
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns


# Lire et afficher le fichier
donnees_2017 = pd.read_csv('DisponibiliteAlimentaire_2017.csv')
donnees_2017.head()


# Afficher les infos sur le dataframe (nombre de lignes, de colonnes, de valeurs non nulles par colonne, etc)
donnees_2017.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 176600 entries, 0 to 176599
Data columns (total 14 columns):
 #   Column                  Non-Null Count   Dtype  
---  ------                  --------------   -----  
 0   Code Domaine            176600 non-null  object 
 1   Domaine                 176600 non-null  object 
 2   Code zone               176600 non-null  int64  
 3   Zone                    176600 non-null  object 
 4   Code Élément            176600 non-null  int64  
 5   Élément                 176600 non-null  object 
 6   Code Produit            176600 non-null  int64  
 7   Produit                 176600 non-null  object 
 8   Code année              176600 non-null  int64  
 9   Année                   176600 non-null  int64  
 10  Unité                   176600 non-null  object 
 11  Valeur                  176600 non-null  float64
 12  Symbole                 176600 non-null  object 
 13  Description du Symbole  176600 non-null  object 
dtypes: float64(1), int64(5), object(8)
memory usage: 18.9+ MB


# Afficher et copier les colonnes
donnees_2017.columns

Index(['Code Domaine', 'Domaine', 'Code zone', 'Zone', 'Code Élément',
       'Élément', 'Code Produit', 'Produit', 'Code année', 'Année', 'Unité',
       'Valeur', 'Symbole', 'Description du Symbole'],
      dtype='object')


# Ne conserver que les colonnes utiles
colonnes = ['Zone', 'Élément', 'Produit', 'Unité', 'Valeur']
donnees_2017  = donnees_2017[colonnes]
donnees_2017.head()


# Ne conserver que les données concernant la viande (de tous types)
donnees_2017_viande = donnees_2017.loc[donnees_2017['Produit'].str.contains('Viande')]
donnees_2017_viande['Produit'].unique()

array(['Viande de Bovins', "Viande d'Ovins/Caprins", 'Viande de Suides',
       'Viande de Volailles', 'Viande, Autre', 'Viande de Anim Aquatiq'],
      dtype=object)


# Afficher les modalités de la colonne Élément
donnees_2017_viande['Élément'].unique()

array(['Production', 'Importations - Quantité', 'Variation de stock',
       'Disponibilité intérieure', 'Pertes', 'Résidus', 'Nourriture',
       'Disponibilité alimentaire en quantité (kg/personne/an)',
       'Disponibilité alimentaire (Kcal/personne/jour)',
       'Disponibilité de protéines en quantité (g/personne/jour)',
       'Disponibilité de matière grasse en quantité (g/personne/jour)',
       'Exportations - Quantité', 'Autres utilisations (non alimentaire)',
       'Alimentation pour touristes', 'Aliments pour animaux',
       'Traitement', 'Semences'], dtype=object)


# Supprimer les modalités inutiles
donnees_2017_viande = donnees_2017_viande.loc[donnees_2017_viande['Élément'].isin(['Production', 'Importations - Quantité', 'Variation de stock',
                                                                                    'Disponibilité intérieure', 'Pertes', 'Résidus', 'Nourriture',
                                                                                    'Exportations - Quantité', 'Autres utilisations (non alimentaire)',
                                                                                    'Alimentation pour touristes', 'Aliments pour animaux',
                                                                                    'Traitement', 'Semences'])]


# Afficher les différentes unités de mesure de la colonne Unité
# toutes les lignes sont exprimées en milliers de tonnes
donnees_2017_viande['Unité'].unique()

array(['Milliers de tonnes'], dtype=object)


# Convertir les données en tonnes
donnees_2017_viande['Valeur'] = donnees_2017_viande['Valeur'] * 1000


# Afficher le nombre de doublons
donnees_2017_viande.duplicated().sum()

0


# Vérifier qu'il n'y ait pas de répétition de pays, notamment de la Chine
# 'Chine - RAS de Hong-Kong', 'Chine - RAS de Macao', 'Chine, continentale', 'Chine, Taiwan Province de'
# Nous avons 4 modalités au lieu des 5 que l'on trouve parfois, il n'y a pas répétition 
donnees_2017_viande['Zone'].unique()

array(['Afghanistan', 'Afrique du Sud', 'Albanie', 'Algérie', 'Allemagne',
       'Angola', 'Antigua-et-Barbuda', 'Arabie saoudite', 'Argentine',
       'Arménie', 'Australie', 'Autriche', 'Azerbaïdjan', 'Bahamas',
       'Bangladesh', 'Barbade', 'Bélarus', 'Belgique', 'Belize', 'Bénin',
       'Bolivie (État plurinational de)', 'Bosnie-Herzégovine',
       'Botswana', 'Brésil', 'Bulgarie', 'Burkina Faso', 'Cabo Verde',
       'Cambodge', 'Cameroun', 'Canada', 'Chili',
       'Chine - RAS de Hong-Kong', 'Chine - RAS de Macao',
       'Chine, continentale', 'Chine, Taiwan Province de', 'Chypre',
       'Colombie', 'Congo', 'Costa Rica', "Côte d'Ivoire", 'Croatie',
       'Cuba', 'Danemark', 'Djibouti', 'Dominique', 'Égypte',
       'El Salvador', 'Émirats arabes unis', 'Équateur', 'Espagne',
       'Estonie', 'Eswatini', "États-Unis d'Amérique", 'Éthiopie',
       'Fédération de Russie', 'Fidji', 'Finlande', 'France', 'Gabon',
       'Gambie', 'Géorgie', 'Ghana', 'Grèce', 'Grenade', 'Guatemala',
       'Guinée', 'Guinée-Bissau', 'Guyana', 'Haïti', 'Honduras',
       'Hongrie', 'Îles Salomon', 'Inde', 'Indonésie',
       "Iran (République islamique d')", 'Iraq', 'Irlande', 'Islande',
       'Israël', 'Italie', 'Jamaïque', 'Japon', 'Jordanie', 'Kazakhstan',
       'Kenya', 'Kirghizistan', 'Kiribati', 'Koweït', 'Lesotho',
       'Lettonie', 'Liban', 'Libéria', 'Lituanie', 'Luxembourg',
       'Macédoine du Nord', 'Madagascar', 'Malaisie', 'Malawi',
       'Maldives', 'Mali', 'Malte', 'Maroc', 'Maurice', 'Mauritanie',
       'Mexique', 'Mongolie', 'Monténégro', 'Mozambique', 'Myanmar',
       'Namibie', 'Népal', 'Nicaragua', 'Niger', 'Nigéria', 'Norvège',
       'Nouvelle-Calédonie', 'Nouvelle-Zélande', 'Oman', 'Ouganda',
       'Pakistan', 'Panama', 'Paraguay', 'Pays-Bas', 'Pérou',
       'Philippines', 'Pologne', 'Polynésie française', 'Portugal',
       'République centrafricaine', 'République de Corée',
       'République de Moldova', 'République dominicaine',
       'République populaire démocratique de Corée',
       'République-Unie de Tanzanie', 'Roumanie',
       "Royaume-Uni de Grande-Bretagne et d'Irlande du Nord", 'Rwanda',
       'Sainte-Lucie', 'Saint-Kitts-et-Nevis',
       'Saint-Vincent-et-les Grenadines', 'Samoa', 'Sao Tomé-et-Principe',
       'Sénégal', 'Serbie', 'Sierra Leone', 'Slovaquie', 'Slovénie',
       'Soudan', 'Sri Lanka', 'Suède', 'Suisse', 'Suriname',
       'Tadjikistan', 'Tchad', 'Tchéquie', 'Thaïlande', 'Timor-Leste',
       'Togo', 'Trinité-et-Tobago', 'Tunisie', 'Turkménistan', 'Turquie',
       'Ukraine', 'Uruguay', 'Vanuatu',
       'Venezuela (République bolivarienne du)', 'Viet Nam', 'Yémen',
       'Zambie', 'Zimbabwe'], dtype=object)


# Afficher le top des viandes les plus produites dans le monde
# La viande de volaille est la viande la plus produite en 2017 avec 122 millions de tonnes versus 120 millions pour la viande de porc
top_viandes =  donnees_2017_viande.loc[donnees_2017_viande['Élément'] == 'Production'].groupby('Produit')['Valeur'].sum().nlargest()
top_viandes = top_viandes.reset_index()
top_viandes['Produit'].replace({'Viande de Suides': 'Viande de Porc',
        'Viande de Bovins': 'Viande de Boeuf'
        }, inplace=True)
top_viandes


# Afficher la production 2017 à l'aide d'un barplot

# Afficher les données en millions de tonnes et arrondies
top_viandes['Valeur'] = round(top_viandes['Valeur'] / 1000000, 0)
top_viandes['Valeur'] = top_viandes['Valeur'].astype(int)


plt.figure(figsize=(12,8))
barplot = sns.barplot(data=top_viandes,  y='Produit', x='Valeur', orient='h', color='red')
plt.title('Production de viande dans le monde en 2017\n(en millions de tonnes)', fontsize=16, fontweight='bold')

# Ajouter les valeurs dans leurs barres respectives
for p in barplot.patches:
    width = p.get_width()  
    barplot.text(width - width / 2,  
            p.get_y() + p.get_height() / 2,  
            '{:1.0f}'.format(width), 
            ha = 'left',  
            va = 'center', fontsize=18, fontweight='bold', color='white') 

plt.ylabel('')
plt.xlabel('')
barplot.set(xticks=[])  # enlever la graduation sur l'axe des abscisses
sns.despine(left=True, bottom=True) 
plt.show()


# Ne conserver que les données concernant la viande de volaille
donnees_2017_viande_volaille = donnees_2017_viande.loc[donnees_2017_viande['Produit'].str.contains('Viande de Volailles')]
donnees_2017_viande_volaille['Produit'].unique()

array(['Viande de Volailles'], dtype=object)


# Pivoter la colonne Élément pour avoir ses modalités en colonnes 
donnees_2017_viande_volaille = donnees_2017_viande_volaille.pivot_table(index='Zone', columns='Élément', values='Valeur')
donnees_2017_viande_volaille = donnees_2017_viande_volaille.reset_index()
donnees_2017_viande_volaille


# Renommer les colonnes pour plus de clarté
donnees_2017_viande_volaille.rename(columns={'Alimentation pour touristes': 'Alimentation pour touristes (en tonnes)',
                                             'Aliments pour animaux': 'Alimentation pour animaux (en tonnes)',
                                             'Autres utilisations (non alimentaire)': 'Autres utilisations (en tonnes)',
                                             'Disponibilité intérieure': 'Disponibilité intérieure (en tonnes)',
                                             'Exportations - Quantité': 'Exportations (en tonnes)',
                                             'Importations - Quantité': 'Importations (en tonnes)',
                                             'Nourriture': 'Alimentation humaine (en tonnes)',
                                             'Pertes': 'Pertes (en tonnes)',
                                             'Production': 'Production (en tonnes)',
                                             'Résidus': 'Résidus (en tonnes)',
                                             'Semences': 'Semences (en tonnes)',
                                             'Traitement': 'Transformés (en tonnes)',
                                             'Variation de stock': 'Variation de stock (en tonnes)'
                                             }, inplace=True)
donnees_2017_viande_volaille.head()


# Afficher les dimensions du dataframe
donnees_2017_viande_volaille.shape

(170, 14)


# Afficher le nombre de valeus manquantes par colonne
donnees_2017_viande_volaille.isna().sum()

Élément
Zone                                         0
Alimentation pour touristes (en tonnes)     92
Alimentation pour animaux (en tonnes)      169
Autres utilisations (en tonnes)            136
Disponibilité intérieure (en tonnes)         0
Exportations (en tonnes)                    35
Importations (en tonnes)                     0
Alimentation humaine (en tonnes)             0
Pertes (en tonnes)                         103
Production (en tonnes)                       2
Résidus (en tonnes)                          6
Semences (en tonnes)                       169
Transformés (en tonnes)                    124
Variation de stock (en tonnes)               1
dtype: int64


# Lire le fichier sur les exportations / importations de viande de poulet entre les pays du monde et la France puis l'afficher
# La colonne "Pays partenaires" ne contient qu'une seule modalité, la France.
exportations_importations_viande_poulet_2021 = pd.read_csv('Exportations_importations_viande_poulet_2021_vers_depuis_France_FAOSTAT.csv')
exportations_importations_viande_poulet_2021.head()


# Afficher les dimensions du dataframe
exportations_importations_viande_poulet_2021.shape

(266, 16)


# Afficher le nombre de valeurs non nulles et le type de données pour chaque colonne
exportations_importations_viande_poulet_2021.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 266 entries, 0 to 265
Data columns (total 16 columns):
 #   Column                      Non-Null Count  Dtype  
---  ------                      --------------  -----  
 0   Code Domaine                266 non-null    object 
 1   Domaine                     266 non-null    object 
 2   Code pays déclarant (M49)   266 non-null    int64  
 3   Pays déclarants             266 non-null    object 
 4   Code pays partenaire (M49)  266 non-null    int64  
 5   Pays partenaires            266 non-null    object 
 6   Code Élément                266 non-null    int64  
 7   Élément                     266 non-null    object 
 8   Code Produit (CPC)          266 non-null    int64  
 9   Produit                     266 non-null    object 
 10  Code année                  266 non-null    int64  
 11  Année                       266 non-null    int64  
 12  Unité                       266 non-null    object 
 13  Valeur                      266 non-null    float64
 14  Symbole                     266 non-null    object 
 15  Description du Symbole      266 non-null    object 
dtypes: float64(1), int64(6), object(9)
memory usage: 33.4+ KB


# Afficher les colonnes du dataframe
exportations_importations_viande_poulet_2021.columns

Index(['Code Domaine', 'Domaine', 'Code pays déclarant (M49)',
       'Pays déclarants', 'Code pays partenaire (M49)', 'Pays partenaires',
       'Code Élément', 'Élément', 'Code Produit (CPC)', 'Produit',
       'Code année', 'Année', 'Unité', 'Valeur', 'Symbole',
       'Description du Symbole'],
      dtype='object')


# Supprimer les colonnes superflues (y compris la colonne produit qui ne contient que la modalité "Viande, poulet, fraîche et réfrigérée", 
# puis afficher le dataframe
exportations_importations_viande_poulet_2021 = exportations_importations_viande_poulet_2021.drop(columns=['Code Domaine', 'Domaine', 'Code pays déclarant (M49)', 
                                                                                                          'Code pays partenaire (M49)', 'Pays partenaires', 'Code Élément', 
                                                                                                          'Code Produit (CPC)', 'Produit', 'Code année', 
                                                                                                          'Année', 'Symbole', 'Description du Symbole'])
exportations_importations_viande_poulet_2021.head()


# Afficher les différentes unités de la colonne Unité
# On constate que toutes les lignes sont exprimées en milliers de US$ lorsqu'il s'agit d'un montant et en tonnes lorsqu'il est question de quantité
exportations_importations_viande_poulet_2021['Unité'].unique()

array(['tonnes', '1000 US$'], dtype=object)


# Pivoter la colonne Élément de façon à avoir ses modalités en colonnes
exportations_importations_viande_poulet_2021 = exportations_importations_viande_poulet_2021.pivot_table(index='Pays déclarants', columns='Élément', values=['Unité', 'Valeur'])
exportations_importations_viande_poulet_2021 = exportations_importations_viande_poulet_2021.reset_index()
exportations_importations_viande_poulet_2021


# Afficher les données pour les deux pays les plus peuplés de la planète
# Nous n'avons pas de données pour l'Inde. Quant à la Chine, les données d'exportations sont manquantes et on remarque
# que le pays importe très peu de viande de poulet.
exportations_importations_viande_poulet_2021.loc[(exportations_importations_viande_poulet_2021['Pays déclarants'].str.contains('Inde')) 
                                                | (exportations_importations_viande_poulet_2021['Pays déclarants'].str.contains('Chine'))]


# Afficher les colonnes du dataframe
# On a un multiIndex
exportations_importations_viande_poulet_2021.columns

MultiIndex([('Pays déclarants',                        ''),
            (         'Valeur', 'Exportations - Quantité'),
            (         'Valeur',   'Exportations - Valeur'),
            (         'Valeur', 'Importations - Quantité'),
            (         'Valeur',   'Importations - Valeur')],
           names=[None, 'Élément'])


# Supprimer le multiIndex
colonnes = [' '.join(col).strip() for col in exportations_importations_viande_poulet_2021.columns.values]

# Remplacer les colonnes du DataFrame par la liste
exportations_importations_viande_poulet_2021.columns = colonnes
exportations_importations_viande_poulet_2021.head()


# Diviser des colonnes par 1000 pour avoir des données exprimées en millions de US$
exportations_importations_viande_poulet_2021['Valeur Exportations - Valeur'] = exportations_importations_viande_poulet_2021['Valeur Exportations - Valeur'] / 1000
exportations_importations_viande_poulet_2021['Valeur Importations - Valeur'] = exportations_importations_viande_poulet_2021['Valeur Importations - Valeur'] / 1000


# Renommer les colonnes "Valeur ..." et Pays déclarants pour plus de clarté
exportations_importations_viande_poulet_2021 = exportations_importations_viande_poulet_2021.rename(columns={'Valeur Exportations - Quantité': 'Exportations viande de poulet vers la France (en tonnes)',
                                                             'Valeur Exportations - Valeur': 'Exportations viande de poulet vers la France (en millions de US$)',
                                                             'Valeur Importations - Quantité': 'Importations viande de poulet depuis la France (en tonnes)',
                                                             'Valeur Importations - Valeur': 'Importations viande de poulet depuis la France (en millions de US$)', 
                                                             'Pays déclarants': 'Zone'})
exportations_importations_viande_poulet_2021


# Afficher le nombre de valeurs non nulles dans chaque colonne
# On constate que les colonnes Exportations contiennent beaucoup trop de valeurs manquantes
exportations_importations_viande_poulet_2021.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 102 entries, 0 to 101
Data columns (total 5 columns):
 #   Column                                                               Non-Null Count  Dtype  
---  ------                                                               --------------  -----  
 0   Zone                                                                 102 non-null    object 
 1   Exportations viande de poulet vers la France (en tonnes)             35 non-null     float64
 2   Exportations viande de poulet vers la France (en millions de US$)    35 non-null     float64
 3   Importations viande de poulet depuis la France (en tonnes)           98 non-null     float64
 4   Importations viande de poulet depuis la France (en millions de US$)  98 non-null     float64
dtypes: float64(4), object(1)
memory usage: 4.1+ KB


# On supprime ces deux colonnes
exportations_importations_viande_poulet_2021.drop(columns=['Exportations viande de poulet vers la France (en tonnes)', 'Exportations viande de poulet vers la France (en millions de US$)'], inplace=True)
exportations_importations_viande_poulet_2021.head()


# Afficher le nombre de valeurs manquantes
exportations_importations_viande_poulet_2021.isna().sum()

Zone                                                                   0
Importations viande de poulet depuis la France (en tonnes)             4
Importations viande de poulet depuis la France (en millions de US$)    4
dtype: int64


# Remplacer les NaN par 0
exportations_importations_viande_poulet_2021.fillna(0, inplace=True)

# Vérifier
exportations_importations_viande_poulet_2021.isna().sum()

Zone                                                                   0
Importations viande de poulet depuis la France (en tonnes)             0
Importations viande de poulet depuis la France (en millions de US$)    0
dtype: int64


# Dimensions du dataframe
exportations_importations_viande_poulet_2021.shape

(102, 3)


exportations_importations_viande_poulet_2021['Zone'].unique()

array(['Afrique du Sud', 'Allemagne', 'Angola', 'Arabie saoudite',
       'Arménie', 'Australie', 'Autriche', 'Azerbaïdjan', 'Bahreïn',
       'Belgique', 'Bosnie-Herzégovine', 'Brésil', 'Bulgarie',
       'Burkina Faso', 'Bélarus', 'Bénin', 'Cabo Verde', 'Cambodge',
       'Cameroun', 'Canada', 'Chili', 'Chine - RAS de Hong-Kong',
       'Chine - RAS de Macao', 'Chine, continentale', 'Chypre', 'Comores',
       'Congo', 'Croatie', 'Cuba', "Côte d'Ivoire", 'Danemark',
       'Djibouti', 'Dominique', 'Espagne', 'Estonie', 'Finlande', 'Gabon',
       'Gambie', 'Ghana', 'Grenade', 'Grèce', 'Guinée', 'Géorgie',
       'Hongrie', 'Irlande', 'Islande', 'Italie', 'Japon', 'Kazakhstan',
       'Koweït', 'Lettonie', 'Libye', 'Lituanie', 'Luxembourg',
       'Macédoine du Nord', 'Maldives', 'Mali', 'Malte', 'Maroc',
       'Maurice', 'Mauritanie', 'Monténégro', 'Mozambique', 'Namibie',
       'Niger', 'Norvège', 'Nouvelle-Calédonie', 'Oman',
       'Pays-Bas (Royaume des)', 'Philippines', 'Pologne',
       'Polynésie française', 'Portugal', 'Qatar', 'Roumanie',
       "Royaume-Uni de Grande-Bretagne et d'Irlande du Nord",
       'République centrafricaine', 'République de Moldova',
       'République démocratique du Congo', 'Saint-Kitts-et-Nevis',
       'Saint-Vincent-et-les Grenadines', 'Sao Tomé-et-Principe',
       'Serbie', 'Seychelles', 'Sierra Leone', 'Singapour', 'Slovaquie',
       'Slovénie', 'Suisse', 'Suriname', 'Suède', 'Tchéquie', 'Togo',
       'Tunisie', 'Turquie', 'Ukraine', 'Viet Nam', 'Yémen', 'Zambie',
       'Émirats arabes unis', "États-Unis d'Amérique", 'Éthiopie'],
      dtype=object)


# Lire le fichier Production_viande_poulet_2021 puis l'afficher
Commerce_viande_poulet_2021 = pd.read_csv('Commerce_viande_de_poulet_monde_2021_FAOSTAT.csv')
Commerce_viande_poulet_2021.head()


# Afficher les dimensions du dataframe
Commerce_viande_poulet_2021.shape

(650, 15)


# Supprimer les colonnes superflues
Commerce_viande_poulet_2021 = Commerce_viande_poulet_2021.drop(columns=['Code Domaine', 'Domaine', 'Code zone (M49)', 
                                                                            'Code Élément', 'Code Produit (CPC)', 'Produit', 'Code année', 
                                                                            'Année', 'Symbole', 'Description du Symbole', 'Note'])
Commerce_viande_poulet_2021.head()


# Afficher les modalités de la colonne Unité
# Les lignes représentant une quantité sont toutes exprimées en tonnes, celles réprésentant un montant sont exprimées en milliers de US$
Commerce_viande_poulet_2021['Unité'].unique()

array(['tonnes', '1000 US$'], dtype=object)


# Pivoter la colonne Élément pour avoir ses modalités en colonnes
Commerce_viande_poulet_2021 = Commerce_viande_poulet_2021.pivot_table(index='Zone', columns='Élément', values='Valeur')
Commerce_viande_poulet_2021 = Commerce_viande_poulet_2021.reset_index()
Commerce_viande_poulet_2021.head()


# Diviser les colonnes exprimées en milliers de US$ pour les avoir en millions de dollars, puis renommer toutes les colonnes
Commerce_viande_poulet_2021['Exportations - Valeur'] = Commerce_viande_poulet_2021['Exportations - Valeur'] / 1000
Commerce_viande_poulet_2021['Importations - Valeur'] = Commerce_viande_poulet_2021['Importations - Valeur'] / 1000

Commerce_viande_poulet_2021.rename(columns={'Exportations - Quantité': 'Exportations viande de poulet (en tonnes)',
                                            'Exportations - Valeur': 'Exportations viande de poulet (en millions de US$)',
                                            'Importations - Quantité': 'Importations viande de poulet (en tonnes)',
                                            'Importations - Valeur': 'Importations viande de poulet (en millions de US$)'
                                            }, inplace=True)
Commerce_viande_poulet_2021.head()


# Afficher le nombre de valeurs NaN dans chaque colonne
# De nouveau, les colonnes des exportations contiennent trop de NaN
Commerce_viande_poulet_2021.isna().sum()

Élément
Zone                                                   0
Exportations viande de poulet (en tonnes)             57
Exportations viande de poulet (en millions de US$)    57
Importations viande de poulet (en tonnes)              2
Importations viande de poulet (en millions de US$)     2
dtype: int64


# Supprimer ces colonnes
Commerce_viande_poulet_2021.drop(columns=['Exportations viande de poulet (en tonnes)', 'Exportations viande de poulet (en millions de US$)'], inplace=True)
Commerce_viande_poulet_2021.head()


# Afficher les 2 pays pour lesquels on a des NaN
nan = Commerce_viande_poulet_2021.loc[Commerce_viande_poulet_2021['Importations viande de poulet (en tonnes)'].isna()]
nan


# Supprimer ces deux lignes
Commerce_viande_poulet_2021 = Commerce_viande_poulet_2021.dropna()

# Vérifier
Commerce_viande_poulet_2021.isna().sum()

Élément
Zone                                                  0
Importations viande de poulet (en tonnes)             0
Importations viande de poulet (en millions de US$)    0
dtype: int64


# Dimensions du dataframe
Commerce_viande_poulet_2021.shape

(190, 3)


# Lire le fichier Production_viande_poulet_2021 puis l'afficher
Production_viande_poulet_2021 = pd.read_csv('Production_viande_poulet_2021_FAOSTAT.csv')
Production_viande_poulet_2021.head()


# Afficher des infos sur le dataframe
Production_viande_poulet_2021.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 195 entries, 0 to 194
Data columns (total 15 columns):
 #   Column                  Non-Null Count  Dtype  
---  ------                  --------------  -----  
 0   Code Domaine            195 non-null    object 
 1   Domaine                 195 non-null    object 
 2   Code zone (M49)         195 non-null    int64  
 3   Zone                    195 non-null    object 
 4   Code Élément            195 non-null    int64  
 5   Élément                 195 non-null    object 
 6   Code Produit (CPC)      195 non-null    int64  
 7   Produit                 195 non-null    object 
 8   Code année              195 non-null    int64  
 9   Année                   195 non-null    int64  
 10  Unité                   195 non-null    object 
 11  Valeur                  195 non-null    float64
 12  Symbole                 195 non-null    object 
 13  Description du Symbole  195 non-null    object 
 14  Note                    5 non-null      object 
dtypes: float64(1), int64(5), object(9)
memory usage: 23.0+ KB


# Supprimer les colonnes superflues (y compris la colonne produit qui ne contient que la modalité "Viande, poulet, fraîche et réfrigérée", 
# et la colonne Élément qui ne contient que "Production") puis afficher le dataframe
Production_viande_poulet_2021 = Production_viande_poulet_2021.drop(columns=['Code Domaine', 'Domaine', 'Code zone (M49)', 
                                                                            'Code Élément', 'Élément', 'Code Produit (CPC)', 'Produit', 'Code année', 
                                                                            'Année', 'Symbole', 'Description du Symbole', 'Note'])
Production_viande_poulet_2021.head()


# Vérifier l'unicité de l'unité de mesure; toutes les lignes sont exprimées en tonnes
Production_viande_poulet_2021['Unité'].unique()

array(['tonnes'], dtype=object)


# Supprimer la colonne Unité et renommer la colonne valeur
Production_viande_poulet_2021 = Production_viande_poulet_2021.rename(columns={'Valeur': 'Production viande de poulet (en tonnes)'}).drop(columns='Unité')
Production_viande_poulet_2021.head()


# Afficher le nombre de valeurs manquantes
Production_viande_poulet_2021.isna().sum()

Zone                                       0
Production viande de poulet (en tonnes)    0
dtype: int64


# Dimensions du dataframe
Production_viande_poulet_2021.shape

(195, 2)


# Lire le fichier population 2021 comme dataframe
population_2021 = pd.read_csv('Population_2021_FAOSTAT.csv')

# Afficher les 5 premières lignes du dataframe
population_2021.head()


# Afficher les dimensions du dataframe population 2021
population_2021.shape

(235, 15)


# Afficher les colonnes
population_2021.columns

Index(['Code Domaine', 'Domaine', 'Code zone (M49)', 'Zone', 'Code Élément',
       'Élément', 'Code Produit', 'Produit', 'Code année', 'Année', 'Unité',
       'Valeur', 'Symbole', 'Description du Symbole', 'Note'],
      dtype='object')


# Supprimer les colonnes superflues
population_2021 = population_2021.drop(columns=['Code Domaine', 'Domaine', 'Code zone (M49)', 'Code Élément',
                                                'Code Produit', 'Produit', 'Code année', 'Année', 'Symbole', 'Description du Symbole', 'Note'])
population_2021


# Afficher les modalités de la colonne Unité
# La population est exprimée en milliers d'habitants
population_2021['Unité'].unique()

array(['1000 personnes'], dtype=object)


# Afficher les modalités de la colonne Élément
population_2021['Élément'].unique()

array(['Population totale'], dtype=object)


# Multiplier la colonne Valeur par 1000, la renommer, puis supprimer les colonnes Unité et Élément
population_2021['Valeur'] = population_2021['Valeur']*1000
population_2021['Valeur'] = population_2021['Valeur'].astype(int)
population_2021 = population_2021.rename(columns={'Valeur': 'Population'}).drop(columns=['Unité', 'Élément'])
population_2021.head()


# Comme on peut le voir ci-dessous, il y a répétition de la Chine avec les modalités suivantes:
# 'Chine', 'Chine - RAS de Hong-Kong', 'Chine - RAS de Macao', 'Chine, continentale', 'Chine, Taiwan Province de'
population_2021['Zone'].unique()

array(['Afghanistan', 'Afrique du Sud', 'Albanie', 'Algérie', 'Allemagne',
       'Andorre', 'Angola', 'Anguilla', 'Antigua-et-Barbuda',
       'Arabie saoudite', 'Argentine', 'Arménie', 'Aruba', 'Australie',
       'Autriche', 'Azerbaïdjan', 'Bahamas', 'Bahreïn', 'Bangladesh',
       'Barbade', 'Bélarus', 'Belgique', 'Belize', 'Bénin', 'Bermudes',
       'Bhoutan', 'Bolivie (État plurinational de)',
       'Bonaire, Saint-Eustache et Saba', 'Bosnie-Herzégovine',
       'Botswana', 'Brésil', 'Brunéi Darussalam', 'Bulgarie',
       'Burkina Faso', 'Burundi', 'Cabo Verde', 'Cambodge', 'Cameroun',
       'Canada', 'Chili', 'Chine', 'Chine - RAS de Hong-Kong',
       'Chine - RAS de Macao', 'Chine, continentale',
       'Chine, Taiwan Province de', 'Chypre', 'Colombie', 'Comores',
       'Congo', 'Costa Rica', "Côte d'Ivoire", 'Croatie', 'Cuba',
       'Curaçao', 'Danemark', 'Djibouti', 'Dominique', 'Égypte',
       'El Salvador', 'Émirats arabes unis', 'Équateur', 'Érythrée',
       'Espagne', 'Estonie', 'Eswatini', "États-Unis d'Amérique",
       'Éthiopie', 'Fédération de Russie', 'Fidji', 'Finlande', 'France',
       'Gabon', 'Gambie', 'Géorgie', 'Ghana', 'Gibraltar', 'Grèce',
       'Grenade', 'Groenland', 'Guadeloupe', 'Guam', 'Guatemala',
       'Guinée', 'Guinée équatoriale', 'Guinée-Bissau', 'Guyana',
       'Guyane française', 'Haïti', 'Honduras', 'Hongrie', 'Île de Man',
       'Îles Caïmanes', 'Îles Cook', 'Îles Falkland (Malvinas)',
       'Îles Féroé', 'Îles Mariannes du Nord', 'Îles Marshall',
       'Îles Salomon', 'Îles Turques-et-Caïques',
       'Îles Vierges américaines', 'Îles Vierges britanniques',
       'Îles Wallis-et-Futuna', 'Inde', 'Indonésie',
       "Iran (République islamique d')", 'Iraq', 'Irlande', 'Islande',
       'Israël', 'Italie', 'Jamaïque', 'Japon', 'Jordanie', 'Kazakhstan',
       'Kenya', 'Kirghizistan', 'Kiribati', 'Koweït', 'Lesotho',
       'Lettonie', 'Liban', 'Libéria', 'Libye', 'Liechtenstein',
       'Lituanie', 'Luxembourg', 'Macédoine du Nord', 'Madagascar',
       'Malaisie', 'Malawi', 'Maldives', 'Mali', 'Malte', 'Maroc',
       'Martinique', 'Maurice', 'Mauritanie', 'Mayotte', 'Mexique',
       'Micronésie (États fédérés de)', 'Monaco', 'Mongolie',
       'Monténégro', 'Montserrat', 'Mozambique', 'Myanmar', 'Namibie',
       'Nauru', 'Népal', 'Nicaragua', 'Niger', 'Nigéria', 'Nioué',
       'Norvège', 'Nouvelle-Calédonie', 'Nouvelle-Zélande', 'Oman',
       'Ouganda', 'Ouzbékistan', 'Pakistan', 'Palaos', 'Palestine',
       'Panama', 'Papouasie-Nouvelle-Guinée', 'Paraguay',
       'Pays-Bas (Royaume des)', 'Pérou', 'Philippines', 'Pologne',
       'Polynésie française', 'Porto Rico', 'Portugal', 'Qatar',
       'République arabe syrienne', 'République centrafricaine',
       'République de Corée', 'République de Moldova',
       'République démocratique du Congo',
       'République démocratique populaire lao', 'République dominicaine',
       'République populaire démocratique de Corée',
       'République-Unie de Tanzanie', 'Réunion', 'Roumanie',
       "Royaume-Uni de Grande-Bretagne et d'Irlande du Nord", 'Rwanda',
       'Sahara occidental', 'Saint-Barthélemy',
       'Sainte-Hélène, Ascension et Tristan da Cunha', 'Sainte-Lucie',
       'Saint-Kitts-et-Nevis', 'Saint-Marin',
       'Saint-Martin (partie française)', 'Saint-Pierre-et-Miquelon',
       'Saint-Siège', 'Saint-Vincent-et-les Grenadines', 'Samoa',
       'Samoa américaines', 'Sao Tomé-et-Principe', 'Sénégal', 'Serbie',
       'Seychelles', 'Sierra Leone', 'Singapour',
       'Sint Maarten (partie néerlandaise)', 'Slovaquie', 'Slovénie',
       'Somalie', 'Soudan', 'Soudan du Sud', 'Sri Lanka', 'Suède',
       'Suisse', 'Suriname', 'Tadjikistan', 'Tchad', 'Tchéquie',
       'Thaïlande', 'Timor-Leste', 'Togo', 'Tokélaou', 'Tonga',
       'Trinité-et-Tobago', 'Tunisie', 'Turkménistan', 'Turquie',
       'Tuvalu', 'Ukraine', 'Uruguay', 'Vanuatu',
       'Venezuela (République bolivarienne du)', 'Viet Nam', 'Yémen',
       'Zambie', 'Zimbabwe'], dtype=object)


# On va supprimer les 4 modalités qui correspondent à la population d'une région ou province autonome chinoise
population_2021 = population_2021.loc[~population_2021['Zone'].isin(['Chine - RAS de Hong-Kong', 'Chine - RAS de Macao', 'Chine, continentale', 'Chine, Taiwan Province de'])]

population_2021.shape

(231, 2)


# Afficher le nombre de valeurs non nulles du dataframe population_2021
population_2021.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 231 entries, 0 to 234
Data columns (total 2 columns):
 #   Column      Non-Null Count  Dtype 
---  ------      --------------  ----- 
 0   Zone        231 non-null    object
 1   Population  231 non-null    int32 
dtypes: int32(1), object(1)
memory usage: 4.5+ KB


# Lire le fichier csv comme dataframe
PIB_par_habitant_2021 = pd.read_csv('PIB_par_habitant_2021_FAOSTAT.csv')

# Afficher les 5 premières lignes du dataframe
PIB_par_habitant_2021.head()


# Afficher les infos du dataframe (nombre de lignes, de colonnes, de valeurs non nulles, etc) 
PIB_par_habitant_2021.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 211 entries, 0 to 210
Data columns (total 15 columns):
 #   Column                  Non-Null Count  Dtype  
---  ------                  --------------  -----  
 0   Code Domaine            211 non-null    object 
 1   Domaine                 211 non-null    object 
 2   Code zone (M49)         211 non-null    int64  
 3   Zone                    211 non-null    object 
 4   Code Élément            211 non-null    int64  
 5   Élément                 211 non-null    object 
 6   Code Produit            211 non-null    int64  
 7   Produit                 211 non-null    object 
 8   Code année              211 non-null    int64  
 9   Année                   211 non-null    int64  
 10  Unité                   211 non-null    object 
 11  Valeur                  211 non-null    float64
 12  Symbole                 211 non-null    object 
 13  Description du Symbole  211 non-null    object 
 14  Note                    0 non-null      float64
dtypes: float64(2), int64(5), object(8)
memory usage: 24.9+ KB


# Supprimer les colonnes inutiles
PIB_par_habitant_2021 = PIB_par_habitant_2021.drop(columns=['Code Domaine', 'Domaine', 'Code zone (M49)', 
                                                            'Code Élément', 'Élément',
                                                            'Code Produit', 'Produit', 'Code année', 'Année', 'Unité', 
                                                            'Symbole', 'Description du Symbole', 'Note'])
# Renommer la colonne Valeur
PIB_par_habitant_2021.rename(columns={'Valeur': 'PIB par habitant (en US$)'}, inplace=True)
PIB_par_habitant_2021['PIB par habitant (en US$)'] = PIB_par_habitant_2021['PIB par habitant (en US$)'].astype(int)

PIB_par_habitant_2021.head()


# Dimensions du dataframe
PIB_par_habitant_2021.shape

(211, 2)


# Lire le fichier csv en tant que dataframe
Stabilite_politique_2021 = pd.read_csv('Stabilite_politique_2021_FAOSTAT.csv')

# Afficher les 5 premières lignes du dataframe
Stabilite_politique_2021.head()


# Afficher les infos du dataframe
Stabilite_politique_2021.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 196 entries, 0 to 195
Data columns (total 15 columns):
 #   Column                  Non-Null Count  Dtype  
---  ------                  --------------  -----  
 0   Code Domaine            196 non-null    object 
 1   Domaine                 196 non-null    object 
 2   Code zone (M49)         196 non-null    int64  
 3   Zone                    196 non-null    object 
 4   Code Élément            196 non-null    int64  
 5   Élément                 196 non-null    object 
 6   Code Produit            196 non-null    int64  
 7   Produit                 196 non-null    object 
 8   Code année              196 non-null    int64  
 9   Année                   196 non-null    int64  
 10  Unité                   0 non-null      float64
 11  Valeur                  196 non-null    float64
 12  Symbole                 196 non-null    object 
 13  Description du Symbole  196 non-null    object 
 14  Note                    0 non-null      float64
dtypes: float64(3), int64(5), object(7)
memory usage: 23.1+ KB


# Supprimer les colonnes inutiles et renommer la colonne Valeur
Stabilite_politique_2021 = Stabilite_politique_2021.drop(columns=['Code Domaine', 'Domaine', 'Code zone (M49)', 
                                                            'Code Élément', 'Élément',
                                                            'Code Produit', 'Produit', 'Code année', 'Année', 'Unité', 
                                                            'Symbole', 'Description du Symbole', 'Note'])
Stabilite_politique_2021.rename(columns={'Valeur': 'Score de stabilité politique'}, inplace=True)
Stabilite_politique_2021.head()


# Fusionner les 7 dataframes, on récupère essentiellement les données concernant le commerce de viande de poulet
df = pd.merge(
    exportations_importations_viande_poulet_2021, Commerce_viande_poulet_2021, on='Zone', how='left'
    ).merge(Production_viande_poulet_2021, on='Zone', how='left'
    ).merge(PIB_par_habitant_2021, on='Zone', how='inner'
    ).merge(population_2021, on='Zone', how='inner'
    ).merge(Stabilite_politique_2021, on='Zone', how='inner')
    
df.head()


# Vérifier le minimum d'une colonne qui va servir de dénominateur afin d'éviter la division par 0
print(df['Importations viande de poulet (en tonnes)'].min())

96.57


# Créer de nouvelles variables à partir des variables existantes
df['Importations viande de poulet (en kg par habitant)'] = round(df['Importations viande de poulet (en tonnes)'] * 1000 / df['Population'],2)
df['% viande de poulet importée de France'] = round(df['Importations viande de poulet depuis la France (en tonnes)'] * 100 / df['Importations viande de poulet (en tonnes)'],2)


# Afficher les dimensions du dataframe, le nombre de valeurs non nulles et le type de donnée dans chaque colonne
df.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 97 entries, 0 to 96
Data columns (total 11 columns):
 #   Column                                                               Non-Null Count  Dtype  
---  ------                                                               --------------  -----  
 0   Zone                                                                 97 non-null     object 
 1   Importations viande de poulet depuis la France (en tonnes)           97 non-null     float64
 2   Importations viande de poulet depuis la France (en millions de US$)  97 non-null     float64
 3   Importations viande de poulet (en tonnes)                            97 non-null     float64
 4   Importations viande de poulet (en millions de US$)                   97 non-null     float64
 5   Production viande de poulet (en tonnes)                              94 non-null     float64
 6   PIB par habitant (en US$)                                            97 non-null     int32  
 7   Population                                                           97 non-null     int32  
 8   Score de stabilité politique                                         97 non-null     float64
 9   Importations viande de poulet (en kg par habitant)                   97 non-null     float64
 10  % viande de poulet importée de France                                97 non-null     float64
dtypes: float64(8), int32(2), object(1)
memory usage: 8.3+ KB


# Réordonner les colonnes de df
colonnes = ['Zone', 'Population', 
            'Importations viande de poulet depuis la France (en tonnes)', 'Importations viande de poulet depuis la France (en millions de US$)',
            'Production viande de poulet (en tonnes)', 'Importations viande de poulet (en tonnes)',
            'Importations viande de poulet (en kg par habitant)', 'Importations viande de poulet (en millions de US$)',
            '% viande de poulet importée de France',
            'PIB par habitant (en US$)', 'Score de stabilité politique']
df = df.reindex(columns=colonnes)
df.head()


# Vérifier s'il existe des valeurs manquantes
df.isna().sum()

Zone                                                                   0
Population                                                             0
Importations viande de poulet depuis la France (en tonnes)             0
Importations viande de poulet depuis la France (en millions de US$)    0
Production viande de poulet (en tonnes)                                3
Importations viande de poulet (en tonnes)                              0
Importations viande de poulet (en kg par habitant)                     0
Importations viande de poulet (en millions de US$)                     0
% viande de poulet importée de France                                  0
PIB par habitant (en US$)                                              0
Score de stabilité politique                                           0
dtype: int64


# Afficher les lignes contenant des NaN
df.loc[df['Production viande de poulet (en tonnes)'].isna()]


# Pour la Slovaquie on peut remplacer la NaN de la colonne "Production viande de poulet (en tonnes)" par la valeur*
# de la colonne "Importations viande de volaille (en tonnes)" faute de mieux.
df.loc[df['Zone'] == 'Slovaquie', 'Production viande de poulet (en tonnes)'] = 56000

# Remplacer les autres NaN par des 0.
df['Production viande de poulet (en tonnes)'].fillna(0, inplace=True)


# Afficher la ligne Slovaquie
df.loc[df['Zone'] == 'Slovaquie']


# Arrondir les valeurs de certaines colonnes et les convertir en nombre entier pour plus de clarté
df['Importations viande de poulet depuis la France (en tonnes)'] = round(df['Importations viande de poulet depuis la France (en tonnes)'],0).astype(int)
df['Importations viande de poulet (en tonnes)'] = round(df['Importations viande de poulet (en tonnes)'],0).astype(int)
df['Production viande de poulet (en tonnes)'] = round(df['Production viande de poulet (en tonnes)'],0).astype(int)


# Afficher le dataframe
df.head()


# Afficher le nom des 96 pays cibles retenus 
df['Zone'].unique()

array(['Afrique du Sud', 'Allemagne', 'Angola', 'Arabie saoudite',
       'Arménie', 'Australie', 'Autriche', 'Azerbaïdjan', 'Bahreïn',
       'Belgique', 'Bosnie-Herzégovine', 'Brésil', 'Bulgarie',
       'Burkina Faso', 'Bélarus', 'Bénin', 'Cabo Verde', 'Cambodge',
       'Cameroun', 'Canada', 'Chili', 'Chypre', 'Comores', 'Congo',
       'Croatie', 'Cuba', "Côte d'Ivoire", 'Danemark', 'Djibouti',
       'Dominique', 'Espagne', 'Estonie', 'Finlande', 'Gabon', 'Gambie',
       'Ghana', 'Grenade', 'Grèce', 'Guinée', 'Géorgie', 'Hongrie',
       'Irlande', 'Islande', 'Italie', 'Japon', 'Kazakhstan', 'Koweït',
       'Lettonie', 'Libye', 'Lituanie', 'Luxembourg', 'Macédoine du Nord',
       'Maldives', 'Mali', 'Malte', 'Maroc', 'Maurice', 'Mauritanie',
       'Monténégro', 'Mozambique', 'Namibie', 'Niger', 'Norvège', 'Oman',
       'Pays-Bas (Royaume des)', 'Philippines', 'Pologne', 'Portugal',
       'Qatar', 'Roumanie',
       "Royaume-Uni de Grande-Bretagne et d'Irlande du Nord",
       'République centrafricaine', 'République de Moldova',
       'République démocratique du Congo', 'Saint-Kitts-et-Nevis',
       'Saint-Vincent-et-les Grenadines', 'Sao Tomé-et-Principe',
       'Serbie', 'Seychelles', 'Sierra Leone', 'Singapour', 'Slovaquie',
       'Slovénie', 'Suisse', 'Suriname', 'Suède', 'Tchéquie', 'Togo',
       'Tunisie', 'Turquie', 'Ukraine', 'Viet Nam', 'Yémen', 'Zambie',
       'Émirats arabes unis', "États-Unis d'Amérique", 'Éthiopie'],
      dtype=object)


# Afficher le top 10 des plus gros importateurs de viande de poulet
top_10_index = df['Importations viande de poulet (en tonnes)'].nlargest(10).index
df.loc[top_10_index]


# Sauvegarder le dataframe dans un fichier CSV
df.to_csv('La_poule_qui_chante.csv', index=False)

	Zone	Importations viande de poulet depuis la France (en tonnes)	Importations viande de poulet depuis la France (en millions de US$)
0	Afrique du Sud	25.20	0.034
1	Allemagne	41537.97	107.664
2	Angola	380.57	0.456
3	Arabie saoudite	57316.69	104.389
4	Arménie	261.03	0.219

Élément	Zone	Exportations - Quantité	Exportations - Valeur	Importations - Quantité	Importations - Valeur
0	Afghanistan	13.81	31.0	32613.38	46139.0
1	Afrique du Sud	43653.91	66752.0	345579.16	276380.0
2	Albanie	NaN	NaN	21929.50	23856.0
3	Algérie	1616.35	1538.0	0.40	1.0
4	Allemagne	265822.29	588584.0	475448.52	1224784.0

Élément	Zone	Exportations viande de poulet (en tonnes)	Exportations viande de poulet (en millions de US$)	Importations viande de poulet (en tonnes)	Importations viande de poulet (en millions de US$)
0	Afghanistan	13.81	0.031	32613.38	46.139
1	Afrique du Sud	43653.91	66.752	345579.16	276.380
2	Albanie	NaN	NaN	21929.50	23.856
3	Algérie	1616.35	1.538	0.40	0.001
4	Allemagne	265822.29	588.584	475448.52	1224.784

Élément	Zone	Importations viande de poulet (en tonnes)	Importations viande de poulet (en millions de US$)
0	Afghanistan	32613.38	46.139
1	Afrique du Sud	345579.16	276.380
2	Albanie	21929.50	23.856
3	Algérie	0.40	0.001
4	Allemagne	475448.52	1224.784

	Code Domaine	Domaine	Code zone (M49)	Zone	Code Élément	Élément	Code Produit	Produit	Code année	Année	Unité	Valeur	Symbole	Description du Symbole	Note
0	MK	Indicateurs macro	4	Afghanistan	6119	Valeur US $ par habitant	22008	Produit Intérieur Brut	2021	2021	US$	372.548875	X	Ciffre de sources internationales	NaN
1	MK	Indicateurs macro	710	Afrique du Sud	6119	Valeur US $ par habitant	22008	Produit Intérieur Brut	2021	2021	US$	7055.055176	X	Ciffre de sources internationales	NaN
2	MK	Indicateurs macro	8	Albanie	6119	Valeur US $ par habitant	22008	Produit Intérieur Brut	2021	2021	US$	6396.461812	X	Ciffre de sources internationales	NaN
3	MK	Indicateurs macro	12	Algérie	6119	Valeur US $ par habitant	22008	Produit Intérieur Brut	2021	2021	US$	3700.324058	X	Ciffre de sources internationales	NaN
4	MK	Indicateurs macro	276	Allemagne	6119	Valeur US $ par habitant	22008	Produit Intérieur Brut	2021	2021	US$	51073.117894	X	Ciffre de sources internationales	NaN

Produisez une étude de marché avec Python

Notebook I : Préparation, nettoyage et analyse exploratoire des données

La mission:

Etape 1 - Chargement et exploration des différents fichiers de données

Etape 1.1 - Import des bibliothèques Python nécessaires

Etape 1.2 - Chargement et exploration du fichier disponibilité alimentaire 2017

Etape 1.3 - Chargement et exploration des données concernant l'exportation et l'importation de viande de poulet vers ou depuis la France en 2021

Etape 1.4 - Chargement et exploration des données sur le commerce mondial de viande de poulet en 2021

Etape 1.5 - Chargement et exploration du fichier production de viande de poulet 2021

Etape 1.6 - Chargement et exploration du fichier population 2021

Etape 1.7 - Charger et explorer le fichier PIB par habitant 2021

Etape 1.8 - Charger le fichier contenant les données de stabilité politique

Etape 2 - Fusion des dataframes, feature engineering

	Code Domaine	Domaine	Code zone	Zone	Code Élément	Élément	Code Produit	Produit	Code année	Année	Unité	Valeur	Symbole	Description du Symbole
0	FBS	Nouveaux Bilans Alimentaire	2	Afghanistan	5511	Production	2511	Blé et produits	2017	2017	Milliers de tonnes	4281.0	S	Données standardisées
1	FBS	Nouveaux Bilans Alimentaire	2	Afghanistan	5611	Importations - Quantité	2511	Blé et produits	2017	2017	Milliers de tonnes	2302.0	S	Données standardisées
2	FBS	Nouveaux Bilans Alimentaire	2	Afghanistan	5072	Variation de stock	2511	Blé et produits	2017	2017	Milliers de tonnes	-119.0	S	Données standardisées
3	FBS	Nouveaux Bilans Alimentaire	2	Afghanistan	5911	Exportations - Quantité	2511	Blé et produits	2017	2017	Milliers de tonnes	0.0	S	Données standardisées
4	FBS	Nouveaux Bilans Alimentaire	2	Afghanistan	5301	Disponibilité intérieure	2511	Blé et produits	2017	2017	Milliers de tonnes	6701.0	S	Données standardisées

	Produit	Valeur
0	Viande de Volailles	121832000.0
1	Viande de Porc	119616000.0
2	Viande de Boeuf	69114000.0
3	Viande d'Ovins/Caprins	14567000.0
4	Viande, Autre	5942000.0

Élément	Zone	Alimentation pour touristes	Aliments pour animaux	Autres utilisations (non alimentaire)	Disponibilité intérieure	Exportations - Quantité	Importations - Quantité	Nourriture	Pertes	Production	Résidus	Semences	Traitement	Variation de stock
0	Afghanistan	NaN	NaN	NaN	57000.0	NaN	29000.0	55000.0	2000.0	28000.0	0.0	NaN	NaN	0.0
1	Afrique du Sud	0.0	NaN	NaN	2118000.0	63000.0	514000.0	2035000.0	83000.0	1667000.0	0.0	NaN	NaN	0.0
2	Albanie	NaN	NaN	NaN	47000.0	0.0	38000.0	47000.0	NaN	13000.0	0.0	NaN	NaN	4000.0
3	Algérie	0.0	NaN	NaN	277000.0	0.0	2000.0	264000.0	13000.0	275000.0	0.0	NaN	NaN	0.0
4	Allemagne	NaN	NaN	NaN	1739000.0	646000.0	842000.0	1609000.0	NaN	1514000.0	-38000.0	NaN	167000.0	-29000.0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
165	Émirats arabes unis	NaN	NaN	NaN	412000.0	94000.0	433000.0	412000.0	NaN	48000.0	0.0	NaN	NaN	-26000.0
166	Équateur	0.0	NaN	NaN	341000.0	0.0	0.0	324000.0	17000.0	340000.0	0.0	NaN	NaN	-1000.0
167	États-Unis d'Amérique	NaN	NaN	89000.0	18266000.0	3692000.0	123000.0	18100000.0	NaN	21914000.0	0.0	NaN	77000.0	80000.0
168	Éthiopie	0.0	NaN	NaN	14000.0	NaN	1000.0	14000.0	1000.0	14000.0	0.0	NaN	NaN	0.0
169	Îles Salomon	0.0	NaN	NaN	3000.0	0.0	6000.0	3000.0	NaN	0.0	0.0	NaN	NaN	3000.0

	Code Domaine	Domaine	Code pays déclarant (M49)	Pays déclarants	Code pays partenaire (M49)	Pays partenaires	Code Élément	Élément	Code Produit (CPC)	Produit	Code année	Année	Unité	Valeur	Symbole	Description du Symbole
0	TM	Matrices du commerce détaillées	710	Afrique du Sud	250	France	5610	Importations - Quantité	21121	Viande, poulet, fraîche ou réfrigérée	2021	2021	tonnes	25.20	A	Chiffre officiel
1	TM	Matrices du commerce détaillées	710	Afrique du Sud	250	France	5622	Importations - Valeur	21121	Viande, poulet, fraîche ou réfrigérée	2021	2021	1000 US$	34.00	A	Chiffre officiel
2	TM	Matrices du commerce détaillées	276	Allemagne	250	France	5610	Importations - Quantité	21121	Viande, poulet, fraîche ou réfrigérée	2021	2021	tonnes	41537.97	A	Chiffre officiel
3	TM	Matrices du commerce détaillées	276	Allemagne	250	France	5622	Importations - Valeur	21121	Viande, poulet, fraîche ou réfrigérée	2021	2021	1000 US$	107664.00	A	Chiffre officiel
4	TM	Matrices du commerce détaillées	276	Allemagne	250	France	5910	Exportations - Quantité	21121	Viande, poulet, fraîche ou réfrigérée	2021	2021	tonnes	24034.66	A	Chiffre officiel

	Pays déclarants	Valeur Exportations - Quantité	Valeur Exportations - Valeur	Valeur Importations - Quantité	Valeur Importations - Valeur
0	Afrique du Sud	NaN	NaN	25.20	34.0
1	Allemagne	24034.66	91204.0	41537.97	107664.0
2	Angola	NaN	NaN	380.57	456.0
3	Arabie saoudite	54.00	63.0	57316.69	104389.0
4	Arménie	NaN	NaN	261.03	219.0

	Code Domaine	Domaine	Code zone (M49)	Zone	Code Élément	Élément	Code Produit (CPC)	Produit	Code année	Année	Unité	Valeur	Symbole	Description du Symbole	Note
0	TCL	Cultures et produits animaux	4	Afghanistan	5610	Importations - Quantité	21121	Viande, poulet, fraîche ou réfrigérée	2021	2021	tonnes	32613.38	X	Ciffre de sources internationales	Données estimées en utilisant les données des ...
1	TCL	Cultures et produits animaux	4	Afghanistan	5622	Importations - Valeur	21121	Viande, poulet, fraîche ou réfrigérée	2021	2021	1000 US$	46139.00	X	Ciffre de sources internationales	Données estimées en utilisant les données des ...
2	TCL	Cultures et produits animaux	4	Afghanistan	5910	Exportations - Quantité	21121	Viande, poulet, fraîche ou réfrigérée	2021	2021	tonnes	13.81	X	Ciffre de sources internationales	Données estimées en utilisant les données des ...
3	TCL	Cultures et produits animaux	4	Afghanistan	5922	Exportations - Valeur	21121	Viande, poulet, fraîche ou réfrigérée	2021	2021	1000 US$	31.00	X	Ciffre de sources internationales	Données estimées en utilisant les données des ...
4	TCL	Cultures et produits animaux	710	Afrique du Sud	5610	Importations - Quantité	21121	Viande, poulet, fraîche ou réfrigérée	2021	2021	tonnes	345579.16	A	Chiffre officiel	NaN

	Code Domaine	Domaine	Code zone (M49)	Zone	Code Élément	Élément	Code Produit (CPC)	Produit	Code année	Année	Unité	Valeur	Symbole	Description du Symbole	Note
0	QCL	Cultures et produits animaux	4	Afghanistan	5510	Production	21121	Viande, poulet, fraîche ou réfrigérée	2021	2021	tonnes	28480.02	I	Valeur imputée	NaN
1	QCL	Cultures et produits animaux	710	Afrique du Sud	5510	Production	21121	Viande, poulet, fraîche ou réfrigérée	2021	2021	tonnes	1910000.00	A	Chiffre officiel	NaN
2	QCL	Cultures et produits animaux	8	Albanie	5510	Production	21121	Viande, poulet, fraîche ou réfrigérée	2021	2021	tonnes	13250.00	A	Chiffre officiel	NaN
3	QCL	Cultures et produits animaux	12	Algérie	5510	Production	21121	Viande, poulet, fraîche ou réfrigérée	2021	2021	tonnes	273520.20	I	Valeur imputée	NaN
4	QCL	Cultures et produits animaux	276	Allemagne	5510	Production	21121	Viande, poulet, fraîche ou réfrigérée	2021	2021	tonnes	1080000.00	A	Chiffre officiel	NaN

	Code Domaine	Domaine	Code zone (M49)	Zone	Code Élément	Élément	Code Produit	Produit	Code année	Année	Unité	Valeur	Symbole	Description du Symbole	Note
0	OA	Séries temporelles annuelles	4	Afghanistan	511	Population totale	3010	Population-Estimations	2021	2021	1000 personnes	40099.462	X	Ciffre de sources internationales	NaN
1	OA	Séries temporelles annuelles	710	Afrique du Sud	511	Population totale	3010	Population-Estimations	2021	2021	1000 personnes	59392.255	X	Ciffre de sources internationales	NaN
2	OA	Séries temporelles annuelles	8	Albanie	511	Population totale	3010	Population-Estimations	2021	2021	1000 personnes	2854.710	X	Ciffre de sources internationales	NaN
3	OA	Séries temporelles annuelles	12	Algérie	511	Population totale	3010	Population-Estimations	2021	2021	1000 personnes	44177.969	X	Ciffre de sources internationales	NaN
4	OA	Séries temporelles annuelles	276	Allemagne	511	Population totale	3010	Population-Estimations	2021	2021	1000 personnes	83408.554	X	Ciffre de sources internationales	NaN

	Zone	Population
0	Afghanistan	40099462
1	Afrique du Sud	59392255
2	Albanie	2854710
3	Algérie	44177969
4	Allemagne	83408554

	Zone	PIB par habitant (en US$)
0	Afghanistan	372
1	Afrique du Sud	7055
2	Albanie	6396
3	Algérie	3700
4	Allemagne	51073

	Zone	Population	Importations viande de poulet depuis la France (en tonnes)	Importations viande de poulet depuis la France (en millions de US$)	Production viande de poulet (en tonnes)	Importations viande de poulet (en tonnes)	Importations viande de poulet (en kg par habitant)	Importations viande de poulet (en millions de US$)	% viande de poulet importée de France	PIB par habitant (en US$)	Score de stabilité politique
94	Émirats arabes unis	9365145	5424	11.517	46494	835237	89.19	751.827	0.65	43295	0.65
3	Arabie saoudite	35950396	57317	104.389	930000	597975	16.63	1176.778	9.59	23185	-0.58
44	Japon	124612530	38	0.373	2343000	595830	4.78	1200.262	0.01	39649	1.03
64	Pays-Bas (Royaume des)	17501696	28141	40.571	869380	530277	30.30	986.932	5.31	57871	0.92
1	Allemagne	83408554	41538	107.664	1080000	475449	5.70	1224.784	8.74	51073	0.76
65	Philippines	113880328	1919	1.910	1343496	359910	3.16	385.287	0.53	3460	-0.93
35	Ghana	32833031	439	0.540	65190	357456	10.89	457.058	0.12	2408	0.07
70	Royaume-Uni de Grande-Bretagne et d'Irlande du...	67281039	8708	31.657	1841000	355374	5.28	1179.164	2.45	46541	0.54
0	Afrique du Sud	59392255	25	0.034	1910000	345579	5.82	276.380	0.01	7055	-0.71
25	Cuba	11256372	3	0.015	17918	341135	30.31	361.960	0.00	11255	0.43

	Code Domaine	Domaine	Code zone (M49)	Zone	Code Élément	Élément	Code Produit	Produit	Code année	Année	Unité	Valeur	Symbole	Description du Symbole	Note
0	FS	Données de la sécurité alimentaire	4	Afghanistan	6125	Valeur	21032	Stabilité politique et absence de violence/ter...	2021	2021	NaN	-2.53	X	Ciffre de sources internationales	NaN
1	FS	Données de la sécurité alimentaire	710	Afrique du Sud	6125	Valeur	21032	Stabilité politique et absence de violence/ter...	2021	2021	NaN	-0.71	X	Ciffre de sources internationales	NaN
2	FS	Données de la sécurité alimentaire	8	Albanie	6125	Valeur	21032	Stabilité politique et absence de violence/ter...	2021	2021	NaN	0.11	X	Ciffre de sources internationales	NaN
3	FS	Données de la sécurité alimentaire	12	Algérie	6125	Valeur	21032	Stabilité politique et absence de violence/ter...	2021	2021	NaN	-0.88	X	Ciffre de sources internationales	NaN
4	FS	Données de la sécurité alimentaire	276	Allemagne	6125	Valeur	21032	Stabilité politique et absence de violence/ter...	2021	2021	NaN	0.76	X	Ciffre de sources internationales	NaN

	Zone	Population	Importations viande de poulet depuis la France (en tonnes)	Importations viande de poulet depuis la France (en millions de US$)	Production viande de poulet (en tonnes)	Importations viande de poulet (en tonnes)	Importations viande de poulet (en kg par habitant)	Importations viande de poulet (en millions de US$)	% viande de poulet importée de France	PIB par habitant (en US$)	Score de stabilité politique
28	Djibouti	1105557	64.88	0.196	NaN	4378.87	3.96	7.764	1.48	3348	-0.71
52	Maldives	521457	46.53	0.156	NaN	14016.55	26.88	24.975	0.33	10366	0.50
81	Slovaquie	5447622	11.52	0.035	NaN	49317.10	9.05	114.443	0.02	21390	0.56