
import pandas as pd
import numpy as np

import matplotlib.pyplot as plt
import matplotlib.cm as cm

import seaborn as sns

from sklearn.cluster import AgglomerativeClustering
from sklearn.metrics import silhouette_score
from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans
from sklearn.decomposition import PCA

from scipy.cluster.hierarchy import dendrogram, linkage

from mpl_toolkits.mplot3d import Axes3D
from adjustText import adjust_text


# Lire et afficher le dataframe créé pendant la phase exploratoire des données
df = pd.read_csv('La_poule_qui_chante.csv')
df.head()


# Afficher les dimensions
# Nous avons 97 pays et 11 variables
df.shape

(97, 11)


# Afficher la matrice de corrélation
corr_matrix = df.corr()
plt.figure(figsize=(10, 8))  # Taille de la figure
sns.heatmap(corr_matrix, annot=True, cmap='coolwarm')
plt.title('Matrice de corrélation des variables', fontsize=16, fontweight='bold', pad=20)
plt.show()


# Afficher et copier les colonnes du df
df.columns

Index(['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'],
      dtype='object')


# Créer un nouveau dataframe dépouillé des colonnes "Zone" et "% viande de poulet importée de France"
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_CAH = df[colonnes]
df_CAH


# soit soustraire de chaque valeur la moyenne puis diviser chaque valeur centrée par l'écart type

scaler = StandardScaler()

# Ajustement et transformation des données
df_scaled = scaler.fit_transform(df_CAH)

# Conversion du tableau numpy en dataframe
df_scaled = pd.DataFrame(df_scaled, index=df_CAH.index, columns=df_CAH.columns)
df_scaled.head()


# Vérifier si on a bien une moyenne de 0 et un écart type de 1
idx = ["mean", "std"]
df_scaled.describe().round(2).loc[idx, :]


# Sélectionner, pour commencer, toutes les variables
variables  = ['Population', 'Importations viande de poulet depuis la France (en tonnes)',
              'Importations viande de poulet depuis la France (en millions de US$)',
              'Production viande de poulet (en tonnes)',
              'Importations viande de poulet (en tonnes)', 
               'Importations viande de poulet (en kg par habitant)',
               'Importations viande de poulet (en millions de US$)',
               'PIB par habitant (en US$)',
               'Score de stabilité politique'
              ]


# Calculer les distances à l'aide de la fonction linkage de scipy
Z = linkage(df_scaled[variables], 'ward')
pd.DataFrame(Z)


# Générer et afficher le dendrogramme
fig, ax = plt.subplots(1, 1, figsize=(24, 12))

_ = dendrogram(Z, labels=df['Zone'].values, p=96, truncate_mode="lastp", orientation='top', ax=ax)

plt.title("Classification ascendante hiérarchique", fontsize=16, fontweight='bold')
plt.xlabel("Pays")
plt.ylabel("Distance")
plt.xticks(rotation=90, fontsize=10)
plt.show()


# Sélectionner uniquement 2 variables concernant le commerce de viande de poulet
variables  = ['Importations viande de poulet depuis la France (en tonnes)',
            #   'Importations viande de poulet depuis la France (en millions de US$)',
            #   'Production viande de poulet (en tonnes)',
              'Importations viande de poulet (en tonnes)', 
            #    'Importations viande de poulet (en kg par habitant)',
            #    'Importations viande de poulet (en millions de US$)'
              ]


# Calculer les distances à l'aide de la fonction linkage de scipy
Z = linkage(df_scaled[variables], 'ward')
pd.DataFrame(Z)


# Générer et afficher le dendrogramme
fig, ax = plt.subplots(1, 1, figsize=(24, 12))

_ = dendrogram(Z, labels=df['Zone'].values, p=96, truncate_mode="lastp", orientation='top', ax=ax)

plt.title("Classification ascendante hiérarchique", fontsize=16, fontweight='bold')
plt.xlabel("Pays")
plt.ylabel("Distance")
plt.xticks(rotation=90, fontsize=10)
plt.show()


# A gauche du dendrogramme ci-dessus, un petit groupe de pays se distingue des autres, voyons ce qu'ils ont en commun:
pays = ['Arabie saoudite', 'Pays-Bas (Royaume des)', 'Allemagne', 'Belgique']
df.loc[df['Zone'].isin(pays)]


# Sélectionner toutes les variables d'importations (en quantité)
variables  = ['Importations viande de poulet depuis la France (en tonnes)', 
              'Importations viande de poulet (en tonnes)', 
              'Importations viande de poulet (en kg par habitant)',
              ]

# Calculer les distances à l'aide de la fonction linkage de scipy
Z = linkage(df_scaled[variables], 'ward')
pd.DataFrame(Z)


# Générer et afficher le dendrogramme
fig, ax = plt.subplots(1, 1, figsize=(24, 12))

_ = dendrogram(Z, labels=df['Zone'].values, p=96, truncate_mode="lastp", orientation='top', ax=ax)

# plt.title("Classification ascendante hiérarchique", fontsize=16, fontweight='bold')
plt.xlabel("Pays")
plt.ylabel("Distance")
plt.xticks(rotation=90, fontsize=10)
ax.spines['right'].set_visible(False)
ax.spines['top'].set_visible(False)
plt.show()


# Visualiser les données pour les 7 pays qui se trouvent dans les clusters rouges tout à droite
gros_importateurs_viande_poulet_monde = ['Émirats arabes unis', 'Japon', 'Cuba', 'Royaume-Uni de Grande-Bretagne et d\'Irlande du Nord', 'Ghana', 'Afrique du Sud', 'Philippines']
df.loc[df['Zone'].isin(gros_importateurs_viande_poulet_monde)]


# Les autres pays en rouge sont des importateurs "moyens" comme on peut le voir ci-dessous:
autres_pays_clusters_rouges = ['Congo', 'Libye', 'Oman', 'Seychelles', 'Gabon', 'Qatar']
df.loc[df['Zone'].isin(autres_pays_clusters_rouges)]


# Si on prend maintenant un pays dans l'un des clusters en vert, les USA par exemple, on remarque
# que les importations de viande de poulet sont plutôt faibles en comparaison de celles des pays précédents et faibles vis à vis de leur production 
df.loc[df['Zone'].isin(['États-Unis d\'Amérique', 'Brésil', 'Italie', 'Pologne'])]


# Le score de silhouette est compris entre 1 et -1
# Un score proche de 1 signifie que les pays sont correctement groupés dans les n_clusters, un score proche de -1 signifie l'inverse

range_n_clusters = list(range(2,10))

for n_clusters in range_n_clusters:
    clusterer = AgglomerativeClustering(n_clusters=n_clusters)
    preds = clusterer.fit_predict(df_scaled[variables])
    score = silhouette_score(df_scaled[variables], preds)
    print("Pour n_clusters = {}, le score de silhouette est de {}".format(n_clusters, score))

Pour n_clusters = 2, le score de silhouette est de 0.7448043934535435
Pour n_clusters = 3, le score de silhouette est de 0.5338599918884991
Pour n_clusters = 4, le score de silhouette est de 0.5638032409306467
Pour n_clusters = 5, le score de silhouette est de 0.5741231366630309
Pour n_clusters = 6, le score de silhouette est de 0.5592741665151303
Pour n_clusters = 7, le score de silhouette est de 0.5489178005267717
Pour n_clusters = 8, le score de silhouette est de 0.3779723519538035
Pour n_clusters = 9, le score de silhouette est de 0.40743481428801137


# Sélectionner uniquement deux variables pertinentes
kmeans_variables  = [
                    'Importations viande de poulet depuis la France (en tonnes)', 
                    'Importations viande de poulet (en tonnes)', 
                    # 'Importations viande de poulet (en kg par habitant)',
                    ]


# Entraîner un K-means et afficher le nuage de points montrant les résultats du clustering

clf = KMeans(n_clusters = 5).fit(df_scaled[kmeans_variables])
predictions = clf.predict(df_scaled[kmeans_variables])

labels = df['Zone'].values

# Créer un dictionnaire pour stocker les noms de pays de chaque cluster
# Les clés du dictionnaire sont les n° de cluster : 0, 1, 2, 3 et 4
# Face à chaque clé nous avons en guise de valeur une liste de pays
clusters = {i: [] for i in range(5)}
for i, prediction in enumerate(predictions):
    clusters[prediction].append(labels[i])  # Ajouter le nom des pays dans la liste du cluster correpondant


colors = cm.viridis(np.linspace(0, 1, 5))  # Créer une palette de couleurs

plt.figure(figsize=(12,8))

for cluster, countries in clusters.items():
    print(f"Pays appartenant au Cluster {cluster}: {countries}")
    points = np.array([df_scaled[kmeans_variables].iloc[i] for i in range(len(predictions)) if predictions[i] == cluster])
    plt.scatter(points[:, 0], points[:, 1], color=colors[cluster], s=100, edgecolor='black', linewidths=0.5)  # Attribuer une couleur de la palette à chaque cluster
    plt.scatter([], [], color=colors[cluster], label=f"Cluster {cluster}", s=100, edgecolor='black', linewidths=0.5) # Créer une légende avec la couleur et le n° de cluster

plt.legend(bbox_to_anchor=(0.865, 1), loc='upper left')
plt.title('K-means clustering', fontsize=16, fontweight='bold')
plt.xlabel('Importations de viande de poulet depuis la France (valeurs centrées réduites)')
plt.ylabel('Importations viande de poulet (valeurs centrées réduites)')
plt.show()

Pays appartenant au Cluster 0: ['Arménie', 'Australie', 'Autriche', 'Azerbaïdjan', 'Bahreïn', 'Bosnie-Herzégovine', 'Brésil', 'Burkina Faso', 'Bélarus', 'Cabo Verde', 'Cambodge', 'Cameroun', 'Chypre', 'Comores', 'Croatie', "Côte d'Ivoire", 'Danemark', 'Djibouti', 'Dominique', 'Estonie', 'Finlande', 'Gambie', 'Grenade', 'Grèce', 'Guinée', 'Géorgie', 'Hongrie', 'Irlande', 'Islande', 'Italie', 'Lettonie', 'Lituanie', 'Luxembourg', 'Macédoine du Nord', 'Maldives', 'Mali', 'Malte', 'Maroc', 'Maurice', 'Mauritanie', 'Monténégro', 'Mozambique', 'Namibie', 'Niger', 'Norvège', 'Pologne', 'Portugal', 'République centrafricaine', 'République de Moldova', 'Saint-Kitts-et-Nevis', 'Saint-Vincent-et-les Grenadines', 'Sao Tomé-et-Principe', 'Serbie', 'Seychelles', 'Sierra Leone', 'Slovaquie', 'Slovénie', 'Suisse', 'Suriname', 'Suède', 'Tchéquie', 'Togo', 'Tunisie', 'Turquie', 'Zambie', "États-Unis d'Amérique", 'Éthiopie']
Pays appartenant au Cluster 1: ['Allemagne', 'Arabie saoudite', 'Belgique', 'Pays-Bas (Royaume des)']
Pays appartenant au Cluster 2: ['Afrique du Sud', 'Cuba', 'Ghana', 'Japon', 'Philippines', "Royaume-Uni de Grande-Bretagne et d'Irlande du Nord"]
Pays appartenant au Cluster 3: ['Émirats arabes unis']
Pays appartenant au Cluster 4: ['Angola', 'Bulgarie', 'Bénin', 'Canada', 'Chili', 'Congo', 'Espagne', 'Gabon', 'Kazakhstan', 'Koweït', 'Libye', 'Oman', 'Qatar', 'Roumanie', 'République démocratique du Congo', 'Singapour', 'Ukraine', 'Viet Nam', 'Yémen']


# On recommence en sélectionnant 3 variables
kmeans_variables  = [
                    'Importations viande de poulet depuis la France (en tonnes)', 
                    'Importations viande de poulet (en tonnes)', 
                    'Importations viande de poulet (en kg par habitant)',
                    ]


# On lance plusieurs fois l'algorithme de façon à trouver le nombre de clusters idéal

# Créer une liste vide qui va stocker l'inertie de chaque itération du k-means
inertie = []

# On définit une fourchette pour le nombre de clusters
# ici on précise qu'on veut au minimum 2 au maximum 10 clusters
k_range =  range(2, 11)

# Pour chaque nombre de clusters dans k_range on entraîne un K-means et on enregistre la valeur de l'inertie de chaque modèle.
# L'inertie d'un modèle correspond à la somme des inerties intra cluster. 
# C'est à dire que l'on calcule, pour chaque cluster, le carré de la distance entre chaque point du cluster et son centroide, puis on fait la somme de ces carrés
# ce qui nous donne l'inertie d'un cluster. Pour finir, on fait la somme des inerties pour chaque k clusters
for k in k_range:
    clf = KMeans(n_clusters = k).fit(df_scaled[kmeans_variables])
    clf.fit(df_scaled[kmeans_variables])
    inertie.append(clf.inertia_)


# On utilise la méthode du coude pour déterminer le nombre de clusters idéal
# le 'coude' le plus prononcé est situé à nombre de clusters = 5
fig, ax = plt.subplots(1,1,figsize=(12,6))
ax.set_ylabel("intertie")
ax.set_xlabel("nombre de clusters")
ax = plt.plot(k_range, inertie)


# Entraîner un K-means avec nombre de clusters = 5 et afficher le nuage de points montrant les résultats du clustering
clf = KMeans(n_clusters = 5).fit(df_scaled[kmeans_variables])
predictions = clf.predict(df_scaled[kmeans_variables])

labels = df['Zone'].values

clusters = {i: [] for i in range(5)}
for i, prediction in enumerate(predictions):
    clusters[prediction].append(labels[i]) 

colors = cm.viridis(np.linspace(0, 1, 5)) 

# On affiche un nuage de points en 3D car nous avons sélectionné 3 variables
fig = plt.figure(figsize=(16,12))
ax = fig.add_subplot(111, projection='3d')

for cluster, countries in clusters.items():
    print(f"Pays appartenant au Cluster {cluster}: {countries}")
    points = np.array([df_scaled[kmeans_variables].iloc[i] for i in range(len(predictions)) if predictions[i] == cluster])
    ax.scatter(points[:, 0], points[:, 1], points[:, 2], color=colors[cluster], edgecolor='black', linewidths=0.8, s=100) 
    ax.scatter([], [], [], color=colors[cluster], label=f"Cluster {cluster}", edgecolor='black', linewidths=0.8, s=100) 

ax.set_xlabel('Importations viande de poulet depuis la France')
ax.set_ylabel('Importations viande de poulet')
ax.set_zlabel('Importations viande de poulet en kg par habitant')

plt.legend(bbox_to_anchor=(1, 1), loc='upper left')
plt.title('K-means clustering en 3D', fontsize=16, fontweight='bold')
plt.show()

Pays appartenant au Cluster 0: ['Bahreïn', 'Comores', 'Congo', 'Dominique', 'Gabon', 'Grenade', 'Koweït', 'Lettonie', 'Libye', 'Maldives', 'Namibie', 'Oman', 'Qatar', 'Saint-Kitts-et-Nevis', 'Saint-Vincent-et-les Grenadines', 'Seychelles', 'Singapour', 'Suriname']
Pays appartenant au Cluster 1: ['Allemagne', 'Arabie saoudite', 'Belgique', 'Pays-Bas (Royaume des)']
Pays appartenant au Cluster 2: ['Afrique du Sud', 'Angola', 'Cuba', 'Ghana', 'Japon', 'Philippines', "Royaume-Uni de Grande-Bretagne et d'Irlande du Nord", 'Viet Nam']
Pays appartenant au Cluster 3: ['Émirats arabes unis']
Pays appartenant au Cluster 4: ['Arménie', 'Australie', 'Autriche', 'Azerbaïdjan', 'Bosnie-Herzégovine', 'Brésil', 'Bulgarie', 'Burkina Faso', 'Bélarus', 'Bénin', 'Cabo Verde', 'Cambodge', 'Cameroun', 'Canada', 'Chili', 'Chypre', 'Croatie', "Côte d'Ivoire", 'Danemark', 'Djibouti', 'Espagne', 'Estonie', 'Finlande', 'Gambie', 'Grèce', 'Guinée', 'Géorgie', 'Hongrie', 'Irlande', 'Islande', 'Italie', 'Kazakhstan', 'Lituanie', 'Luxembourg', 'Macédoine du Nord', 'Mali', 'Malte', 'Maroc', 'Maurice', 'Mauritanie', 'Monténégro', 'Mozambique', 'Niger', 'Norvège', 'Pologne', 'Portugal', 'Roumanie', 'République centrafricaine', 'République de Moldova', 'République démocratique du Congo', 'Sao Tomé-et-Principe', 'Serbie', 'Sierra Leone', 'Slovaquie', 'Slovénie', 'Suisse', 'Suède', 'Tchéquie', 'Togo', 'Tunisie', 'Turquie', 'Ukraine', 'Yémen', 'Zambie', "États-Unis d'Amérique", 'Éthiopie']


# L'ACP va nous permettre de réduire les dimensions du dataframe en créant des variables synthétiques à partir des varibles existantes
# On va utiliser notre dataframe df_scaled qui a été centré réduit précédemment
df_scaled.head()


# Afficher les colonnes du dataframe
df_scaled.columns

Index(['Population',
       'Importations viande de poulet depuis la France (en tonnes)',
       'Importations viande de poulet depuis la France (en millions de US$)',
       'Production viande de poulet (en tonnes)',
       'Importations viande de poulet (en tonnes)',
       'Importations viande de poulet (en kg par habitant)',
       'Importations viande de poulet (en millions de US$)',
       'PIB par habitant (en US$)', 'Score de stabilité politique'],
      dtype='object')


# Définir les variables à utiliser lors de l'ACP
variables = [
       'Population',
       'Importations viande de poulet depuis la France (en tonnes)',
       'Importations viande de poulet depuis la France (en millions de US$)',
       'Production viande de poulet (en tonnes)',
       'Importations viande de poulet (en tonnes)',
       'Importations viande de poulet (en kg par habitant)',
       'Importations viande de poulet (en millions de US$)',
       'PIB par habitant (en US$)', 
       'Score de stabilité politique'
       ]


# Lister les individus (en l'occurrence les pays)
countries  = df['Zone'].values
countries

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)


# Déterminer un nombre de composantes permettant de capter près de 90 % de l'inertie, 
# puis instancier et entraîner l'ACP

number_components = 9 # ne peut pas dépasser le nombre de variables du jeu de données
pca = PCA(n_components=number_components)
pca.fit(df_scaled)

PCA(n_components=9)


# Afficher le pourcentage de variance captée par chacune des 9 composantes
scree = (pca.explained_variance_ratio_*100).round(2)
scree

array([37.45, 22.8 , 16.71, 11.21,  6.34,  3.58,  0.89,  0.77,  0.24])


# Afficher la variance captée cumulée (en %)
cum_sum = scree.cumsum().round(2)
cum_sum

array([37.45, 60.25, 76.96, 88.17, 94.51, 98.09, 98.98, 99.75, 99.99])


# Afficher l'éboulis des valeurs propres
components_list = range(1, number_components+1)
fig, ax = plt.subplots(1, 1, figsize=(12, 8))
plt.bar(components_list, scree)
plt.plot(components_list, cum_sum,c="red",marker='o')
plt.xlabel("Rang de l'axe d'inertie")
plt.ylabel("Pourcentage d'inertie")
plt.yticks(np.arange(0, 100, 5))
plt.xticks(np.arange(1, 10, 1))
plt.title("Eboulis des valeurs propres", fontsize=16, fontweight='bold')
ax.spines['right'].set_visible(False)
ax.spines['top'].set_visible(False)
plt.show(block=False)


# Instancier et entraîner une PCA avec seulement 4 composantes
number_components = 4
pca = PCA(n_components=number_components)
pca.fit(df_scaled)
# scree = (pca.explained_variance_ratio_*100).round(2)
# cum_sum = scree.cumsum().round(2)

PCA(n_components=4)


# Transformer les composantes principales en dataframe
principal_components = pd.DataFrame(pca.components_)
principal_components.columns = variables
principal_components.columns

Index(['Population',
       'Importations viande de poulet depuis la France (en tonnes)',
       'Importations viande de poulet depuis la France (en millions de US$)',
       'Production viande de poulet (en tonnes)',
       'Importations viande de poulet (en tonnes)',
       'Importations viande de poulet (en kg par habitant)',
       'Importations viande de poulet (en millions de US$)',
       'PIB par habitant (en US$)', 'Score de stabilité politique'],
      dtype='object')


# Afficher les composantes
pca.components_

array([[ 0.15206956,  0.46621541,  0.47489741,  0.10359844,  0.44746174,
         0.10042674,  0.50279908,  0.21040696,  0.12598535],
       [ 0.63251401, -0.06336752, -0.06516733,  0.58049652, -0.0204427 ,
        -0.37169285,  0.02773221, -0.10807017, -0.32197185],
       [ 0.15617745, -0.23653656, -0.17962487,  0.3196545 , -0.11991085,
         0.12660161, -0.05193482,  0.60718401,  0.61922431],
       [ 0.14812874, -0.26868437, -0.3162056 ,  0.15022229,  0.38537714,
         0.70849046,  0.13767189, -0.33517539, -0.03928736]])


# Nommer les index du dataframe principal_components PC1, PC2, etc
components_list = range(1, number_components+1)
principal_components.index = [f"PC{i}" for i in components_list]

# On transpose le dataframe des composantes de façon à avoir celles-ci en colonnes et les variables en index
principal_components.T


# Fonction qui génère et affiche le cercle des corrélations

def correlation_graph(pca, x_y, features):

    # Extrait x et y 
    x,y = x_y

    # Taille de l'image (en inches)
    fig, ax = plt.subplots(figsize=(16, 12))

    texts = []
    
    # Générer une liste de couleurs
    colors = cm.viridis(np.linspace(0, 1, len(features)))

    # Pour chaque composante : 
    for i in range(0, pca.components_.shape[1]):

        # Les flèches
        ax.arrow(0,0, 
                pca.components_[x, i],  
                pca.components_[y, i],  
                head_width=0.04,
                head_length=0.04, 
                width=0.01, color=colors[i])

        # Les labels
        texts.append(plt.text(pca.components_[x, i] + 0.02,
                pca.components_[y, i] + 0.02,
                features[i], fontsize=10, color=colors[i]))


    # Affichage des lignes horizontales et verticales
    plt.plot([-1, 1], [0, 0], color='grey', ls='--')
    plt.plot([0, 0], [-1, 1], color='grey', ls='--')

    # Nom des axes, avec le pourcentage d'inertie expliqué
    plt.xlabel('PC{} ({}%)'.format(x+1, round(100*pca.explained_variance_ratio_[x],1)))
    plt.ylabel('PC{} ({}%)'.format(y+1, round(100*pca.explained_variance_ratio_[y],1)))

    plt.title("Cercle des corrélations (PC{} et PC{})".format(x+1, y+1), fontsize=16, fontweight='bold')

    # Le cercle 
    an = np.linspace(0, 2 * np.pi, 100)
    plt.plot(np.cos(an), np.sin(an))

    # Axes et display
    plt.axis('equal')

    # Ajustement automatique du texte
    adjust_text(texts)

    plt.show(block=False)


# Utiliser la fonction ci-dessus pour visualiser les corrélations sur les deux principaux axes
x_y = (0,1)
correlation_graph(pca, x_y, variables)


# Visualiser les corrélations sur les axes ayant une inertie moindre
x_y = (2,3)
correlation_graph(pca, x_y, variables)


# Afficher la heatmap des corrélations entre variables et composantes principales
fig, ax = plt.subplots(figsize=(20, 6))
sns.heatmap(principal_components.T, vmin=-1, vmax=1, annot=True, cmap="coolwarm", fmt="0.2f")
plt.title('Heatmap des composantes principales', fontsize=16, fontweight='bold')
plt.show()


# Projection des individus sur les composantes principales
df_proj = pca.transform(df_scaled)
df_proj[:5]

array([[ 0.61491247,  1.25811108, -0.70191069,  1.02127337],
       [ 8.64547885,  0.0684244 , -1.32611184, -2.03917685],
       [ 0.06271192,  0.47273815, -1.05928786,  0.63075388],
       [ 9.21113882, -0.42531245, -3.43828792, -1.45136617],
       [-0.98359244, -0.08051515, -0.93051716,  0.17413432]])


def display_factorial_planes(   X_projected, 
                                x_y, 
                                pca=None, 
                                labels = None,
                                clusters=None, 
                                alpha=1,
                                figsize=[10,8], 
                                marker="." ):
    """
    Affiche la projection des individus

    Positional arguments : 
    -------------------------------------
    X_projected : np.array, pd.DataFrame, list of list : la matrice des points projetés
    x_y : list ou tuple : le couple x,y des plans à afficher, exemple [0,1] pour F1, F2

    Optional arguments : 
    -------------------------------------
    pca : sklearn.decomposition.PCA : un objet PCA qui a été fit, cela nous permettra d'afficher la variance de chaque composante, default = None
    labels : list ou tuple : les labels des individus à projeter, default = None
    clusters : list ou tuple : la liste des clusters auquel appartient chaque individu, default = None
    alpha : float in [0,1] : paramètre de transparence, 0=100% transparent, 1=0% transparent, default = 1
    figsize : list ou tuple : couple width, height qui définit la taille de la figure en inches, default = [10,8] 
    marker : str : le type de marker utilisé pour représenter les individus, points croix etc etc, default = "."
    """

    # Transforme X_projected en np.array
    X_ = np.array(X_projected)

    # On définit la forme de la figure si elle n'a pas été donnée
    if not figsize: 
        figsize = (16,12)

    # On gère les labels
    if  labels is None : 
        labels = []
    try : 
        len(labels)
    except Exception as e : 
        raise e

    # On vérifie la variable axis 
    if not len(x_y) ==2 : 
        raise AttributeError("2 axes sont demandées")   
    if max(x_y )>= X_.shape[1] : 
        raise AttributeError("la variable axis n'est pas bonne")   

    # on définit x et y 
    x, y = x_y

    # Initialisation de la figure       
    fig, ax = plt.subplots(1, 1, figsize=figsize)

    # On vérifie s'il y a des clusters ou non
    c = None if clusters is None else clusters
 
    # Les points    
    sns.scatterplot(data=None, x=X_[:, x], y=X_[:, y], hue=c, s=150)

    # Si la variable pca a été fournie, on peut calculer le % de variance de chaque axe 
    if pca : 
        v1 = str(round(100*pca.explained_variance_ratio_[x]))  + " %"
        v2 = str(round(100*pca.explained_variance_ratio_[y]))  + " %"
    else : 
        v1=v2= ''

    # Nom des axes, avec le pourcentage d'inertie expliqué
    ax.set_xlabel(f'PC{x+1} {v1}')
    ax.set_ylabel(f'PC{y+1} {v2}')

    # Valeur x max et y max
    x_max = np.abs(X_[:, x]).max() *1.1
    y_max = np.abs(X_[:, y]).max() *1.1

    # On borne x et y 
    ax.set_xlim(left=-x_max, right=x_max)
    ax.set_ylim(bottom= -y_max, top=y_max)

    # Affichage des lignes horizontales et verticales
    plt.plot([-x_max, x_max], [0, 0], color='grey', alpha=0.8, linestyle='--')
    plt.plot([0,0], [-y_max, y_max], color='grey', alpha=0.8, linestyle='--')

    # Affichage des labels des points
    texts = []
    if len(labels) : 
        for i,(_x,_y) in enumerate(X_[:,[x,y]]):
            texts.append(plt.text(_x, _y+0.05, labels[i], fontsize=10, ha='center',va='center') )
            # plt.text(_x, _y+0.05, labels[i], fontsize=10, ha='center',va='center') 
    
    # Ajustement automatique du texte
    adjust_text(texts)

    plt.title(f"Projection des individus (sur PC{x+1} et PC{y+1})", fontsize=16, fontweight='bold')
    plt.show()


# Projection du nuage des individus (pays) sur les premiers axes d'inertie 
x_y = [0,1]
display_factorial_planes(df_proj, x_y, pca, labels=countries, figsize=(16,12), clusters=df['Importations viande de poulet depuis la France (en tonnes)'], marker="o")


# Projection du nuage des individus (pays) sur les axes d'inertie 3 et 4
x_y = [2,3]
display_factorial_planes(df_proj, x_y, pca, labels=countries, figsize=(16,12), clusters=df['Importations viande de poulet depuis la France (en tonnes)'], marker="o")


# Utiliser les 3 composantes principales de l'ACP avec le K-means
number_components = 4
pca = PCA(n_components=number_components)
pca_data = pca.fit_transform(df_scaled)

labels = df['Zone'].values

colors = plt.cm.viridis(np.linspace(0, 1, 5))

# Exécuter K-means plusieurs fois
for run in range(5):
    clf = KMeans(n_clusters=5, init='random', n_init=1, max_iter=300, random_state=run).fit(pca_data)
    predictions = clf.predict(pca_data)

    clusters = {i: [] for i in range(5)}
    for i, prediction in enumerate(predictions):
        clusters[prediction].append(labels[i])

    # On affiche un nuage de points en 3D car nous avons sélectionné 3 composantes
    fig = plt.figure(figsize=(16,12))
    ax = fig.add_subplot(111, projection='3d')

    for cluster, countries in clusters.items():
        print(f"Pays appartenant au Cluster {cluster}: {countries}")
        points = np.array([pca_data[i] for i in range(len(predictions)) if predictions[i] == cluster])
        ax.scatter(points[:, 0], points[:, 1], points[:, 3], color=colors[cluster], edgecolor='black', linewidths=0.8, s=100) 
        ax.scatter([], [], [], color=colors[cluster], label=f"Cluster {cluster}", edgecolor='black', linewidths=0.8, s=100) 

    ax.set_xlabel('PC1')
    ax.set_ylabel('PC2')
    ax.set_zlabel('PC4')

    plt.legend(bbox_to_anchor=(1, 1), loc='upper left')
    plt.title(f'K-means clustering en 3D - Run {run+1}', fontsize=16, fontweight='bold')
    plt.show()

Pays appartenant au Cluster 0: ['Afrique du Sud', 'Angola', 'Arménie', 'Azerbaïdjan', 'Bosnie-Herzégovine', 'Burkina Faso', 'Bélarus', 'Bénin', 'Cambodge', 'Cameroun', "Côte d'Ivoire", 'Djibouti', 'Guinée', 'Géorgie', 'Libye', 'Mali', 'Maroc', 'Mauritanie', 'Mozambique', 'Niger', 'Philippines', 'République centrafricaine', 'République de Moldova', 'République démocratique du Congo', 'Serbie', 'Sierra Leone', 'Togo', 'Tunisie', 'Turquie', 'Ukraine', 'Viet Nam', 'Yémen', 'Zambie', 'Éthiopie']
Pays appartenant au Cluster 1: ['Bahreïn', 'Bulgarie', 'Cabo Verde', 'Chili', 'Chypre', 'Comores', 'Congo', 'Croatie', 'Cuba', 'Dominique', 'Estonie', 'Gabon', 'Gambie', 'Ghana', 'Grenade', 'Grèce', 'Hongrie', 'Kazakhstan', 'Koweït', 'Lettonie', 'Lituanie', 'Macédoine du Nord', 'Maldives', 'Malte', 'Maurice', 'Monténégro', 'Namibie', 'Oman', 'Pologne', 'Portugal', 'Roumanie', 'Saint-Kitts-et-Nevis', 'Saint-Vincent-et-les Grenadines', 'Sao Tomé-et-Principe', 'Seychelles', 'Slovaquie', 'Slovénie', 'Suriname', 'Tchéquie']
Pays appartenant au Cluster 2: ['Allemagne', 'Arabie saoudite', 'Belgique', 'Japon', 'Pays-Bas (Royaume des)', "Royaume-Uni de Grande-Bretagne et d'Irlande du Nord", 'Émirats arabes unis']
Pays appartenant au Cluster 3: ['Brésil', "États-Unis d'Amérique"]
Pays appartenant au Cluster 4: ['Australie', 'Autriche', 'Canada', 'Danemark', 'Espagne', 'Finlande', 'Irlande', 'Islande', 'Italie', 'Luxembourg', 'Norvège', 'Qatar', 'Singapour', 'Suisse', 'Suède']

Pays appartenant au Cluster 0: ['Bahreïn', 'Cabo Verde', 'Cuba', 'Dominique', 'Gabon', 'Ghana', 'Grenade', 'Koweït', 'Lettonie', 'Maldives', 'Namibie', 'Oman', 'Qatar', 'Saint-Kitts-et-Nevis', 'Saint-Vincent-et-les Grenadines', 'Seychelles', 'Suriname', 'Émirats arabes unis']
Pays appartenant au Cluster 1: ['Afrique du Sud', 'Angola', 'Arménie', 'Azerbaïdjan', 'Bosnie-Herzégovine', 'Bulgarie', 'Burkina Faso', 'Bélarus', 'Bénin', 'Cambodge', 'Cameroun', 'Chili', 'Comores', 'Congo', "Côte d'Ivoire", 'Djibouti', 'Gambie', 'Grèce', 'Guinée', 'Géorgie', 'Kazakhstan', 'Libye', 'Macédoine du Nord', 'Mali', 'Maroc', 'Mauritanie', 'Monténégro', 'Mozambique', 'Niger', 'Philippines', 'Roumanie', 'République centrafricaine', 'République de Moldova', 'République démocratique du Congo', 'Sao Tomé-et-Principe', 'Serbie', 'Sierra Leone', 'Togo', 'Tunisie', 'Turquie', 'Ukraine', 'Viet Nam', 'Yémen', 'Zambie', 'Éthiopie']
Pays appartenant au Cluster 2: ['Australie', 'Autriche', 'Canada', 'Chypre', 'Croatie', 'Danemark', 'Espagne', 'Estonie', 'Finlande', 'Hongrie', 'Irlande', 'Islande', 'Italie', 'Lituanie', 'Luxembourg', 'Malte', 'Maurice', 'Norvège', 'Pologne', 'Portugal', 'Singapour', 'Slovaquie', 'Slovénie', 'Suisse', 'Suède', 'Tchéquie']
Pays appartenant au Cluster 3: ['Brésil', "États-Unis d'Amérique"]
Pays appartenant au Cluster 4: ['Allemagne', 'Arabie saoudite', 'Belgique', 'Japon', 'Pays-Bas (Royaume des)', "Royaume-Uni de Grande-Bretagne et d'Irlande du Nord"]

Pays appartenant au Cluster 0: ['Cuba', 'Dominique', 'Grenade', 'Qatar', 'Saint-Kitts-et-Nevis', 'Saint-Vincent-et-les Grenadines', 'Émirats arabes unis']
Pays appartenant au Cluster 1: ['Afrique du Sud', 'Angola', 'Azerbaïdjan', 'Brésil', 'Burkina Faso', 'Bélarus', 'Cameroun', "Côte d'Ivoire", 'Guinée', 'Libye', 'Mali', 'Maroc', 'Mozambique', 'Niger', 'Philippines', 'République centrafricaine', 'République démocratique du Congo', 'Togo', 'Tunisie', 'Turquie', 'Ukraine', 'Viet Nam', 'Yémen', 'Éthiopie']
Pays appartenant au Cluster 2: ['Australie', 'Autriche', 'Canada', 'Danemark', 'Espagne', 'Finlande', 'Irlande', 'Islande', 'Italie', 'Luxembourg', 'Norvège', 'Singapour', 'Suisse', 'Suède', "États-Unis d'Amérique"]
Pays appartenant au Cluster 3: ['Allemagne', 'Arabie saoudite', 'Belgique', 'Japon', 'Pays-Bas (Royaume des)', "Royaume-Uni de Grande-Bretagne et d'Irlande du Nord"]
Pays appartenant au Cluster 4: ['Arménie', 'Bahreïn', 'Bosnie-Herzégovine', 'Bulgarie', 'Bénin', 'Cabo Verde', 'Cambodge', 'Chili', 'Chypre', 'Comores', 'Congo', 'Croatie', 'Djibouti', 'Estonie', 'Gabon', 'Gambie', 'Ghana', 'Grèce', 'Géorgie', 'Hongrie', 'Kazakhstan', 'Koweït', 'Lettonie', 'Lituanie', 'Macédoine du Nord', 'Maldives', 'Malte', 'Maurice', 'Mauritanie', 'Monténégro', 'Namibie', 'Oman', 'Pologne', 'Portugal', 'Roumanie', 'République de Moldova', 'Sao Tomé-et-Principe', 'Serbie', 'Seychelles', 'Sierra Leone', 'Slovaquie', 'Slovénie', 'Suriname', 'Tchéquie', 'Zambie']

Pays appartenant au Cluster 0: ['Brésil', "États-Unis d'Amérique"]
Pays appartenant au Cluster 1: ['Afrique du Sud', 'Angola', 'Arménie', 'Azerbaïdjan', 'Bosnie-Herzégovine', 'Burkina Faso', 'Bélarus', 'Bénin', 'Cambodge', 'Cameroun', "Côte d'Ivoire", 'Djibouti', 'Guinée', 'Géorgie', 'Kazakhstan', 'Libye', 'Mali', 'Maroc', 'Mauritanie', 'Mozambique', 'Niger', 'Philippines', 'Pologne', 'République centrafricaine', 'République de Moldova', 'République démocratique du Congo', 'Serbie', 'Sierra Leone', 'Togo', 'Tunisie', 'Turquie', 'Ukraine', 'Viet Nam', 'Yémen', 'Zambie', 'Éthiopie']
Pays appartenant au Cluster 2: ['Bahreïn', 'Bulgarie', 'Cabo Verde', 'Chili', 'Chypre', 'Comores', 'Congo', 'Croatie', 'Cuba', 'Dominique', 'Estonie', 'Gabon', 'Gambie', 'Ghana', 'Grenade', 'Grèce', 'Hongrie', 'Koweït', 'Lettonie', 'Lituanie', 'Macédoine du Nord', 'Maldives', 'Malte', 'Maurice', 'Monténégro', 'Namibie', 'Oman', 'Portugal', 'Qatar', 'Roumanie', 'Saint-Kitts-et-Nevis', 'Saint-Vincent-et-les Grenadines', 'Sao Tomé-et-Principe', 'Seychelles', 'Slovaquie', 'Slovénie', 'Suriname', 'Tchéquie']
Pays appartenant au Cluster 3: ['Australie', 'Autriche', 'Canada', 'Danemark', 'Espagne', 'Finlande', 'Irlande', 'Islande', 'Italie', 'Luxembourg', 'Norvège', 'Singapour', 'Suisse', 'Suède']
Pays appartenant au Cluster 4: ['Allemagne', 'Arabie saoudite', 'Belgique', 'Japon', 'Pays-Bas (Royaume des)', "Royaume-Uni de Grande-Bretagne et d'Irlande du Nord", 'Émirats arabes unis']

Pays appartenant au Cluster 0: ['Allemagne', 'Arabie saoudite', 'Belgique', 'Japon', 'Pays-Bas (Royaume des)', "Royaume-Uni de Grande-Bretagne et d'Irlande du Nord", 'Émirats arabes unis']
Pays appartenant au Cluster 1: ['Australie', 'Autriche', 'Bahreïn', 'Bulgarie', 'Cabo Verde', 'Canada', 'Chili', 'Chypre', 'Croatie', 'Cuba', 'Danemark', 'Dominique', 'Espagne', 'Estonie', 'Finlande', 'Gabon', 'Grenade', 'Grèce', 'Hongrie', 'Irlande', 'Islande', 'Italie', 'Koweït', 'Lettonie', 'Lituanie', 'Luxembourg', 'Maldives', 'Malte', 'Maurice', 'Namibie', 'Norvège', 'Oman', 'Pologne', 'Portugal', 'Qatar', 'Roumanie', 'Saint-Kitts-et-Nevis', 'Saint-Vincent-et-les Grenadines', 'Sao Tomé-et-Principe', 'Seychelles', 'Singapour', 'Slovaquie', 'Slovénie', 'Suisse', 'Suriname', 'Suède', 'Tchéquie']
Pays appartenant au Cluster 2: ['Arménie', 'Azerbaïdjan', 'Bosnie-Herzégovine', 'Burkina Faso', 'Bélarus', 'Bénin', 'Cambodge', 'Cameroun', 'Comores', 'Congo', "Côte d'Ivoire", 'Djibouti', 'Gambie', 'Guinée', 'Géorgie', 'Kazakhstan', 'Macédoine du Nord', 'Mali', 'Maroc', 'Mauritanie', 'Monténégro', 'Mozambique', 'Niger', 'République centrafricaine', 'République de Moldova', 'Serbie', 'Sierra Leone', 'Togo', 'Tunisie', 'Zambie']
Pays appartenant au Cluster 3: ['Afrique du Sud', 'Angola', 'Ghana', 'Libye', 'Philippines', 'République démocratique du Congo', 'Turquie', 'Ukraine', 'Viet Nam', 'Yémen', 'Éthiopie']
Pays appartenant au Cluster 4: ['Brésil', "États-Unis d'Amérique"]


# Dataframe des 11 pays à étudier de plus près
pays = ['Afrique du Sud', 'Allemagne', 'Arabie saoudite', 'Belgique', 'Cuba',
        'Émirats arabes unis', 'Ghana', 'Japon', 'Pays-Bas (Royaume des)', 
        'Philippines', "Royaume-Uni de Grande-Bretagne et d'Irlande du Nord"]

df_targets = df.loc[df['Zone'].isin(pays)]
df_targets


# Dataframe des pays choisis
pays = ['Allemagne', 'Arabie saoudite', 'Belgique', 'Cuba',
        'Émirats arabes unis', 'Pays-Bas (Royaume des)', 
        "Royaume-Uni de Grande-Bretagne et d'Irlande du Nord"]

df_choices = df.loc[df['Zone'].isin(pays)]
df_choices

	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
0	Afrique du Sud	59392255	25	0.034	1910000	345579	5.82	276.380	0.01	7055	-0.71
1	Allemagne	83408554	41538	107.664	1080000	475449	5.70	1224.784	8.74	51073	0.76
2	Angola	34503774	381	0.456	55385	240449	6.97	236.981	0.16	2044	-0.71
3	Arabie saoudite	35950396	57317	104.389	930000	597975	16.63	1176.778	9.59	23185	-0.58
4	Arménie	2790974	261	0.219	14600	37734	13.52	43.488	0.69	4966	-0.84

	Population	Importations viande de poulet depuis la France (en tonnes)	Importations viande de poulet depuis la France (en millions de US$)	Production viande de poulet (en tonnes)	Importations viande de poulet (en tonnes)	Importations viande de poulet (en kg par habitant)	Importations viande de poulet (en millions de US$)	PIB par habitant (en US$)	Score de stabilité politique
0	59392255	25	0.034	1910000	345579	5.82	276.380	7055	-0.71
1	83408554	41538	107.664	1080000	475449	5.70	1224.784	51073	0.76
2	34503774	381	0.456	55385	240449	6.97	236.981	2044	-0.71
3	35950396	57317	104.389	930000	597975	16.63	1176.778	23185	-0.58
4	2790974	261	0.219	14600	37734	13.52	43.488	4966	-0.84
...	...	...	...	...	...	...	...	...	...
92	32981641	3619	6.112	198879	147000	4.46	255.237	301	-2.59
93	19473125	135	0.108	50533	19511	1.00	23.090	1094	0.06
94	9365145	5424	11.517	46494	835237	89.19	751.827	43295	0.65
95	336997624	0	0.000	19003499	69962	0.21	335.975	69184	0.00
96	120283026	22	0.025	48848	357	0.00	0.434	825	-2.07

	Population	Importations viande de poulet depuis la France (en tonnes)	Importations viande de poulet depuis la France (en millions de US$)	Production viande de poulet (en tonnes)	Importations viande de poulet (en tonnes)	Importations viande de poulet (en kg par habitant)	Importations viande de poulet (en millions de US$)	PIB par habitant (en US$)	Score de stabilité politique
0	0.745435	-0.303469	-0.305485	0.522553	1.697514	-0.396689	0.461764	-0.554807	-0.803259
1	1.261419	4.622581	5.911918	0.178308	2.567249	-0.404296	4.047698	1.108977	0.760809
2	0.210712	-0.261225	-0.281108	-0.246654	0.993462	-0.323788	0.312795	-0.744212	-0.803259
3	0.241793	6.494962	5.722733	0.116095	3.387802	0.288576	3.866187	0.054872	-0.664940
4	-0.470629	-0.275464	-0.294798	-0.263570	-0.364113	0.091428	-0.418805	-0.633767	-0.941578

	Population	Importations viande de poulet depuis la France (en tonnes)	Importations viande de poulet depuis la France (en millions de US$)	Production viande de poulet (en tonnes)	Importations viande de poulet (en tonnes)	Importations viande de poulet (en kg par habitant)	Importations viande de poulet (en millions de US$)	PIB par habitant (en US$)	Score de stabilité politique
mean	-0.00	0.00	0.00	-0.00	0.00	0.00	-0.00	-0.00	0.00
std	1.01	1.01	1.01	1.01	1.01	1.01	1.01	1.01	1.01

	0	1	2	3
0	13.0	61.0	0.102062	2.0
1	7.0	14.0	0.212461	2.0
2	52.0	84.0	0.256554	2.0
3	17.0	93.0	0.271503	2.0
4	18.0	97.0	0.287413	3.0
...	...	...	...	...
91	180.0	187.0	10.044667	47.0
92	184.0	185.0	11.076146	7.0
93	186.0	188.0	14.052690	88.0
94	181.0	190.0	17.519410	90.0
95	189.0	191.0	22.903197	97.0

Produisez une étude de marché avec Python

Notebook II : Clustering et visualisations

La mission:

Import des bibliothèques Python nécessaires

Étape 1 - Afficher la matrice de corrélation entre les variables

Étape 2 - Centrer et réduire les données

Étape 3 - Classification Ascendante Hiérarchique

Étape 4 - K-means

Étape 5 - Analyse en Composantes Principales

Étape 6 - Utiliser les composantes principales de l'ACP avec l'algorithme K-means

Conclusion - Recommandations

	0	1	2	3
0	5.0	88.0	0.000060	2.0
1	18.0	56.0	0.000380	2.0
2	53.0	97.0	0.000421	3.0
3	29.0	74.0	0.000490	2.0
4	17.0	99.0	0.001080	4.0
...	...	...	...	...
91	3.0	187.0	3.537925	4.0
92	184.0	186.0	3.833211	86.0
93	182.0	185.0	4.117695	7.0
94	189.0	190.0	9.904858	93.0
95	188.0	191.0	14.903942	97.0

	0	1	2	3
0	5.0	53.0	0.000395	2.0
1	88.0	97.0	0.000749	3.0
2	17.0	98.0	0.001111	4.0
3	13.0	99.0	0.002138	5.0
4	96.0	100.0	0.003408	6.0
...	...	...	...	...
91	113.0	183.0	4.728742	17.0
92	94.0	182.0	7.650605	7.0
93	188.0	189.0	8.781002	24.0
94	186.0	190.0	10.988448	93.0
95	187.0	191.0	14.940186	97.0

	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
23	Congo	5835806	4950	7.390	6884	138994	23.82	152.926	3.56	2200	-0.61
33	Gabon	2341179	2086	3.448	4111	73025	31.19	89.038	2.86	7910	-0.09
48	Libye	6735277	210	0.374	131085	129707	19.26	220.964	0.16	5791	-2.37
63	Oman	4520471	123	0.189	6564	114115	25.24	168.705	0.11	19509	0.51
68	Qatar	2688235	479	3.254	35344	106876	39.76	181.029	0.45	66798	0.96
78	Seychelles	106471	29	0.054	1470	2910	27.33	4.406	0.99	12084	0.76

	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
11	Brésil	214326223	0	0.000	14329000	5282	0.02	15.002	0.00	7507	-0.49
43	Italie	59240329	2255	5.053	1068500	54731	0.92	119.714	4.12	35578	0.58
66	Pologne	38307726	948	2.859	2096770	27279	0.71	58.400	3.47	17736	0.51
95	États-Unis d'Amérique	336997624	0	0.000	19003499	69962	0.21	335.975	0.00	69184	0.00

	PC1	PC2	PC3	PC4
Population	0.152070	0.632514	0.156177	0.148129
Importations viande de poulet depuis la France (en tonnes)	0.466215	-0.063368	-0.236537	-0.268684
Importations viande de poulet depuis la France (en millions de US$)	0.474897	-0.065167	-0.179625	-0.316206
Production viande de poulet (en tonnes)	0.103598	0.580497	0.319654	0.150222
Importations viande de poulet (en tonnes)	0.447462	-0.020443	-0.119911	0.385377
Importations viande de poulet (en kg par habitant)	0.100427	-0.371693	0.126602	0.708490
Importations viande de poulet (en millions de US$)	0.502799	0.027732	-0.051935	0.137672
PIB par habitant (en US$)	0.210407	-0.108070	0.607184	-0.335175
Score de stabilité politique	0.125985	-0.321972	0.619224	-0.039287