PyDA Course
📖 Leçon 4 Avancé ⏱ 25 minutes ⚡ +100 XP ColabKagglenbviewerBinderDeepnoteGitHub univarié · catégoriel · fréquences · matplotlib · pandas

Analyse univariée des variables catégorielles

Analyser la distribution des fréquences, les proportions et les schémas des variables catégorielles avec des graphiques en barres et en comptage.

🎯 Ce que vous apprendrez :
  • Utiliser value_counts() et normalize=True pour analyser des fréquences et des proportions
  • Construire et interpréter des graphiques en barres et des camemberts
  • Détecter les catégories rares et les étiquettes incohérentes
  • Comparer les distributions catégorielles entre groupes avec crosstab()

Les variables catégorielles décrivent des groupes, des catégories ou des étiquettes, genre, origine ethnique, type de repas, niveau d’éducation. Contrairement aux données numériques, on ne peut pas calculer de moyennes ni d’écarts-types. On analyse plutôt les fréquences, les proportions et le mode. Cette leçon couvre les outils et les techniques pour comprendre les données catégorielles.

Concepts clés

Tables de fréquences

Le fondement de l’analyse catégorielle est la table de fréquences :

python
import pandas as pd

# students-performance.csv ships with the course — load it from the browser file system.
df = pd.read_csv("students-performance.csv")

# Absolute frequencies
print("Gender counts:")
print(df["gender"].value_counts())

# Relative frequencies (proportions)
print("\nGender proportions:")
print(df["gender"].value_counts(normalize=True).round(3))

# Parental education — ordinal, so sort logically
edu_order = [
    "some high school",
    "high school",
    "some college",
    "associate's degree",
    "master's degree",
    "bachelor's degree",
]
print("\nParental education:")
print(df["parental level of education"].value_counts().reindex(edu_order))

Nominal, ordinal et binaire

Comprendre le type de variable catégorielle détermine la façon dont vous l’analysez et la visualisez :

TypeDescriptionExempleAnalyse
BinaireDeux catégoriesgenreProportion, rapport de cotes
NominalPas d’ordre naturelorigine ethniqueFréquence, mode
OrdinalUn ordre naturel existeniveau d’éducationCatégorie médiane, corrélation de rang

Les variables ordinales nécessitent un ordre explicite, ne laissez pas pandas les trier alphabétiquement :

python
import seaborn as sns
import matplotlib.pyplot as plt

# Without ordering — misleading
fig, axes = plt.subplots(1, 2, figsize=(14, 5))

sns.countplot(data=df, x="parental level of education", ax=axes[0])
axes[0].set_title("Without explicit order")
axes[0].tick_params(axis="x", rotation=45)

# With ordering — correct
sns.countplot(
    data=df,
    x="parental level of education",
    order=edu_order,
    ax=axes[1],
    palette="viridis"
)
axes[1].set_title("With explicit order")
axes[1].tick_params(axis="x", rotation=45)

plt.tight_layout()
plt.show()

Graphiques en comptage avec seaborn

Les graphiques en comptage sont l’équivalent catégoriel des histogrammes, ils montrent les fréquences :

python
fig, axes = plt.subplots(2, 2, figsize=(12, 10))

# Binary variable
sns.countplot(data=df, x="gender", ax=axes[0, 0], palette="Set2")
axes[0, 0].set_title("Gender Distribution")

# Nominal variable
sns.countplot(data=df, x="race/ethnicity", ax=axes[0, 1], palette="Set3")
axes[0, 1].set_title("Ethnicity Distribution")

# Ordinal variable
sns.countplot(
    data=df,
    x="parental level of education",
    order=edu_order,
    ax=axes[1, 0],
    palette="viridis"
)
axes[1, 0].set_title("Parental Education Level")
axes[1, 0].tick_params(axis="x", rotation=45)

# Binary with hue
sns.countplot(data=df, x="test preparation course", hue="gender", ax=axes[1, 1], palette="Set1")
axes[1, 1].set_title("Test Prep by Gender")

plt.tight_layout()
plt.show()

Graphiques en barres horizontaux

Lorsque les étiquettes de catégories sont longues, les barres horizontales améliorent la lisibilité :

python
# Ethnicity with horizontal bars
ethnicity_counts = df["race/ethnicity"].value_counts()

fig, ax = plt.subplots(figsize=(8, 5))
ethnicity_counts.plot(kind="barh", ax=ax, color="steelblue", edgecolor="black")
ax.set_title("Ethnicity Distribution")
ax.set_xlabel("Count")
ax.set_ylabel("Ethnicity Group")
plt.show()

Graphiques de proportions

Lorsque les tailles d’échantillon diffèrent, les proportions sont plus informatives que les comptages :

python
# Proportion by gender
gender_prop = df["gender"].value_counts(normalize=True)

fig, axes = plt.subplots(1, 2, figsize=(12, 5))

# Bar chart of proportions
gender_prop.plot(kind="bar", ax=axes[0], color=["#4ECDC4", "#FF6B6B"], edgecolor="black")
axes[0].set_title("Gender Proportions")
axes[0].set_ylabel("Proportion")
axes[0].set_ylim(0, 1)

# Pie chart (use sparingly — bar charts are almost always better)
axes[1].pie(gender_prop, labels=gender_prop.index, autopct="%1.1f%%", colors=["#4ECDC4", "#FF6B6B"])
axes[1].set_title("Gender Split")

plt.tight_layout()
plt.show()

Gérer les catégorielles à forte cardinalité

Lorsqu’une colonne catégorielle possède de nombreuses valeurs uniques, regroupez les catégories rares dans une catégorie « Other » :

python
def top_n_with_other(series, n=5):
    """Keep top n categories, merge the rest into 'Other'."""
    top = series.value_counts().head(n).index
    return series.where(series.isin(top), other="Other")

# Example with education level
df["education_grouped"] = top_n_with_other(df["parental level of education"], n=4)

print(df["education_grouped"].value_counts())

fig, ax = plt.subplots(figsize=(8, 5))
sns.countplot(data=df, x="education_grouped", palette="pastel", ax=ax)
ax.set_title("Parental Education (Top 4 + Other)")
plt.show()

Annoter les comptages sur les barres

Ajouter les comptages aux barres rend les graphiques auto-explicatifs :

python
fig, ax = plt.subplots(figsize=(8, 5))
counts = df["race/ethnicity"].value_counts()
bars = ax.bar(counts.index, counts.values, color=sns.color_palette("Set3", len(counts)), edgecolor="black")

for bar in bars:
    height = bar.get_height()
    ax.text(
        bar.get_x() + bar.get_width() / 2.,
        height + 0.5,
        f"{int(height)}",
        ha="center",
        va="bottom",
        fontweight="bold"
    )

ax.set_title("Ethnicity Distribution with Counts")
ax.set_ylabel("Count")
plt.show()

Essayez-le

Analysez les variables catégorielles du jeu de données Students Performance.

python
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# students-performance.csv ships with the course — load it from the browser file system.
df = pd.read_csv("students-performance.csv")

cat_cols = ["gender", "race/ethnicity", "parental level of education",
            "lunch", "test preparation course"]

# Frequency tables
for col in cat_cols:
    print(f"\n{col}:")
    print(df[col].value_counts())

# Visualize all categorical variables
fig, axes = plt.subplots(2, 3, figsize=(15, 10))
axes = axes.flatten()

for i, col in enumerate(cat_cols):
    sns.countplot(data=df, x=col, ax=axes[i], palette="Set2")
    axes[i].set_title(col.title())
    axes[i].tick_params(axis="x", rotation=45)

# Hide unused subplot
axes[5].set_visible(False)

plt.tight_layout()
plt.show()

Points clés à retenir

  • Les tables de fréquences sont le fondement de l’analyse catégorielle, calculez-les toujours en premier
  • Distinguez les variables nominales, ordinales et binaires ; les variables ordinales nécessitent un ordre explicite
  • Les graphiques en barres horizontaux sont meilleurs que les verticaux lorsque les étiquettes de catégories sont longues
  • Utilisez des proportions plutôt que des comptages lorsque vous comparez des groupes de tailles différentes
  • Regroupez les catégories rares dans « Other » lorsque la cardinalité est élevée
  • Annotez les comptages sur les barres pour rendre les graphiques auto-explicatifs

Défi pratique

Créez une figure montrant la distribution des types de lunch, avec des barres colorées selon la réalisation du test preparation course. Ajoutez des annotations de comptage à chaque segment de barre. Calculez ensuite la proportion d’étudiants ayant réalisé la préparation aux tests pour chaque type de repas.

🧩 Défi, réfléchissez d'abord, puis révélez
python
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# students-performance.csv ships with the course — load it from the browser file system.
df = pd.read_csv("students-performance.csv")

fig, ax = plt.subplots(figsize=(8, 6))
sns.countplot(data=df, x="lunch", hue="test preparation course", ax=ax, palette="Set1")
ax.set_title("Lunch Type by Test Preparation Completion")
ax.set_xlabel("Lunch Type")
ax.set_ylabel("Count")
ax.legend(title="Test Prep")

# Add count annotations
for container in ax.containers:
    ax.bar_label(container, fontweight="bold")

plt.tight_layout()
plt.show()

# Proportions
print("\nTest prep completion by lunch type:")
print(df.groupby("lunch")["test preparation course"].value_counts(normalize=True).round(3))

🚀 Continuez à construire

Mettez les compétences de cette leçon en pratique dans un projet guidé :

🐼 Constructeur de Sondages Créez et analysez des sondages avec logique de branchement, collecte de réponses et analyse statistique. 💻 Moteur de Scoring de Leads Classez et priorisez les leads commerciaux selon l'engagement, la démographie et les signaux de comportement.
✅ Vérification rapide +10 XP

1. Quel code calcule la proportion de chaque valeur dans une colonne catégorielle ?

2. Quel graphique est le plus approprié pour comprendre la distribution d'une variable catégorielle avec de nombreuses catégories ?

3. Quel est le risque principal de l'analyse d'une variable catégorielle avec des centaines de valeurs uniques ?

univariécatégorielfréquencesmatplotlibpandas
← Précédent Suivant →
🌿 Passer à Normal Même semaine, rythme plus doux.