Manipuler les données

Qu'est-ce que les données?

En Phase 0, tu as joué le jeu avec quelques fleurs à la main.

Maintenant, tu vas travailler avec un vrai jeu de données : 150 fleurs Iris réelles, mesurées au 19e siècle par un botaniste.

Pour chaque fleur, on a 4 mesures (caractéristiques) :

• Longueur du sépale (en cm)
• Largeur du sépale (en cm)
• Longueur du pétale (en cm)
• Largeur du pétale (en cm)

Et une étiquette (la réponse) : quelle espèce (Setosa, Versicolor, ou Virginica)?

Ça fait un tableau : 150 lignes (fleurs) × 5 colonnes (4 mesures + espèce).

Pour qu'un réseau de neurones apprenne, il a besoin de :

1. Les données brutes (les mesures)
2. Les bonnes réponses (les étiquettes)
3. Beaucoup de paires entrée-réponse (150 fleurs, c'est un début)

Normalisation : pourquoi 0–1?

Les mesures brutes sont en centimètres : sepal_length varie de 4.3 à 7.9 cm.

Les réseaux de neurones apprennent mieux quand toutes les entrées sont dans la même plage, par ex., 0 à 1.

Normalisation = transformer 4.3 cm → 0.1, 7.9 cm → 1.0, etc.

Formule simple :

entrée_normalisée = (valeur - minimum) / (maximum - minimum)

Exemple : si sépale_length min=4.3, max=7.9, et une fleur a 5.0 :

normalisé = (5.0 - 4.3) / (7.9 - 4.3) = 0.7 / 3.6 ≈ 0.19

Maintenant tout est entre 0 et 1, et le réseau peut traiter tous les poids équitablement.

Code - Charger et explorer les données

Étape 1 : Importer les bibliothèques

import pandas as pd
import matplotlib.pyplot as plt

Qu'est-ce que ça fait?

• pandas (pd) : Une bibliothèque pour manipuler des tableaux de données. Le pd.read_csv() charge des fichiers CSV (Comma-Separated Values).
• matplotlib.pyplot (plt) : Une bibliothèque pour dessiner des graphiques.

Étape 2 : Définir les noms des colonnes

# L'ordre officiel du dataset Iris est :
# sépale_longueur, sépale_largeur, pétale_longueur, pétale_largeur, espèce
# Attention : cet ordre est CRUCIAL. L'inverser corrompt silencieusement les données.

noms = ["longueur_sepale", "largeur_sepale",
        "longueur_petale", "largeur_petale", "espece"]

Quand tu lis un fichier CSV, tu dois dire à pandas « Colonne 1 = longueur_sepale, Colonne 2 = largeur_sepale, etc. »

Étape 3 : Charger les données

# L'URL officielle du dataset Iris (hébergé à UCI)
url = "https://archive.ics.uci.edu/ml/machine-learning-databases/iris/iris.data"

try:
    # Essayer de télécharger depuis le web
    df = pd.read_csv(url, names=noms)
except Exception:
    # Si le web ne fonctionne pas, utiliser scikit-learn (une autre bibliothèque)
    from sklearn.datasets import load_iris
    data = load_iris()
    df = pd.DataFrame(data.data, columns=noms[:4])
    df["espece"] = [data.target_names[t] for t in data.target]

Explication :

• try / except = « Essaie ceci. Si ça échoue, fais autre chose. »
• pd.read_csv(url, names=noms) = Télécharge le fichier CSV, utilise tes noms de colonnes
• noms[:4] = Les 4 premiers noms (« slice » en Python) = [longueur_sepale, largeur_sepale, longueur_petale, largeur_petale]
• df["espece"] = [...] = Ajoute une colonne « espece » au tableau

Résultat : df est un DataFrame (tableau) avec 150 lignes et 5 colonnes.

Étape 4 : Explorer les données

# Afficher les 5 premières lignes
print("Premières lignes :")
print(df.head())

# Afficher les statistiques de base (min, max, moyenne, etc.)
print("\nStatistiques :")
print(df.describe())

Qu'est-ce que tu veras :

• head() : Les premières 5 lignes (ou N lignes si tu précises : df.head(10))
• describe() : Résumé statistique pour chaque colonne numérique
• count : Combien de valeurs? (Devrait être 150 si tout va bien)
• mean : Moyenne
• std : Écart-type (variation autour de la moyenne)
• min, 25%, 50%, 75%, max : Les quantiles

Exercice 1.1 - Explorer le dataset

# Moyenne de longueur_petale
print(df["longueur_petale"].mean())

# Maximum de largeur_petale
print(df["largeur_petale"].max())

# Nombre total de lignes
print(len(df))

Exercice 1.2 - Visualiser les groupes

Jusque-là, tu as vu des chiffres. Maintenant, vois les données.

La visualisation révèle ce que les statistiques cachent : est-ce que les groupes (espèces) sont séparés ou mélangés?

plt.scatter(df["longueur_petale"], df["largeur_petale"],
            c=df["espece"].astype("category").cat.codes)
plt.xlabel("Longueur du pétale")
plt.ylabel("Largeur du pétale")
plt.title("Les fleurs Iris - vue par longueur vs largeur du pétale")
plt.show()

# Approche plus avancée : colorier par espèce avec légende
import matplotlib.patches as mpatches
colors = {'Setosa': 'red', 'Versicolor': 'blue', 'Virginica': 'green'}
for espece in df['espece'].unique():
    mask = df['espece'] == espece
    plt.scatter(df[mask]['longueur_petale'], df[mask]['largeur_petale'],
                label=espece, color=colors[espece], alpha=0.6)
plt.xlabel("Longueur du pétale")
plt.ylabel("Largeur du pétale")
plt.title("Iris par espèce")
plt.legend()
plt.show()