Ici nous apprenons à utiliser la librairie Pony pour la manipulation et la mise en forme des données.

Pour installer les librairie pandas et pony, vous devez utfuiliser un gestionnaire d'installation.

$ python -m pip install pandas pony

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.

from pony import orm

db = orm.Database()

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.

import numpy as np
import pandas

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) : 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.

Les données sont au format csv, on utilise:

• pandas.read_csv. Voir dataframes pandas. Pandas permet également de lire les données au format xls et xlsx (Excel).

with open('ventes_new.csv', encoding='utf-8') as f:
    data = pandas.read_csv(f)
print(data)

avec data une structure de données de type DataFrame

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, code_produit, id_client, quantité, montant, mois, année)
• 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

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

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')

class Produit(db.Entity):
    code_produit = orm.PrimaryKey(str)
    type_produit = orm.Required(str)
    prix_unitaire = orm.Required(float)
    ventes = orm.Set('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

class Commande(db.Entity):
    num_commande = orm.Required(int)
    code_produit = orm.Required(str)
    orm.PrimaryKey(num_commande, code_produit)
    quantité = orm.Required(int)
    montant = orm.Required(float)
    mois = orm.Required(int)
    année = orm.Required(int)
    client = orm.Required(Client)
    produit = orm.Required(Produit)

La commande show est une commande d'affichage à tout faire. Elle permet ici de vérifier le schéma de la classe.

orm.show(Client)

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)

db.bind(provider='sqlite', filename='ventes.db', create_db=True)

Le mode debug permet de voir les échanges avec la base de données.

orm.set_sql_debug(True)

La commande generate_mapping définit l"appariement entre les objets et la base de données. Cela correspond ici à la création de trois tables.

db.generate_mapping(create_tables=True)

Les données sont lues dans le dataFrame data sur les quatre attributs définis et insérées dans la base à l'aide du constructeur de la classe Client.

clients = data[["CLIENT", "TELEPHONE", "VILLE", "PAYS"]].drop_duplicates()
with orm.db_session:
    for c in clients.values:
        try:
            Client(id_client = c[0], telephone = c[1], ville = c[2], pays = c[3])
            orm.commit()
        except Exception as e:
            print("*** ERREUR DE TRANSACTION :", e, '***')

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.

Client.select().show()

On peut également afficher les clients un par un à l'aide leur index (ici le nom du magasin)

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)

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:

requête = Client.select(lambda c : c.pays == "France") 

et on affiche le résultat:

requête.show()

Remarque : une requête se comporte comme un itérateur sur les objets:

for c in requête:
    print(c.id_client, c.ville, c.pays)

Les produits sont insérés de la même façon que les clients:

produits = data[["CODE_PRODUIT", "TYPE_PRODUIT", "PRIX_UNITAIRE"]].drop_duplicates()
with orm.db_session:
    for p in produits.values:
        try:
            Produit(code_produit = p[0], type_produit = p[1], prix_unitaire = p[2])
            orm.commit()
        except Exception as e:
            print("*** ERREUR DE TRANSACTION :", e, '***')

Produit.select().show()

Uniquement les 10 premiers:

orm.show(Produit.select()[:10])

print (Produit['S10_1678'])
print (Produit['S10_1678'].type_produit)
print (Produit['S10_1678'].prix_unitaire)
print (Produit['S10_1678'].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).

ventes = data[["NUM_COMMANDE", "QUANTITE", "MONTANT", "MOIS", "ANNEE", "CLIENT", "CODE_PRODUIT"]].drop_duplicates()
with orm.db_session:
    for v in ventes.values:
        try:
            client = Client[v[5]]
            produit = Produit[v[6]]
            Commande(num_commande = int(v[0]),
                     code_produit = v[6], 
                     quantité = int(v[1]),
                     montant = float(v[2]),
                     mois = int(v[3]),
                     année = int(v[4]),
                     client = client,
                     produit = produit)
            orm.commit()
        except Exception as e:
            print("*** ERREUR DE TRANSACTION :", e, '***')

Commande.select().show()

print(Commande[10118,"S700_3505"])
print('Montant :', Commande[10118,"S700_3505"].montant)
print('Quantité :', Commande[10118,"S700_3505"].quantité)
print('Année :', Commande[10118,"S700_3505"].année)
print('Mois :', Commande[10118,"S700_3505"].mois)
print('Client :', Commande[10118,"S700_3505"].client)
print('Produit :', Commande[10118,"S700_3505"].produit)

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)

Ou plus simplement :

requête.show()

requête = orm.select(c for c in Commande if c.montant > 10000)

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:

print(Client["Land of Toys Inc."].achats)

ou:

Client["Land of Toys Inc."].achats.select().show()

Et la liste des ventes est de même renseignée pour chaque produit de la classe Produit:

print (Produit['S10_1678'].ventes)

Produit['S12_1108'].prix_unitaire = 100
orm.commit()

Produit['S12_1108'].delete()
orm.commit()

• Le but est maintenant de définir un modèle ORM pour le schéma de données du TD1. Reprenez votre programme de gestion de l'animalerie (TD 1 et 2). Le but est de remplacer les fichiers json par une base de données sqlite en utilisant les fonctionnalités de pony pour lire et mettre à jour les données.

• La première étape consiste à définir le modèle de données. Pour conserver les données de l'animalerie, on utilisera le gestionnaire de bases de données sqlite. Avant toute chose, il faut définir un schéma de données conforme au modèle relationnel

A FAIRE :

• définissez le schéma relationnel correspondant (sans oublier les clés étrangères)
• traduisez le schéma relationnel en schéma UML
• Ajoutez le nouveau script data_model.py à votre projet, et définissez le schéma de données à l'aide des fonctions de pony:

from pony import orm
 
db = orm.Database()
 
class Equipement(db.Entity):
    ...
 
class Animal(db.Entity):
    ...

• Vous devez maintenant remplir la base à l'aide des données contenues dans animal.json et équipement.json. Pour ce faire, utilisez le script suivant (il ne devra être exécuté quune seule fois).

import json
 
from pony import orm
from data_model import Equipement, Animal, db
 
db.bind(provider='sqlite', filename='animalerie.db', create_db=True)
db.generate_mapping(create_tables=True)
 
équipement_data = 'équipement.json'
with open(équipement_data, "r") as f:
    équipement_dict = json.load(f)
    for id_équip in équipement_dict:
        disponibilité = équipement_dict[id_équip]["DISPONIBILITÉ"]
        with orm.db_session:
            try:
                Equipement(id_équip=id_équip, disponibilité=disponibilité)
                orm.commit()
            except:
                print(id_équip, "already exists in database")
                pass
 
 
animal_data = 'animal.json'
with open(animal_data, "r") as f:
    animal_dict = json.load(f)
    for id_animal in animal_dict:
        état = animal_dict[id_animal]["ETAT"]
        type = animal_dict[id_animal]["TYPE"]
        race = animal_dict[id_animal]["RACE"]
        lieu = animal_dict[id_animal]["LIEU"]
        with orm.db_session:
            try:
                Animal(id_animal=id_animal,
                       état=état,
                       type=type,
                       race=race,
                       lieu=Equipement[lieu])
                orm.commit()
            except:
                print(id_animal, "already exists in database")
                pass

• Vous disposez maintenant d'une base de données animalerie.db dans le répertoire du projet. Cette base contient l'ensemble des informations nécessaires pour gérer l'animalerie. Vous devez maintenant reprendre votre programme de gestion de l'animalerie (TD 1 et 2) et modifier modele.py en utilisant les fonctionnalités de pony pour lire et mettre à jour les données.

Voici à quoi doit ressembler le début de modele.py :

from pony import orm
from data_model import Equipement, Animal, db
 
liste_états = ['affamé', 'fatigué', 'repus', 'endormi']
 
db.bind(provider='sqlite', filename='animalerie.db')
db.generate_mapping()
 
def lit_état(id_animal):
    with orm.db_session:
        try:
            return Animal[id_animal].état
        except:
            return None
 
def lit_lieu(id_animal):
    with orm.db_session:
        try:
            return Animal[id_animal].lieu
        except:
            return None
 
def vérifie_disponibilité(id_équipement):
    ...

Complétez le code de manière à valider le fichier de tests suivant :

import modele
import controleur
from data_model import orm, Equipement, Animal
 
def test_lit_etat():
    assert modele.lit_état('Tac') == 'affamé'
    assert modele.lit_état('Bob') == None
 
@orm.db_session
def test_lit_lieu():
    assert modele.lit_lieu('Tac') == Equipement['litière']
    assert modele.lit_lieu('Bob') == None
 
def test_vérifie_disponibilité():
    assert modele.vérifie_disponibilité('litière') == 'libre'
    assert modele.vérifie_disponibilité('roue') == 'occupé'
    assert modele.vérifie_disponibilité('nintendo') == None
 
@orm.db_session
def test_cherche_occupant():
    assert Animal['Totoro'] in modele.cherche_occupant('roue')
    assert Animal['Tac'] in modele.cherche_occupant('litière')
    assert Animal['Tac'] not in modele.cherche_occupant('mangeoire')
    assert modele.cherche_occupant('nintendo') == []
 
def test_change_état():
    modele.change_état('Totoro', 'fatigué')
    assert modele.lit_état('Totoro') == 'fatigué'
    modele.change_état('Totoro', 'excité comme un pou')
    assert modele.lit_état('Totoro') == 'fatigué'
    modele.change_état('Truc', 'fatigué')
    assert modele.lit_état('Truc') == None
 
@orm.db_session
def test_change_lieu():
    modele.change_lieu('Totoro', 'roue')
    assert modele.lit_lieu('Totoro') == Equipement['roue']
    modele.change_lieu('Totoro', 'nid')
    assert modele.lit_lieu('Totoro') == Equipement['roue']
    modele.change_lieu('Totoro', 'nintendo')
    assert modele.lit_lieu('Totoro') == Equipement['roue']
    modele.change_lieu('Muche', 'litière')
    assert modele.lit_lieu('Muche') == None
 
 
 
@orm.db_session
def test_nourrir():
    if modele.vérifie_disponibilité('mangeoire') == 'libre' and modele.lit_état('Tic') == 'affamé':
        controleur.nourrir('Tic')
    assert modele.vérifie_disponibilité('mangeoire') == 'occupé'
    assert modele.lit_état('Tic') == 'repus'
    assert modele.lit_lieu('Tic') == Equipement['mangeoire']
    controleur.nourrir('Pocahontas')
    assert modele.lit_état('Pocahontas') == 'endormi'
    assert modele.lit_lieu('Pocahontas') == Equipement['nid']
    controleur.nourrir('Tac')
    assert modele.lit_état('Tac') == 'affamé'
    assert modele.lit_lieu('Tac') == Equipement['litière']
    controleur.nourrir('Bob')
    assert modele.lit_état('Bob') == None
    assert modele.lit_lieu('Bob') == None
    assert modele.vérifie_disponibilité('mangeoire') == 'occupé'