Tech - carte¶
Links: notebook, html, PDF, python, slides, GitHub
Faire une carte, c’est toujours compliqué. C’est simple jusqu’à ce qu’on s’aperçoive qu’on doit récupérer la description des zones administratives d’un pays, fournies parfois dans des coordonnées autres que longitude et latitude. Quelques modules utiles :
cartopy : surcouche de matplotlib pour faire des dessins avec des coordonnées géographiques
bokeh : pour tracer des cartes interactives
pyproj : conversion entre systèmes de coordonnées
shapely : manipuler des polygones géographiques (union, intersection, …)
pyshp : lire ou écrire des polygones géographiques
geopandas : manipulation de dataframe avec des coordonnées géographiques
Quelques notebooks intéressants : * Tracer une carte en Python avec bokeh * Tracer une carte en Python * Données carroyées et OpenStreetMap * Carte de France avec les départements * Carte de France avec les départements (2)
from jyquickhelper import add_notebook_menu
add_notebook_menu()
%matplotlib inline
Exposé¶
On télécharge des données hospitalières par départements.
Données COVID¶
# https://www.data.gouv.fr/fr/datasets/donnees-hospitalieres-relatives-a-lepidemie-de-covid-19/
from pandas import read_csv
url = "https://www.data.gouv.fr/fr/datasets/r/63352e38-d353-4b54-bfd1-f1b3ee1cabd7"
covid = read_csv(url, sep=";")
covid.tail()
| dep | sexe | jour | hosp | rea | rad | dc | |
|---|---|---|---|---|---|---|---|
| 76048 | 974 | 1 | 2020-11-23 | 47 | 8 | 295 | 20 |
| 76049 | 974 | 2 | 2020-11-23 | 40 | 7 | 298 | 24 |
| 76050 | 976 | 0 | 2020-11-23 | 11 | 4 | 505 | 35 |
| 76051 | 976 | 1 | 2020-11-23 | 7 | 2 | 242 | 21 |
| 76052 | 976 | 2 | 2020-11-23 | 4 | 2 | 257 | 14 |
last_day = covid.loc[covid.index[-1], "jour"]
last_day
'2020-11-23'
last_data = covid[covid.jour == last_day].groupby("dep").sum()
last_data.shape
(101, 5)
last_data.describe()
| sexe | hosp | rea | rad | dc | |
|---|---|---|---|---|---|
| count | 101.0 | 101.000000 | 101.000000 | 101.000000 | 101.000000 |
| mean | 3.0 | 619.396040 | 87.584158 | 3013.990099 | 670.326733 |
| std | 0.0 | 642.394039 | 108.421333 | 3876.642059 | 847.575190 |
| min | 3.0 | 22.000000 | 2.000000 | 214.000000 | 30.000000 |
| 25% | 3.0 | 196.000000 | 26.000000 | 759.000000 | 168.000000 |
| 50% | 3.0 | 419.000000 | 48.000000 | 1480.000000 | 346.000000 |
| 75% | 3.0 | 751.000000 | 116.000000 | 3565.000000 | 738.000000 |
| max | 3.0 | 3337.000000 | 544.000000 | 19416.000000 | 4803.000000 |
last_data.head()
| sexe | hosp | rea | rad | dc | |
|---|---|---|---|---|---|
| dep | |||||
| 01 | 3 | 904 | 52 | 2148 | 515 |
| 02 | 3 | 430 | 54 | 3173 | 749 |
| 03 | 3 | 461 | 52 | 1341 | 354 |
| 04 | 3 | 262 | 15 | 695 | 103 |
| 05 | 3 | 368 | 28 | 835 | 168 |
last_data.tail()
| sexe | hosp | rea | rad | dc | |
|---|---|---|---|---|---|
| dep | |||||
| 971 | 3 | 192 | 14 | 1393 | 326 |
| 972 | 3 | 112 | 34 | 616 | 80 |
| 973 | 3 | 26 | 2 | 3698 | 132 |
| 974 | 3 | 174 | 30 | 1186 | 88 |
| 976 | 3 | 22 | 8 | 1004 | 70 |
Données départements¶
On récupère ensuite la définition géographique des départements.
import geopandas
# dernier lien de la page (format shapefiles)
url = "https://www.data.gouv.fr/en/datasets/r/ed02b655-4307-4db4-b1ca-7939145dc20f"
geo = geopandas.read_file(url)
geo.tail()
| code_depart | departement | code_region | region | code_ancien | ancienne_re | geometry | |
|---|---|---|---|---|---|---|---|
| 96 | 87 | Haute-Vienne | 75.0 | Nouvelle-Aquitaine | 74.0 | Limousin | POLYGON ((0.92278 45.94610, 0.92856 45.94808, ... |
| 97 | 63 | Puy-de-Dôme | 84.0 | Auvergne-Rhône-Alpes | 83.0 | Auvergne | POLYGON ((2.45492 45.76131, 2.45169 45.76137, ... |
| 98 | 14 | Calvados | 28.0 | Normandie | 25.0 | Basse-Normandie | MULTIPOLYGON (((-0.42990 48.86405, -0.42881 48... |
| 99 | 07 | Ardèche | 84.0 | Auvergne-Rhône-Alpes | 82.0 | Rhône-Alpes | POLYGON ((4.30746 44.98596, 4.30412 44.98837, ... |
| 100 | 32 | Gers | 76.0 | Occitanie | 73.0 | Midi-Pyrénées | POLYGON ((-0.24307 43.66404, -0.24328 43.66476... |
Il faudrait aussi fusionner avec la population de chaque département. Ce sera pour une autre fois.
Carte¶
import matplotlib.pyplot as plt
fig, ax = plt.subplots(1, 1, figsize=(5, 4))
geo.plot(ax=ax, color='white', edgecolor='black');
On enlève tous les départements à trois chiffres.
codes = [_ for _ in set(geo.code_depart) if len(_) < 3]
metropole = geo[geo.code_depart.isin(codes)]
metropole.tail()
| code_depart | departement | code_region | region | code_ancien | ancienne_re | geometry | |
|---|---|---|---|---|---|---|---|
| 96 | 87 | Haute-Vienne | 75.0 | Nouvelle-Aquitaine | 74.0 | Limousin | POLYGON ((0.92278 45.94610, 0.92856 45.94808, ... |
| 97 | 63 | Puy-de-Dôme | 84.0 | Auvergne-Rhône-Alpes | 83.0 | Auvergne | POLYGON ((2.45492 45.76131, 2.45169 45.76137, ... |
| 98 | 14 | Calvados | 28.0 | Normandie | 25.0 | Basse-Normandie | MULTIPOLYGON (((-0.42990 48.86405, -0.42881 48... |
| 99 | 07 | Ardèche | 84.0 | Auvergne-Rhône-Alpes | 82.0 | Rhône-Alpes | POLYGON ((4.30746 44.98596, 4.30412 44.98837, ... |
| 100 | 32 | Gers | 76.0 | Occitanie | 73.0 | Midi-Pyrénées | POLYGON ((-0.24307 43.66404, -0.24328 43.66476... |
fig, ax = plt.subplots(1, 1, figsize=(5, 4))
metropole.plot(ax=ax, color='white', edgecolor='black')
ax.set_title("%s départements" % metropole.shape[0]);
Carte COVID¶
merged = last_data.reset_index(drop=False).merge(metropole, left_on="dep", right_on="code_depart")
merged.shape
(96, 13)
merged.tail()
| dep | sexe | hosp | rea | rad | dc | code_depart | departement | code_region | region | code_ancien | ancienne_re | geometry | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 91 | 91 | 3 | 1311 | 178 | 8567 | 1741 | 91 | Essonne | 11.0 | Île-de-France | 11.0 | Île-de-France | POLYGON ((2.04261 48.62638, 2.04045 48.62754, ... |
| 92 | 92 | 3 | 1683 | 308 | 14598 | 2830 | 92 | Hauts-de-Seine | 11.0 | Île-de-France | 11.0 | Île-de-France | POLYGON ((2.22040 48.92061, 2.23114 48.92773, ... |
| 93 | 93 | 3 | 1691 | 200 | 13101 | 2681 | 93 | Seine-Saint-Denis | 11.0 | Île-de-France | 11.0 | Île-de-France | POLYGON ((2.45949 48.95505, 2.46072 48.95840, ... |
| 94 | 94 | 3 | 1807 | 231 | 13667 | 3221 | 94 | Val-de-Marne | 11.0 | Île-de-France | 11.0 | Île-de-France | POLYGON ((2.32906 48.81378, 2.33190 48.81701, ... |
| 95 | 95 | 3 | 1047 | 106 | 8701 | 2052 | 95 | Val-d'Oise | 11.0 | Île-de-France | 11.0 | Île-de-France | POLYGON ((2.43548 49.13411, 2.44084 49.13419, ... |
fig, ax = plt.subplots(1, 1, figsize=(5, 4))
merged.hist('rea', bins=20, ax=ax)
ax.set_title("Distribution rea");
Les régions les plus peuplées ont sans doute la plus grande capacité hospitalière. Il faudrait diviser par cette capacité pour avoir une carte qui ait un peu plus de sens. Comme l’idée est ici de simplement tracer la carte, on ne calculera pas de ratio.
merged.sort_values('rea').tail()
| dep | sexe | hosp | rea | rad | dc | code_depart | departement | code_region | region | code_ancien | ancienne_re | geometry | |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 92 | 92 | 3 | 1683 | 308 | 14598 | 2830 | 92 | Hauts-de-Seine | 11.0 | Île-de-France | 11.0 | Île-de-France | POLYGON ((2.22040 48.92061, 2.23114 48.92773, ... |
| 59 | 59 | 3 | 3158 | 507 | 12412 | 2892 | 59 | Nord | 32.0 | Hauts-de-France | 31.0 | Nord-Pas-de-Calais | MULTIPOLYGON (((3.04058 50.15986, 3.04806 50.1... |
| 69 | 69 | 3 | 3337 | 508 | 13746 | 2771 | 69 | Rhône | 84.0 | Auvergne-Rhône-Alpes | 82.0 | Rhône-Alpes | POLYGON ((4.43893 46.16789, 4.43463 46.17034, ... |
| 12 | 13 | 3 | 2627 | 519 | 17760 | 2790 | 13 | Bouches-du-Rhône | 93.0 | Provence-Alpes-Côte d'Azur | 93.0 | Provence-Alpes-Côte d'Azur | MULTIPOLYGON (((5.38534 43.18909, 5.38440 43.1... |
| 75 | 75 | 3 | 2365 | 544 | 19416 | 4803 | 75 | Paris | 11.0 | Île-de-France | 11.0 | Île-de-France | POLYGON ((2.27995 48.87857, 2.28101 48.88297, ... |
geomerged = geopandas.GeoDataFrame(merged)
from mpl_toolkits.axes_grid1 import make_axes_locatable
fig, ax = plt.subplots(1, 1)
# ligne à ajouter pour avoir une légende ajustée à la taille du graphe
cax = make_axes_locatable(ax).append_axes("right", size="5%", pad=0.1)
geomerged.plot(column="rea", ax=ax, edgecolor='black', legend=True, cax=cax)
ax.set_title("Réanimations pour les %d départements" % metropole.shape[0]);
La création de carte a toujours été plus ou moins compliqué. Les premiers notebooks que j’ai créés sur le sujet étaient beaucoup plus complexe. geopandas a simplifié les choses. Son développement a commencé entre 2013 et a bien évolué depuis. Et j’ai dû passer quelques heures à récupérer les contours des départements il y a cinq ans.
On peut également récupérer la capacité maximale de chaque département en regardant sur le passé.
capacite = covid.groupby(["jour", "dep"]).sum().groupby("dep").max()
capacite.head()
| sexe | hosp | rea | rad | dc | |
|---|---|---|---|---|---|
| dep | |||||
| 01 | 3 | 904 | 78 | 2148 | 515 |
| 02 | 3 | 607 | 94 | 3173 | 749 |
| 03 | 3 | 550 | 58 | 1341 | 354 |
| 04 | 3 | 280 | 26 | 695 | 103 |
| 05 | 3 | 380 | 50 | 835 | 168 |
capa_merged = merged.merge(capacite, left_on="dep", right_on="dep")
capa_merged["occupation"] = capa_merged["rea_x"] / capa_merged["rea_y"]
capa_merged.head(n=2).T
| 0 | 1 | |
|---|---|---|
| dep | 01 | 02 |
| sexe_x | 3 | 3 |
| hosp_x | 904 | 430 |
| rea_x | 52 | 54 |
| rad_x | 2148 | 3173 |
| dc_x | 515 | 749 |
| code_depart | 01 | 02 |
| departement | Ain | Aisne |
| code_region | 84 | 32 |
| region | Auvergne-Rhône-Alpes | Hauts-de-France |
| code_ancien | 82 | 22 |
| ancienne_re | Rhône-Alpes | Picardie |
| geometry | POLYGON ((4.795393450203793 46.22006712607377,... | POLYGON ((3.120799460421226 49.70572360290051,... |
| sexe_y | 3 | 3 |
| hosp_y | 904 | 607 |
| rea_y | 78 | 94 |
| rad_y | 2148 | 3173 |
| dc_y | 515 | 749 |
| occupation | 0.666667 | 0.574468 |
geocapa = geopandas.GeoDataFrame(capa_merged)
fig, ax = plt.subplots(1, 1)
# ligne à ajouter pour avoir une légende ajustée à la taille du graphe
cax = make_axes_locatable(ax).append_axes("right", size="5%", pad=0.1)
geocapa.plot(column="occupation", ax=ax, edgecolor='black', legend=True, cax=cax)
ax.set_title("Occupations en réanimations pour les %d départements" % metropole.shape[0]);
On voit que les premières régions touchées, l’Est et Paris paraissent les moins occupés mais c’est aussi sans doute parce que leur capacité ont dû augmenter durant le premier confinement. Il faudrait sans doute ne pas prendre le maximum de lit occupé mais une moyenne sur l’année précédente.