#Import des librairies

%matplotlib inline
import matplotlib.pyplot as plt
import scipy.stats as st
import numpy as np
import pandas as pd
import seaborn as sns

from scipy.cluster.hierarchy import dendrogram
from scipy.cluster.hierarchy import linkage, fcluster

from sklearn import preprocessing
from sklearn.cluster import KMeans
from sklearn import decomposition

Table des matières ⚓

Visualisation des différentes tables

1. Table Disponibilité Alimentaire
2. Table Population
3. Table Valeur Macro

Nettoyage des différentes tables

1. Nettoyage Disponibilité Alimentaire
2. Nettoyage Population
3. Nettoyage Valeur Macro
4. Merge et Nettoyage de la table résultante

Analyse exploratoire de données

1. Classification ascendante hiérarchique, Dendrogramme
2. Méthode K-Means
3. Analyse en Composantes Principales, ACP
4. Heatmap

Conclusion

⬆️

Visualisation des différentes tables ⚓

#Import des fichiers CSV

data_dispo = pd.read_csv("./SOURCE/DisponibiliteAlimentaire_2017.csv")
data_pop = pd.read_csv("./SOURCE/Population_2000_2018.csv")
data_macro = pd.read_csv("./SOURCE/Valeur_Macro_2017.csv")

⬆️

1/ Table Disponibilité Alimentaire ⚓

data_dispo.head()

	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

data_dispo.describe(include='all')

	Code Domaine	Domaine	Code zone	Zone	Code Élément	Élément	Code Produit	Produit	Code année	Année	Unité	Valeur	Symbole	Description du Symbole
count	176600	176600	176600.000000	176600	176600.000000	176600	176600.000000	176600	176600.0	176600.0	176600	176600.000000	176600	176600
unique	1	1	NaN	174	NaN	17	NaN	98	NaN	NaN	4	NaN	2	2
top	FBS	Nouveaux Bilans Alimentaire	NaN	Tchad	NaN	Disponibilité intérieure	NaN	Maïs et produits	NaN	NaN	Milliers de tonnes	NaN	S	Données standardisées
freq	176600	176600	NaN	1416	NaN	15905	NaN	2593	NaN	NaN	118487	NaN	118487	118487
mean	NaN	NaN	125.474740	NaN	3810.052894	NaN	2628.778545	NaN	2017.0	2017.0	NaN	210.554918	NaN	NaN
std	NaN	NaN	72.941699	NaN	2211.790089	NaN	91.993247	NaN	0.0	0.0	NaN	4762.047787	NaN	NaN
min	NaN	NaN	1.000000	NaN	645.000000	NaN	2511.000000	NaN	2017.0	2017.0	NaN	-10388.000000	NaN	NaN
25%	NaN	NaN	63.000000	NaN	684.000000	NaN	2556.000000	NaN	2017.0	2017.0	NaN	0.000000	NaN	NaN
50%	NaN	NaN	120.000000	NaN	5142.000000	NaN	2612.000000	NaN	2017.0	2017.0	NaN	0.120000	NaN	NaN
75%	NaN	NaN	188.000000	NaN	5301.000000	NaN	2732.000000	NaN	2017.0	2017.0	NaN	8.462500	NaN	NaN
max	NaN	NaN	276.000000	NaN	5911.000000	NaN	2899.000000	NaN	2017.0	2017.0	NaN	758548.000000	NaN	NaN

data_dispo.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

Remarque: Il y a: -> 176600 individus -> 14 variables

⬆️

2/ Table Population ⚓

data_pop.head(10)

	Code Domaine	Domaine	Code zone	Zone	Code Élément	Élément	Code Produit	Produit	Code année	Année	Unité	Valeur	Symbole	Description du Symbole	Note
0	OA	Séries temporelles annuelles	2	Afghanistan	511	Population totale	3010	Population-Estimations	2000	2000	1000 personnes	20779.953	X	Sources internationales sûres	NaN
1	OA	Séries temporelles annuelles	2	Afghanistan	511	Population totale	3010	Population-Estimations	2001	2001	1000 personnes	21606.988	X	Sources internationales sûres	NaN
2	OA	Séries temporelles annuelles	2	Afghanistan	511	Population totale	3010	Population-Estimations	2002	2002	1000 personnes	22600.770	X	Sources internationales sûres	NaN
3	OA	Séries temporelles annuelles	2	Afghanistan	511	Population totale	3010	Population-Estimations	2003	2003	1000 personnes	23680.871	X	Sources internationales sûres	NaN
4	OA	Séries temporelles annuelles	2	Afghanistan	511	Population totale	3010	Population-Estimations	2004	2004	1000 personnes	24726.684	X	Sources internationales sûres	NaN
5	OA	Séries temporelles annuelles	2	Afghanistan	511	Population totale	3010	Population-Estimations	2005	2005	1000 personnes	25654.277	X	Sources internationales sûres	NaN
6	OA	Séries temporelles annuelles	2	Afghanistan	511	Population totale	3010	Population-Estimations	2006	2006	1000 personnes	26433.049	X	Sources internationales sûres	NaN
7	OA	Séries temporelles annuelles	2	Afghanistan	511	Population totale	3010	Population-Estimations	2007	2007	1000 personnes	27100.536	X	Sources internationales sûres	NaN
8	OA	Séries temporelles annuelles	2	Afghanistan	511	Population totale	3010	Population-Estimations	2008	2008	1000 personnes	27722.276	X	Sources internationales sûres	NaN
9	OA	Séries temporelles annuelles	2	Afghanistan	511	Population totale	3010	Population-Estimations	2009	2009	1000 personnes	28394.813	X	Sources internationales sûres	NaN

data_pop.describe(include='all')

	Code Domaine	Domaine	Code zone	Zone	Code Élément	Élément	Code Produit	Produit	Code année	Année	Unité	Valeur	Symbole	Description du Symbole	Note
count	4411	4411	4411.000000	4411	4411.0	4411	4411.0	4411	4411.000000	4411.000000	4411	4.411000e+03	4411	4411	258
unique	1	1	NaN	238	NaN	1	NaN	1	NaN	NaN	1	NaN	2	2	1
top	OA	Séries temporelles annuelles	NaN	Afghanistan	NaN	Population totale	NaN	Population-Estimations	NaN	NaN	1000 personnes	NaN	X	Sources internationales sûres	UNDESA, Population Division – World Population...
freq	4411	4411	NaN	19	NaN	4411	NaN	4411	NaN	NaN	4411	NaN	4374	4374	258
mean	NaN	NaN	132.202902	NaN	511.0	NaN	3010.0	NaN	2009.068238	2009.068238	NaN	2.963004e+04	NaN	NaN	NaN
std	NaN	NaN	75.854840	NaN	0.0	NaN	0.0	NaN	5.481539	5.481539	NaN	1.238029e+05	NaN	NaN	NaN
min	NaN	NaN	1.000000	NaN	511.0	NaN	3010.0	NaN	2000.000000	2000.000000	NaN	7.850000e-01	NaN	NaN	NaN
25%	NaN	NaN	68.000000	NaN	511.0	NaN	3010.0	NaN	2004.000000	2004.000000	NaN	3.921890e+02	NaN	NaN	NaN
50%	NaN	NaN	132.000000	NaN	511.0	NaN	3010.0	NaN	2009.000000	2009.000000	NaN	4.764741e+03	NaN	NaN	NaN
75%	NaN	NaN	195.000000	NaN	511.0	NaN	3010.0	NaN	2014.000000	2014.000000	NaN	1.821548e+04	NaN	NaN	NaN
max	NaN	NaN	299.000000	NaN	511.0	NaN	3010.0	NaN	2018.000000	2018.000000	NaN	1.427648e+06	NaN	NaN	NaN

data_pop.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4411 entries, 0 to 4410
Data columns (total 15 columns):
 #   Column                  Non-Null Count  Dtype  
---  ------                  --------------  -----  
 0   Code Domaine            4411 non-null   object 
 1   Domaine                 4411 non-null   object 
 2   Code zone               4411 non-null   int64  
 3   Zone                    4411 non-null   object 
 4   Code Élément            4411 non-null   int64  
 5   Élément                 4411 non-null   object 
 6   Code Produit            4411 non-null   int64  
 7   Produit                 4411 non-null   object 
 8   Code année              4411 non-null   int64  
 9   Année                   4411 non-null   int64  
 10  Unité                   4411 non-null   object 
 11  Valeur                  4411 non-null   float64
 12  Symbole                 4411 non-null   object 
 13  Description du Symbole  4411 non-null   object 
 14  Note                    258 non-null    object 
dtypes: float64(1), int64(5), object(9)
memory usage: 517.0+ KB

Remarque: Il y a: -> 4411 individus -> 15 variables

⬆️

3/ Table Valeur Macro ⚓

data_macro.head()

	Domaine	Zone	Élément	Produit	Année	Valeur
0	Indicateurs macro	Afghanistan	Valeur US $ par habitant	Produit Intérieur Brut	2017	520.616409
1	Indicateurs macro	Afghanistan	Croissance annuelle US$ par habitant	Produit Intérieur Brut	2017	2.227740
2	Indicateurs macro	Afrique du Sud	Valeur US $ par habitant	Produit Intérieur Brut	2017	6121.876572
3	Indicateurs macro	Afrique du Sud	Croissance annuelle US$ par habitant	Produit Intérieur Brut	2017	16.114973
4	Indicateurs macro	Albanie	Valeur US $ par habitant	Produit Intérieur Brut	2017	4514.204908

data_macro.describe(include='all')

	Domaine	Zone	Élément	Produit	Année	Valeur
count	422	422	422	422	422.0	422.000000
unique	1	211	2	1	NaN	NaN
top	Indicateurs macro	Afghanistan	Valeur US $ par habitant	Produit Intérieur Brut	NaN	NaN
freq	422	2	211	422	NaN	NaN
mean	NaN	NaN	NaN	NaN	2017.0	8470.118239
std	NaN	NaN	NaN	NaN	0.0	19900.732867
min	NaN	NaN	NaN	NaN	2017.0	-29.289470
25%	NaN	NaN	NaN	NaN	2017.0	5.746177
50%	NaN	NaN	NaN	NaN	2017.0	71.979765
75%	NaN	NaN	NaN	NaN	2017.0	6351.329118
max	NaN	NaN	NaN	NaN	2017.0	171278.066389

data_macro.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 422 entries, 0 to 421
Data columns (total 6 columns):
 #   Column   Non-Null Count  Dtype  
---  ------   --------------  -----  
 0   Domaine  422 non-null    object 
 1   Zone     422 non-null    object 
 2   Élément  422 non-null    object 
 3   Produit  422 non-null    object 
 4   Année    422 non-null    int64  
 5   Valeur   422 non-null    float64
dtypes: float64(1), int64(1), object(4)
memory usage: 19.9+ KB

Remarque: Il y a: -> 844 individus -> 15 variables

⬆️

Nettoyage des différentes tables ⚓

⬆️

1/ Nettoyage Disponibilité Alimentaire ⚓

#on vérifie si il existe des valeurs null
data_dispo.isnull().sum()

Code Domaine              0
Domaine                   0
Code zone                 0
Zone                      0
Code Élément              0
Élément                   0
Code Produit              0
Produit                   0
Code année                0
Année                     0
Unité                     0
Valeur                    0
Symbole                   0
Description du Symbole    0
dtype: int64

#on vérifie si il existe des erreurs
data_dispo.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

#on vérifie si il existe des valeurs dupliquées (index)
data_dispo.index.duplicated().sum()

0

data_dispo.nunique()

Code Domaine                 1
Domaine                      1
Code zone                  174
Zone                       174
Code Élément                17
Élément                     17
Code Produit                98
Produit                     98
Code année                   1
Année                        1
Unité                        4
Valeur                    7250
Symbole                      2
Description du Symbole       2
dtype: int64

Remarque: Seule une année est disponible pour cette table

⬆️

2/ Nettoyage Population ⚓

#on vérifie si il existe des valeurs null
data_pop.isnull().sum()

Code Domaine                 0
Domaine                      0
Code zone                    0
Zone                         0
Code Élément                 0
Élément                      0
Code Produit                 0
Produit                      0
Code année                   0
Année                        0
Unité                        0
Valeur                       0
Symbole                      0
Description du Symbole       0
Note                      4153
dtype: int64

#on vérifie si il existe des erreurs
data_pop.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 4411 entries, 0 to 4410
Data columns (total 15 columns):
 #   Column                  Non-Null Count  Dtype  
---  ------                  --------------  -----  
 0   Code Domaine            4411 non-null   object 
 1   Domaine                 4411 non-null   object 
 2   Code zone               4411 non-null   int64  
 3   Zone                    4411 non-null   object 
 4   Code Élément            4411 non-null   int64  
 5   Élément                 4411 non-null   object 
 6   Code Produit            4411 non-null   int64  
 7   Produit                 4411 non-null   object 
 8   Code année              4411 non-null   int64  
 9   Année                   4411 non-null   int64  
 10  Unité                   4411 non-null   object 
 11  Valeur                  4411 non-null   float64
 12  Symbole                 4411 non-null   object 
 13  Description du Symbole  4411 non-null   object 
 14  Note                    258 non-null    object 
dtypes: float64(1), int64(5), object(9)
memory usage: 517.0+ KB

#on vérifie si il existe des valeurs dupliquées (index)
data_pop.index.duplicated().sum()

0

data_pop.nunique()

Code Domaine                 1
Domaine                      1
Code zone                  238
Zone                       238
Code Élément                 1
Élément                      1
Code Produit                 1
Produit                      1
Code année                  19
Année                       19
Unité                        1
Valeur                    4398
Symbole                      2
Description du Symbole       2
Note                         1
dtype: int64

⬆️

3/ Nettoyage Valeur Macro ⚓

#on vérifie si il existe des valeurs null
data_macro.isnull().sum()

Domaine    0
Zone       0
Élément    0
Produit    0
Année      0
Valeur     0
dtype: int64

#on vérifie si il existe des erreurs
data_macro.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 422 entries, 0 to 421
Data columns (total 6 columns):
 #   Column   Non-Null Count  Dtype  
---  ------   --------------  -----  
 0   Domaine  422 non-null    object 
 1   Zone     422 non-null    object 
 2   Élément  422 non-null    object 
 3   Produit  422 non-null    object 
 4   Année    422 non-null    int64  
 5   Valeur   422 non-null    float64
dtypes: float64(1), int64(1), object(4)
memory usage: 19.9+ KB

#on vérifie si il existe des valeurs dupliquées (index)
data_macro.index.duplicated().sum()

0

data_macro.nunique()

Domaine      1
Zone       211
Élément      2
Produit      1
Année        1
Valeur     422
dtype: int64

⬆️

4/ Merge et Nettoyage de la table résultante ⚓

#Filtre des columns
list_columns = ["Zone", "Année", "Élément", "Produit", "Unité", "Valeur"]
data_dispo_filtered = data_dispo[list_columns]
data_pop_filtered = data_pop[list_columns]

#regroupement des tables data_dispo et data_pop
df_merge = pd.merge(data_dispo_filtered, data_pop_filtered, left_on=["Zone", "Année"], right_on=["Zone", "Année"], how="outer", indicator=True)

# changement du nom des colonnes
df_merge.columns = ['Pays', 'Année', 'Type', 'Produit', 'Unité (miliers_tonnes)', 'Valeur', 'Désignation', 'Sous_désignation', 'Unité', 'Pop.', '_merge']
df_merge.head(200)

	Pays	Année	Type	Produit	Unité (miliers_tonnes)	Valeur	Désignation	Sous_désignation	Unité	Pop.	_merge
0	Afghanistan	2017	Production	Blé et produits	Milliers de tonnes	4281.0	Population totale	Population-Estimations	1000 personnes	36296.113	both
1	Afghanistan	2017	Importations - Quantité	Blé et produits	Milliers de tonnes	2302.0	Population totale	Population-Estimations	1000 personnes	36296.113	both
2	Afghanistan	2017	Variation de stock	Blé et produits	Milliers de tonnes	-119.0	Population totale	Population-Estimations	1000 personnes	36296.113	both
3	Afghanistan	2017	Exportations - Quantité	Blé et produits	Milliers de tonnes	0.0	Population totale	Population-Estimations	1000 personnes	36296.113	both
4	Afghanistan	2017	Disponibilité intérieure	Blé et produits	Milliers de tonnes	6701.0	Population totale	Population-Estimations	1000 personnes	36296.113	both
...	...	...	...	...	...	...	...	...	...	...	...
195	Afghanistan	2017	Variation de stock	Noix et produits	Milliers de tonnes	-2.0	Population totale	Population-Estimations	1000 personnes	36296.113	both
196	Afghanistan	2017	Exportations - Quantité	Noix et produits	Milliers de tonnes	19.0	Population totale	Population-Estimations	1000 personnes	36296.113	both
197	Afghanistan	2017	Disponibilité intérieure	Noix et produits	Milliers de tonnes	22.0	Population totale	Population-Estimations	1000 personnes	36296.113	both
198	Afghanistan	2017	Pertes	Noix et produits	Milliers de tonnes	2.0	Population totale	Population-Estimations	1000 personnes	36296.113	both
199	Afghanistan	2017	Résidus	Noix et produits	Milliers de tonnes	-0.0	Population totale	Population-Estimations	1000 personnes	36296.113	both

200 rows × 11 columns

Objectif: construire une table de données pour la viande de Volailles

#Récupération des valeur Produit pour afficher seulement les valeurs de "Volailles"
arr = list(df_merge["Produit"])
df_arr = pd.DataFrame(arr)
df_arr = df_arr.drop_duplicates()
df_arr = df_arr.dropna()
# print(df_arr.to_string())

#La désignation trouvée est: Viande de Volailles

#Construction du dataframe
data_volaille = df_merge[df_merge["Produit"] == "Viande de Volailles"]

#Etape 1: filtre des colonnes nécessaires au projet
data_volaille=data_volaille[["Pays","Type","Valeur", "Pop."]]
data_volaille.head(12)

	Pays	Type	Valeur	Pop.
651	Afghanistan	Production	28.00	36296.113
652	Afghanistan	Importations - Quantité	29.00	36296.113
653	Afghanistan	Variation de stock	0.00	36296.113
654	Afghanistan	Disponibilité intérieure	57.00	36296.113
655	Afghanistan	Pertes	2.00	36296.113
656	Afghanistan	Résidus	0.00	36296.113
657	Afghanistan	Nourriture	55.00	36296.113
658	Afghanistan	Disponibilité alimentaire en quantité (kg/pers...	1.53	36296.113
659	Afghanistan	Disponibilité alimentaire (Kcal/personne/jour)	5.00	36296.113
660	Afghanistan	Disponibilité de protéines en quantité (g/pers...	0.54	36296.113
661	Afghanistan	Disponibilité de matière grasse en quantité (g...	0.33	36296.113
1704	Afrique du Sud	Production	1667.00	57009.756

#Etape 2: Filtre des lignes nécessaires au projet

#Récupération des valeurs Type pour afficher les valeurs nécessaires
arr_type = list(data_volaille["Type"])
df_arr_type = pd.DataFrame(arr_type)
df_arr_type = df_arr_type.drop_duplicates()
df_arr_type = df_arr_type.dropna()
print(df_arr_type.to_string())

print("Il y a " + str(len(df_arr_type)) + " variables")
#choix des designations: Production, Importations - Quantité, Exportations - Quantité, Alimentation pour touristes

                                                                  0
0                                                        Production
1                                           Importations - Quantité
2                                                Variation de stock
3                                          Disponibilité intérieure
4                                                            Pertes
5                                                           Résidus
6                                                        Nourriture
7            Disponibilité alimentaire en quantité (kg/personne/an)
8                    Disponibilité alimentaire (Kcal/personne/jour)
9          Disponibilité de protéines en quantité (g/personne/jour)
10    Disponibilité de matière grasse en quantité (g/personne/jour)
14                                          Exportations - Quantité
17                                      Alimentation pour touristes
53                                                       Traitement
79                            Autres utilisations (non alimentaire)
1858                                          Aliments pour animaux
1859                                                       Semences
Il y a 17 variables

# data_volaille = data_volaille.loc[data_volaille['Type'].isin(["Production", "Importations - Quantité", "Exportations - Quantité", "Alimentation pour touristes"])]

data_volaille

	Pays	Type	Valeur	Pop.
651	Afghanistan	Production	28.00	36296.113
652	Afghanistan	Importations - Quantité	29.00	36296.113
653	Afghanistan	Variation de stock	0.00	36296.113
654	Afghanistan	Disponibilité intérieure	57.00	36296.113
655	Afghanistan	Pertes	2.00	36296.113
...	...	...	...	...
176396	Zimbabwe	Nourriture	67.00	14236.595
176397	Zimbabwe	Disponibilité alimentaire en quantité (kg/pers...	4.68	14236.595
176398	Zimbabwe	Disponibilité alimentaire (Kcal/personne/jour)	16.00	14236.595
176399	Zimbabwe	Disponibilité de protéines en quantité (g/pers...	1.59	14236.595
176400	Zimbabwe	Disponibilité de matière grasse en quantité (g...	0.99	14236.595

2061 rows × 4 columns

#creation du dataframe en colonne
arr_pays = list(data_volaille["Pays"])
arr_pop = list(data_volaille["Pop."])

#production
df_prod = data_volaille[data_volaille['Type'].str.contains("Production")]
arr_prod = list(df_prod["Valeur"])

#importation
df_impor = data_volaille[data_volaille['Type'].str.contains("Importations - Quantité")]
arr_impor = list(df_impor["Valeur"]) 

# d = {'Pays': arr_pays, "Production": arr_val, "Importation": arr_impor, "Pop. total - 2017 (en 1000 personnes)": arr_pop}
# df = pd.DataFrame(data=d)
# df 

#list des valeurs pour chaque Type 
# list(data_volaille[data_volaille['Type'].str.contains(df_arr_type[0].iloc[0])]["Valeur"])

#Production
data_query_production = data_volaille[data_volaille["Type"] == "Production"]

data_production = data_query_production.copy()
data_production.rename(columns = {'Valeur':'Production'}, inplace = True)
data_production = data_production.drop(columns="Type")
data_production

	Pays	Production	Pop.
651	Afghanistan	28.0	36296.113
1704	Afrique du Sud	1667.0	57009.756
2713	Albanie	13.0	2884.169
3772	Algérie	275.0	41389.189
4873	Allemagne	1514.0	82658.409
...	...	...	...
172328	Venezuela (République bolivarienne du)	600.0	29402.484
173387	Viet Nam	918.0	94600.648
174318	Yémen	168.0	27834.819
175361	Zambie	49.0	16853.599
176388	Zimbabwe	69.0	14236.595

168 rows × 3 columns

#Importation
data_query_importation = data_volaille[data_volaille["Type"] == "Importations - Quantité"]

data_importation = data_query_importation.copy()
data_importation.rename(columns = {'Valeur':'Importation'}, inplace = True)
data_importation = data_importation.drop(columns="Type")
data_importation

	Pays	Importation	Pop.
652	Afghanistan	29.0	36296.113
1705	Afrique du Sud	514.0	57009.756
2714	Albanie	38.0	2884.169
3773	Algérie	2.0	41389.189
4874	Allemagne	842.0	82658.409
...	...	...	...
172329	Venezuela (République bolivarienne du)	25.0	29402.484
173388	Viet Nam	291.0	94600.648
174319	Yémen	78.0	27834.819
175362	Zambie	12.0	16853.599
176389	Zimbabwe	6.0	14236.595

170 rows × 3 columns

#Exportation
data_query_exportation = data_volaille[data_volaille["Type"] == "Exportations - Quantité"]

data_exportation = data_query_exportation.copy()
data_exportation.rename(columns = {'Valeur':'Exportation'}, inplace = True)
data_exportation = data_exportation.drop(columns="Type")

#Alimentation pour touristes
data_query_alim_touriste = data_volaille[data_volaille["Type"] == "Alimentation pour touristes"]

data_alim_touriste = data_query_alim_touriste.copy()
data_alim_touriste.rename(columns = {'Valeur':'Alimentation pour touristes'}, inplace = True)
data_alim_touriste = data_alim_touriste.drop(columns="Type")

data_merge1 = pd.merge(data_production, data_importation, left_on="Pays", right_on="Pays", how="outer", indicator=False)
# data_merge1 = data_merge1.drop(columns="Pop.")
data_merge1

	Pays	Production	Pop._x	Importation	Pop._y
0	Afghanistan	28.0	36296.113	29.0	36296.113
1	Afrique du Sud	1667.0	57009.756	514.0	57009.756
2	Albanie	13.0	2884.169	38.0	2884.169
3	Algérie	275.0	41389.189	2.0	41389.189
4	Allemagne	1514.0	82658.409	842.0	82658.409
...	...	...	...	...	...
165	Yémen	168.0	27834.819	78.0	27834.819
166	Zambie	49.0	16853.599	12.0	16853.599
167	Zimbabwe	69.0	14236.595	6.0	14236.595
168	Djibouti	NaN	NaN	3.0	944.099
169	Maldives	NaN	NaN	12.0	496.402

170 rows × 5 columns

data_merge2 = pd.merge(data_merge1, data_exportation, left_on="Pays", right_on="Pays", how="outer", indicator=False)
data_merge2 = data_merge2.drop(columns="Pop.")
data_merge2

	Pays	Production	Pop._x	Importation	Pop._y	Exportation
0	Afghanistan	28.0	36296.113	29.0	36296.113	NaN
1	Afrique du Sud	1667.0	57009.756	514.0	57009.756	63.0
2	Albanie	13.0	2884.169	38.0	2884.169	0.0
3	Algérie	275.0	41389.189	2.0	41389.189	0.0
4	Allemagne	1514.0	82658.409	842.0	82658.409	646.0
...	...	...	...	...	...	...
165	Yémen	168.0	27834.819	78.0	27834.819	0.0
166	Zambie	49.0	16853.599	12.0	16853.599	1.0
167	Zimbabwe	69.0	14236.595	6.0	14236.595	NaN
168	Djibouti	NaN	NaN	3.0	944.099	NaN
169	Maldives	NaN	NaN	12.0	496.402	NaN

170 rows × 6 columns

data_merge_final = pd.merge(data_merge2, data_alim_touriste, left_on="Pays", right_on="Pays", how="outer", indicator=False)
df_v = data_merge_final

df_v = df_v.drop(columns="Pop.")
df_v

	Pays	Production	Pop._x	Importation	Pop._y	Exportation	Alimentation pour touristes
0	Afghanistan	28.0	36296.113	29.0	36296.113	NaN	NaN
1	Afrique du Sud	1667.0	57009.756	514.0	57009.756	63.0	0.0
2	Albanie	13.0	2884.169	38.0	2884.169	0.0	NaN
3	Algérie	275.0	41389.189	2.0	41389.189	0.0	0.0
4	Allemagne	1514.0	82658.409	842.0	82658.409	646.0	NaN
...	...	...	...	...	...	...	...
165	Yémen	168.0	27834.819	78.0	27834.819	0.0	NaN
166	Zambie	49.0	16853.599	12.0	16853.599	1.0	0.0
167	Zimbabwe	69.0	14236.595	6.0	14236.595	NaN	0.0
168	Djibouti	NaN	NaN	3.0	944.099	NaN	NaN
169	Maldives	NaN	NaN	12.0	496.402	NaN	5.0

170 rows × 7 columns

Ajout de la 3ème table

#Filtre des columns
list_col_macro = ["Zone", "Année", "Élément", "Produit", "Valeur"]
data_macro_filtered = data_macro[list_col_macro]

# changement du nom des colonnes
data_macro_filtered.columns = ['Pays', 'Année', 'Type', 'PIB', 'Valeur']

#Valeur US $ par habitant
data_query_valeur = data_macro_filtered[data_macro_filtered["Type"] == "Valeur US $ par habitant"]

data_valeur = data_query_valeur.copy()
data_valeur.rename(columns = {'Valeur':'Valeur PIB ($ par hab.)'}, inplace = True)
data_valeur = data_valeur.drop(columns="Type")
data_valeur

	Pays	Année	PIB	Valeur PIB ($ par hab.)
0	Afghanistan	2017	Produit Intérieur Brut	520.616409
2	Afrique du Sud	2017	Produit Intérieur Brut	6121.876572
4	Albanie	2017	Produit Intérieur Brut	4514.204908
6	Algérie	2017	Produit Intérieur Brut	4109.696001
8	Allemagne	2017	Produit Intérieur Brut	44651.829102
...	...	...	...	...
412	Venezuela (République bolivarienne du)	2017	Produit Intérieur Brut	8432.288335
414	Viet Nam	2017	Produit Intérieur Brut	2365.521494
416	Yémen	2017	Produit Intérieur Brut	745.087677
418	Zambie	2017	Produit Intérieur Brut	1534.874627
420	Zimbabwe	2017	Produit Intérieur Brut	1548.186368

211 rows × 4 columns

list_new_col = ["Pays", "Valeur PIB ($ par hab.)"]
data_valeur = data_valeur[list_new_col]
data_valeur.sort_values("Valeur PIB ($ par hab.)")

	Pays	Valeur PIB ($ par hab.)
368	Somalie	111.048078
66	Burundi	304.592321
372	Soudan du Sud	327.324953
318	République centrafricaine	450.900697
260	Mozambique	461.414754
...	...	...
378	Suisse	83313.013992
226	Luxembourg	111017.182246
48	Bermudes	113281.987026
252	Monaco	167516.046763
222	Liechtenstein	171278.066389

211 rows × 2 columns

#Croissance annuelle US$ par habitant
data_query_croissance = data_macro_filtered[data_macro_filtered["Type"] == "Croissance annuelle US$ par habitant"]

data_croissance = data_query_croissance.copy()
data_croissance.rename(columns = {'Valeur':'Croissance annuelle US$ PIB (%)'}, inplace = True)
data_croissance = data_croissance.drop(columns="Type")
data_croissance

	Pays	Année	PIB	Croissance annuelle US$ PIB (%)
1	Afghanistan	2017	Produit Intérieur Brut	2.227740
3	Afrique du Sud	2017	Produit Intérieur Brut	16.114973
5	Albanie	2017	Produit Intérieur Brut	9.852298
7	Algérie	2017	Produit Intérieur Brut	4.136417
9	Allemagne	2017	Produit Intérieur Brut	5.842947
...	...	...	...	...
413	Venezuela (République bolivarienne du)	2017	Produit Intérieur Brut	-12.759351
415	Viet Nam	2017	Produit Intérieur Brut	7.907523
417	Yémen	2017	Produit Intérieur Brut	-8.143611
419	Zambie	2017	Produit Intérieur Brut	17.075699
421	Zimbabwe	2017	Produit Intérieur Brut	5.707857

211 rows × 4 columns

list_new_col2 = ["Pays", "Croissance annuelle US$ PIB (%)"]
data_croissance = data_croissance[list_new_col2]
data_croissance

	Pays	Croissance annuelle US$ PIB (%)
1	Afghanistan	2.227740
3	Afrique du Sud	16.114973
5	Albanie	9.852298
7	Algérie	4.136417
9	Allemagne	5.842947
...	...	...
413	Venezuela (République bolivarienne du)	-12.759351
415	Viet Nam	7.907523
417	Yémen	-8.143611
419	Zambie	17.075699
421	Zimbabwe	5.707857

211 rows × 2 columns

#MERGE DES 2 TABLES (valeur et croissance)
df_m = pd.merge(data_valeur, data_croissance, left_on=["Pays"], right_on=["Pays"], how="outer", indicator=False)
df_m

	Pays	Valeur PIB ($ par hab.)	Croissance annuelle US$ PIB (%)
0	Afghanistan	520.616409	2.227740
1	Afrique du Sud	6121.876572	16.114973
2	Albanie	4514.204908	9.852298
3	Algérie	4109.696001	4.136417
4	Allemagne	44651.829102	5.842947
...	...	...	...
206	Venezuela (République bolivarienne du)	8432.288335	-12.759351
207	Viet Nam	2365.521494	7.907523
208	Yémen	745.087677	-8.143611
209	Zambie	1534.874627	17.075699
210	Zimbabwe	1548.186368	5.707857

211 rows × 3 columns

#MERGE DE LA TABLE FINAL POUR ANALYSE
df_analyse = pd.merge(df_v, df_m, left_on=["Pays"], right_on=["Pays"], how="outer", indicator=False)
df_analyse

	Pays	Production	Pop._x	Importation	Pop._y	Exportation	Alimentation pour touristes	Valeur PIB ($ par hab.)	Croissance annuelle US$ PIB (%)
0	Afghanistan	28.0	36296.113	29.0	36296.113	NaN	NaN	520.616409	2.227740
1	Afrique du Sud	1667.0	57009.756	514.0	57009.756	63.0	0.0	6121.876572	16.114973
2	Albanie	13.0	2884.169	38.0	2884.169	0.0	NaN	4514.204908	9.852298
3	Algérie	275.0	41389.189	2.0	41389.189	0.0	0.0	4109.696001	4.136417
4	Allemagne	1514.0	82658.409	842.0	82658.409	646.0	NaN	44651.829102	5.842947
...	...	...	...	...	...	...	...	...	...
207	Sint Maarten (partie néerlandaise)	NaN	NaN	NaN	NaN	NaN	NaN	24466.750314	-6.867844
208	Somalie	NaN	NaN	NaN	NaN	NaN	NaN	111.048078	4.424712
209	Soudan du Sud	NaN	NaN	NaN	NaN	NaN	NaN	327.324953	8.221476
210	Tonga	NaN	NaN	NaN	NaN	NaN	NaN	4522.873795	8.672544
211	Tuvalu	NaN	NaN	NaN	NaN	NaN	NaN	3982.111321	8.246060

212 rows × 9 columns

df_analyse.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 212 entries, 0 to 211
Data columns (total 9 columns):
 #   Column                           Non-Null Count  Dtype  
---  ------                           --------------  -----  
 0   Pays                             212 non-null    object 
 1   Production                       168 non-null    float64
 2   Pop._x                           168 non-null    float64
 3   Importation                      170 non-null    float64
 4   Pop._y                           170 non-null    float64
 5   Exportation                      135 non-null    float64
 6   Alimentation pour touristes      78 non-null     float64
 7   Valeur PIB ($ par hab.)          211 non-null    float64
 8   Croissance annuelle US$ PIB (%)  211 non-null    float64
dtypes: float64(8), object(1)
memory usage: 16.6+ KB

#Beaucoup de valeur null, on décide de supprimer
df_analyse=df_analyse.drop(columns=["Exportation", "Alimentation pour touristes", "Pop._y"])
df_analyse=df_analyse.rename(columns={"Pop._x": "Population"})
df_analyse=df_analyse.set_index('Pays')
df_analyse=df_analyse.dropna()
# df_analyse=df_analyse.fillna(0)
df_analyse

	Production	Population	Importation	Valeur PIB ($ par hab.)	Croissance annuelle US$ PIB (%)
Pays
Afghanistan	28.0	36296.113	29.0	520.616409	2.227740
Afrique du Sud	1667.0	57009.756	514.0	6121.876572	16.114973
Albanie	13.0	2884.169	38.0	4514.204908	9.852298
Algérie	275.0	41389.189	2.0	4109.696001	4.136417
Allemagne	1514.0	82658.409	842.0	44651.829102	5.842947
...	...	...	...	...	...
Venezuela (République bolivarienne du)	600.0	29402.484	25.0	8432.288335	-12.759351
Viet Nam	918.0	94600.648	291.0	2365.521494	7.907523
Yémen	168.0	27834.819	78.0	745.087677	-8.143611
Zambie	49.0	16853.599	12.0	1534.874627	17.075699
Zimbabwe	69.0	14236.595	6.0	1548.186368	5.707857

167 rows × 5 columns

df_analyse[df_analyse.index == "Chine, continentale"]

	Production	Population	Importation	Valeur PIB ($ par hab.)	Croissance annuelle US$ PIB (%)
Pays
Chine, continentale	18236.0	1421021.791	452.0	8663.126784	9.051432

df_analyse[df_analyse.index == "France"]

	Production	Population	Importation	Valeur PIB ($ par hab.)	Croissance annuelle US$ PIB (%)
Pays
France	1750.0	64842.509	506.0	38720.645922	4.707836

pd.set_option('display.max_rows', df_analyse.shape[0]+1)
df_analyse.sort_values("Croissance annuelle US$ PIB (%)")

	Production	Population	Importation	Valeur PIB ($ par hab.)	Croissance annuelle US$ PIB (%)
Pays
Égypte	1118.0	96442.591	110.0	2023.331158	-29.289470
Venezuela (République bolivarienne du)	600.0	29402.484	25.0	8432.288335	-12.759351
Dominique	0.0	71.458	4.0	7286.797839	-9.827668
Nigéria	201.0	190873.244	0.0	1968.687237	-9.527161
Yémen	168.0	27834.819	78.0	745.087677	-8.143611
Tunisie	213.0	11433.443	0.0	3481.203612	-5.859485
Sierra Leone	17.0	7488.423	14.0	499.381240	-5.251198
Timor-Leste	1.0	1243.258	11.0	1299.496723	-4.008057
Tchad	6.0	15016.753	1.0	692.161630	-3.015992
Turquie	2192.0	81116.450	3.0	10589.573121	-2.798707
Libéria	15.0	4702.226	48.0	587.594046	-2.242701
Royaume-Uni de Grande-Bretagne et d'Irlande du Nord	1814.0	66727.461	779.0	40448.365256	-1.513432
Japon	2215.0	127502.725	1069.0	38672.407740	-1.254368
Gambie	2.0	2213.889	16.0	679.778473	-0.430628
Ouganda	65.0	41166.588	0.0	767.101705	-0.335264
Samoa	0.0	195.352	17.0	4223.478963	-0.002802
Mongolie	0.0	3113.786	10.0	3669.409235	0.253116
Suisse	91.0	8455.804	51.0	83313.013992	0.367379
Belize	20.0	375.769	0.0	4909.683057	0.656581
Myanmar	1662.0	53382.523	3.0	1277.743698	1.205772
Antigua-et-Barbuda	0.0	95.426	7.0	15383.415188	1.222545
Jordanie	210.0	9785.843	64.0	4231.464852	1.343795
Philippines	1272.0	105172.925	249.0	3123.244296	1.613303
Costa Rica	133.0	4949.954	17.0	12225.577172	1.784799
Saint-Kitts-et-Nevis	0.0	52.045	4.0	19155.431731	1.825508
Saint-Vincent-et-les Grenadines	0.0	109.827	9.0	7212.960181	1.949019
Bahamas	6.0	381.755	24.0	32376.129780	2.028962
Liban	64.0	6819.373	13.0	7819.604670	2.167191
Afghanistan	28.0	36296.113	29.0	520.616409	2.227740
Nicaragua	143.0	6384.846	6.0	2159.158239	2.447553
Équateur	340.0	16785.361	0.0	6213.501276	2.531452
Togo	40.0	7698.474	16.0	829.700048	2.632757
El Salvador	136.0	6388.126	16.0	3910.253179	2.739393
République populaire démocratique de Corée	43.0	25429.825	0.0	686.340258	2.949586
Barbade	15.0	286.232	2.0	17419.313704	3.086360
Trinité-et-Tobago	61.0	1384.059	23.0	16747.918804	3.118395
Mauritanie	5.0	4282.570	24.0	1587.863353	3.318992
Luxembourg	0.0	591.910	11.0	111017.182246	3.431634
Oman	7.0	4665.928	126.0	15130.543438	3.501058
Niger	19.0	21602.382	3.0	517.771881	3.509916
Gabon	4.0	2064.823	76.0	7230.472774	3.522873
États-Unis d'Amérique	21914.0	325084.756	123.0	59921.674703	3.533296
Éthiopie	14.0	106399.924	1.0	721.753494	3.628870
Rwanda	19.0	11980.961	0.0	772.293170	3.690707
Kiribati	1.0	114.158	1.0	1648.572671	3.919171
Grèce	246.0	10569.450	79.0	18907.740558	3.985203
République-Unie de Tanzanie	105.0	54660.339	2.0	1001.160919	4.065654
Nouvelle-Calédonie	1.0	277.150	9.0	33101.384336	4.099894
Algérie	275.0	41389.189	2.0	4109.696001	4.136417
Suède	157.0	9904.896	84.0	54621.345824	4.189096
Cameroun	81.0	24566.073	0.0	1425.106072	4.454693
Malaisie	1724.0	31104.646	68.0	10259.210256	4.496181
Bénin	18.0	11175.198	123.0	1136.593360	4.534691
République dominicaine	339.0	10513.104	42.0	7609.365034	4.542400
Italie	1315.0	60673.701	97.0	32333.550863	4.566307
Autriche	148.0	8819.901	110.0	47309.051637	4.615601
Arabie saoudite	616.0	33101.179	722.0	20802.464299	4.646660
Jamaïque	128.0	2920.848	31.0	5070.097885	4.672826
France	1750.0	64842.509	506.0	38720.645922	4.707836
Honduras	193.0	9429.013	12.0	2453.729573	4.744606
Maroc	762.0	35581.255	3.0	3082.599304	4.809082
Îles Salomon	0.0	636.039	6.0	2332.873855	4.825663
Côte d'Ivoire	58.0	24437.470	7.0	2111.026809	4.849769
Belgique	463.0	11419.748	338.0	44025.903247	5.076098
Tadjikistan	2.0	8880.268	38.0	848.668435	5.149721
Cabo Verde	1.0	537.498	12.0	3292.638357	5.162958
Ghana	60.0	29121.465	151.0	2074.175443	5.183600
Guyana	31.0	775.222	0.0	6124.922066	5.395670
Chine - RAS de Hong-Kong	24.0	7306.322	907.0	46705.027813	5.445126
Grenade	1.0	110.874	7.0	10152.832812	5.446358
Sri Lanka	192.0	21128.032	0.0	4138.015200	5.564091
Panama	198.0	4106.769	20.0	15146.390071	5.594183
Polynésie française	1.0	276.102	15.0	21127.527814	5.602930
Danemark	173.0	5732.274	133.0	57938.797728	5.682485
Zimbabwe	69.0	14236.595	6.0	1548.186368	5.707857
Turkménistan	20.0	5757.667	9.0	6752.362494	5.709055
Congo	7.0	5110.695	104.0	2154.629048	5.713921
Allemagne	1514.0	82658.409	842.0	44651.829102	5.842947
Macédoine du Nord	2.0	2081.996	40.0	5430.875559	5.882350
Cuba	29.0	11339.254	312.0	8541.214440	5.959893
Finlande	129.0	5511.371	16.0	46385.550876	5.987558
Pays-Bas	1100.0	17021.347	608.0	48989.638816	6.174548
Mexique	3249.0	124777.324	972.0	9287.841557	6.213095
Mali	48.0	18512.430	1.0	830.021400	6.314350
Slovaquie	71.0	5447.900	63.0	17510.144290	6.334056
Guatemala	235.0	16914.970	129.0	4236.114906	6.350033
Sainte-Lucie	1.0	180.954	10.0	11034.684894	6.485786
Espagne	1515.0	46647.428	205.0	28137.441564	6.500360
Émirats arabes unis	48.0	9487.203	433.0	40644.804043	6.562207
Iran (République islamique d')	2174.0	80673.883	6.0	6243.780412	6.586155
Paraguay	45.0	6867.061	1.0	5678.867540	6.652694
Vanuatu	1.0	285.510	4.0	3082.368364	6.662380
Azerbaïdjan	104.0	9845.320	27.0	4150.868844	6.723612
Australie	1269.0	24584.620	16.0	57628.863849	6.726787
Burkina Faso	46.0	19193.234	0.0	734.996282	6.791984
Pakistan	1281.0	207906.209	2.0	1455.991742	6.833551
Sao Tomé-et-Principe	1.0	207.089	2.0	1828.194018	6.902917
Canada	1417.0	36732.095	182.0	44906.748920	6.909561
Suriname	10.0	570.496	18.0	5947.369351	6.970271
Norvège	101.0	5296.326	2.0	75220.814442	7.093090
Kenya	35.0	50221.142	0.0	1634.068744	7.135500
Sénégal	77.0	15419.355	0.0	1361.702214	7.228812
Lesotho	2.0	2091.534	15.0	1101.803397	7.260175
Géorgie	22.0	4008.716	51.0	4051.842804	7.452143
Mozambique	92.0	28649.018	24.0	461.414754	7.574358
Koweït	56.0	4056.099	137.0	29754.636332	7.612780
Portugal	361.0	10288.527	82.0	21515.021025	7.692302
Indonésie	2301.0	264650.963	1.0	3837.578117	7.711925
Viet Nam	918.0	94600.648	291.0	2365.521494	7.907523
Fidji	23.0	877.459	3.0	6101.130428	7.958537
Bosnie-Herzégovine	61.0	3351.525	10.0	5394.741461	8.012034
République de Corée	838.0	51096.415	137.0	31781.123320	8.012736
Pérou	1465.0	31444.298	60.0	6710.531503	8.145981
Croatie	61.0	4182.857	24.0	13439.243178	8.156152
Maurice	48.0	1264.499	2.0	10485.851087	8.168907
Madagascar	81.0	25570.512	0.0	515.293303	8.265003
Nouvelle-Zélande	223.0	4702.034	1.0	43943.484628	8.423076
Slovénie	72.0	2076.394	20.0	23400.712988	8.497923
Colombie	1564.0	48909.839	78.0	6376.707362	8.617766
Chypre	25.0	1179.678	14.0	26755.592900	8.818061
Serbie	85.0	8829.628	12.0	6275.194384	8.846020
Bolivie (État plurinational de)	533.0	11192.855	1.0	3351.127399	8.921000
Botswana	5.0	2205.080	3.0	7893.362920	8.964811
Arménie	11.0	2944.791	35.0	3914.525246	8.984045
Chine, continentale	18236.0	1421021.791	452.0	8663.126784	9.051432
Chili	712.0	18470.439	155.0	14998.813979	9.053775
Cambodge	28.0	16009.409	10.0	1385.260419	9.110687
Israël	629.0	8243.848	0.0	43096.069697	9.541818
Iraq	96.0	37552.781	470.0	4985.453728	9.554553
Albanie	13.0	2884.169	38.0	4514.204908	9.852298
Lettonie	33.0	1951.097	43.0	15623.931572	9.910243
Thaïlande	1676.0	69209.810	2.0	6593.816870	10.019642
Chine - RAS de Macao	3.0	622.585	23.0	81043.968656	10.161502
Bangladesh	249.0	159685.424	0.0	1538.233627	10.298823
Bulgarie	107.0	7102.444	108.0	8335.277986	10.492325
Irlande	110.0	4753.279	99.0	70568.302444	10.929081
Kirghizistan	7.0	6189.733	25.0	1244.470221	10.952839
Monténégro	4.0	627.563	8.0	7738.844301	10.982153
Tchéquie	163.0	10641.034	116.0	20545.836143	11.158606
Pologne	2351.0	37953.180	55.0	13872.466907	11.504044
Hongrie	493.0	9729.823	58.0	14711.084220	11.536985
Guinée-Bissau	3.0	1828.145	4.0	738.550286	11.655252
Estonie	20.0	1319.390	21.0	20406.691807	11.677208
Uruguay	33.0	3436.641	3.0	18690.915595	11.816648
République centrafricaine	7.0	4596.023	4.0	450.900697	12.110939
Lituanie	118.0	2845.414	44.0	16784.459812	12.742468
Haïti	9.0	10982.366	89.0	1387.438826	12.798275
Roumanie	392.0	19653.969	146.0	10771.150494	13.341428
Inde	3545.0	1338676.785	0.0	1960.390340	13.358115
Brésil	14201.0	207833.823	3.0	9928.675992	13.990858
Eswatini	6.0	1124.805	2.0	3913.145927	14.235190
Argentine	2161.0	43937.140	8.0	14648.845969	14.316015
Bélarus	463.0	9450.231	21.0	5790.908054	14.616056
Malte	4.0	437.933	9.0	30850.173570	15.105178
Afrique du Sud	1667.0	57009.756	514.0	6121.876572	16.114973
Guinée	13.0	12067.519	37.0	855.575057	16.728287
Angola	42.0	29816.766	277.0	4095.811686	16.820539
Zambie	49.0	16853.599	12.0	1534.874627	17.075699
Namibie	11.0	2402.633	29.0	5363.907541	17.965938
Islande	10.0	334.393	2.0	73949.769216	18.147254
Népal	58.0	27632.681	0.0	1065.514207	19.602516
Kazakhstan	171.0	18080.019	174.0	9225.974208	19.834969
République de Moldova	54.0	4059.684	16.0	2381.895178	19.988156
Ukraine	1211.0	44487.709	121.0	2521.827514	20.785383
Malawi	130.0	17670.196	0.0	506.137215	22.241069
Fédération de Russie	4444.0	145530.082	226.0	10817.003315	23.078092
Soudan	67.0	40813.397	2.0	2990.994843	32.911453

⬆️

Analyse exploratoire de données ⚓

Définition des Fonctions d'affichage:

def plot_dendrogram(Z, names):
    plt.figure(figsize=(25,10))
    plt.title('Hierarchical Clustering Dendrogram')
    plt.xlabel('distance')
    dendrogram(
        Z,
        labels = names,
        orientation = "top",
    )
    plt.show()
    
def display_circles(pcs, n_comp, pca, axis_ranks, labels=None, label_rotation=0, lims=None):
    for d1, d2 in axis_ranks: # On affiche les 3 premiers plans factoriels, donc les 6 premières composantes
        if d2 < n_comp:

            # initialisation de la figure
            fig, ax = plt.subplots(figsize=(10,10))

            # détermination des limites du graphique
            if lims is not None :
                xmin, xmax, ymin, ymax = lims
            elif pcs.shape[1] < 30 :
                xmin, xmax, ymin, ymax = -1, 1, -1, 1
            else :
                xmin, xmax, ymin, ymax = min(pcs[d1,:]), max(pcs[d1,:]), min(pcs[d2,:]), max(pcs[d2,:])

            # affichage des flèches
            # s'il y a plus de 30 flèches, on n'affiche pas le triangle à leur extrémité
            if pcs.shape[1] < 30 :
                plt.quiver(np.zeros(pcs.shape[1]), np.zeros(pcs.shape[1]),
                   pcs[d1,:], pcs[d2,:], 
                   angles='xy', scale_units='xy', scale=1, color="grey")
                # (voir la doc : https://matplotlib.org/api/_as_gen/matplotlib.pyplot.quiver.html)
            else:
                lines = [[[0,0],[x,y]] for x,y in pcs[[d1,d2]].T]
                ax.add_collection(LineCollection(lines, axes=ax, alpha=.1, color='black'))
            
            # affichage des noms des variables  
            if labels is not None:  
                for i,(x, y) in enumerate(pcs[[d1,d2]].T):
                    if x >= xmin and x <= xmax and y >= ymin and y <= ymax :
                        plt.text(x, y, labels[i], fontsize='14', ha='center', va='center', rotation=label_rotation, color="blue", alpha=0.5)
            
            # affichage du cercle
            circle = plt.Circle((0,0), 1, facecolor='none', edgecolor='b')
            plt.gca().add_artist(circle)

            # définition des limites du graphique
            plt.xlim(xmin, xmax)
            plt.ylim(ymin, ymax)
        
            # 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('F{} ({}%)'.format(d1+1, round(100*pca.explained_variance_ratio_[d1],1)))
            plt.ylabel('F{} ({}%)'.format(d2+1, round(100*pca.explained_variance_ratio_[d2],1)))

            plt.title("Cercle des corrélations (F{} et F{})".format(d1+1, d2+1))
            plt.show(block=False)
        
def display_factorial_planes(X_projected, n_comp, pca, axis_ranks, labels=None, alpha=1, illustrative_var=None):
    for d1,d2 in axis_ranks:
        if d2 < n_comp:
 
            # initialisation de la figure       
            fig = plt.figure(figsize=(20,15))
        
            # affichage des points
            if illustrative_var is None:
                plt.scatter(X_projected[:, d1], X_projected[:, d2], alpha=alpha)
            else:
                illustrative_var = np.array(illustrative_var)
                for value in np.unique(illustrative_var):
                    selected = np.where(illustrative_var == value)
                    plt.scatter(X_projected[selected, d1], X_projected[selected, d2], alpha=alpha, label=value)
                plt.legend()

            # affichage des labels des points
            if labels is not None:
                for i,(x,y) in enumerate(X_projected[:,[d1,d2]]):
                    plt.text(x, y, labels[i],
                              fontsize='10', ha='center',va='center') 
                
            # détermination des limites du graphique
            boundary = np.max(np.abs(X_projected[:, [d1,d2]])) * 1.1
            plt.xlim([-boundary,boundary])
            plt.ylim([-boundary,boundary])
        
            # affichage des lignes horizontales et verticales
            plt.plot([-100, 100], [0, 0], color='grey', ls='--')
            plt.plot([0, 0], [-100, 100], color='grey', ls='--')

            # nom des axes, avec le pourcentage d'inertie expliqué
            plt.xlabel('F{} ({}%)'.format(d1+1, round(100*pca.explained_variance_ratio_[d1],1)))
            plt.ylabel('F{} ({}%)'.format(d2+1, round(100*pca.explained_variance_ratio_[d2],1)))

            plt.title("Projection des individus (sur F{} et F{})".format(d1+1, d2+1))
            plt.show(block=False)

def display_scree_plot(pca):
    scree = pca.explained_variance_ratio_*100
    plt.bar(np.arange(len(scree))+1, scree)
    plt.plot(np.arange(len(scree))+1, scree.cumsum(),c="red",marker='o')
    plt.xlabel("rang de l'axe d'inertie")
    plt.ylabel("pourcentage d'inertie")
    plt.title("Eboulis des valeurs propres")
    plt.show(block=False)

⬆️

1/ Classification ascendante hiérarchique, Dendrogramme ⚓

# préparation des données pour le clustering
X = df_analyse.values
index = df_analyse.index

# Centrage et Réduction
std_scale = preprocessing.StandardScaler().fit(X)
X_scaled = std_scale.transform(X)

# Clustering hiérarchique
#Méthode de Ward
Z = linkage(X_scaled, 'ward')

# Affichage du dendrogramme
plot_dendrogram(Z, index)

clusters = fcluster(Z, 3, criterion='maxclust')

df_cl = pd.DataFrame({"Pays": index, "cluster": clusters})
df_cl.pivot_table(index="Pays", columns="cluster", aggfunc=len, fill_value=0)

cluster	1	2	3
Pays
Afghanistan	0	1	0
Afrique du Sud	0	0	1
Albanie	0	1	0
Algérie	0	1	0
Allemagne	0	0	1
Angola	0	1	0
Antigua-et-Barbuda	0	1	0
Arabie saoudite	0	0	1
Argentine	0	1	0
Arménie	0	1	0
Australie	0	0	1
Autriche	0	0	1
Azerbaïdjan	0	1	0
Bahamas	0	1	0
Bangladesh	0	1	0
Barbade	0	1	0
Belgique	0	0	1
Belize	0	1	0
Bolivie (État plurinational de)	0	1	0
Bosnie-Herzégovine	0	1	0
Botswana	0	1	0
Brésil	1	0	0
Bulgarie	0	1	0
Burkina Faso	0	1	0
Bélarus	0	1	0
Bénin	0	1	0
Cabo Verde	0	1	0
Cambodge	0	1	0
Cameroun	0	1	0
Canada	0	0	1
Chili	0	1	0
Chine - RAS de Hong-Kong	0	0	1
Chine - RAS de Macao	0	0	1
Chine, continentale	1	0	0
Chypre	0	1	0
Colombie	0	1	0
Congo	0	1	0
Costa Rica	0	1	0
Croatie	0	1	0
Cuba	0	0	1
Côte d'Ivoire	0	1	0
Danemark	0	0	1
Dominique	0	1	0
El Salvador	0	1	0
Espagne	0	0	1
Estonie	0	1	0
Eswatini	0	1	0
Fidji	0	1	0
Finlande	0	0	1
France	0	0	1
Fédération de Russie	0	1	0
Gabon	0	1	0
Gambie	0	1	0
Ghana	0	1	0
Grenade	0	1	0
Grèce	0	1	0
Guatemala	0	1	0
Guinée	0	1	0
Guinée-Bissau	0	1	0
Guyana	0	1	0
Géorgie	0	1	0
Haïti	0	1	0
Honduras	0	1	0
Hongrie	0	1	0
Inde	1	0	0
Indonésie	0	1	0
Iran (République islamique d')	0	1	0
Iraq	0	0	1
Irlande	0	0	1
Islande	0	0	1
Israël	0	0	1
Italie	0	0	1
Jamaïque	0	1	0
Japon	0	0	1
Jordanie	0	1	0
Kazakhstan	0	1	0
Kenya	0	1	0
Kirghizistan	0	1	0
Kiribati	0	1	0
Koweït	0	0	1
Lesotho	0	1	0
Lettonie	0	1	0
Liban	0	1	0
Libéria	0	1	0
Lituanie	0	1	0
Luxembourg	0	0	1
Macédoine du Nord	0	1	0
Madagascar	0	1	0
Malaisie	0	1	0
Malawi	0	1	0
Mali	0	1	0
Malte	0	1	0
Maroc	0	1	0
Maurice	0	1	0
Mauritanie	0	1	0
Mexique	0	0	1
Mongolie	0	1	0
Monténégro	0	1	0
Mozambique	0	1	0
Myanmar	0	1	0
Namibie	0	1	0
Nicaragua	0	1	0
Niger	0	1	0
Nigéria	0	1	0
Norvège	0	0	1
Nouvelle-Calédonie	0	1	0
Nouvelle-Zélande	0	0	1
Népal	0	1	0
Oman	0	1	0
Ouganda	0	1	0
Pakistan	0	1	0
Panama	0	1	0
Paraguay	0	1	0
Pays-Bas	0	0	1
Philippines	0	0	1
Pologne	0	1	0
Polynésie française	0	1	0
Portugal	0	1	0
Pérou	0	1	0
Roumanie	0	1	0
Royaume-Uni de Grande-Bretagne et d'Irlande du Nord	0	0	1
Rwanda	0	1	0
République centrafricaine	0	1	0
République de Corée	0	0	1
République de Moldova	0	1	0
République dominicaine	0	1	0
République populaire démocratique de Corée	0	1	0
République-Unie de Tanzanie	0	1	0
Saint-Kitts-et-Nevis	0	1	0
Saint-Vincent-et-les Grenadines	0	1	0
Sainte-Lucie	0	1	0
Samoa	0	1	0
Sao Tomé-et-Principe	0	1	0
Serbie	0	1	0
Sierra Leone	0	1	0
Slovaquie	0	1	0
Slovénie	0	1	0
Soudan	0	1	0
Sri Lanka	0	1	0
Suisse	0	0	1
Suriname	0	1	0
Suède	0	0	1
Sénégal	0	1	0
Tadjikistan	0	1	0
Tchad	0	1	0
Tchéquie	0	1	0
Thaïlande	0	1	0
Timor-Leste	0	1	0
Togo	0	1	0
Trinité-et-Tobago	0	1	0
Tunisie	0	1	0
Turkménistan	0	1	0
Turquie	0	1	0
Ukraine	0	1	0
Uruguay	0	1	0
Vanuatu	0	1	0
Venezuela (République bolivarienne du)	0	1	0
Viet Nam	0	0	1
Yémen	0	1	0
Zambie	0	1	0
Zimbabwe	0	1	0
Égypte	0	1	0
Émirats arabes unis	0	0	1
Équateur	0	1	0
États-Unis d'Amérique	1	0	0
Éthiopie	0	1	0
Îles Salomon	0	1	0

list_pays = pd.DataFrame({"cluster": clusters, "pays": index})

Identifions le cluster de la France

list_pays[list_pays["pays"] == "France"]

	cluster	pays
55	3	France

Le Cluster est "3"
Vérifions les Pays appartenant à ce Cluster:

list_clust_france = list_pays[list_pays["cluster"] == 3]
list_clust_france
print(len(list_clust_france))

33

list_pays[list_pays["cluster"] == 3]

	cluster	pays
1	3	Afrique du Sud
4	3	Allemagne
7	3	Arabie saoudite
10	3	Australie
11	3	Autriche
17	3	Belgique
29	3	Canada
31	3	Chine - RAS de Hong-Kong
32	3	Chine - RAS de Macao
40	3	Cuba
41	3	Danemark
45	3	Émirats arabes unis
47	3	Espagne
54	3	Finlande
55	3	France
73	3	Iraq
74	3	Irlande
75	3	Islande
76	3	Israël
77	3	Italie
79	3	Japon
85	3	Koweït
91	3	Luxembourg
101	3	Mexique
111	3	Norvège
113	3	Nouvelle-Zélande
119	3	Pays-Bas
121	3	Philippines
126	3	République de Corée
132	3	Royaume-Uni de Grande-Bretagne et d'Irlande du...
146	3	Suède
147	3	Suisse
163	3	Viet Nam

list_pays.sort_values("cluster")

	cluster	pays
23	1	Brésil
33	1	Chine, continentale
70	1	Inde
50	1	États-Unis d'Amérique
0	2	Afghanistan
105	2	Myanmar
106	2	Namibie
107	2	Népal
108	2	Nicaragua
109	2	Niger
110	2	Nigéria
112	2	Nouvelle-Calédonie
114	2	Oman
115	2	Ouganda
116	2	Pakistan
117	2	Panama
118	2	Paraguay
104	2	Mozambique
103	2	Monténégro
102	2	Mongolie
100	2	Mauritanie
82	2	Kenya
165	2	Zambie
84	2	Kiribati
86	2	Lesotho
87	2	Lettonie
88	2	Liban
89	2	Libéria
120	2	Pérou
90	2	Lituanie
93	2	Madagascar
94	2	Malaisie
95	2	Malawi
96	2	Mali
97	2	Malte
98	2	Maroc
99	2	Maurice
92	2	Macédoine du Nord
122	2	Pologne
124	2	Portugal
81	2	Kazakhstan
149	2	Tadjikistan
150	2	Tchad
151	2	Tchéquie
152	2	Thaïlande
153	2	Timor-Leste
154	2	Togo
155	2	Trinité-et-Tobago
156	2	Tunisie
157	2	Turkménistan
158	2	Turquie
159	2	Ukraine
160	2	Uruguay
161	2	Vanuatu
162	2	Venezuela (République bolivarienne du)
164	2	Yémen
148	2	Suriname
145	2	Sri Lanka
144	2	Soudan
143	2	Slovénie
125	2	République centrafricaine
127	2	République de Moldova
128	2	République dominicaine
129	2	République populaire démocratique de Corée
130	2	République-Unie de Tanzanie
131	2	Roumanie
133	2	Rwanda
123	2	Polynésie française
134	2	Sainte-Lucie
136	2	Saint-Vincent-et-les Grenadines
137	2	Samoa
138	2	Sao Tomé-et-Principe
139	2	Sénégal
140	2	Serbie
141	2	Sierra Leone
142	2	Slovaquie
135	2	Saint-Kitts-et-Nevis
80	2	Jordanie
83	2	Kirghizistan
166	2	Zimbabwe
21	2	Bosnie-Herzégovine
12	2	Azerbaïdjan
46	2	Équateur
13	2	Bahamas
44	2	El Salvador
43	2	Égypte
42	2	Dominique
14	2	Bangladesh
15	2	Barbade
16	2	Bélarus
78	2	Jamaïque
39	2	Croatie
49	2	Eswatini
38	2	Côte d'Ivoire
36	2	Congo
35	2	Colombie
34	2	Chypre
18	2	Belize
30	2	Chili
19	2	Bénin
28	2	Cameroun
27	2	Cambodge
26	2	Cabo Verde
25	2	Burkina Faso
24	2	Bulgarie
22	2	Botswana
37	2	Costa Rica
51	2	Éthiopie
48	2	Estonie
53	2	Fidji
2	2	Albanie
3	2	Algérie
5	2	Angola
72	2	Iran (République islamique d')
71	2	Indonésie
69	2	Îles Salomon
68	2	Hongrie
67	2	Honduras
6	2	Antigua-et-Barbuda
52	2	Fédération de Russie
65	2	Guyana
64	2	Guinée-Bissau
66	2	Haïti
62	2	Guatemala
9	2	Arménie
8	2	Argentine
56	2	Gabon
63	2	Guinée
57	2	Gambie
59	2	Ghana
60	2	Grèce
61	2	Grenade
58	2	Géorgie
20	2	Bolivie (État plurinational de)
7	3	Arabie saoudite
146	3	Suède
17	3	Belgique
147	3	Suisse
11	3	Autriche
4	3	Allemagne
10	3	Australie
163	3	Viet Nam
1	3	Afrique du Sud
79	3	Japon
132	3	Royaume-Uni de Grande-Bretagne et d'Irlande du...
77	3	Italie
76	3	Israël
75	3	Islande
74	3	Irlande
73	3	Iraq
85	3	Koweït
91	3	Luxembourg
101	3	Mexique
55	3	France
29	3	Canada
54	3	Finlande
47	3	Espagne
113	3	Nouvelle-Zélande
45	3	Émirats arabes unis
119	3	Pays-Bas
41	3	Danemark
121	3	Philippines
126	3	République de Corée
32	3	Chine - RAS de Macao
31	3	Chine - RAS de Hong-Kong
111	3	Norvège
40	3	Cuba

⬆️

2/ Méthode K-Means ⚓

Determinons le nombre de cluster par la méthode Elbow

inertias = [] 

K = range(1,10)
for k in K:
    kmeanModel = KMeans(n_clusters=k)
    kmeanModel.fit(df_analyse.values)
    inertias.append(kmeanModel.inertia_)

C:\Users\yacin\anaconda3\lib\site-packages\sklearn\cluster\_kmeans.py:881: UserWarning: KMeans is known to have a memory leak on Windows with MKL, when there are less chunks than available threads. You can avoid it by setting the environment variable OMP_NUM_THREADS=1.
  warnings.warn(

plt.figure(figsize=(16,8))
plt.plot(K, inertias, 'bx-')
plt.xlabel('k')
plt.ylabel('Inertie')
plt.title('The Elbow Method showing the optimal k')
plt.show()

D'après la méthode du coude, on remarque que la valeur 3 est la valeur la plus optimale

# Nombre de clusters souhaités
n_clust = 3

# préparation des données pour le clustering
X = df_analyse.values

# Réduire les variables 
X_scaled = preprocessing.StandardScaler().fit_transform(X)

# Clustering par K-means
km = KMeans(n_clusters=n_clust, init='k-means++')

km.fit(X_scaled)

# Récupération des clusters attribués à chaque individu
clusters = km.labels_

# Affichage du clustering par projection des individus sur le premier plan factoriel
pca_kmeans = decomposition.PCA(n_components=5).fit(X_scaled)
X_projected = pca_kmeans.transform(X_scaled)
plt.figure(figsize=(10, 10), dpi=80)
plt.scatter(X_projected[:, 0], X_projected[:, 1], c=clusters.astype(float), cmap = 'jet', alpha=1)
plt.title("Projection des {} individus sur le 1e plan factoriel".format(X_projected.shape[0]))
plt.show(block=False)

# Affichage des positions des centres de classes
plt.figure()
centroids = km.cluster_centers_
centroids_projected = pca_kmeans.transform(centroids)
plt.scatter(centroids_projected[:,0],centroids_projected[:,1])
plt.title("Projection des {} centres sur le 1e plan factoriel".format(len(centroids)))
plt.show()

⬆️

3/ Analyse en Composantes Principales, ACP ⚓

# choix du nombre de composantes à calculer
n_comp = 5

# préparation des données pour l'ACP
df_analyse = df_analyse.fillna(df_analyse.mean()) # Il est fréquent de remplacer les valeurs inconnues par la moyenne de la variable
X = df_analyse.values

names = df_analyse.index # ou data.index pour avoir les intitulés
features = df_analyse.columns

# Centrage et Réduction
std_scale = preprocessing.StandardScaler().fit(X)
X_scaled = std_scale.transform(X)

# Calcul des composantes principales
pca = decomposition.PCA(n_components=n_comp)
pca.fit(X_scaled)

# Eboulis des valeurs propres
display_scree_plot(pca)

plt.show()

Remarque: par la méthode du coude, on remarque qu'à partir du rang 4, le pourcentage d’inertie diminue beaucoup plus lentement

# Cercle des corrélations
choix_n_comp=4
pcs = pca.components_
display_circles(pcs, choix_n_comp, pca, [(0,1)], labels = np.array(features))

Remarque: Le premier plan factoriel représente 34.7 + 23.8 = 58.50% de l'inertie total 2 axes se démarquent de ce plan: Démographie F1 ("Population", "Production") et Richesse F2 ("PIB", "Importation") tandis que "croissance annuelle" est mal représenté sur le cercle

# Projection des individus
X_projected = pca.transform(X_scaled)
display_factorial_planes(X_projected, n_comp, pca, [(0,1)], labels = np.array(names))

# On met en évidence la France et les Pays faisant partis de son Cluster

list_c_france=[]
for name in names:
  if name not in list(list_clust_france["pays"]):
    name=''
    list_c_france.append(name)
  else:
    name=name
    list_c_france.append(name)
    
display_factorial_planes(X_projected, n_comp, pca, [(0,1)], labels = np.array(list_c_france))
display_factorial_planes(X_projected, n_comp, pca, [(0,1)], labels = np.array(clusters))

⬆️

4/ Heatmap ⚓

#Heatmap Clusters
data_clust=X_scaled.copy()

df_cluster = pd.DataFrame(data_clust)
df_cluster['pays']=df_analyse.index
df_cluster['cluster']=KMeans(n_clusters=n_clust, init='k-means++').fit(data_clust).labels_

df_cluster

	0	1	2	3	4	pays	cluster
0	-0.278890	-0.048100	-0.325803	-0.705135	-0.635910	Afghanistan	0
1	0.376330	0.085726	2.261046	-0.418082	1.440404	Afrique du Sud	2
2	-0.284886	-0.263967	-0.277800	-0.500472	0.504056	Albanie	0
3	-0.180147	-0.015195	-0.469814	-0.521202	-0.350539	Algérie	0
4	0.315166	0.251436	4.010503	1.556501	-0.095391	Allemagne	2
5	-0.273293	-0.089961	0.996957	-0.521913	1.545895	Angola	0
6	-0.290083	-0.281984	-0.443145	0.056554	-0.786199	Antigua-et-Barbuda	0
7	-0.043826	-0.068742	3.370458	0.334269	-0.274251	Arabie saoudite	2
8	0.573816	0.001267	-0.437811	0.018908	1.171438	Argentine	0
9	-0.285686	-0.263575	-0.293801	-0.531204	0.374242	Arménie	0
10	0.217222	-0.123765	-0.395142	2.221548	0.036754	Australie	2
11	-0.230918	-0.225617	0.106227	1.692679	-0.278895	Autriche	2
12	-0.248507	-0.218992	-0.336471	-0.519092	0.036279	Azerbaïdjan	0
13	-0.287685	-0.280134	-0.352472	0.927396	-0.665630	Bahamas	0
14	-0.190541	0.749089	-0.480481	-0.652984	0.570817	Bangladesh	0
15	-0.284087	-0.280751	-0.469814	0.160889	-0.507535	Barbade	0
16	-0.104991	-0.221545	-0.368473	-0.435043	1.216297	Bélarus	0
17	-0.104991	-0.208820	1.322313	1.524424	-0.210045	Belgique	2
18	-0.282088	-0.280173	-0.480481	-0.480204	-0.870818	Belize	0
19	-0.282887	-0.210400	0.175565	-0.673567	-0.290992	Bénin	0
20	-0.077007	-0.210286	-0.475147	-0.560077	0.364816	Bolivie (État plurinational de)	0
21	-0.265697	-0.260947	-0.427144	-0.455346	0.228914	Bosnie-Herzégovine	0
22	-0.288084	-0.268354	-0.464480	-0.327296	0.371366	Botswana	0
23	5.387023	1.060165	-0.464480	-0.222991	1.122822	Brésil	1
24	-0.247308	-0.236713	0.095560	-0.304649	0.599748	Bulgarie	0
25	-0.271694	-0.158598	-0.480481	-0.694148	0.046501	Burkina Faso	0
26	-0.289683	-0.279128	-0.416477	-0.563074	-0.197058	Cabo Verde	0
27	-0.278890	-0.179168	-0.427144	-0.660824	0.393176	Cambodge	0
28	-0.257702	-0.123885	-0.480481	-0.658782	-0.302953	Cameroun	0
29	0.276388	-0.045283	0.490254	1.569565	0.064081	Canada	2
30	-0.005448	-0.163267	0.346244	0.036844	0.384667	Chili	0
31	-0.280489	-0.235396	4.357195	1.661724	-0.154871	Chine - RAS de Hong-Kong	2
32	-0.288884	-0.278578	-0.357806	3.421526	0.550286	Chine - RAS de Macao	2
33	7.000087	8.898287	1.930356	-0.287848	0.384317	Chine, continentale	1
34	-0.280089	-0.274979	-0.405809	0.639355	0.349425	Chypre	0
35	0.335154	0.033394	-0.064452	-0.405022	0.319478	Colombie	0
36	-0.287285	-0.249582	0.074225	-0.621395	-0.114682	Congo	0
37	-0.236914	-0.250620	-0.389808	-0.105279	-0.702135	Costa Rica	0
38	-0.266897	-0.124716	-0.443145	-0.623630	-0.243884	Côte d'Ivoire	0
39	-0.265697	-0.255576	-0.352472	-0.043081	0.250461	Croatie	0
40	-0.278490	-0.209340	1.183637	-0.294095	-0.077907	Cuba	0
41	-0.220923	-0.245566	0.228902	2.237432	-0.119383	Danemark	2
42	-0.290083	-0.282139	-0.459146	-0.358382	-2.438343	Dominique	0
43	0.156857	0.340492	0.106227	-0.628124	-5.348124	Égypte	0
44	-0.235715	-0.241328	-0.395142	-0.531423	-0.559411	El Salvador	0
45	-0.270894	-0.221306	1.829016	1.351149	0.012147	Émirats arabes unis	2
46	-0.154162	-0.174154	-0.480481	-0.413386	-0.590501	Équateur	0
47	0.315565	0.018777	0.612930	0.710172	0.002900	Espagne	0
48	-0.282088	-0.274076	-0.368473	0.313987	0.776903	Estonie	0
49	-0.287685	-0.275333	-0.469814	-0.531275	1.159353	Eswatini	0
50	8.470433	1.817696	0.175565	2.339050	-0.440713	États-Unis d'Amérique	1
51	-0.284486	0.404824	-0.475147	-0.694827	-0.426423	Éthiopie	0
52	1.486486	0.657635	0.724938	-0.177466	2.481477	Fédération de Russie	0
53	-0.280889	-0.276932	-0.464480	-0.419145	0.220916	Fidji	0
54	-0.238513	-0.246993	-0.395142	1.645351	-0.073770	Finlande	0
55	0.409511	0.136332	2.218377	1.252540	-0.265105	France	2
56	-0.288484	-0.269260	-0.075119	-0.361268	-0.442271	Gabon	0
57	-0.289284	-0.268297	-0.395142	-0.696978	-1.033369	Gambie	0
58	-0.281288	-0.256701	-0.208462	-0.524167	0.145203	Géorgie	0
59	-0.266097	-0.094454	0.324909	-0.625518	-0.193972	Ghana	0
60	-0.191740	-0.214314	-0.059118	0.237168	-0.373147	Grèce	0
61	-0.289683	-0.281884	-0.443145	-0.211503	-0.154686	Grenade	0
62	-0.196138	-0.173317	0.207568	-0.514723	-0.019576	Guatemala	0
63	-0.284886	-0.204635	-0.283134	-0.687969	1.532102	Guinée	0
64	-0.288884	-0.270789	-0.459146	-0.693966	0.773620	Guinée-Bissau	0
65	-0.277690	-0.277592	-0.480481	-0.417926	-0.162265	Guyana	0
66	-0.286485	-0.211646	-0.005781	-0.660712	0.944517	Haïti	0
67	-0.212928	-0.221682	-0.416477	-0.606067	-0.259607	Honduras	0
68	-0.092998	-0.219738	-0.171126	0.022098	0.755938	Hongrie	0
69	-0.290083	-0.278491	-0.448479	-0.612260	-0.247488	Îles Salomon	0
70	1.127094	8.366275	-0.480481	-0.631349	1.028220	Inde	1
71	0.629783	1.427247	-0.475147	-0.535147	0.184044	Indonésie	0
72	0.579013	0.238614	-0.448479	-0.411834	0.015727	Iran (République islamique d')	0
73	-0.251705	-0.039981	2.026363	-0.476321	0.459540	Iraq	0
74	-0.246109	-0.251891	0.047556	2.884669	0.665049	Irlande	2
75	-0.286085	-0.280440	-0.469814	3.057962	1.744255	Islande	2
76	-0.038629	-0.229339	-0.480481	1.476772	0.457636	Israël	0
77	0.235612	0.109398	0.036889	0.925214	-0.286265	Italie	0
78	-0.238913	-0.263730	-0.315136	-0.471983	-0.270339	Jamaïque	0
79	0.595403	0.541165	5.221256	1.250068	-1.156528	Japon	2
80	-0.206132	-0.219377	-0.139124	-0.514961	-0.768071	Jordanie	0
81	-0.221723	-0.165790	0.447585	-0.259003	1.996590	Kazakhstan	0
82	-0.276091	0.041866	-0.480481	-0.648073	0.097861	Kenya	0
83	-0.287285	-0.242610	-0.347138	-0.668039	0.668601	Kirghizistan	0
84	-0.289683	-0.281863	-0.475147	-0.647329	-0.383020	Kiribati	0
85	-0.267696	-0.256395	0.250237	0.793050	0.169221	Koweït	0
86	-0.289284	-0.269088	-0.400475	-0.675350	0.116502	Lesotho	0
87	-0.276891	-0.269995	-0.251132	0.068880	0.512720	Lettonie	0
88	-0.264498	-0.238542	-0.411143	-0.331076	-0.644963	Liban	0
89	-0.284087	-0.252221	-0.224463	-0.701703	-1.304296	Libéria	0
90	-0.242911	-0.264217	-0.245798	0.128354	0.936173	Lituanie	0
91	-0.290083	-0.278776	-0.421810	4.957593	-0.455913	Luxembourg	2
92	-0.289284	-0.269149	-0.267133	-0.453494	-0.089500	Macédoine du Nord	0
93	-0.257702	-0.117396	-0.480481	-0.705408	0.266736	Madagascar	0
94	0.399117	-0.081641	-0.117789	-0.206052	-0.296750	Malaisie	0
95	-0.238113	-0.168438	-0.480481	-0.705877	2.356332	Malawi	0
96	-0.270894	-0.162996	-0.475147	-0.689279	-0.024911	Mali	0
97	-0.288484	-0.279771	-0.432478	0.849194	1.289427	Malte	0
98	0.014540	-0.052718	-0.464480	-0.573838	-0.249967	Maroc	0
99	-0.270894	-0.274431	-0.469814	-0.194437	0.252368	Maurice	0
100	-0.288084	-0.254932	-0.352472	-0.650441	-0.472754	Mauritanie	0
101	1.008763	0.523556	4.703886	-0.255832	-0.040050	Mexique	2
102	-0.290083	-0.262483	-0.427144	-0.543766	-0.931141	Mongolie	0
103	-0.288484	-0.278546	-0.437811	-0.335215	0.672984	Monténégro	0
104	-0.253305	-0.097506	-0.352472	-0.708169	0.163476	Mozambique	0
105	0.374331	0.062291	-0.464480	-0.666334	-0.788707	Myanmar	0
106	-0.285686	-0.267078	-0.325803	-0.456926	1.717146	Namibie	0
107	-0.266897	-0.104072	-0.480481	-0.677210	1.961835	Népal	0
108	-0.232916	-0.241350	-0.448479	-0.621163	-0.603045	Nicaragua	0
109	-0.282488	-0.143033	-0.464480	-0.705281	-0.444209	Niger	0
110	-0.209730	0.950587	-0.480481	-0.630924	-2.393414	Nigéria	0
111	-0.249707	-0.248382	-0.469814	3.123101	0.091520	Norvège	2
112	-0.289683	-0.280810	-0.432478	0.964564	-0.356000	Nouvelle-Calédonie	0
113	-0.200935	-0.252222	-0.475147	1.520200	0.290370	Nouvelle-Zélande	0
114	-0.287285	-0.252455	0.191566	0.043595	-0.445533	Oman	0
115	-0.264098	-0.016633	-0.480481	-0.692503	-1.019111	Ouganda	0
116	0.222020	1.060633	-0.469814	-0.657199	0.052716	Pakistan	0
117	-0.210929	-0.256068	-0.373807	0.044407	-0.132585	Panama	0
118	-0.272094	-0.238234	-0.475147	-0.440785	0.025676	Paraguay	0
119	0.149662	-0.172630	2.762415	1.778805	-0.045813	Pays-Bas	2
120	0.295577	-0.079446	-0.160458	-0.387914	0.248941	Pérou	0
121	0.218422	0.396897	0.847613	-0.571756	-0.727776	Philippines	0
122	0.649771	-0.037394	-0.187127	-0.020879	0.751013	Pologne	0
123	-0.289683	-0.280817	-0.400475	0.350928	-0.131277	Polynésie française	0
124	-0.145767	-0.216129	-0.043117	0.370786	0.181110	Portugal	0
125	-0.287285	-0.252907	-0.459146	-0.708708	0.841751	République centrafricaine	0
126	0.044922	0.047521	0.250237	0.896903	0.229019	République de Corée	0
127	-0.268496	-0.256372	-0.395142	-0.609748	2.019493	République de Moldova	0
128	-0.154562	-0.214678	-0.256465	-0.341851	-0.289839	République dominicaine	0
129	-0.272893	-0.118304	-0.480481	-0.696642	-0.527985	République populaire démocratique de Corée	0
130	-0.248108	0.070547	-0.469814	-0.680508	-0.361119	République-Unie de Tanzanie	0
131	-0.133374	-0.155621	0.298241	-0.179816	1.025725	Roumanie	0
132	0.435096	0.148510	3.674480	1.341082	-1.195262	Royaume-Uni de Grande-Bretagne et d'Irlande du...	2
133	-0.282488	-0.205194	-0.480481	-0.692237	-0.417178	Rwanda	0
134	-0.289683	-0.281431	-0.427144	-0.166310	0.000721	Sainte-Lucie	0
135	-0.290083	-0.282264	-0.459146	0.249862	-0.696049	Saint-Kitts-et-Nevis	0
136	-0.290083	-0.281891	-0.432478	-0.362166	-0.677582	Saint-Vincent-et-les Grenadines	0
137	-0.290083	-0.281338	-0.389808	-0.515371	-0.969404	Samoa	0
138	-0.289683	-0.281263	-0.469814	-0.638124	0.063087	Sao Tomé-et-Principe	0
139	-0.259301	-0.182980	-0.480481	-0.662031	0.111813	Sénégal	0
140	-0.256103	-0.225554	-0.416477	-0.410224	0.353605	Serbie	0
141	-0.283287	-0.234220	-0.405809	-0.706223	-1.754104	Sierra Leone	0
142	-0.261700	-0.247403	-0.144457	0.165544	-0.021965	Slovaquie	0
143	-0.261300	-0.269185	-0.373807	0.467424	0.301560	Slovénie	0
144	-0.263299	-0.018915	-0.469814	-0.578533	3.951687	Soudan	0
145	-0.213328	-0.146097	-0.480481	-0.519751	-0.137084	Sri Lanka	0
146	-0.227320	-0.218607	-0.032449	2.067419	-0.342663	Suède	2
147	-0.253704	-0.227970	-0.208462	3.537810	-0.914057	Suisse	2
148	-0.286085	-0.278915	-0.384474	-0.427025	0.073157	Suriname	0
149	-0.289284	-0.225227	-0.277800	-0.688323	-0.199037	Tadjikistan	0
150	-0.287685	-0.185581	-0.475147	-0.696344	-1.419913	Tchad	0
151	-0.224921	-0.213851	0.138229	0.321117	0.699366	Tchéquie	0
152	0.379928	0.164548	-0.469814	-0.393896	0.529076	Thaïlande	0
153	-0.289683	-0.274568	-0.421810	-0.665219	-1.568239	Timor-Leste	0
154	-0.274092	-0.232863	-0.395142	-0.689295	-0.575355	Togo	0
155	-0.265697	-0.273659	-0.357806	0.126482	-0.502746	Trinité-et-Tobago	0
156	-0.204933	-0.208732	-0.480481	-0.553411	-1.845050	Tunisie	0
157	-0.282088	-0.245402	-0.432478	-0.385770	-0.115410	Turkménistan	0
158	0.586208	0.241474	-0.464480	-0.189121	-1.387426	Turquie	0
159	0.194036	0.004824	0.164898	-0.602577	2.138688	Ukraine	0
160	-0.276891	-0.260397	-0.464480	0.226056	0.797751	Uruguay	0
161	-0.289683	-0.280756	-0.459146	-0.573850	0.027124	Vanuatu	0
162	-0.050222	-0.092638	-0.347138	-0.299678	-2.876666	Venezuela (République bolivarienne du)	0
163	0.076904	0.328592	1.071629	-0.610587	0.213288	Viet Nam	0
164	-0.222922	-0.102766	-0.064452	-0.693631	-2.186556	Yémen	0
165	-0.270495	-0.173713	-0.416477	-0.653156	1.584045	Zambie	0
166	-0.262499	-0.190621	-0.448479	-0.652474	-0.115589	Zimbabwe	0

#On modifie le label des clusters 

#Cluster Pays en développement
if 'Indonésie' in df_cluster["pays"].loc[ df_cluster["cluster"] == 0].tolist():
    df_cluster["cluster"].loc[ df_cluster["cluster"] == 0] = "Cluster 0 (ex. Indonésie)"
elif 'Indonésie' in df_cluster["pays"].loc[ df_cluster["cluster"] == 1].tolist():
    df_cluster["cluster"].loc[ df_cluster["cluster"] == 1] = "Cluster 0 (ex. Indonésie)"
else:
    df_cluster["cluster"].loc[ df_cluster["cluster"] == 2] = "Cluster 0 (ex. Indonésie)"
    
#Cluster France
if 'France' in df_cluster["pays"].loc[ df_cluster["cluster"] == 0].tolist():
    df_cluster["cluster"].loc[ df_cluster["cluster"] == 0] = "Cluster 1 (ex. France)"
elif 'France' in df_cluster["pays"].loc[ df_cluster["cluster"] == 1].tolist():
    df_cluster["cluster"].loc[ df_cluster["cluster"] == 1] = "Cluster 1 (ex. France)"
else:
    df_cluster["cluster"].loc[ df_cluster["cluster"] == 2] = "Cluster 1 (ex. France)"
    
#Cluster USA
if "États-Unis d'Amérique" in df_cluster["pays"].loc[ df_cluster["cluster"] == 0].tolist():
    df_cluster["cluster"].loc[ df_cluster["cluster"] == 0] = "Cluster 2 (ex. USA)"
elif "États-Unis d'Amérique" in df_cluster["pays"].loc[ df_cluster["cluster"] == 1].tolist():
    df_cluster["cluster"].loc[ df_cluster["cluster"] == 1] = "Cluster 2 (ex. USA)"
else:
    df_cluster["cluster"].loc[ df_cluster["cluster"] == 2] = "Cluster 2 (ex. USA)"

C:\Users\yacin\anaconda3\lib\site-packages\pandas\core\indexing.py:1732: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  self._setitem_single_block(indexer, value, name)

df_cluster=df_cluster.set_index("cluster")
df_cluster = df_cluster.groupby(by='cluster').mean()

#On remplace les index par les labels des variables correspondantes
list_col=df_analyse.columns
list_col_df=df_cluster.columns
list_col_df_labels=[]
for col in list_col_df:
    label=list_col[col]
    list_col_df_labels.append(label)
    
df_cluster.columns = list_col_df_labels

# Affichage
sns.clustermap(df_cluster, cmap='Greens')
plt.title('Heatmap par Clusters')
plt.show()

⬆️

Conclusion ⚓

A l'aide des différentes méthodes, on a pu déterminer les différents clusters et composantes de cette analyse.
Trois clusters se distinguent représentés par deux axes principales: la Richesse et la Démographie.
La France qui appartient au cluster n°3, présente certaines caractéristiques similaires à d'autres Pays de ce cluster.
Ces Pays pourraient être des candidats sérieux pour notre développement à l'International (Voir table ci-dessous).
En enrichissant nos données d'autres variables (modèle PESTEL), il serait possible d'affiner notre analyse.

def bg_colour_col (col):
    colour = '#ffff00'
    return ['background-color: %s' % colour 
                if i==14   # color row `14`
                else ''
             for i,x in col.iteritems()]


data_merge_interpret = pd.merge(list_clust_france, df_analyse, left_on="pays", right_on="Pays", how="left", indicator=False)
data_merge_interpret.describe()

	cluster	Production	Population	Importation	Valeur PIB ($ par hab.)	Croissance annuelle US$ PIB (%)
count	33.0	33.000000	33.000000	33.000000	33.000000	33.000000
mean	3.0	756.333333	34462.986970	312.666667	42758.665290	6.422699
std	0.0	814.014307	37695.736433	323.566904	25409.945640	3.987501
min	3.0	0.000000	334.393000	0.000000	2365.521494	-1.513432
25%	3.0	96.000000	5732.274000	51.000000	29754.636332	4.646660
50%	3.0	463.000000	11419.748000	182.000000	43943.484628	6.174548
75%	3.0	1315.000000	57009.756000	506.000000	54621.345824	7.907523
max	3.0	3249.000000	127502.725000	1069.000000	111017.182246	18.147254

data_merge_interpret.style.apply(bg_colour_col)

	cluster	pays	Production	Population	Importation	Valeur PIB ($ par hab.)	Croissance annuelle US$ PIB (%)
0	3	Afrique du Sud	1667.000000	57009.756000	514.000000	6121.876572	16.114973
1	3	Allemagne	1514.000000	82658.409000	842.000000	44651.829102	5.842947
2	3	Arabie saoudite	616.000000	33101.179000	722.000000	20802.464299	4.646660
3	3	Australie	1269.000000	24584.620000	16.000000	57628.863849	6.726787
4	3	Autriche	148.000000	8819.901000	110.000000	47309.051637	4.615601
5	3	Belgique	463.000000	11419.748000	338.000000	44025.903247	5.076098
6	3	Canada	1417.000000	36732.095000	182.000000	44906.748920	6.909561
7	3	Chine - RAS de Hong-Kong	24.000000	7306.322000	907.000000	46705.027813	5.445126
8	3	Chine - RAS de Macao	3.000000	622.585000	23.000000	81043.968656	10.161502
9	3	Cuba	29.000000	11339.254000	312.000000	8541.214440	5.959893
10	3	Danemark	173.000000	5732.274000	133.000000	57938.797728	5.682485
11	3	Émirats arabes unis	48.000000	9487.203000	433.000000	40644.804043	6.562207
12	3	Espagne	1515.000000	46647.428000	205.000000	28137.441564	6.500360
13	3	Finlande	129.000000	5511.371000	16.000000	46385.550876	5.987558
14	3	France	1750.000000	64842.509000	506.000000	38720.645922	4.707836
15	3	Iraq	96.000000	37552.781000	470.000000	4985.453728	9.554553
16	3	Irlande	110.000000	4753.279000	99.000000	70568.302444	10.929081
17	3	Islande	10.000000	334.393000	2.000000	73949.769216	18.147254
18	3	Israël	629.000000	8243.848000	0.000000	43096.069697	9.541818
19	3	Italie	1315.000000	60673.701000	97.000000	32333.550863	4.566307
20	3	Japon	2215.000000	127502.725000	1069.000000	38672.407740	-1.254368
21	3	Koweït	56.000000	4056.099000	137.000000	29754.636332	7.612780
22	3	Luxembourg	0.000000	591.910000	11.000000	111017.182246	3.431634
23	3	Mexique	3249.000000	124777.324000	972.000000	9287.841557	6.213095
24	3	Norvège	101.000000	5296.326000	2.000000	75220.814442	7.093090
25	3	Nouvelle-Zélande	223.000000	4702.034000	1.000000	43943.484628	8.423076
26	3	Pays-Bas	1100.000000	17021.347000	608.000000	48989.638816	6.174548
27	3	Philippines	1272.000000	105172.925000	249.000000	3123.244296	1.613303
28	3	République de Corée	838.000000	51096.415000	137.000000	31781.123320	8.012736
29	3	Royaume-Uni de Grande-Bretagne et d'Irlande du Nord	1814.000000	66727.461000	779.000000	40448.365256	-1.513432
30	3	Suède	157.000000	9904.896000	84.000000	54621.345824	4.189096
31	3	Suisse	91.000000	8455.804000	51.000000	83313.013992	0.367379
32	3	Viet Nam	918.000000	94600.648000	291.000000	2365.521494	7.907523

Affinons notre cluster en sélectionnant:

• les Pays ayant une "Importation" plus faible (- de concurrence)
• les Pays ayant une "Production" plus faible (+ ouvert aux importations)
• les Pays les plus proches géographiquement (coûts d'exportation plus faibles)
• les Pays ayant un "PIB" élevé (pouvoir d'achat)

#Importation inferieur à la médiane
data_merge_interpret = data_merge_interpret[data_merge_interpret["Importation"] < 182]
data_merge_interpret

	cluster	pays	Production	Population	Importation	Valeur PIB ($ par hab.)	Croissance annuelle US$ PIB (%)
3	3	Australie	1269.0	24584.620	16.0	57628.863849	6.726787
4	3	Autriche	148.0	8819.901	110.0	47309.051637	4.615601
8	3	Chine - RAS de Macao	3.0	622.585	23.0	81043.968656	10.161502
10	3	Danemark	173.0	5732.274	133.0	57938.797728	5.682485
13	3	Finlande	129.0	5511.371	16.0	46385.550876	5.987558
16	3	Irlande	110.0	4753.279	99.0	70568.302444	10.929081
17	3	Islande	10.0	334.393	2.0	73949.769216	18.147254
18	3	Israël	629.0	8243.848	0.0	43096.069697	9.541818
19	3	Italie	1315.0	60673.701	97.0	32333.550863	4.566307
21	3	Koweït	56.0	4056.099	137.0	29754.636332	7.612780
22	3	Luxembourg	0.0	591.910	11.0	111017.182246	3.431634
24	3	Norvège	101.0	5296.326	2.0	75220.814442	7.093090
25	3	Nouvelle-Zélande	223.0	4702.034	1.0	43943.484628	8.423076
28	3	République de Corée	838.0	51096.415	137.0	31781.123320	8.012736
30	3	Suède	157.0	9904.896	84.0	54621.345824	4.189096
31	3	Suisse	91.0	8455.804	51.0	83313.013992	0.367379

#Production inferieur à la médiane
data_merge_interpret = data_merge_interpret[data_merge_interpret["Production"] < 463]
data_merge_interpret

	cluster	pays	Production	Population	Importation	Valeur PIB ($ par hab.)	Croissance annuelle US$ PIB (%)
4	3	Autriche	148.0	8819.901	110.0	47309.051637	4.615601
8	3	Chine - RAS de Macao	3.0	622.585	23.0	81043.968656	10.161502
10	3	Danemark	173.0	5732.274	133.0	57938.797728	5.682485
13	3	Finlande	129.0	5511.371	16.0	46385.550876	5.987558
16	3	Irlande	110.0	4753.279	99.0	70568.302444	10.929081
17	3	Islande	10.0	334.393	2.0	73949.769216	18.147254
21	3	Koweït	56.0	4056.099	137.0	29754.636332	7.612780
22	3	Luxembourg	0.0	591.910	11.0	111017.182246	3.431634
24	3	Norvège	101.0	5296.326	2.0	75220.814442	7.093090
25	3	Nouvelle-Zélande	223.0	4702.034	1.0	43943.484628	8.423076
30	3	Suède	157.0	9904.896	84.0	54621.345824	4.189096
31	3	Suisse	91.0	8455.804	51.0	83313.013992	0.367379

#Pays d'Europe
data_merge_interpret = data_merge_interpret[~data_merge_interpret["pays"].isin(["Koweït", "Nouvelle-Zélande", "Chine - RAS de Macao"])]
data_merge_interpret

	cluster	pays	Production	Population	Importation	Valeur PIB ($ par hab.)	Croissance annuelle US$ PIB (%)
4	3	Autriche	148.0	8819.901	110.0	47309.051637	4.615601
10	3	Danemark	173.0	5732.274	133.0	57938.797728	5.682485
13	3	Finlande	129.0	5511.371	16.0	46385.550876	5.987558
16	3	Irlande	110.0	4753.279	99.0	70568.302444	10.929081
17	3	Islande	10.0	334.393	2.0	73949.769216	18.147254
22	3	Luxembourg	0.0	591.910	11.0	111017.182246	3.431634
24	3	Norvège	101.0	5296.326	2.0	75220.814442	7.093090
30	3	Suède	157.0	9904.896	84.0	54621.345824	4.189096
31	3	Suisse	91.0	8455.804	51.0	83313.013992	0.367379

#PIB superieur à la médiane
data_merge_interpret = data_merge_interpret[data_merge_interpret["Valeur PIB ($ par hab.)"] > 43943.484628]
data_merge_interpret

	cluster	pays	Production	Population	Importation	Valeur PIB ($ par hab.)	Croissance annuelle US$ PIB (%)
4	3	Autriche	148.0	8819.901	110.0	47309.051637	4.615601
10	3	Danemark	173.0	5732.274	133.0	57938.797728	5.682485
13	3	Finlande	129.0	5511.371	16.0	46385.550876	5.987558
16	3	Irlande	110.0	4753.279	99.0	70568.302444	10.929081
17	3	Islande	10.0	334.393	2.0	73949.769216	18.147254
22	3	Luxembourg	0.0	591.910	11.0	111017.182246	3.431634
24	3	Norvège	101.0	5296.326	2.0	75220.814442	7.093090
30	3	Suède	157.0	9904.896	84.0	54621.345824	4.189096
31	3	Suisse	91.0	8455.804	51.0	83313.013992	0.367379

data_merge_interpret = data_merge_interpret.sort_values("Valeur PIB ($ par hab.)")
data_merge_interpret

	cluster	pays	Production	Population	Importation	Valeur PIB ($ par hab.)	Croissance annuelle US$ PIB (%)
13	3	Finlande	129.0	5511.371	16.0	46385.550876	5.987558
4	3	Autriche	148.0	8819.901	110.0	47309.051637	4.615601
30	3	Suède	157.0	9904.896	84.0	54621.345824	4.189096
10	3	Danemark	173.0	5732.274	133.0	57938.797728	5.682485
16	3	Irlande	110.0	4753.279	99.0	70568.302444	10.929081
17	3	Islande	10.0	334.393	2.0	73949.769216	18.147254
24	3	Norvège	101.0	5296.326	2.0	75220.814442	7.093090
31	3	Suisse	91.0	8455.804	51.0	83313.013992	0.367379
22	3	Luxembourg	0.0	591.910	11.0	111017.182246	3.431634

La liste des 9 Pays ci-dessous présente la liste des Pays candidats à notre développement à l'International

data_merge_interpret["pays"]

13      Finlande
4       Autriche
30         Suède
10      Danemark
16       Irlande
17       Islande
24       Norvège
31        Suisse
22    Luxembourg
Name: pays, dtype: object