Cette page est en lecture seule. Vous pouvez afficher le texte source, mais ne pourrez pas le modifier. Contactez votre administrateur si vous pensez qu'il s'agit d'une erreur.

<svg xmlns="http://www.w3.org/2000/svg" xmlns:xlink="http://www.w3.org/1999/xlink" aria-hidden="true" focusable="false" width="1em" height="1em" preserveAspectRatio="xMidYMid meet" viewBox="0 0 24 24" class="iconify mr-1" data-icon="mdi:arrow-left" style="vertical-align: -0.125em; transform: rotate(360deg);"><path d="M20 11v2H8l5.5 5.5l-1.42 1.42L4.16 12l7.92-7.92L13.5 5.5L8 11h12z" fill="currentColor"></path></svg>===== Les Pandas, les Poneys et la Persistance des données ===== Ici nous apprenons à utiliser plusieurs librairies de manipulation et de mise en forme des données. Liens utiles : * Notebook à partir de PyCharm : * https://www.jetbrains.com/help/pycharm/using-ipython-notebook-with-product.html * Pandas : * http://www.python-simple.com/python-pandas/panda-intro.php * Pony : * https://docs.ponyorm.com/firststeps.html <note> Pour installer les librairies pandas et pony : <code> $ pip3 install pandas </code> <code> $ pip3 install pony </code> </note> ==== Les notebooks Jupyter ==== Ce travail sera réalisé à l'aide de "notebooks" fonctionnant sur l'interpréteur "jupyter". Les notebooks permettent d'écrire et d'exécuter des scripts python à l'aide d'un simple navigateur web. Les résultats d'exécution sont conservés et peuvent être retrouvés d'une session à l'autre. * Si vous êtes sous Windows ou Mac, utilisez l'environnement des notebooks fourni par Anaconda * Sur un environnement Unix, Ouvrez un terminal dans votre dossier de travail et tapez : <code> $ jupyter-notebook </code> Ceci ouvre un onglet de l'interpréteur jupyter dans votre navigateur. * Créez un notebook vierge via le menu ''new'' --> ''python 3'' * Ou bien cliquez sur le notebook sur lequel vous souhaitez travailler. Pour utiliser un notebook, voir : <note tip> * {{http://nbviewer.jupyter.org/github/jupyter/notebook/blob/master/docs/source/examples/Notebook/What%20is%20the%20Jupyter%20Notebook.ipynb|1. What is the Jupyter notebook?}} * {{http://nbviewer.jupyter.org/github/jupyter/notebook/blob/master/docs/source/examples/Notebook/Notebook%20Basics.ipynb|2. Notebook basics}} * {{http://nbviewer.jupyter.org/github/jupyter/notebook/blob/master/docs/source/examples/Notebook/Running%20Code.ipynb|3. Running code}} * {{http://nbviewer.jupyter.org/github/jupyter/notebook/blob/master/docs/source/examples/Notebook/Working%20With%20Markdown%20Cells.ipynb|4. Working with Markdown cells}} ---- * {{https://www.youtube.com/embed/lmoNmY-cmSI|Une vidéo en anglais}} </note> ==== Chargement des données avec Pandas ==== L'utilisation de données structurées dans un programme Python nécessite de faire appel à des librairies spécialisées. Nous utiliserons ici la librairie ''pandas'' qui sert à la mise en forme et à l'analyse des données. <code python> import numpy as np import matplotlib.pyplot as plt import pandas </code> On considère une série d’enregistrements concernant des ventes réalisées par un exportateur de véhicules miniatures. Pour chaque vente, il entre dans son registre de nombreuses informations : * nom de la société cliente * nom et prénom du contact, adresse, téléphone * nombre d'unités vendues * prix de vente * etc... Ces informations sont stockées dans un fichier au format ‘csv’ (comma separated values) : ''{{http://edauce.perso.centrale-marseille.fr/visible/ventes_new.csv|ventes_new.csv}}''. Téléchargez ce fichier et copiez-le dans votre répertoire de travail. Dans un premier temps, regardez son contenu avec un editeur de texte (**''geany''**, **''gedit''** ou autre...). La première ligne contient les noms des attributs (''NUM_COMMANDE'', ''QUANTITE'',...). Les ligne suivantes contiennent les valeurs d’attributs correspondant à une vente donnée. En tout plus de 2000 ventes sont répertoriées dans ce fichier. Ouvrez-le maintenant à l’aide d’un tableur (par exemple **''localc''**). Les données sont maintenant “rangées” en lignes et colonnes pour faciliter la lecture. Déplacez le fichier ''ventes_new.csv'' dans votre répertoire de travail. == Lecture des données == Les données sont au format ''csv'', on utilise: * ''pandas.read_csv''. Voir {{http://www.xavierdupre.fr/app/ensae_teaching_cs/helpsphinx/notebooks/td2a_cenonce_session_1.html#dataframe-pandas|dataframes pandas}}. Pandas permet également de lire les données au format ''xls'' et ''xlsx'' (Excel). <code python> with open('ventes_new.csv', encoding='utf-8') as f: data = pandas.read_csv(f) print(data) </code> avec ''data'' une structure de données de type ''DataFrame'' Testez les commandes suivantes : <code python> print(len(data)) </code> <code python> print(data.columns) </code> Syntaxe de type dictionnaire : <code python> print(data["VILLE"]) </code> <code python> print(data[["VILLE", "PAYS"]]) </code> Autre syntaxe : <code python> print(data.VILLE) </code> <code python> print(data.VILLE.head(10)) </code> PS : Ça marche aussi avec la syntaxe "dictionnaire": <code python> print(data["VILLE"].head(10)) </code> === pour afficher les lignes === Tout tableau de données possède un index: <code python> print(data.index) </code> (il s'agit ici d'une indexation automatique par les entiers) Les données peuvent être accédées par leur index: <code python> print(data.loc[0]) </code> === Modifier les données === Les prix augmentent de 1 euro : <code python> data.PRIX_UNITAIRE += 1 data.MONTANT = data.PRIX_UNITAIRE data.MONTANT *= data.QUANTITE print(data.MONTANT) </code> === Sélectionner les données === <code python> selection = data[data.MONTANT > 6000] </code> l'objet ''selection'' se comporte comme un nouveau dataframe ne contenant que les entrées respectant le critère de sélection. Pour faciliter l'interprétation du résultat, on n'affiche le résulat que sur un sous-ensemble d'attributs: <code python> print(selection[["MONTANT","DATE_COMMANDE","VILLE","PAYS","NOM_CONTACT","PRENOM_CONTACT"]]) </code> Sélection multi-critères : <code python> selection = data[(data.MONTANT > 6000) & (data.PAYS == 'France')] print(selection[["MONTANT","DATE_COMMANDE","VILLE","PAYS","NOM_CONTACT","PRENOM_CONTACT"]]) </code> ==== Organiser et transformer les données : Pony ORM ==== La librairie Pony ORM est un gestionnaire de persistance qui permet la mise en correspondance entre les objets d'un programme et les valeurs d'une base de données, pour assurer leur conservation d'une session à l'autre. Pony effectue toutes les opérations de sauvegarde de manière transparente. La création et la mise à jour des objets persistants s'accompagne automatiquement d'opérations de lecture/écriture vers la base de donnée. Les données sont donc conservées sans appel explicite à des requêtes SQL. === Initialisation=== <code python> from pony import orm </code> <code python> db = orm.Database() </code> === Création du schéma de données === Nous définissons ici trois schémas de classes correspondant aux ensembles d'entités Client, Commande et Produit. * **Client**(__id_client__, téléphone, ville, pays) * **Commande**(__num_commande__, quantité, montant, mois, année, __i__d_c__l__i__e__n__t__, __c__o__d__e_p__r__o__d__u__i__t) * **Produit**(__code_produit__, type_produit, prix_unitaire) Les clés étrangères de la table des commande définissent deux relations de un à plusieurs : * une relation de un à plusieurs entre //un// produit et //des// commandes, * et une relation de un à plusieurs entre //un// client et //des// commandes. Dans un modèle ORM, les relations de un à plusieurs se traduisent par des attributs de type liste ou ensemble : * A un client correspond un ensemble de commandes * A un produit correspond un ensemble de commandes * A une commande correspond //un// client et //un// produit === Classe Client === Les classes sont définies ici comme des schémas de données. La classe Client hérite de la classe générique //Entity//. Les attributs des objets obéissent à une définition parmi quatre définitions possibles : * attribut clé primaire : ''PrimaryKey'' * attribut requis (la valeur doit être renseignée) : ''Required'' * attribut facultatif: ''Optional'' * relation de un à plusieurs : ''Set'' <code python> class Client(db.Entity): id_client = orm.PrimaryKey(str) telephone = orm.Required(str) ville = orm.Required(str) pays = orm.Required(str) achats = orm.Set('Commande') </code> === Classe Produit === <code python> class Produit(db.Entity): code_produit = orm.PrimaryKey(str) type_produit = orm.Required(str) prix_unitaire = orm.Required(float) ventes = orm.Set('Commande') </code> ===Classe Commande === Dans la classe Commande, il n'y a pas de clé étrangère (comme dans le modèle relationnel) mais : * un attribut de type ''Client'' qui lie la commande au client qui a effectié la commande * un attribut de type ''Produit'' qui lie la commande au produit commandé <code python> class Commande(db.Entity): num_commande = orm.PrimaryKey(int) quantité = orm.Required(int) montant = orm.Required(float) mois = orm.Required(int) année = orm.Required(int) client = orm.Required(Client) produit = orm.Required(Produit) </code> == Pour afficher == La commande ''show'' est une commande d'affichage à tout faire. Elle permet ici de vérifier le schéma de la classe. <code python> orm.show(Client) </code> === Association à un gestionnaire de BD === Les schémas de données définis dans les classes peuvent être implémentés dans différents gestionnaires de bases de données. Nous choisissons ici le gestionnaire sqlite, ce qui évite de définir une connexion un serveur distant. La base de données est ici émulée en mémoire centrale (pour les besoins de l'exercice, les données n'ont pas besoin d'être conservées) <code python> db.bind(provider='sqlite', filename=':memory:') </code> == Mode debug == Le mode ''debug'' permet de voir les échanges avec la base de données. <code python> orm.set_sql_debug(True) </code> La commande ''generate_mapping'' définit l"appariement entre les objets et la base de données. Cela correspond ici à la création de trois tables. <code python> db.generate_mapping(create_tables=True) </code> === Transfert des données Client=== Les données sont lues dans le dataFtame ''data'' sur les quatre attributs définis et insérées dans la base à l'aide du constructeur de la classe Client. <code python> clients = data[["CLIENT", "TELEPHONE", "VILLE", "PAYS"]].drop_duplicates() for c in clients.values: try: Client(id_client = c[0], telephone = c[1], ville = c[2], pays = c[3]) orm.commit() except: pass </code> <note important> On remarque que l'initialisation des clients ne porte que sur les attributs élémentaires (la liste des achats n'est pas initialisée explicitement). </note> == Affichage == Pour afficher la liste de tous les clients (et non le schéma de la classe Client), il faut faire appel à la méthode ''select()'' qui effectue une lecture dans la base avant l'affichage. <code python> Client.select().show() </code> On peut également afficher les clients un par un à l'aide leur index (ici le nom du magasin) <code python> print(Client["Land of Toys Inc."]) print(Client["Land of Toys Inc."].id_client) print(Client["Land of Toys Inc."].ville) print(Client["Land of Toys Inc."].pays) print(Client["Land of Toys Inc."].achats) </code> On notera que la liste des achats est vide (les commandes n'ont pas encore été saisies) L'appel à la méthode ''select()'' permet de sélectionner les clients selon la valeur d'un ou plusieurs attributs. Cette sélection passe par une fonction anonyme ''lambda'': <code python> requête = Client.select(lambda c : c.pays == "France") </code> et on affiche le résultat: <code python> requête.show() </code> Remarque : une requête se comporte comme un itérateur sur les objets: <code> for c in requête: print(c.id_client, c.ville, c.pays) </code> === Transfert des données produits === Les produits sont insérés de la même façon que les clients: <code python> produits = data[["CODE_PRODUIT", "TYPE_PRODUIT", "PRIX_UNITAIRE"]].drop_duplicates() for p in produits.values: try: Produit(code_produit = p[0], type_produit = p[1], prix_unitaire = p[2]) orm.commit() except: pass </code> == Affichage du contenu de la classe== <code python> Produit.select().show() </code> Uniquement les 10 premiers: <code python> orm.show(Produit.select()[:10]) </code> == Affichage d'un produit particulier == <code python> print (Produit['S10_1678']) print (Produit['S10_1678'].type_produit) print (Produit['S10_1678'].prix_unitaire) print (Produit['S10_1678'].ventes) </code> === Transfert des données ventes === Pour créer les commandes, il faut ici définir deux références : * une référence au client qui a effectué la commande * une référence au produit commandé qui sont des objets définis précédemment lors de l’insertion des données client et des donnés produit. Ils correspondent donc à des entrées de leurs classes respectives, indexes par leur identifiant (''id_client'' et ''code_produit''). <code python> ventes = data[["NUM_COMMANDE", "QUANTITE", "MONTANT", "MOIS", "ANNEE", "CLIENT", "CODE_PRODUIT"]].drop_duplicates() for v in ventes.values: try: client = Client[v[5]] produit = Produit[v[6]] Commande(num_commande = int(v[0]), quantité = int(v[1]), montant = float(v[2]), mois = int(v[3]), année = int(v[4]), client = client, produit = produit) orm.commit() except: pass </code> == Affichage == <code python> Commande.select().show() </code> <code python> print(Commande[10118]) print('Montant :', Commande[10118].montant) print('Quantité :', Commande[10118].quantité) print('Année :', Commande[10118].année) print('Mois :', Commande[10118].mois) print('Client :', Commande[10118].client) print('Produit :', Commande[10118].produit) </code> == Exemples de requête == <code python> requête = Commande.select(lambda c : c.montant > 10000) for r in requête: print(r.num_commande, r.quantité, r.mois, r.année, r.client, r.produit) </code> Ou plus simplement : <code python> requête.show() </code> == Autre écriture == <code python> requête = orm.select(c for c in Commande if c.montant > 10000) </code> === Mise à jour automatique des contenus === Maintenant que les commandes on été entrées dans la base, la liste des achats est à présent renseignée pour chaque client de la classe Client: <code python> print(Client["Land of Toys Inc."].achats) </code> ou: <code python> Client["Land of Toys Inc."].achats.select().show() </code> Et la liste des ventes est de même renseignée pour chaque produit de la classe Produit: <code python> print (Produit['S10_1678'].ventes) </code> === Modifier les valeurs === <code python> Produit['S12_1108'].prix_unitaire = 100 orm.commit() </code> === Supprimer un objet === <code python> Produit['S12_1108'].delete() orm.commit() </code> <note tip> ** A faire ** * Pour chaque client, calculer le montant total des achats * Pour chaque produit, calculer le montant total des ventes * Corriger le champ ''pays'' pour les clients nord-américains : si le pays vaut ''"United States"'', le remplacer par ''"USA"'' * Créez un nouveau client * Faites-lui commander plusieurs produits (n'oubliez pas de définir le numéro de commande!!) * Vérifiez que les nouvelles commandes apparaissent bien dans la liste des ventes de la classe ''Produits'' . Magique, non? </note> ==== Création d'un schéma de données ==== * Définissez un modèle ORM pour le schéma de données du [[public:appro-s7:td1|TD1]]. * Remplissez la base à l'aide des données contenues dans {{http://edauce.perso.ec-m.fr/visible/animal.json}} et {{http://edauce.perso.ec-m.fr/visible/équipement.json}} * Effectuez quelques requêtes et mises à jour pour vérifier que tout marche bien * Reprenez votre programme de gestion de l'animalerie (TD 3 et 5) et remplacez les fichiers json par une base de données sqlite en utilisant les fonctionnalités de pony pour lire et mettre à jour les données.