
import pandas as pd
import numpy as np

#Afin d'éviter ce genre d'erreur: "SettingWithCopyWarning: A value is trying to be set on a copy of a slice from a DataFrame"
pd.options.mode.chained_assignment = None  # default='warn'


def etiquette_serie_sans_mot(etiquette_serie, mots):
    """Transforme les séries Tonne en Kg"""

    for mot in mots:
        if mot in etiquette_serie:
            return False
    return True


def split_milliers(nombre):
    """Diviser les milliers par une marque, ex: 5346578 -> 5'346'578 """

    nombre = int(nombre)
    nombre = str(nombre)
    nombre = list(nombre)
    i = -3
    multiple_3 = len(nombre)%3
    x = len(nombre)//3

    if (multiple_3 == 0) or (nombre[0] == "-"):
         x -= 1

    if len(nombre)>3:
        for millier in range(x):
                nombre.insert(i,"'")
                i -= 4
    
    return "".join(nombre)


def dict_sum_series(list_series, df):
    """Applique un .sum() sur chaque séries données
    Les séries doivent être numériques"""

    valeurs_cat = {}
    for serie in list_series:
        valeurs_cat[serie] = serie
        valeurs_cat[serie] = df[serie].sum()
    return valeurs_cat

#Afin de créer des graphiques plus travaillés pour un .ptt, j'envoie des données dans un fichier Excel ciblé
def savedto_excel(df, slide_name):
    """ 
    Envoie les valeurs et les clés correspondantes dans une feuille Excel à chaque fois créée
    dans le fichier data-slides.xlsx de mon GoogleDrive
    -- UTILISATION PRIVÉE -- 
    """
    with pd.ExcelWriter("data-slides.xlsx",
                    mode='a', engine="openpyxl", if_sheet_exists="overlay" ) as writer:  
        df.to_excel(writer, sheet_name=slide_name)


dossier_data = "DATA-FAO"
#Importation du fichier population.csv
population = pd.read_csv(dossier_data +'/population.csv')

#Importation du fichier dispo_alimentaire.csv
dispo_alimentaire = pd.read_csv(dossier_data +"/dispo_alimentaire.csv")

#Importation du fichier aide_alimentaire.csv
aide_alimentaire = pd.read_csv(dossier_data +"/aide_alimentaire.csv")

#Importation du fichier sous_nutrition.csv
sous_nutrition = pd.read_csv(dossier_data +"/sous_nutrition.csv")

#Importation du fichier cereales.csv
infos_cereales = pd.read_csv(dossier_data + "/FAOSTAT_cereales.csv")


#Afficher les dimensions du dataset
print("Le tableau comporte {} observation(s) ou article(s)".format(population.shape[0]))
print("Le tableau comporte {} colonne(s)".format(population.shape[1]))

Le tableau comporte 1416 observation(s) ou article(s)
Le tableau comporte 3 colonne(s)


#Création du dataframe
df_population = pd.DataFrame(population)
#Consulter le nombre de colonnes
#La nature des données dans chacune des colonnes
#Le nombre de valeurs présentes dans chacune des colonnes
df_population.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1416 entries, 0 to 1415
Data columns (total 3 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   Zone    1416 non-null   object 
 1   Année   1416 non-null   int64  
 2   Valeur  1416 non-null   float64
dtypes: float64(1), int64(1), object(1)
memory usage: 33.3+ KB


#Affichage les 5 premières lignes de la table
df_population.head()


#Nous allons harmoniser les unités. Pour cela, nous avons décidé de multiplier la population par 1000
#Multiplication de la colonne valeur par 1000
df_population["Valeur"] = df_population["Valeur"].astype("int") * 1000


#Changement du nom de la colonne Valeur par Population
df_population.rename(columns={"Valeur":"Population"}, inplace=True)


#Affichage les 5 premières lignes de la table pour voir les modifications
df_population.head()


#Création du dataframe disponibilité alimentaire
df_dispo_alimentaire = pd.DataFrame(dispo_alimentaire)

#Afficher les dimensions du dataset
df_dispo_alimentaire.shape

(15605, 18)


#Consulter le nombre de colonnes
print("\nLe tableau comporte {} séries:\n".format(df_dispo_alimentaire.shape[1]))

df_dispo_alimentaire.info()

Le tableau comporte 18 séries:

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 15605 entries, 0 to 15604
Data columns (total 18 columns):
 #   Column                                                         Non-Null Count  Dtype  
---  ------                                                         --------------  -----  
 0   Zone                                                           15605 non-null  object 
 1   Produit                                                        15605 non-null  object 
 2   Origine                                                        15605 non-null  object 
 3   Aliments pour animaux                                          2720 non-null   float64
 4   Autres Utilisations                                            5496 non-null   float64
 5   Disponibilité alimentaire (Kcal/personne/jour)                 14241 non-null  float64
 6   Disponibilité alimentaire en quantité (kg/personne/an)         14015 non-null  float64
 7   Disponibilité de matière grasse en quantité (g/personne/jour)  11794 non-null  float64
 8   Disponibilité de protéines en quantité (g/personne/jour)       11561 non-null  float64
 9   Disponibilité intérieure                                       15382 non-null  float64
 10  Exportations - Quantité                                        12226 non-null  float64
 11  Importations - Quantité                                        14852 non-null  float64
 12  Nourriture                                                     14015 non-null  float64
 13  Pertes                                                         4278 non-null   float64
 14  Production                                                     9180 non-null   float64
 15  Semences                                                       2091 non-null   float64
 16  Traitement                                                     2292 non-null   float64
 17  Variation de stock                                             6776 non-null   float64
dtypes: float64(15), object(3)
memory usage: 2.1+ MB


#remplacement des NaN dans le dataset par des 0
df_dispo_alimentaire.fillna(0, inplace=True)


#Affichage les 5 premières lignes de la table
df_dispo_alimentaire.head()


#Multiplication de toutes les lignes contenant des milliers de tonnes en Kg
serie_sans_tonne = ["(Kcal/personne/jour)", "(kg/personne/an)","(g/personne/jour)"]

for serie in df_dispo_alimentaire:
    if (df_dispo_alimentaire[serie].dtype == "float64") and (etiquette_serie_sans_mot(serie, serie_sans_tonne)):
        df_dispo_alimentaire[serie] = df_dispo_alimentaire[serie] * 1000 * 1000
        df_dispo_alimentaire.rename(columns={serie:serie +" (kg)"}, inplace=True)


#Affichage les 5 premières lignes de la table
df_dispo_alimentaire.head()


#Création du dataframe aide alimentaire
df_aide_alimentaire = pd.DataFrame(aide_alimentaire)

#Afficher les dimensions du dataset
df_aide_alimentaire.shape

(1475, 4)


#Consulter le nombre de colonnes
print("\nLe tableau comporte {} séries:\n".format(df_aide_alimentaire.shape[1]))

df_aide_alimentaire.info()

Le tableau comporte 4 séries:

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1475 entries, 0 to 1474
Data columns (total 4 columns):
 #   Column             Non-Null Count  Dtype 
---  ------             --------------  ----- 
 0   Pays bénéficiaire  1475 non-null   object
 1   Année              1475 non-null   int64 
 2   Produit            1475 non-null   object
 3   Valeur             1475 non-null   int64 
dtypes: int64(2), object(2)
memory usage: 46.2+ KB


#Affichage les 5 premières lignes de la table
df_aide_alimentaire.head()


#Changement du nom de la colonne Pays bénéficiaire par Zone
df_aide_alimentaire.rename(columns={"Pays bénéficiaire":"Zone"}, inplace=True)


#Changement du nom de la colonne Valeur par Aide_alimentaire
df_aide_alimentaire.rename(columns={"Valeur":"Aide alimentaire"}, inplace=True)


#Multiplication de la colonne Aide_alimentaire qui contient des tonnes par 1000 pour avoir des kg
df_aide_alimentaire["Aide alimentaire"] = df_aide_alimentaire["Aide alimentaire"] * 1000

#Changement du nom de la colonne Aide alimentaire par Aide alimentaire (kg)
df_aide_alimentaire.rename(columns={"Aide alimentaire":"Aide alimentaire (kg)"}, inplace=True)


#Affichage les 5 premières lignes de la table
df_aide_alimentaire.head()


#Création du dataframe aide alimentaire
df_sous_nutrition = pd.DataFrame(sous_nutrition)

#Afficher les dimensions du dataset
df_sous_nutrition.shape

(1218, 3)


#Consulter le nombre de colonnes
print("\nLe tableau comporte {} séries:\n".format(df_sous_nutrition.shape[1]))

df_sous_nutrition.info()

Le tableau comporte 3 séries:

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1218 entries, 0 to 1217
Data columns (total 3 columns):
 #   Column  Non-Null Count  Dtype 
---  ------  --------------  ----- 
 0   Zone    1218 non-null   object
 1   Année   1218 non-null   object
 2   Valeur  624 non-null    object
dtypes: object(3)
memory usage: 28.7+ KB


#Afficher les 5 premières lignes de la table
df_sous_nutrition.head()


#Conversion de la colonne (avec l'argument errors=coerce qui permet de convertir automatiquement les lignes qui ne sont pas des nombres en NaN)
df_sous_nutrition['Valeur'] = pd.to_numeric(df_sous_nutrition['Valeur'], errors="coerce")


#Puis remplacement des NaN en 0
df_sous_nutrition.fillna(0, inplace=True)


#Vérification de valeurs manquantes dans Valeur
df_sous_nutrition.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 1218 entries, 0 to 1217
Data columns (total 3 columns):
 #   Column  Non-Null Count  Dtype  
---  ------  --------------  -----  
 0   Zone    1218 non-null   object 
 1   Année   1218 non-null   object 
 2   Valeur  1218 non-null   float64
dtypes: float64(1), object(2)
memory usage: 28.7+ KB


#Changement du nom de la colonne Valeur par sous_nutrition
df_sous_nutrition.rename(columns={"Valeur":"Sous nutrition"}, inplace=True)


#Multiplication de la colonne sous_nutrition par 1000000
df_sous_nutrition["Sous nutrition"] = df_sous_nutrition["Sous nutrition"] * 1000000


#Afficher les 5 premières lignes de la table
df_sous_nutrition.head()


#Récupération des zones afin de vérifier que chaque zone sera écrit de la même manière entre les différents dataframe
zones_population = df_population["Zone"].unique()

len(zones_population)

236


#Récupération des zones afin de vérifier que chaque zone sera écrit de la même manière entre les différents dataframe
zones_dispo_alim = df_dispo_alimentaire["Zone"].unique()

len(zones_dispo_alim)

174


#Récupération des zones afin de vérifier que chaque zone sera écrit de la même manière entre les différents dataframe
zones_aide_alim = df_aide_alimentaire["Zone"].unique()

len(zones_aide_alim)

76


#Récupération des zones afin de vérifier que chaque zone sera écrit de la même manière entre les différents dataframe
zones_ss_nutrition = df_sous_nutrition["Zone"].unique()

len(zones_ss_nutrition)

203


#Création de la liste de toutes les zones des 3 dataframe
total_listes = zones_dispo_alim.tolist() + zones_aide_alim.tolist() + zones_ss_nutrition.tolist()

Pays = []
#Comparaison des noms de zone entre la plus grande base de données(zones_population) et toutes les autres zones
#En partant du principe que la casse est respéctée
for zone_unique in zones_population:
    for zone in total_listes:
        #Si le nom de la zone de la liste total_listes est dans le nom de la zone zone_unique
        if (zone.find(zone_unique) != -1):
            Pays.append(zone.partition(zone_unique))

        #Si le nom de la zone de la liste zone_unique est dans le nom de la zone total_listes
        elif (zone_unique.find(zone) != -1):
            Pays.append(zone_unique.partition(zone))

#Ajout des zones potentiellement concernées
differentes_zones = []
for i in Pays:
    if i[0] != i[2]:
        differentes_zones.append(i)


differentes_zones

[('République démocratique du ', 'Congo', ''),
 ('République démocratique du ', 'Congo', ''),
 ('', 'Guinée', '-Bissau'),
 ('', 'Guinée', '-Bissau'),
 ('', 'Guinée', ' équatoriale'),
 ('', 'Guinée', '-Bissau'),
 ('Papouasie-Nouvelle-', 'Guinée', ''),
 ('', 'Guinée', ' équatoriale'),
 ('', 'Guinée', ' équatoriale'),
 ('', 'Guinée', ' équatoriale'),
 ('', 'Guinée', '-Bissau'),
 ('', 'Guinée', '-Bissau'),
 ('', 'Guinée', '-Bissau'),
 ("Royaume-Uni de Grande-Bretagne et d'", 'Irlande', ' du Nord'),
 ('Papouasie-Nouvelle-', 'Guinée', ''),
 ('Papouasie-Nouvelle-', 'Guinée', ''),
 ('Papouasie-Nouvelle-', 'Guinée', ''),
 ('République démocratique du ', 'Congo', ''),
 ('République démocratique du ', 'Congo', ''),
 ('République démocratique du ', 'Congo', ''),
 ("Royaume-Uni de Grande-Bretagne et d'", 'Irlande', ' du Nord'),
 ('', 'Royaume-Uni', " de Grande-Bretagne et d'Irlande du Nord"),
 ("Royaume-Uni de Grande-Bretagne et d'", 'Irlande', ' du Nord'),
 ('', 'Samoa', ' américaines'),
 ('', 'Samoa', ' américaines'),
 ('', 'Samoa', ' américaines'),
 ('', 'Soudan', ' du Sud'),
 ('', 'Soudan', ' du Sud'),
 ('', 'Soudan', ' du Sud'),
 ('', 'Soudan', ' du Sud'),
 ('', 'Soudan', ' du Sud'),
 ('', 'Tchéquie', ' (la)')]


#Remplacement des variation de noms de zones par un nom strictement similaire à chacun
royaume_uni = "Royaume-Uni"
tchequie = "Tchéquie"
list_df = [df_aide_alimentaire, df_dispo_alimentaire, df_sous_nutrition, df_population]

for df in list_df:
    for zone_unique in df["Zone"]:
        if zone_unique.find(royaume_uni) != -1:
            df["Zone"].replace(zone_unique,royaume_uni, inplace=True)

        elif zone_unique.find(tchequie) != -1:
            df["Zone"].replace(zone_unique,tchequie, inplace=True)


# Il faut tout d'abord faire une jointure entre la table population et la table sous nutrition, en ciblant l'année 2017
#Sélection année 2017 et visualisation du nombre de pays dans le tableau sous_nutrition
df_sous_nutrition_2017 = df_sous_nutrition.loc[df_sous_nutrition["Année"] == "2016-2018"]

#Suppression de la colonne année pour éviter une redondance lors de la jointure
df_sous_nutrition_2017.drop(columns="Année", inplace=True)

df_sous_nutrition_2017.info()

<class 'pandas.core.frame.DataFrame'>
Index: 203 entries, 4 to 1216
Data columns (total 2 columns):
 #   Column          Non-Null Count  Dtype  
---  ------          --------------  -----  
 0   Zone            203 non-null    object 
 1   Sous nutrition  203 non-null    float64
dtypes: float64(1), object(1)
memory usage: 4.8+ KB


#Sélection année 2017 et visualisation du nombre de pays dans le tableau population
df_population_2017 = df_population.loc[df_population["Année"] == 2017]

df_population_2017.info()

<class 'pandas.core.frame.DataFrame'>
Index: 236 entries, 4 to 1414
Data columns (total 3 columns):
 #   Column      Non-Null Count  Dtype 
---  ------      --------------  ----- 
 0   Zone        236 non-null    object
 1   Année       236 non-null    int64 
 2   Population  236 non-null    int32 
dtypes: int32(1), int64(1), object(1)
memory usage: 6.5+ KB


# Merge sur df_population_2017 car plus de pays
df_sous_nutrition = df_population_2017.merge(df_sous_nutrition_2017, on='Zone')

df_sous_nutrition.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 203 entries, 0 to 202
Data columns (total 4 columns):
 #   Column          Non-Null Count  Dtype  
---  ------          --------------  -----  
 0   Zone            203 non-null    object 
 1   Année           203 non-null    int64  
 2   Population      203 non-null    int32  
 3   Sous nutrition  203 non-null    float64
dtypes: float64(1), int32(1), int64(1), object(1)
memory usage: 5.7+ KB


#Affichage du dataset
df_sous_nutrition.head()


df_sous_nutrition.tail()


#Calcul et affichage du nombre de personnes en état de sous nutrition
ss_nourris = df_sous_nutrition["Sous nutrition"].sum()

print("Il y a",split_milliers(ss_nourris)," personnes en sous nutrition dans le monde en 2017.")

Il y a 535'700'000  personnes en sous nutrition dans le monde en 2017.


#Calcul et affichage du nombre total de personnes sur le globe
population = df_sous_nutrition["Population"].sum()

print("Il y a",split_milliers(population)," personnes dans le monde en 2017.")

Il y a 7'543'700'000  personnes dans le monde en 2017.


#Calcul et affichage de la proportion de personnes sous-nourries sur Terre 
ratio_ss_nourri = ss_nourris *  100 / population

print("Il y a {}% personnes en sous nutrition dans le monde en 2017.".format(ratio_ss_nourri.round(2)))

Il y a 7.1% personnes en sous nutrition dans le monde en 2017.


#Combien mange en moyenne un être humain ? 
#Source => https://www.msdmanuals.com/fr/accueil/multimedia/table/nombre-de-calories-n%C3%A9cessaires-estim%C3%A9-dapr%C3%A8s-l%C3%A2ge-le-sexe-et-le-niveau-dactivit%C3%A9-physique
"""
Nombre de calories nécessaires estimé d’après l’âge, le sexe et le niveau d’activité physique (en kcal/jour/pers)

Moyennes calculées sur le sexe et l'activité moyenne (Sedentaire + Actif)
Moyenne Jeunes enfants (âgés de 2 à 6 ans): 1250
Moyenne Enfants plus âgés et adolescents (âgés de 7 à 18 ans): 1950
Moyenne Adultes (âgés de 19 à 60 ans): 2250
Moyenne Adultes (âgés de 61 ans et plus): 1975

Moyenne global : 1856 -> arrondi à 1900 kcal (stable chaque année)
"""

kcal_moy_pers_jour = 1900
print("La consommation moyenne dans le monde est de {} calories par personne et par jour.".format(kcal_moy_pers_jour))

La consommation moyenne dans le monde est de 1900 calories par personne et par jour.


#On veut faire une jointure entre le df_population et df_dispo_alimentaire, mais avant vérifions leur taille
print("Nombre de zone pour:\n df_dispo_alimentaire =",df_dispo_alimentaire["Zone"].unique().shape[0],
      "\n df_sous_nutrition =",df_sous_nutrition["Zone"].unique().shape[0])

Nombre de zone pour:
 df_dispo_alimentaire = 174 
 df_sous_nutrition = 203


#Il semble manquer des zones dans le df_dispo_alimentaire
zones_ss_nutr = df_sous_nutrition["Zone"].unique()
zones_disp_alim = df_dispo_alimentaire["Zone"].unique()

zones_manquantes = []
for zone in zones_ss_nutr:
    if zone not in zones_disp_alim:
        zones_manquantes.append(zone)

print(len(zones_manquantes),"zones manquantes, dont:", zones_manquantes)

29 zones manquantes, dont: ['Andorre', 'Bahreïn', 'Bhoutan', 'Burundi', 'Comores', 'Érythrée', 'Groenland', 'Guinée équatoriale', 'Îles Cook', 'Îles Marshall', 'Libye', 'Micronésie (États fédérés de)', 'Nauru', 'Nioué', 'Palaos', 'Palestine', 'Papouasie-Nouvelle-Guinée', 'Porto Rico', 'Qatar', 'République arabe syrienne', 'République démocratique du Congo', 'Samoa américaines', 'Seychelles', 'Singapour', 'Somalie', 'Soudan du Sud', 'Tokélaou', 'Tonga', 'Tuvalu']


#On commence par faire une jointure entre le data frame population et Dispo_alimentaire afin d'ajouter dans ce dernier la population
#Merge sur df_sous_nutrition pour garder les zones non_renseignées de df_dispo_alimentaire
df_sous_nutrition = df_sous_nutrition.merge(df_dispo_alimentaire, how="left", on='Zone')


#Affichage du nouveau dataframe
df_sous_nutrition.info()
df_sous_nutrition.head()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 15634 entries, 0 to 15633
Data columns (total 21 columns):
 #   Column                                                         Non-Null Count  Dtype  
---  ------                                                         --------------  -----  
 0   Zone                                                           15634 non-null  object 
 1   Année                                                          15634 non-null  int64  
 2   Population                                                     15634 non-null  int32  
 3   Sous nutrition                                                 15634 non-null  float64
 4   Produit                                                        15605 non-null  object 
 5   Origine                                                        15605 non-null  object 
 6   Aliments pour animaux (kg)                                     15605 non-null  float64
 7   Autres Utilisations (kg)                                       15605 non-null  float64
 8   Disponibilité alimentaire (Kcal/personne/jour)                 15605 non-null  float64
 9   Disponibilité alimentaire en quantité (kg/personne/an)         15605 non-null  float64
 10  Disponibilité de matière grasse en quantité (g/personne/jour)  15605 non-null  float64
 11  Disponibilité de protéines en quantité (g/personne/jour)       15605 non-null  float64
 12  Disponibilité intérieure (kg)                                  15605 non-null  float64
 13  Exportations - Quantité (kg)                                   15605 non-null  float64
 14  Importations - Quantité (kg)                                   15605 non-null  float64
 15  Nourriture (kg)                                                15605 non-null  float64
 16  Pertes (kg)                                                    15605 non-null  float64
 17  Production (kg)                                                15605 non-null  float64
 18  Semences (kg)                                                  15605 non-null  float64
 19  Traitement (kg)                                                15605 non-null  float64
 20  Variation de stock (kg)                                        15605 non-null  float64
dtypes: float64(16), int32(1), int64(1), object(3)
memory usage: 2.4+ MB


df_sous_nutrition.tail()


#Création de la colonne dispo_kcal avec calcul des kcal disponibles mondialement
df_sous_nutrition["Disponibilité alimentaire (Kcal)"] = df_sous_nutrition["Disponibilité alimentaire (Kcal/personne/jour)"] * df_sous_nutrition["Population"] * 365

#Création de la variable contenant le total de calories disponibles mondialement pour la consommation humaine
kcal_dispo_monde = df_sous_nutrition["Disponibilité alimentaire (Kcal)"].sum() 

print("Il y a",split_milliers(kcal_dispo_monde), "kcal disponibles au niveau mondial sur une année.")

Il y a 7'731'400'519'315'000 kcal disponibles au niveau mondial sur une année.


#Calcul du nombre d'humains pouvant être nourris
capacite_pop_mondiale = kcal_dispo_monde / kcal_moy_pers_jour  / 365

print("Il est possible de nourrir",split_milliers(capacite_pop_mondiale),
       "personnes à raison de", split_milliers(kcal_moy_pers_jour),
       "kcal par personnes et par jour pendant une année.")

Il est possible de nourrir 11'148'378'542 personnes à raison de 1'900 kcal par personnes et par jour pendant une année.


# Calcule de la population mondiale en 2017
df_temp = df_sous_nutrition.groupby(["Zone"])["Population"].mean()
df_temp = df_temp.reset_index()

#Création de la variable contenant la population mondiale en 2017
population_mondiale = df_temp["Population"].sum()


#Transfert des données avec les végétaux dans un nouveau dataframe
df_vegetaux = df_sous_nutrition.loc[df_sous_nutrition["Origine"] == "vegetale"].reset_index()


#Affichage de la taille du data frame
df_vegetaux.shape

(11896, 23)


#Calcul du nombre de kcal disponible pour les végétaux
kcal_vege_dispo_monde = df_vegetaux["Disponibilité alimentaire (Kcal)"].sum() 

print("Il y a",split_milliers(kcal_vege_dispo_monde), "kcal végétales disponibles au niveau mondial sur une année.")

Il y a 6'368'999'610'730'000 kcal végétales disponibles au niveau mondial sur une année.


#Calcul du nombre d'humains pouvant être nourris avec les végétaux
capacite_vege_pop_mondiale = kcal_vege_dispo_monde / kcal_moy_pers_jour  / 365

print("Il est possible de nourrir",split_milliers(capacite_vege_pop_mondiale),
       "personnes à raison de", split_milliers(kcal_moy_pers_jour),
       "calories végétales par personnes et par jour pendant une année.")

Il est possible de nourrir 9'183'849'474 personnes à raison de 1'900 calories végétales par personnes et par jour pendant une année.


#Calcul du ratio de calories végétales sur le total des calories
ratio_vege = round(kcal_vege_dispo_monde * 100 / kcal_dispo_monde,2)

print("Les calories végétales représentent {}% des calories totales disponibles.".format(ratio_vege))

Les calories végétales représentent 82.38% des calories totales disponibles.


#Affichage global du data frame
df_sous_nutrition.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 15634 entries, 0 to 15633
Data columns (total 22 columns):
 #   Column                                                         Non-Null Count  Dtype  
---  ------                                                         --------------  -----  
 0   Zone                                                           15634 non-null  object 
 1   Année                                                          15634 non-null  int64  
 2   Population                                                     15634 non-null  int32  
 3   Sous nutrition                                                 15634 non-null  float64
 4   Produit                                                        15605 non-null  object 
 5   Origine                                                        15605 non-null  object 
 6   Aliments pour animaux (kg)                                     15605 non-null  float64
 7   Autres Utilisations (kg)                                       15605 non-null  float64
 8   Disponibilité alimentaire (Kcal/personne/jour)                 15605 non-null  float64
 9   Disponibilité alimentaire en quantité (kg/personne/an)         15605 non-null  float64
 10  Disponibilité de matière grasse en quantité (g/personne/jour)  15605 non-null  float64
 11  Disponibilité de protéines en quantité (g/personne/jour)       15605 non-null  float64
 12  Disponibilité intérieure (kg)                                  15605 non-null  float64
 13  Exportations - Quantité (kg)                                   15605 non-null  float64
 14  Importations - Quantité (kg)                                   15605 non-null  float64
 15  Nourriture (kg)                                                15605 non-null  float64
 16  Pertes (kg)                                                    15605 non-null  float64
 17  Production (kg)                                                15605 non-null  float64
 18  Semences (kg)                                                  15605 non-null  float64
 19  Traitement (kg)                                                15605 non-null  float64
 20  Variation de stock (kg)                                        15605 non-null  float64
 21  Disponibilité alimentaire (Kcal)                               15605 non-null  float64
dtypes: float64(17), int32(1), int64(1), object(3)
memory usage: 2.6+ MB


#Création d'une boucle for pour afficher les différentes valeurs en fonction des colonnes aliments pour animaux, pertes, nourritures, etc...
cat_disponibilites = ["Production (kg)", "Importations - Quantité (kg)", 
                      "Exportations - Quantité (kg)", "Variation de stock (kg)", "Disponibilité intérieure (kg)"]

#Création d'un dictionnaire avec chaque série aggrégée en somme
dict_series = dict_sum_series(cat_disponibilites, df_sous_nutrition)


#Calcul Disponibilité interieur par les mouvements
a = dict_series["Production (kg)"] + dict_series["Importations - Quantité (kg)"] - dict_series["Exportations - Quantité (kg)"] + dict_series["Variation de stock (kg)"]

#Récupération de la Disponibilité interieur
b = dict_series["Disponibilité intérieure (kg)"]


#Calcul Disponibilité interieur par la distribution des ressources

#Création d'une boucle for pour afficher les différentes valeurs en fonction des colonnes aliments pour animaux, pertes, nourritures, 
cat_disponibilites = [ "Aliments pour animaux (kg)", "Pertes (kg)", "Nourriture (kg)", 
                      "Semences (kg)", "Traitement (kg)", "Autres Utilisations (kg)"]

#Création d'un dictionnaire avec chaque série aggrégée en somme
dict_series = dict_sum_series(cat_disponibilites, df_sous_nutrition)

c = 0
for serie in dict_series:
    c += dict_series[serie]


print("\nIl y a:\n",split_milliers(b),"k tonnes de Disponibilité intérieur\n",
      split_milliers(a),"k tonnes de Prod. + Import. - Export. + Variation\n",
      split_milliers(c),"k tonnes d'Alim. animaux + Pertes + Nourriture + Semences + Traitement + Autres  util.")

Il y a:
 9'848'994'000'000 k tonnes de Disponibilité intérieur
 9'849'173'000'000 k tonnes de Prod. + Import. - Export. + Variation
 9'858'592'000'000 k tonnes d'Alim. animaux + Pertes + Nourriture + Semences + Traitement + Autres  util.


#Organisation des données pour Excel
for serie in dict_series:
    print(split_milliers(dict_series[serie]),"kg dédiés pour:", serie)

dict_series = pd.DataFrame(list(dict_series.items()))

1'304'245'000'000 kg dédiés pour: Aliments pour animaux (kg)
453'698'000'000 kg dédiés pour: Pertes (kg)
4'876'258'000'000 kg dédiés pour: Nourriture (kg)
154'681'000'000 kg dédiés pour: Semences (kg)
2'204'687'000'000 kg dédiés pour: Traitement (kg)
865'023'000'000 kg dédiés pour: Autres Utilisations (kg)


#Envoie des valeurs affichées ci-dessus dans un fichier Excel pour le slide n°7
savedto_excel( dict_series, "Slide 7")


#Création d'une liste avec toutes les variables selon Julien Laole (exercice)
#Julien propose d'ajouter le Soja -> Soja == légumineuse sèche != céréale
cereales = ["Blé","Riz (Eq Blanchi)","Orge","Maïs","Seigle","Avoine","Millet","Sorgho","Céréales, Autres"]

cereales

['Blé',
 'Riz (Eq Blanchi)',
 'Orge',
 'Maïs',
 'Seigle',
 'Avoine',
 'Millet',
 'Sorgho',
 'Céréales, Autres']


#Vérification qu'il n'en manque pas
verif_cereales = df_vegetaux["Produit"].unique()

#Passage d'un array (matrice de 1) en liste
verif_cereales = verif_cereales.tolist()

verif_cereales

['Agrumes, Autres',
 'Aliments pour enfants',
 'Ananas',
 'Bananes',
 'Bière',
 'Blé',
 'Boissons Alcooliques',
 'Café',
 'Coco (Incl Coprah)',
 'Céréales, Autres',
 'Dattes',
 'Edulcorants Autres',
 'Feve de Cacao',
 'Fruits, Autres',
 'Graines de coton',
 'Graines de tournesol',
 'Huil Plantes Oleif Autr',
 'Huile Graines de Coton',
 "Huile d'Arachide",
 "Huile d'Olive",
 'Huile de Colza&Moutarde',
 'Huile de Palme',
 'Huile de Soja',
 'Huile de Sésame',
 'Huile de Tournesol',
 'Légumes, Autres',
 'Légumineuses Autres',
 'Maïs',
 'Miel',
 'Millet',
 'Miscellanees',
 'Noix',
 'Olives',
 'Oranges, Mandarines',
 'Orge',
 'Plantes Oleiferes, Autre',
 'Poivre',
 'Pommes',
 'Pommes de Terre',
 'Raisin',
 'Riz (Eq Blanchi)',
 'Sucre Eq Brut',
 'Sucre, betterave',
 'Sucre, canne',
 'Sésame',
 'Thé',
 'Tomates',
 'Vin',
 'Épices, Autres',
 'Alcool, non Comestible',
 'Arachides Decortiquees',
 'Avoine',
 'Bananes plantains',
 'Boissons Fermentés',
 'Citrons & Limes',
 'Girofles',
 'Graines Colza/Moutarde',
 'Haricots',
 'Huile de Coco',
 'Huile de Germe de Maïs',
 'Huile de Palmistes',
 'Ignames',
 'Manioc',
 'Oignons',
 'Palmistes',
 'Pamplemousse',
 'Patates douces',
 'Piments',
 'Pois',
 'Racines nda',
 'Seigle',
 'Soja',
 'Sorgho',
 'Huile de Son de Riz',
 'Sucre non centrifugé']


#Création d'un dataframe avec les informations uniquement pour ces céréales 
df_cereales = df_sous_nutrition.loc[df_sous_nutrition["Produit"].isin(cereales)]

#Affichage de la taille du data frame
df_cereales.shape

(1497, 22)


#Affichage du data frame
df_cereales.head()


#Affichage de la proportion d'alimentation animale
cat_disponibilites = ["Aliments pour animaux (kg)", "Disponibilité intérieure (kg)"]
dict_series = dict_sum_series(cat_disponibilites, df_cereales)

#Création du ratio
ratio_cereales_animale = dict_series["Aliments pour animaux (kg)"] * 100 / dict_series["Disponibilité intérieure (kg)"]

print("Il y a {}% des céréales qui sont dédiés à l'alimentation animale.".format(ratio_cereales_animale.round(2)))

Il y a 36.29% des céréales qui sont dédiés à l'alimentation animale.


#Affichage de la proportion d'alimentation humaine
cat_disponibilites = ["Nourriture (kg)", "Disponibilité intérieure (kg)"]
dict_series = dict_sum_series(cat_disponibilites, df_cereales)

ratio_cereales_humain = dict_series["Nourriture (kg)"] * 100 / dict_series["Disponibilité intérieure (kg)"]

print("Il y a", ratio_cereales_humain.round(2),"% des céréales qui sont dédiés à l'alimentation humaine.")

Il y a 42.75 % des céréales qui sont dédiés à l'alimentation humaine.


#Affichage de la proportion d'utilisations diverses
cat_disponibilites = ["Pertes (kg)","Semences (kg)","Traitement (kg)",
                      "Autres Utilisations (kg)", "Disponibilité intérieure (kg)"]

dict_series = dict_sum_series(cat_disponibilites, df_cereales)

autres_utilisations = dict_series["Pertes (kg)"] + dict_series["Semences (kg)"] + dict_series["Traitement (kg)"] + dict_series["Autres Utilisations (kg)"]

ratio_cereales_divers = autres_utilisations * 100 / dict_series["Disponibilité intérieure (kg)"]

print("Il y a", ratio_cereales_divers.round(2),"% des céréales qui sont dédiés à diverses utilisations ou pertes.")

Il y a 20.98 % des céréales qui sont dédiés à diverses utilisations ou pertes.


#Vérification que l'on tombe bien sur un total à 100%
Test_parts_disponibilite_cereales = ratio_cereales_animale + ratio_cereales_humain + ratio_cereales_divers

Test_parts_disponibilite_cereales.round(1)

100.0


#On va envoyer les valeurs si dessus dans notre fichier excel

#Création du dictionnaire de valeurs
dict_ratio_cereales = pd.DataFrame(list({
                        "Alimentation animaux":ratio_cereales_animale,
                       "Alimentations humaine":ratio_cereales_humain,
                       "Utilisations diverses & pertes":ratio_cereales_divers
                       }.items()))


#Envoie des valeurs affichées ci-dessus dans un fichier Excel pour le slide n°8
savedto_excel(dict_ratio_cereales,"Slide 8")


#Nous allons regarder comment sont distribués les différents céréales

#Création du dataframe
df_details_cereales = df_cereales.groupby(["Produit"])[["Aliments pour animaux (kg)", "Disponibilité intérieure (kg)","Nourriture (kg)"]].sum().reset_index()

df_details_cereales


#Affichage de la proportion des différents céréales pour l'alimentation animale
dict_details_cereales_animale = {}

#Création des ratios Quantité animale vs Quantité intérieur
for produit in df_details_cereales["Produit"]:
    produit_animal = df_details_cereales.loc[df_details_cereales["Produit"] == produit]["Aliments pour animaux (kg)"].sum()
    produit_interieur = df_details_cereales.loc[df_details_cereales["Produit"] == produit]["Disponibilité intérieure (kg)"].sum()
    dict_details_cereales_animale[produit] = round( produit_animal * 100 / produit_interieur, 2)


#Organisation des données pour Excel
dict_details_cereales_animale = pd.DataFrame(list(dict_details_cereales_animale.items()))
dict_details_cereales_animale.rename(columns={0:"Produit", 1:"Ratio Quantité animale / Quantité intérieur"}, inplace=True)
dict_details_cereales_animale


#Envoie des valeurs affichées ci-dessus dans un fichier Excel pour le slide n°8 - détail animale
savedto_excel(dict_details_cereales_animale,"Slide 8 - details animale")


#Affichage de la proportion des différents céréales pour l'alimentation humaine
dict_details_cereales_humaine = {}

#Création des ratios Quantité nourriture vs Quantité intérieur
for produit in df_details_cereales["Produit"]:
    produit_nourriture = df_details_cereales.loc[df_details_cereales["Produit"] == produit]["Nourriture (kg)"].sum()
    produit_interieur = df_details_cereales.loc[df_details_cereales["Produit"] == produit]["Disponibilité intérieure (kg)"].sum()
    
    dict_details_cereales_humaine[produit] = round(produit_nourriture * 100 /produit_interieur, 2)


#Organisation des données pour Excel
dict_details_cereales_humaine = pd.DataFrame(list(dict_details_cereales_humaine.items()))
dict_details_cereales_humaine.rename(columns={0:"Produit", 1:"Ratio Quantité nourriture / Quantité intérieur"}, inplace=True)

dict_details_cereales_humaine


#Envoie des valeurs affichées ci-dessus dans un fichier Excel pour le slide n°8 - détail humaine
savedto_excel( dict_details_cereales_humaine, "Slide 8 - details humain")


#Création de la colonne proportion par pays
df_sous_nutrition["Ratio de population sous nourrie (%)"] = round(df_sous_nutrition["Sous nutrition"] * 100 / df_sous_nutrition["Population"],2)


#Création d'un dataframe temporaire avec les données aggrégées par Pays
df_temp = df_sous_nutrition.groupby(["Zone"])[["Population","Sous nutrition","Ratio de population sous nourrie (%)"]].mean().reset_index()


#Affichage après trie des 10 pires pays
df_temp.sort_values("Ratio de population sous nourrie (%)",ascending=False, inplace=True)

df_temp.head(10)


#Organisation des données pour Excel
dict_toppays_ssnourris = {}
for zone in df_temp["Zone"]:
    dict_toppays_ssnourris[zone] = df_temp.loc[df_temp["Zone"] == zone]["Ratio de population sous nourrie (%)"].sum()

dict_toppays_ssnourris = pd.DataFrame(list(dict_toppays_ssnourris.items()))
dict_toppays_ssnourris.rename(columns={0:"Zone", 1:"Ratio de population sous nourrie (%)"}, inplace=True)


#Envoie des valeurs affichées ci-dessus dans un fichier Excel pour le slide n°9 
savedto_excel( dict_toppays_ssnourris,"Slide 9")


#Calcul du total de l'aide alimentaire par pays
total_aide_alim_pays = df_aide_alimentaire.groupby(["Zone"])["Aide alimentaire (kg)"].sum()


#Affichage après trie des 10 pays qui ont bénéficié le plus de l'aide alimentaire
total_aide_alim_pays = total_aide_alim_pays.sort_values(ascending=False).head(10).reset_index()

total_aide_alim_pays


#Organisation des données pour l'envoie vers Excel
dict_toppays_aide = {}
for zone in total_aide_alim_pays["Zone"]:
    dict_toppays_aide[zone] = total_aide_alim_pays.loc[total_aide_alim_pays["Zone"] == zone]["Aide alimentaire (kg)"].sum()

dict_toppays_aide = pd.DataFrame(list(dict_toppays_aide.items()))
dict_toppays_aide.rename(columns={0:"Zone", 1:"Aide alimentaire (kg)"}, inplace=True)


dict_toppays_aide


#Envoie des valeurs affichées ci-dessus dans un fichier Excel pour le slide n°10
savedto_excel(dict_toppays_aide, "Slide 10")


#Création d'un dataframe avec la zone, l'année et l'aide alimentaire puis groupby sur zone et année 
df_aide_alim_global = df_aide_alimentaire.groupby(["Zone","Année"])["Aide alimentaire (kg)"].sum().reset_index()

df_aide_alim_global


#Création d'une liste contenant les 5 pays qui ont le plus bénéficiées de l'aide alimentaire (sur toutes les années)
df_aide_alim_global_total = df_aide_alim_global.groupby(["Zone"])["Aide alimentaire (kg)"].sum().reset_index()
df_aide_alim_global_total = df_aide_alim_global_total.sort_values(["Aide alimentaire (kg)"], ascending=False)

#Récupération des zones du top 5
top5_pays_aides = []
for zone in df_aide_alim_global_total["Zone"].iloc[:5]:
    top5_pays_aides.append(zone)
    
top5_pays_aides

['République arabe syrienne', 'Éthiopie', 'Yémen', 'Soudan du Sud', 'Soudan']


#On filtre sur le dataframe avec notre liste
#Affichage des pays avec l'aide alimentaire par année
df_top5_pays_aides = df_aide_alim_global.loc[df_aide_alim_global["Zone"].isin(top5_pays_aides)]
df_top5_pays_aides


#Création d'un tableau des années disponibles
annees_existantes = df_top5_pays_aides["Année"].unique()

#Création des colonne pour ces années
for annee in annees_existantes:
    df_top5_pays_aides[annee] = 0


#Insertion des valeurs des aides pour chaque année et chaque pays
for zone in df_top5_pays_aides["Zone"].unique():
    for annee in annees_existantes:
        aide_alim_pays = df_top5_pays_aides.loc[(df_top5_pays_aides["Zone"] == zone) & (df_top5_pays_aides["Année"] == annee)]["Aide alimentaire (kg)"].mean()
        
        df_top5_pays_aides[annee].loc[df_top5_pays_aides["Zone"] == zone] = aide_alim_pays


#Suppression des colonnes inutiles
df_top5_pays_aides.drop(columns={"Année","Aide alimentaire (kg)"}, inplace=True)


#Suppression des lignes en doublons
df_top5_pays_aides.drop_duplicates(subset="Zone", keep="first", inplace=True)

df_top5_pays_aides


#Envoie des données du dataframe dans le fichier Excel - Sheet name: Slide 11
savedto_excel(df_top5_pays_aides,'Slide 11')


#Calcul de la disponibilité en kcal par personne par jour par pays
df_disponibilite = df_sous_nutrition.groupby(["Zone"])["Disponibilité alimentaire (Kcal/personne/jour)"].sum()


#Affichage des 10 pays qui ont le moins de dispo alimentaire par personne en 2017 - 1er essai 
df_disponibilite.sort_values(ascending=True).head(10)

Zone
République démocratique du Congo    0.0
Burundi                             0.0
Groenland                           0.0
Porto Rico                          0.0
Papouasie-Nouvelle-Guinée           0.0
Palestine                           0.0
Samoa américaines                   0.0
Palaos                              0.0
Bhoutan                             0.0
Seychelles                          0.0
Name: Disponibilité alimentaire (Kcal/personne/jour), dtype: float64


#Ces pays ne semblent pas renseignés, vérifions
df_disponibilite = df_disponibilite.reset_index()

#Création de la liste des pays concernés
zones_dispo_null = []
for zone in df_disponibilite.loc[df_disponibilite["Disponibilité alimentaire (Kcal/personne/jour)"] == 0]["Zone"]:
    zones_dispo_null.append(zone)

zones_dispo_null

['Andorre',
 'Bahreïn',
 'Bhoutan',
 'Burundi',
 'Comores',
 'Groenland',
 'Guinée équatoriale',
 'Libye',
 'Micronésie (États fédérés de)',
 'Nauru',
 'Nioué',
 'Palaos',
 'Palestine',
 'Papouasie-Nouvelle-Guinée',
 'Porto Rico',
 'Qatar',
 'République arabe syrienne',
 'République démocratique du Congo',
 'Samoa américaines',
 'Seychelles',
 'Singapour',
 'Somalie',
 'Soudan du Sud',
 'Tokélaou',
 'Tonga',
 'Tuvalu',
 'Érythrée',
 'Îles Cook',
 'Îles Marshall']


#Vérifions si les données sont toutes null ou manquantes
df_sous_nutrition.loc[df_sous_nutrition["Zone"].isin(zones_dispo_null)].head()


#Suppression de ces pays du dataframe df_disponibilite
zones_a_drop = df_disponibilite.loc[df_disponibilite["Zone"].isin(zones_dispo_null)].index

df_disponibilite.drop(zones_a_drop, inplace=True)


#Affichage des 10 pays qui ont le moins de dispo alimentaire par personne en 2017 - 2ème essai 
df_disponibilite.sort_values(["Disponibilité alimentaire (Kcal/personne/jour)"],ascending=True).head(10)


#Affichage des 10 pays qui ont le plus de dispo alimentaire par personne en 2017
df_disponibilite.sort_values(["Disponibilité alimentaire (Kcal/personne/jour)"], ascending=False).head(10)


#Envoie des données du dataframe dans le fichier Excel - Sheet name: Slide 12
savedto_excel(df_disponibilite, 'Slide 12')


#Création d'un dataframe avec uniquement la Thaïlande 
df_thailande = df_sous_nutrition.loc[df_sous_nutrition["Zone"] == "Thaïlande"]

df_thailande.head()


#Calcul de la sous nutrition en Thaïlande
ratio_ss_nutrition_thai = df_thailande["Ratio de population sous nourrie (%)"].mean().round(2)

pop_ss_nutrition_thai = df_thailande["Sous nutrition"].mean()

print("Il y a {} personnes en sous nutrition en Thaïlande, soit {}% de la population du pays."
      .format(split_milliers(pop_ss_nutrition_thai), ratio_ss_nutrition_thai))

Il y a 6'200'000 personnes en sous nutrition en Thaïlande, soit 8.96% de la population du pays.


#Combien il y a t-il de calories disponibles par personnes/jour?
df_thailande["Disponibilité alimentaire (Kcal/personne/jour)"].sum()

2785.0


#On crée un dataframe dédié au manioc
df_manioc = df_thailande.loc[df_thailande["Produit"] == "Manioc"]

df_manioc


#Valeurs qui nous interresse
manioc_animaux = df_manioc["Aliments pour animaux (kg)"].sum()
manioc_humain = df_manioc["Nourriture (kg)"].sum()
manioc_pertes = df_manioc["Pertes (kg)"].sum()
manioc_exporte = df_manioc["Exportations - Quantité (kg)"].sum()
manioc_dispo = df_manioc["Disponibilité intérieure (kg)"].sum()
manioc_autres =  manioc_dispo - manioc_animaux - manioc_humain - manioc_pertes


#Calcul de la proportion de manioc pour animaux, pour humain, pour autres-utilsations et exportée par rapport à la nourriture
ratio_manioc_dispo_export = manioc_exporte / manioc_humain
ratio_manioc_dispo_animaux = manioc_animaux / manioc_humain
ratio_manioc_pertes = manioc_pertes / manioc_humain
ratio_manioc_dispo_autres = manioc_autres / manioc_humain

print("La Thaïlande exporte",ratio_manioc_dispo_export.round(1),"fois plus de manioc qu'elle n'en utilise pour nourrir sa population.\n",
      ratio_manioc_dispo_animaux.round(1),"fois plus de manioc pour animaux qu'elle n'en utilise pour nourrir sa population.\n",
      ratio_manioc_pertes.round(1),"fois plus de manioc pour les pertes qu'elle n'en utilise pour nourrir sa population.\n", 
      ratio_manioc_dispo_autres.round(1),"fois plus de manioc pour d'autres utilisations qu'elle n'en utilise pour nourrir sa population.\n"
      )

La Thaïlande exporte 28.9 fois plus de manioc qu'elle n'en utilise pour nourrir sa population.
 2.1 fois plus de manioc pour animaux qu'elle n'en utilise pour nourrir sa population.
 1.7 fois plus de manioc pour les pertes qu'elle n'en utilise pour nourrir sa population.
 2.4 fois plus de manioc pour d'autres utilisations qu'elle n'en utilise pour nourrir sa population.


#Répartition du manioc
part_manioc_animaux = round(manioc_animaux / manioc_dispo * 100, 2)
part_manioc_humain = round(manioc_humain / manioc_dispo * 100, 2)
part_manioc_autres = round(manioc_autres / manioc_dispo * 100, 2)
part_manioc_pertes = round(manioc_pertes / manioc_dispo * 100, 2)

print(part_manioc_animaux,"% sont destinés pour l'usage animal.\n",
      part_manioc_humain,"% sont destinés pour l'alimentation.\n", 
      part_manioc_pertes,"% sont des pertes.\n",
      part_manioc_autres,"% sont destinés pour d'autres usages.\n"
      )

28.74 % sont destinés pour l'usage animal.
 13.9 % sont destinés pour l'alimentation.
 24.12 % sont des pertes.
 33.24 % sont destinés pour d'autres usages.


#Il y a t-il d'autres pays dans le cas de la Thaïlande?
variables_interressantes = ["Zone", "Population","Sous nutrition","Produit","Origine","Disponibilité alimentaire (Kcal/personne/jour)",
                            "Aliments pour animaux (kg)","Autres Utilisations (kg)",
                            "Disponibilité intérieure (kg)","Exportations - Quantité (kg)", "Importations - Quantité (kg)",
                            "Nourriture (kg)", "Pertes (kg)", "Production (kg)", "Semences (kg)","Traitement (kg)",
                            "Variation de stock (kg)", "Ratio de population sous nourrie (%)"]

#Récupération des zones qui ont assez de disponibilité alimentaire totale (kcal/jour/pers) afin de montrer d'autre incohérences
df_temp = df_sous_nutrition.groupby("Zone")["Disponibilité alimentaire (Kcal/personne/jour)"].sum().reset_index()
zones_supmoy_calories = df_temp.loc[df_temp["Disponibilité alimentaire (Kcal/personne/jour)"] >= kcal_moy_pers_jour]["Zone"].unique().tolist()

#Création du dataframe avec seulement les zones sous-nourries ET une dispo alimentaire global suffisante
df_zones_ss_nourries = df_sous_nutrition.loc[(df_sous_nutrition["Ratio de population sous nourrie (%)"] > 0) 
                                             & 
                                             (df_sous_nutrition["Zone"].isin(zones_supmoy_calories)), variables_interressantes
                                             ]
df_zones_ss_nourries = df_zones_ss_nourries.reset_index(drop=True)

df_zones_ss_nourries.head()


# On calcule la proportion Exportation/Nourriture
df_zones_ss_nourries["Ratio Exportation/Nourriture (%)"] = (df_zones_ss_nourries["Exportations - Quantité (kg)"] / df_zones_ss_nourries["Nourriture (kg)"]*100).round(2)

#Remplacement des valeurs infinies par des NaN
df_zones_ss_nourries.replace([np.inf, -np.inf], np.nan, inplace=True)

#Suppression des NaN
df_zones_ss_nourries.dropna(inplace=True)

#Suppression des ratios Exportation/Nourriture inférieurs à 100%
df_zones_ss_nourries.drop((df_zones_ss_nourries.loc[df_zones_ss_nourries["Ratio Exportation/Nourriture (%)"] < 100]).index, axis = 0, inplace=True)

df_zones_ss_nourries.head()


#Combien il y a de pays en sous-nutrition
df_temp = df_sous_nutrition.loc[(df_sous_nutrition["Ratio de population sous nourrie (%)"] > 0),["Zone","Ratio de population sous nourrie (%)"]]
df_temp = df_temp.groupby("Zone")["Ratio de population sous nourrie (%)"].mean().reset_index()

nombre_zones_ssnourries = len(df_temp["Zone"].tolist())

print("Il y a",nombre_zones_ssnourries, "zones avec une population en sous-nutrition.")

Il y a 84 zones avec une population en sous-nutrition.


#Envoie des données du dataframe dans le fichier Excel - Sheet name: Slide extra 2
savedto_excel(df_temp, 'Slide extra 2')


#Combien de pays dans le cas de la Thaïlande par rapport au nombre de pays en sous-nutrition?
nombre_zones_ssnourries_export = len(df_zones_ss_nourries["Zone"].unique().tolist())
ratio_casthailande = nombre_zones_ssnourries_export * 100 / nombre_zones_ssnourries

print("Il y a", nombre_zones_ssnourries_export, "pays qui sont dans le cas de la Thaïlande. Soit",
      ratio_casthailande.__round__(1),"% des pays avec une population en sous-nutrition.\nIls ont une population en sous-nutrition et pourtant ils exportent plus qu'ils n'en dédient à la nourriture."
      )

Il y a 74 pays qui sont dans le cas de la Thaïlande. Soit 88.1 % des pays avec une population en sous-nutrition.
Ils ont une population en sous-nutrition et pourtant ils exportent plus qu'ils n'en dédient à la nourriture.


#Quels pays n'est pas autonome avec sa production
zones_dependantes = df_sous_nutrition.groupby("Zone")[["Production (kg)", "Nourriture (kg)", "Importations - Quantité (kg)"]].sum()
zones_dependantes["Ratio Nourriture/Production (%)"] = round( zones_dependantes["Nourriture (kg)"] / zones_dependantes["Production (kg)"]  * 100,2)

#Sélection des pays qui ont plus de Nourriture qu'ils ne produisent ( et donc qui importe beaucoup) 
zones_dependantes = zones_dependantes.loc[zones_dependantes["Ratio Nourriture/Production (%)"] >= 100].reset_index()

zones_dependantes.head()


#Envoie des données du dataframe dans le fichier Excel - Sheet name: Slide Extra 1
savedto_excel(zones_dependantes, 'Slide Extra 1')


#Top 5 des pays qui sont le plus dépendant
zones_dependantes.sort_values(["Ratio Nourriture/Production (%)"], ascending=False).head(5)


#Récupération des zones dépendantes
list_zones_dependantes = zones_dependantes["Zone"].unique().tolist()

# Pays où les pays dependants ont un ratio de population sous nourrie positif
zones_dependantes_ssnourries = df_sous_nutrition.loc[(df_sous_nutrition["Zone"].isin(list_zones_dependantes)) & (df_sous_nutrition["Ratio de population sous nourrie (%)"] > 0),["Zone", "Ratio de population sous nourrie (%)"]].groupby("Zone").mean()

list_zones_dependantes_ssnourries = zones_dependantes_ssnourries.reset_index()["Zone"].tolist()

list_zones_dependantes_ssnourries

['Algérie',
 'Arabie saoudite',
 'Botswana',
 'Chine, Taiwan Province de',
 'Gambie',
 'Géorgie',
 'Iraq',
 'Jordanie',
 'Lesotho',
 'Liban',
 'Libéria',
 'Mauritanie',
 'Mongolie',
 'Oman',
 'Sénégal',
 'Timor-Leste',
 'Émirats arabes unis']


print("Il y a :",len(list_zones_dependantes),"pays dépendants de l'importation, dont", len(list_zones_dependantes_ssnourries), "avec une population sous-nourrie.")

Il y a : 39 pays dépendants de l'importation, dont 17 avec une population sous-nourrie.

	Zone	Année	Valeur
0	Afghanistan	2013	32269.589
1	Afghanistan	2014	33370.794
2	Afghanistan	2015	34413.603
3	Afghanistan	2016	35383.032
4	Afghanistan	2017	36296.113

	Zone	Année	Population
0	Afghanistan	2013	32269000
1	Afghanistan	2014	33370000
2	Afghanistan	2015	34413000
3	Afghanistan	2016	35383000
4	Afghanistan	2017	36296000

	Pays bénéficiaire	Année	Produit	Valeur
0	Afghanistan	2013	Autres non-céréales	682
1	Afghanistan	2014	Autres non-céréales	335
2	Afghanistan	2013	Blé et Farin	39224
3	Afghanistan	2014	Blé et Farin	15160
4	Afghanistan	2013	Céréales	40504

	Zone	Année	Produit	Aide alimentaire (kg)
0	Afghanistan	2013	Autres non-céréales	682000
1	Afghanistan	2014	Autres non-céréales	335000
2	Afghanistan	2013	Blé et Farin	39224000
3	Afghanistan	2014	Blé et Farin	15160000
4	Afghanistan	2013	Céréales	40504000

	Zone	Année	Valeur
0	Afghanistan	2012-2014	8.6
1	Afghanistan	2013-2015	8.8
2	Afghanistan	2014-2016	8.9
3	Afghanistan	2015-2017	9.7
4	Afghanistan	2016-2018	10.5

PROJET 4 DATA ANALYST

Réalisez une étude de santé publique avec Python

Etape 1 - Importation des librairies et chargement des fichiers

1.1a - Importation des librairies

1.1b - Définition des fonctions

1.2 - Chargement des fichiers Excel

Etape 2 - Analyse exploratoire des fichiers

2.1 - Analyse exploratoire du fichier population

2.2 - Analyse exploratoire du fichier disponibilité alimentaire

2.3 - Analyse exploratoire du fichier aide alimentaire

2.3 - Analyse exploratoire du fichier sous nutrition

Vérification des clés primaires de chaque data frame¶

3.1 - Proportion de personnes en sous nutrition

3.2 - Nombre théorique de personne qui pourrait être nourries

3.3 - Nombre théorique de personne qui pourrait être nourrie avec les produits végétaux

3.4 - Utilisation de la disponibilité intérieure

3.5 - Utilisation des céréales

3.6 - Pays avec la proportion de personnes sous-alimentée la plus forte en 2017

3.7 - Pays qui ont le plus bénéficié d'aide alimentaire depuis 2013

3.8 - Evolution des 5 pays qui ont le plus bénéficiés de l'aide alimentaire entre 2013 et 2016

Transposition des valeurs Aide alimentaire (kg) colonnes années.¶

3.9 - Pays avec le moins de disponibilité par habitant

3.10 - Pays avec le plus de disponibilité par habitant

3.11 - Exemple de la Thaïlande pour le Manioc

Etape 6 - Analyse complémentaires

1 - Il y a t-il d'autres pays dans le cas de la Thaïlande?

2 - Des pays sont-ils dépendant de leur importations?

	Zone	Produit	Origine	Disponibilité alimentaire (Kcal/personne/jour)	Disponibilité alimentaire en quantité (kg/personne/an)	Disponibilité de matière grasse en quantité (g/personne/jour)	Disponibilité de protéines en quantité (g/personne/jour)	Disponibilité intérieure	Exportations - Quantité	Importations - Quantité	Nourriture	Pertes	Production
0	Afghanistan	Abats Comestible	animale	5.0	1.72	0.20	0.77	53.0	0.0	0.0	53.0	0.0	53.0
1	Afghanistan	Agrumes, Autres	vegetale	1.0	1.29	0.01	0.02	41.0	2.0	40.0	39.0	2.0	3.0
2	Afghanistan	Aliments pour enfants	vegetale	1.0	0.06	0.01	0.03	2.0	0.0	2.0	2.0	0.0	0.0
3	Afghanistan	Ananas	vegetale	0.0	0.00	0.00	0.00	0.0	0.0	0.0	0.0	0.0	0.0
4	Afghanistan	Bananes	vegetale	4.0	2.70	0.02	0.05	82.0	0.0	82.0	82.0	0.0	0.0

	Zone	Année	Sous nutrition
0	Afghanistan	2012-2014	8600000.0
1	Afghanistan	2013-2015	8800000.0
2	Afghanistan	2014-2016	8900000.0
3	Afghanistan	2015-2017	9700000.0
4	Afghanistan	2016-2018	10500000.0

	Zone	Année	Population	Sous nutrition
198	Venezuela (République bolivarienne du)	2017	29402000	8000000.0
199	Viet Nam	2017	94600000	6500000.0
200	Yémen	2017	27834000	0.0
201	Zambie	2017	16853000	0.0
202	Zimbabwe	2017	14236000	0.0

	Zone	Année	Population	Produit	Origine	Autres Utilisations (kg)	Disponibilité alimentaire (Kcal/personne/jour)	Disponibilité alimentaire en quantité (kg/personne/an)	...	Disponibilité de protéines en quantité (g/personne/jour)	Disponibilité intérieure (kg)	Exportations - Quantité (kg)	Importations - Quantité (kg)	Nourriture (kg)	Production (kg)
15629	Zimbabwe	2017	14236000	Viande de Suides	animale	0.0	24.0	2.65	...	0.83	37000000.0	0.0	6000000.0	37000000.0	32000000.0
15630	Zimbabwe	2017	14236000	Viande de Volailles	animale	0.0	17.0	4.97	...	1.69	70000000.0	0.0	6000000.0	70000000.0	64000000.0
15631	Zimbabwe	2017	14236000	Viande, Autre	animale	1000000.0	7.0	2.29	...	1.12	34000000.0	3000000.0	1000000.0	32000000.0	36000000.0
15632	Zimbabwe	2017	14236000	Vin	vegetale	0.0	1.0	0.27	...	0.00	4000000.0	0.0	2000000.0	4000000.0	2000000.0
15633	Zimbabwe	2017	14236000	Épices, Autres	vegetale	0.0	1.0	0.06	...	0.02	1000000.0	0.0	0.0	1000000.0	1000000.0

	Produit	Aliments pour animaux (kg)	Disponibilité intérieure (kg)	Nourriture (kg)
0	Avoine	1.625100e+10	2.340700e+10	3.903000e+09
1	Blé	1.296680e+11	6.794980e+11	4.578240e+11
2	Céréales, Autres	1.903500e+10	2.748500e+10	5.324000e+09
3	Maïs	5.461160e+11	9.557990e+11	1.251840e+11
4	Millet	3.306000e+09	2.991100e+10	2.304000e+10
5	Orge	9.265800e+10	1.404390e+11	6.794000e+09
6	Riz (Eq Blanchi)	3.359400e+10	4.756560e+11	3.772860e+11
7	Seigle	8.099000e+09	1.656700e+10	5.502000e+09
8	Sorgho	2.480800e+10	5.823700e+10	2.415300e+10

	Produit	Ratio Quantité animale / Quantité intérieur
0	Avoine	69.43
1	Blé	19.08
2	Céréales, Autres	69.26
3	Maïs	57.14
4	Millet	11.05
5	Orge	65.98
6	Riz (Eq Blanchi)	7.06
7	Seigle	48.89
8	Sorgho	42.60

	Produit	Ratio Quantité nourriture / Quantité intérieur
0	Avoine	16.67
1	Blé	67.38
2	Céréales, Autres	19.37
3	Maïs	13.10
4	Millet	77.03
5	Orge	4.84
6	Riz (Eq Blanchi)	79.32
7	Seigle	33.21
8	Sorgho	41.47

	Zone	Population	Sous nutrition	Ratio de population sous nourrie (%)
72	Haïti	10982000.0	5300000.0	48.26
151	République populaire démocratique de Corée	25429000.0	12000000.0	47.19
99	Madagascar	25570000.0	10500000.0	41.06
95	Libéria	4702000.0	1800000.0	38.28
91	Lesotho	2091000.0	800000.0	38.26
174	Tchad	15016000.0	5700000.0	37.96
143	Rwanda	11980000.0	4200000.0	35.06
112	Mozambique	28649000.0	9400000.0	32.81
177	Timor-Leste	1243000.0	400000.0	32.18
0	Afghanistan	36296000.0	10500000.0	28.93

	Zone	Aide alimentaire (kg)
0	République arabe syrienne	1858943000
1	Éthiopie	1381294000
2	Yémen	1206484000
3	Soudan du Sud	695248000
4	Soudan	669784000
5	Kenya	552836000
6	Bangladesh	348188000
7	Somalie	292678000
8	République démocratique du Congo	288502000
9	Niger	276344000

	Zone	Année	Aide alimentaire (kg)
0	Afghanistan	2013	128238000
1	Afghanistan	2014	57214000
2	Algérie	2013	35234000
3	Algérie	2014	18980000
4	Algérie	2015	17424000
...	...	...	...
223	Égypte	2013	1122000
224	Équateur	2013	1362000
225	Éthiopie	2013	591404000
226	Éthiopie	2014	586624000
227	Éthiopie	2015	203266000

	Zone	Disponibilité alimentaire (Kcal/personne/jour)
12	Autriche	3770.0
18	Belgique	3737.0
184	Turquie	3708.0
198	États-Unis d'Amérique	3682.0
81	Israël	3610.0
79	Irlande	3602.0
82	Italie	3578.0
97	Luxembourg	3540.0
194	Égypte	3518.0
4	Allemagne	3503.0

	Zone	Production (kg)	Nourriture (kg)	Importations - Quantité (kg)	Ratio Nourriture/Production (%)
0	Algérie	2.635900e+10	3.172900e+10	1.740300e+10	120.37
1	Antigua-et-Barbuda	2.000000e+07	5.800000e+07	6.300000e+07	290.00
2	Arabie saoudite	8.878000e+09	1.795600e+10	2.772600e+10	202.25
3	Bahamas	1.790000e+08	3.120000e+08	2.990000e+08	174.30
4	Bermudes	6.000000e+06	5.100000e+07	7.700000e+07	850.00

	Zone	Production (kg)	Nourriture (kg)	Importations - Quantité (kg)	Ratio Nourriture/Production (%)
9	Chine - RAS de Macao	1.600000e+07	3.680000e+08	3.670000e+08	2300.00
8	Chine - RAS de Hong-Kong	4.700000e+08	5.778000e+09	9.510000e+09	1229.36
4	Bermudes	6.000000e+06	5.100000e+07	7.700000e+07	850.00
38	Émirats arabes unis	1.192000e+09	6.548000e+09	1.532700e+10	549.33
11	Djibouti	7.600000e+07	3.930000e+08	1.628000e+09	517.11

	Zone	Année	Aide alimentaire (kg)
157	République arabe syrienne	2013	563566000
158	République arabe syrienne	2014	651870000
159	République arabe syrienne	2015	524949000
160	République arabe syrienne	2016	118558000
189	Soudan	2013	330230000
190	Soudan	2014	321904000
191	Soudan	2015	17650000
192	Soudan du Sud	2013	196330000
193	Soudan du Sud	2014	450610000
194	Soudan du Sud	2015	48308000
214	Yémen	2013	264764000
215	Yémen	2014	103840000
216	Yémen	2015	372306000
217	Yémen	2016	465574000
225	Éthiopie	2013	591404000
226	Éthiopie	2014	586624000
227	Éthiopie	2015	203266000

	Zone	Année	Population	Produit	Origine	Aliments pour animaux (kg)	Autres Utilisations (kg)	Disponibilité alimentaire (Kcal/personne/jour)	Disponibilité alimentaire en quantité (kg/personne/an)	...	Exportations - Quantité (kg)	Importations - Quantité (kg)	Nourriture (kg)	Pertes (kg)	Production (kg)	Semences (kg)	Traitement (kg)	Variation de stock (kg)	Disponibilité alimentaire (Kcal)
435	Andorre	2017	77000	NaN	NaN	NaN	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
1255	Bahreïn	2017	1494000	NaN	NaN	NaN	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
1888	Bhoutan	2017	745000	NaN	NaN	NaN	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
2539	Burundi	2017	10827000	NaN	NaN	NaN	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN
3563	Comores	2017	813000	NaN	NaN	NaN	NaN	NaN	NaN	...	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN	NaN

	Zone	Disponibilité alimentaire (Kcal/personne/jour)
145	République centrafricaine	1879.0
192	Zambie	1924.0
99	Madagascar	2056.0
0	Afghanistan	2087.0
72	Haïti	2089.0
151	République populaire démocratique de Corée	2093.0
174	Tchad	2109.0
193	Zimbabwe	2113.0
125	Ouganda	2126.0
177	Timor-Leste	2129.0

	Zone	Année	Population	Sous nutrition	Produit	Origine	Autres Utilisations (kg)	Disponibilité alimentaire (Kcal/personne/jour)	Disponibilité alimentaire en quantité (kg/personne/an)	...	Exportations - Quantité (kg)	Importations - Quantité (kg)	Nourriture (kg)	Pertes (kg)	Production (kg)	Traitement (kg)	Variation de stock (kg)	Disponibilité alimentaire (Kcal)	Ratio de population sous nourrie (%)
14331	Thaïlande	2017	69209000	6200000.0	Abats Comestible	animale	0.0	3.0	1.11	...	5.000000e+06	33000000.0	75000000.0	0.0	4.500000e+07	0.0	0.0	7.578386e+10	8.96
14332	Thaïlande	2017	69209000	6200000.0	Agrumes, Autres	vegetale	0.0	0.0	0.09	...	6.000000e+06	2000000.0	6000000.0	0.0	1.200000e+07	2000000.0	0.0	0.000000e+00	8.96
14333	Thaïlande	2017	69209000	6200000.0	Alcool, non Comestible	vegetale	358000000.0	0.0	0.00	...	1.100000e+08	21000000.0	0.0	0.0	4.470000e+08	0.0	0.0	0.000000e+00	8.96
14334	Thaïlande	2017	69209000	6200000.0	Aliments pour enfants	vegetale	0.0	2.0	0.18	...	7.000000e+06	19000000.0	12000000.0	0.0	0.000000e+00	0.0	0.0	5.052257e+10	8.96
14335	Thaïlande	2017	69209000	6200000.0	Ananas	vegetale	0.0	10.0	10.02	...	1.449000e+09	9000000.0	671000000.0	110000000.0	2.209000e+09	0.0	13000000.0	2.526128e+11	8.96

	Zone	Population	Sous nutrition	Produit	Origine	Disponibilité alimentaire (Kcal/personne/jour)	Aliments pour animaux (kg)	Disponibilité intérieure (kg)	Exportations - Quantité (kg)	Importations - Quantité (kg)	Nourriture (kg)	Pertes (kg)	Production (kg)	Variation de stock (kg)	Ratio de population sous nourrie (%)	Ratio Exportation/Nourriture (%)
64	Afrique du Sud	57009000	3100000.0	Ananas	vegetale	1.0	0.0	48000000.0	72000000.0	14000000.0	43000000.0	5000000.0	101000000.0	4000000.0	5.44	167.44
74	Afrique du Sud	57009000	3100000.0	Boissons Fermentés	vegetale	0.0	0.0	1000000.0	122000000.0	7000000.0	1000000.0	0.0	64000000.0	51000000.0	5.44	12200.00
77	Afrique du Sud	57009000	3100000.0	Citrons & Limes	vegetale	0.0	0.0	33000000.0	253000000.0	2000000.0	20000000.0	13000000.0	257000000.0	27000000.0	5.44	1265.00
81	Afrique du Sud	57009000	3100000.0	Céréales, Autres	vegetale	1.0	8000000.0	12000000.0	10000000.0	3000000.0	4000000.0	0.0	19000000.0	0.0	5.44	250.00
82	Afrique du Sud	57009000	3100000.0	Dattes	vegetale	0.0	0.0	1000000.0	2000000.0	2000000.0	1000000.0	0.0	0.0	0.0	5.44	200.00