Exercices Météo avec Pandas

Exercices pour maîtriser Pandas avec des données météo.

---

Introduction

À travers une série d'exercices, vous apprendrez à manipuler des données météo, filtrer des DataFrames, calculer des statistiques et intégrer une API temps réel.

Note sur l'organisation

• Flexibilité : Les exercices peuvent être réalisés indépendamment ou à la suite dans un seul et même script.
• Indices : Si vous bloquez, des blocs d'indices sont là pour vous guider sans vous donner la réponse immédiatement.
• Solutions : Elles utilisent les meilleures pratiques de Pandas.

Conseil pédagogique

Pour progresser, ESSAYEZ PAR VOUS-MÊME avant de dévoiler les solutions.

L'erreur fait partie de l'apprentissage !

---

Prérequis

• Python 3.8+
• Pandas installé (pip install pandas)
• Requests installé (pip install requests)

ou

Essayer l'exercice directement sur:

Ouvrir avec Basthon

---

Exercice 1: Création du DataFrame Météo

Énoncé

Créez un DataFrame Pandas avec les données météo suivantes:

jour	temperature	humidite	condition
Lundi	15	65	Nuageux
Mardi	18	55	Ensoleillé
Mercredi	22	45	Ensoleillé
Jeudi	19	60	Nuageux
Vendredi	17	70	Pluie

Résultat attendu

       jour  temperature  humidite  condition
0     Lundi           15         65    Nuageux
1    Mardi           18         55  Ensoleillé
2  Mercredi           22         45  Ensoleillé
3    Jeudi           19         60    Nuageux
4  Vendredi           17         70      Pluie

Indices

• Utilisez pd.DataFrame() avec un dictionnaire
• Les clés du dictionnaire deviennent les noms de colonnes

Résumé: Création de DataFrame

Méthode	Description
pd.DataFrame(dict)	DataFrame à partir d'un dictionnaire
pd.DataFrame(liste)	DataFrame à partir d'une liste de dicts
pd.read_csv('fichier.csv')	Charger depuis un fichier

Solution

import pandas as pd

# Methode 1: avec un dictionnaire
data = {
    'jour': ['Lundi', 'Mardi', 'Mercredi', 'Jeudi', 'Vendredi'],
    'temperature': [15, 18, 22, 19, 17],
    'humidite': [65, 55, 45, 60, 70],
    'condition': ['Nuageux', 'Ensoleillé', 'Ensoleillé', 'Nuageux', 'Pluie']
}

meteo = pd.DataFrame(data)
print(meteo)

---

Exercice 2: Accéder aux Données

Énoncé

À partir du DataFrame créé précédemment, affichez:

1. La colonne temperature uniquement
2. Les colonnes jour et condition
3. La première ligne (Lundi)

Résultat attendu

1. Températures:
0    15
1    18
2    22
3    19
4    17
Name: temperature, dtype: int64

2. Jour et condition:
       jour  condition
0     Lundi    Nuageux
1    Mardi  Ensoleillé
2  Mercredi  Ensoleillé
3    Jeudi    Nuageux
4  Vendredi      Pluie

3. Première ligne:
jour          Lundi
temperature        15
humidite          65
condition      Nuageux
Name: 0, dtype: object

Indices

• Pour une colonne: df['nom_colonne']
• Pour plusieurs colonnes: df[['col1', 'col2']]
• Pour une ligne: df.loc[index] ou df.iloc[position]

Résumé: Accès aux données

Méthode	Description
df['colonne']	Une colonne (Series)
df[['col1', 'col2']]	Plusieurs colonnes (DataFrame)
df.loc[index]	Ligne par index
df.iloc[position]	Ligne par position

Solution

# 1. Une colonne
print("1. Températures:")
print(meteo['temperature'])

# 2. Plusieurs colonnes
print("\n2. Jour et condition:")
print(meteo[['jour', 'condition']])

# 3. Première ligne
print("\n3. Première ligne:")
print(meteo.loc[0])

---

Exercice 3: Statistiques

Énoncé

Calculez les statistiques suivantes sur le DataFrame:

1. La température moyenne
2. La température maximale et minimale
3. L'écart-type des températures

Résultat attendu

Température moyenne: 18.2°C
Température max: 22°C
Température min: 15°C
Écart-type: 2.48

Indices

• Utilisez les méthodes sur la colonne: .mean(), .max(), .min(), .std()

Résumé: Statistiques

Fonction	Description
df['col'].mean()	Moyenne
df['col'].max()	Maximum
df['col'].min()	Minimum
df['col'].std()	Écart-type
df['col'].median()	Médiane

Solution

print(f"Température moyenne: {meteo['temperature'].mean():.1f}°C")
print(f"Température max: {meteo['temperature'].max()}°C")
print(f"Température min: {meteo['temperature'].min()}°C")
print(f"Écart-type: {meteo['temperature'].std():.2f}")

---

Exercice 4: Filtrer les Données

Énoncé

Filtrez le DataFrame pour obtenir:

1. Les jours ensoleillés uniquement
2. Les jours où la température est supérieure à 18°C
3. Les jours nuageux ET avec une humidité supérieure à 60%

Résultat attendu

1. Jours ensoleillés:
       jour  temperature  humidite  condition
1    Mardi           18         55  Ensoleillé
2  Mercredi           22         45  Ensoleillé

2. Jours chauds (>18°C):
       jour  temperature  humidite  condition
1    Mardi           18         55  Ensoleillé
2  Mercredi           22         45  Ensoleillé
3    Jeudi           19         60    Nuageux

3. Nuageux et humide:
       jour  temperature  humidite  condition
3    Jeudi           19         60    Nuageux
4  Vendredi           17         70      Pluie

Indices

• Filtrage simple: df[df['colonne'] == valeur]
• Comparaison: df[df['colonne'] > valeur]
• Plusieurs conditions: df[(condition1) & (condition2)]

Résumé: Filtrage

Méthode	Description
df[df['col'] == x]	Égal à x
df[df['col'] > x]	Supérieur à x
df[df['col'] < x]	Inférieur à x
df[(c1) & (c2)]	ET logique
df[(c1) \| (c2)]	OU logique

Solution

# 1. Jours ensoleillés
print("1. Jours ensoleillés:")
print(meteo[meteo['condition'] == 'Ensoleillé'])

# 2. Température > 18
print("\n2. Jours chauds (>18°C):")
print(meteo[meteo['temperature'] > 18])

# 3. Nuageux ET humidite > 60
print("\n3. Nuageux et humide:")
print(meteo[(meteo['condition'] == 'Nuageux') & (meteo['humidite'] > 60)])

---

Exercice 5: Trier et Ajouter des Colonnes

Énoncé

1. Triez le DataFrame par température décroissante
2. Ajoutez une colonne temperature_f avec la température en Fahrenheit (formula: C × 9/5 + 32)
3. Triez par condition alphabétique

Résultat attendu

1. Trié par température (décroissant):
       jour  temperature  humidite  condition
2  Mercredi           22         45  Ensoleillé
3    Jeudi           19         60    Nuageux
1    Mardi           18         55  Ensoleillé
4  Vendredi           17         70      Pluie
0     Lundi           15         65    Nuageux

2. Avec Fahrenheit:
       jour  temperature  humidite  condition  temperature_f
0     Lundi           15         65    Nuageux            59.0
1    Mardi           18         55  Ensoleillé            64.4
2  Mercredi           22         45  Ensoleillé            71.6
3    Jeudi           19         60    Nuageux            66.2
4  Vendredi           17         70      Pluie            62.6

Indices

• Trier: df.sort_values('colonne', ascending=False)
• Ajouter colonne: df['nouvelle_colonne'] = valeurs
• Appliquer une fonction: df['col'].apply(fonction)

Résumé: Trier et ajouter

Méthode	Description
df.sort_values('col')	Trier croissant
df.sort_values('col', ascending=False)	Trier décroissant
df['col_calculée'] = ...	Ajouter colonne
df.apply(lambda x: ...)	Appliquer fonction

Solution

# 1. Trier par température décroissant
print("1. Trié par température:")
print(meteo.sort_values('temperature', ascending=False))

# 2. Ajouter colonne Fahrenheit
meteo['temperature_f'] = meteo['temperature'] * 9/5 + 32
print("\n2. Avec Fahrenheit:")
print(meteo)

---

Exercice 6: API Open-Meteo

Énoncé

Récupérez la météo actuelle d'Angoulême (lat=45.65, lon=0.15) en utilisant l'API Open-Meteo et affichez:

1. La température actuelle
2. L'humidité actuelle

URL de l'API

https://api.open-meteo.com/v1/forecast?latitude=45.65&longitude=0.15&current=temperature_2m,relative_humidity_2m

Résultat attendu

Température à Angoulême: [valeur]°C
Humidité à Angoulême: [valeur]%

Indices

• Utilisez requests.get(url) pour faire la requête
• Utilisez .json() pour convertir la réponse
• Les données sont dans donnees['current']['temperature_2m']

Résumé: Requêtes API

Méthode	Description
requests.get(url)	Requête GET
reponse.json()	Convertir en JSON
donnees['cle']	Accéder aux données

Solution

import requests

lat = 45.65  # Angoulême
lon = 0.15

url = f"https://api.open-meteo.com/v1/forecast?latitude={lat}&longitude={lon}&current=temperature_2m,relative_humidity_2m"

reponse = requests.get(url)
donnees = reponse.json()

temp = donnees['current']['temperature_2m']
humidite = donnees['current']['relative_humidity_2m']

print(f"Température à Angoulême: {temp}°C")
print(f"Humidité à Angoulême: {humidite}%")

---

Exercice 7: API vers DataFrame

Énoncé

Créez un DataFrame avec les données de l'API Open-Meteo pour Angoulême.

Le DataFrame doit contenir: - ville - temperature - humidite - vent

Résultat attendu

      ville  temperature  humidite    vent
0  Angoulême         12.5         75    15.2

Indices

• Récupérez d'abord les données avec l'API
• Créez un dictionnaire avec les valeurs
• Transformez en DataFrame avec pd.DataFrame()

URL complète

https://api.open-meteo.com/v1/forecast?latitude=45.65&longitude=0.15&current=temperature_2m,relative_humidity_2m,wind_speed_10m

Solution

import requests
import pandas as pd

lat = 45.65
lon = 0.15

url = f"https://api.open-meteo.com/v1/forecast?latitude={lat}&longitude={lon}&current=temperature_2m,relative_humidity_2m,wind_speed_10m"

reponse = requests.get(url)
donnees = reponse.json()
actuel = donnees['current']

data = {
    'ville': ['Angoulême'],
    'temperature': [actuel['temperature_2m']],
    'humidite': [actuel['relative_humidity_2m']],
    'vent': [actuel['wind_speed_10m']]
}

meteo = pd.DataFrame(data)
print(meteo)

---

Exercice 8: Projet Final - Analyseur Météo

Énoncé

Créez une classe AnalyseurMeteo qui:

1. Prend en paramètres: ville, latitude, longitude
2. A une méthode recuperer() qui fetch les données de l'API
3. A une méthode afficher() qui affiche un résumé
4. A une méthode statistiques() qui affiche les statistiques

Résultat attendu

==================================================
   Météo à Angoulême
==================================================
      ville  temperature  humidite    vent
0  Angoulême         12.5         75    15.2
==================================================

=== Analyse ===
Température: 12.5°C
Humidité: 75%

Indices

• Créez une classe avec class NomClasse:
• Utilisez __init__ pour initialiser les attributs
• Appelez l'API dans une méthode séparée
• Utilisez self pour accéder aux attributs

Résumé: Programmation orientée objet

Élément	Description
class Classe:	Définir une classe
def __init__(self, params):	Constructeur
self.attribut = valeur	Attribut d'instance
self.methode()	Appeler une méthode

Solution

import requests
import pandas as pd

class AnalyseurMeteo:
    def __init__(self, ville, lat, lon):
        self.ville = ville
        self.lat = lat
        self.lon = lon
        self.data = None

    def recuperer(self):
        url = f"https://api.open-meteo.com/v1/forecast?latitude={self.lat}&longitude={self.lon}&current=temperature_2m,relative_humidity_2m,wind_speed_10m"
        reponse = requests.get(url)
        actuel = reponse.json()['current']

        self.data = pd.DataFrame({
            'ville': [self.ville],
            'temperature': [actuel['temperature_2m']],
            'humidite': [actuel['relative_humidity_2m']],
            'vent': [actuel['wind_speed_10m']]
        })

    def afficher(self):
        if self.data is None:
            self.recuperer()
        print(f"\n{'='*50}")
        print(f"   Météo à {self.ville}")
        print(f"{'='*50}")
        print(self.data.to_string(index=False))
        print(f"{'='*50}")

    def statistiques(self):
        if self.data is None:
            self.recuperer()
        print("\n=== Analyse ===")
        print(f"Température: {self.data['temperature'][0]}°C")
        print(f"Humidité: {self.data['humidite'][0]}%")

# Utilisation
meteo = AnalyseurMeteo("Angoulême", 45.65, 0.15)
meteo.afficher()
meteo.statistiques()

---

Correction

Vous pouvez retrouver toutes les solutions dans les blocs "Solution" de chaque exercice ci-dessus.

Conseil

Essayez de faire les exercices dans l'ordre, ils sont conçus pour construire progressivement vos connaissances.