)

volcans_sud.head(10)
Volcano Name Country Last Known Eruption Elevation (m) Primary Volcano Type Latitude
Volcano Number
355130 Ojos del Salado, Nevados Chile-Argentina 750 6879 Stratovolcano -27.109
355110 Llullaillaco Chile-Argentina 1877 6739 Stratovolcano -24.720
355012 Parinacota Chile-Bolivia 290 6336 Stratovolcano -18.166
352071 Chimborazo Ecuador 550 6261 Stratovolcano -1.469
355020 Guallatiri Chile 1960 6071 Stratovolcano -18.420
357020 San Jose Chile-Argentina 1960 6070 Stratovolcano(es) -33.789
354006 Sabancaya Peru 2026 5960 Stratovolcano(es) -15.787
352050 Cotopaxi Ecuador 2023 5911 Stratovolcano -0.677
355090 Putana Chile 1810 5884 Stratovolcano -22.557
354040 Tutupaca Peru 1802 5801 Stratovolcano(es) -17.026

Le résultat est un classement des volcans de l’hémisphère sud selon l’altitude de leur sommet. Il permet d’identifier les édifices les plus élevés du sous-ensemble, mais pas les volcans les plus actifs ou les plus dangereux. Une interprétation géologique demanderait notamment de considérer le contexte tectonique, la morphologie de l’édifice et la qualité du catalogue. Une étude de risque demanderait de considérer les aspects d’exposition et de vulnérabilité.

Retour à la question 2.5

2.3 Conclusion

Ce cours a introduit la bibliothèque pandas, qui constituera l’outil de base pour les prochaines semaines. Pour l’instant, nous nous sommes concentrés sur les bases de la syntaxe pour accomplir les tâches suivantes:

  1. définir ce que représentent une ligne et une colonne;
  2. inspecter les variables et leurs types;
  3. sélectionner les données utiles (lignes et/ou colonnes);
  4. filtrer et trier les résultats.

La semaine 3 continuera cette exploration sur un nouveau jeu de données, mais nous nous focaliserons sur le raisonnement scientifique et le début de la pensée statistique pour analyser, critiquer et représenter les données. Les notions suivantes seront considérées comme acquises:

2.3.1 Aide-mémoire

Objectif Code
charger un CSV avec pd.read_csv() pd.read_csv("fichier.csv")
premières lignes avec .head() df.head()
taille avec .shape df.shape
types et valeurs manquantes avec .info() df.info()
noms de colonnes avec .columns et .tolist() df.columns.tolist()
trier avec .sort_values() df.sort_values("colonne")
sélectionner des colonnes df[["colonne_1", "colonne_2"]]
sélectionner par label avec .loc df.loc[lignes, colonnes]
sélectionner par position avec .iloc df.iloc[lignes, colonnes]
filtrer df[df["colonne"] > valeur]
combiner des conditions (condition_1) & (condition_2)