Les données numériques sont une des composantes essentielles des programmes informatiques.
Dans le cadre de ce cours, nous aborderons :
Tout commence par une fiche à remplir…
En informatique, une requête (en anglais query) est une demande de consultation, effectuée par un programme client à l’attention d’un programme serveur.
La requête peut être une simple référence vers un fichier, ou être l’expression d’une recherche plus spécifique (consultation de certaines fiches d’un fichier, croisement d’information (entre plusieurs fichiers), etc…). Dans ce cas, il est nécessaire d’utiliser un langage de requête (le plus souvent SQL).
On distingue quatre grands types de requêtes (approche “CRUD”):
Lors d’une consultation de type lecture/recherche, il y a souvent plusieurs réponses qui correspondent à la demande. Le résultat d’une requête prend donc la forme d’un ensemble de réponses. Ces réponses sont éventuellement classées, selon la valeur d’un certain identifiant, ou selon le degré de pertinence.
SELECT * FROM Eleves WHERE NOM = 'Dugenou'
L’analyse des données a pour but de recomposer l’information contenue dans les données recueillies afin d’en fournir une vue plus synthétique, ou d’extraire des informations qui n’apparaissent pas de façon explicite dans la série de mesures initiale :
REPRESENTATION DES DONNEES : Représenter des jeux de valeurs de grande taille de façon plus synthétique (algorithmes de réduction de dimension)
REGROUPEMENT (“CLUSTERING”) : Définir des regroupements (ou des classements simples ou hiérarchiques) entre jeux de valeurs
COMPLETION : Méthodes de classification automatique (ou d’interpolation) visant à deviner soit la classe, soit certaines valeurs non mesurées, à partir d’un jeu de valeurs et d’une base d’exemples complets. Il existe des méthodes paramétriques ou non paramétriques.
ESTIMATION ET DECISION : Méthodes visant à estimer la “valeur” associée à un jeu de données (pour l’aide à la décision)
On distingue classiquement deux grandes catégories de données :
Une valeur numérique (digitale) consiste en:
Les principaux types de données SQL sont les suivants :
CHAR (longueur)
: Ce type de données permet de stocker des chaînes de caractères de longueur fixe. longueur
doit être inférieur à 255, sa valeur par défaut est 1.VARCHAR(longueur)
: Ce type de données permet de stocker des chaînes de caractères de longueur variable. longueur
doit être inférieur à 2000, il n'y a pas de valeur par défaut.TEXT
: un texte de longueur quelconqueINTEGER
: entier (codage classique su 4 octets)NUMBER(longueur)
: entier naturel, longueur
précise le nombre maximum de chiffres significatifs stockésDECIMAL (longueur,[précision])
: Le type de données decimal peut stocker jusqu'à 38 chiffres pouvant tous se trouver à droite de la virgule décimale. Il stocke une représentation exacte du nombre décimal, sans aucune approximation de la valeur stockée. longueur
précise le nombre maximum de chiffres significatifs stockés (par défaut 38), précision
donne le nombre maximum de chiffres après la virgule (par défaut 38), sa valeur peut être comprise entre -84 et 127. Une valeur négative signifie que le nombre est arrondi à gauche de la virgule.FLOAT
: nombre à virgule flottante simple précisionDOUBLE
: nombre à virgule flottante double précisionDATE
: ce type de données permet de stocker des valeurs de type date. Format : '2005-12-12
' (12 décembre 2005)TIME
: ce type de données permet de stocker des valeurs de type heure. Format : '10:45:02
' (10 h 45 min 2 s)DATETIME
: donnée de type date-heure. Format : '2005-12-12 10:45:02
' (12 décembre 2005, 10 h 45 m 02 s)TIMESTAMP
: donnée de type date-heure (correspond à un stockage plus ‘compact’ que le type DATETIME
)Le Tuple est la structure de données de base servant pour le recueil, le transport et le stockage des données.
$$ t = (a_1, ..., a_m) $$ Exemple :
("Dubois", "Martine", 22, "29/10/1994", "Orléans")
–> format texte en général.
txt
désigne des données non structurées de type “texte” regroupant différents modes d’encodage :Un jeu de valeurs sera constitué de 5 réels double précision décrivant
Données organisées sous la forme d’une liste de valeurs qualitatives ou quantitatives. Le tuple est la structure de base servant pour la transmission des données (simple, facile à coder et à échanger).
Chaque enregistrement est codé sur une ligne, chaque valeur étant séparé par un caractère séparateur (virgule, point-virgule, tabulation,…).
Exemple :
Dubois,Martine,"28, rue des Lilas, 45000 Orléans",45
Remarques :
Considérons une fiche servant à décrire un étudiant. L’étudiant doit remplir les rubriques nom, prénom et âge, numero de voie, nom de la voie, code postal, ville.
Chaque rubrique correspond à un attribut, où:
La structure de données sous-jacente est le dictionnaire, où l’attribut est la clé permettant d’accéder à la valeur.
Exemple :
{"nom" : "Dubois", "prénom" : "Martine", "adresse" : "28, rue des Lilas, 45000, Orléans", "âge" : 45}
Remarques :
Pour les données organisées de manière hiérarchique. Des balises servent à séparer les différents attributs.
Ex :
<nom> Dubois </nom> <prénom> Martine </prénom> <adresse> <num> 28 </num> <voie> rue des Lilas </voie> <code postal> 45000 </code postal> <ville> Orléans </ville> </adresse> <âge> 45 </âge>
remarque : le format json
permet également de définir des hiérarchies
{ "nom" : "Dubois", "prénom" : "Martine", "adresse" : { "numero" : 28, "voie" : "rue des Lilas", "code_postal" : 45000, "ville" : "Orléans" }, "âge" : 45 }
Un jeu de valeurs encodé et stocké sur un support informatique est appelé un “enregistrement”. Un enregistrement, qui contient en principe plusieurs valeurs, obéit à une structure de données de type tuple.
Une série d’enregistrements obéit formellement à une structure de type liste de tuples (ou ensemble de tuples), chaque élément de la liste étant un tuple particulier.
Nous verrons dans un autre chapitre une description plus formelle d’une série d’enregistrements comme “ensemble d’entités” ou encore “relation”.
La difficulté consiste à définir une structure de données permettant de gérer efficacement un tel ensemble (qui peut être de grande taille) stocké sur un disque dur. On parle de structure de stockage. Une telle structure doit permettre : d’ajouter des tuples de supprimer des tuples d’accéder rapidement à un tuple particulier (pour lire son contenu)
Encodage binaire :
Encodage textuel :
La structure de base servant à stocker à une série d’enregistrements est le tableau de données à 2 dimensions :
Propriété :
Structure sous-jacente : tableau à 2 dimensions (ou matrice de données)
Inconvénient: il s’agit d’une structure statique. Une fois les données sauvegardées sur le disque, il est difficile d’insérer ou de supprimer des éléments.
Les lignes d’une table correspondent physiquement à des enregistrements (ou tuples). Les tuples sont rangés dans des fichiers, stockés sur le disque dur.
Pourquoi stockées sur le disque dur?
Le volume est le support sur lequel sont enregistrées les données. On parle de mémoire secondaire (Disque dur, disquette,CD-ROM, etc…). Un volume est divisé en pistes concentriques numérotées de 0 à n ( par ex n = 1024). Chaque piste supporte plusieurs enregistrements physiques appelés secteurs, de taille constante (1 secteur = 1 page).
Les pages sont les unités de base pour la lecture et l'écriture. une page est une zone contiguë de la mémoire secondaire qui peut être chargée en mémoire centrale en une opération de lecture. Taille standard : une page = 1-2 ko.
La mémoire secondaire est donc organisée comme un tableau de pages : (T[0],…,T[L-1]), où L est le nombre de pages. Chaque page fait m octets. Chaque page peut être libre ou occupée.
La mémoire secondaire n’est pas directement accessible (les programmes n’ont pas la possibilité d’aller écrire directement sur le disque). Le système d’exploitation assure ainsi l’indépendance du programme par rapport à l’emplacement des données, au travers d’instructions d’entrée/sortie spécialisées. Pour que les programmes puissent écrire sur le disque, on introduit des objets intermédiaires : les fichiers. Un fichier est caractérisé par (nom, emplacement (volume, arborescence), droit d’accès, taille,…). Il s’agit d’une entité logique. Tout programme utilisant un fichier passe par le système d’exploitation qui, à partir des informations, détermine la localisation des données sur le support.
Répertoires Chaque volume possède un numéro appelé le label du volume. Tous les descripteurs de fichiers sont regroupés dans une table des matières appelée Répertoire (Directory).
Remarque : cette table des matières est en fait un fichier dont le descripteur est contenu dans le label du volume.
Organisation hiérarchique :
Méthode traditionnelle pour le traitement de fichiers de petite taille. La consultation des données nécessite d’ouvrir une “communication” entre le programme et les fichiers. Ce canal de communication permet de recevoir un flux de données.
Pour établir la communication, il faut connaître : le “chemin d’accès” aux données (disque dur local) l’”adresse” des données (lorsqu’il s’agit de données stockées sur un serveur distant)
L’opération d’ouverture de fichier initialise un descripteur de fichier, qui sert à désigner (dans le programme) le fichier sur lequel on travaille, et d’accéder au contenu du flux.
Ouverture simple:
f = open('monfichier.dat','r')
Le deuxième argument représente le mode d’ouverture, ici ’r’ représente une ouverture en mode lecture.
FileReader d = new FileReader ("monfichier.dat"); BufferedReader f = new BufferedReader(d);
Nous utilisons ici comme descripteur un objet de type BufferedReader signifiant explicitement que les données sont chargées en mémoire tampon (le “buffer”). Les objets FileReader et BufferedReader sont définis dans la librairie java.io
:
import java.io.*;
Il est important de vérifier que cette opération d’ouverture s’effectue correctement avant de poursuivre le programme (nombreuses possibilités d’erreur : fichier effacé, erreur de nom, pas de droits de lecture,…).
On utilise une instruction de test spécifique pour vérifier que l’ouverture du fichier s’est correctement effectuée, de type try
…catch
… (essaye … sinon …) permettant de prévoir une action de secours lorsqu’une une opération “risquée” échoue.
try : f = open('monfichier.dat','r') except IOError: print "Erreur d'ouverture!"
try{ FileReader d = new FileReader ("monfichier.dat"); BufferedReader f = new BufferedReader(d); } catch (Exception e){ System.out.println("Problème d'ouverture!"); }
Lorsque l’opération d’ouverture est réalisée avec succès, le flux de données devient accessible en lecture (les premières lignes du fichier sont chargées en mémoire et une tête de lecture se positionne sur le premier caractère de la première ligne). Il ne reste plus qu’à lire les données.
La consultation des données s’effectue séquentiellement à l’aide de l’opérateur de lecture readline
. Chaque appel à cet opérateur charge les nouvelles données et déplace la tête de lecture vers les données suivantes. Cette opération peut être effectuée plusieurs fois jusqu’à atteindre la fin de fichier.
Si on suppose que les données sont rangées sous la forme d’une série de tuples, chaque opération de lecture consiste à consulter un tuple, et à positionner la tête de lecture sur le tuple suivant.
1. Lecture d’une ligne unique :
Python
s = f.readline()
Java
s = f.readLine()
2. Lecture de toutes les lignes (la lecture s’effectue dans une boucle) + affichage de la ligne:
Python
for s in f : print s
Java
String s; while ((s = f.readLine()) != null){ System.out.println(s); }
L’opération de sauvegarde des données est l’opération complémentaire de la lecture. De nouvelles données doivent être enregistrées sur le disque dur en vue d’une consultation future. Le format de sauvegarde peut être de type texte ou de type binaire. Nous présentons ici la sauvegarde des données dans des formats texte.
Comme dans le cas de l’opération de lecture, il faut au préalable définir dans le programme un descripteur de fichier servant de point d’entrée pour les opération d’écriture. On effectue ce qu’on appelle une ouverture en mode “écriture”.
Python
try : f = open('monfichier.dat','w') except IOError: print "Erreur d'ouverture!!"
Java
try{ FileWriter d = new FileWriter ('monfichier.dat'); BufferedWriter f = new BufferedWriter(d); } catch (Exception e){ System.out.println("Problème d'ouverture!"); }
On notera qu’il existe en python (ainsi qu’en C, C++, …) plusieurs modes d’ouverture exprimés par le deuxième argument de la fonction open. On retiendra le mode ‘w’ (création d’un nouveau fichier vide) et le mode ‘a’ (ajout de nouvelles données à la suite d’un fichier déjà existant).
La sauvegarde dans le fichier s’effectue à l’aide d’un opérateur d’écriture. Dans le cas des chaînes de caractères, l’opérateur d’écriture sauvegarde ces données à la suite des données déjà écrites.
Python
f.write("Bonjour!\n")
Java
f.write("Bonjour!\n");
La sauvegarde de données nécessite d’effectuer un choix sur le mode d’encodage, obéissant en général à une norme bien précise (csv, json, xml, etc…). Voir section 1.3.
Une fois les opérations de lecture ou d’écriture terminées, il est nécessaire de fermer le fichier. L’opération de fermeture assure que les données sont effectivement enregistrées sur le disque (et non simplement stockées dans la mémoire tampon - voir section XXX).
Lors de la création (et mise à jour) d’un fichier, on lui alloue un espace sur le volume. Plusieurs régions peuvent être allouées pour un seul fichier) La taille minimale d’une région d’allocation étant une page, la région allouée à un fichier est composée d’un nombre entier de pages consécutives.
Remarque : le volume possède une table des pages libres (table de bits : chaque bit correspond à une page. Pour allouer, on fait passer le bit de 0 à 1, et on ajoute l’adresse de la page au descripteur de fichier). Lorsque tout ou partie d’un fichier est effacé, certaines pages sont libérées et introduites dans la liste des pages libres.
Stratégies d’allocation
On souhaite :
Stratégie par page :
Stratégie par bloc: on alloue des blocs composés de plusieurs pages (S’il existe des blocs libres consécutifs, ils sont fusionnés en un seul)
On alloue des blocs de 1,2,4,8,…2K pages. Pour une taille donnée 2i-1 < n < 2i, on commence par chercher les blocs de taille 2i, puis 2i+1, … jusqu’à 2K , en divisant ces blocs le cas échéant.
Problème des stratégies par bloc: s’il y a trop de fichiers, on obtient des blocs de taille 1 –> nécessité de réorganiser (défragmenter)
Lecture/Ecriture
Les opérateurs lire_ligne (readline) et écrire_ligne (write) ne travaillent pas directement sur les données du fichier. Les données du fichier sont chargées en mémoire centrale dans une mémoire “tampon”. L’objet f servant à décrire le fichier a comme attributs :
Lors des opération de lecture, la mémoire tampon est mise à jour au fur et à mesure qu’on avance dans la lecture du fichier par des opérations de lecture sur le disque. En général, plusieurs pages sont chargées en avance. Lors d’une opération d’écriture, la mémoire tampon reçoit les nouvelles données à écrire. Ces données sont effectivement écrites sur le disque lorsque le tampon est suffisamment rempli ou lors de l’opération de fermeture. Au moment de l’écriture effective, le système d’exploitation fait appel à un opérateur d’allocation pour choisir le “meilleur” bloc où stocker les données.
Voir aussi :