# Exercice 1 : Analyse des données démographiques et professionnelles ## Table des matières 1. [Initialisation des variables](#init) 2. [Répartition des genres](#q1) 3. [Répartition des niveaux d'études selon le genre](#q2) 4. [Effectifs des 10 professions les plus représentées](#q3) 5. [Profession la plus fréquente selon le genre](#q4) 6. [Statistiques par niveau d'études](#q5) 7. [Statistiques par genre](#q6) 7. [Nuage de points et régression](#q6) --- ## Initialisation des variables {#init} Pour cette exercice, veuillez initaliser les variables suivantes : **[Script Scilab](scripts/init.sce) :** ```scilab csvDouble = csvRead("data.csv") //ouvre data.csv en une matrice d'entier csvString = csvRead("data.csv",[],[],'string') //ouvre data.csv en une matrice de string ``` --- ## Question 1 : Répartition des genres {#q1} > Donnez sous forme de camembert la répartition des genres. **[Script Scilab](scripts/q1.sce) :** ```scilab genre = tabul(csvString(:,3),"i") //récupère la liste des genres ainsi que leur occurence pie(genre(2),genre(1)) //ouvre un diagramme camembert représentant les genres en fonction de leur occurence ``` **Résultat :** ![q1](img/q1.png) --- ## Question 2 : Répartition des niveaux d'études selon le genre {#q2} > Donnez sous forme d'histogramme la répartition des niveaux d'études, suivant le genre. **[Script Scilab](scripts/q2.sce) :** ```scilab genre_lvl = [csvString(:,3),csvString(:,4)] // crée une matrice 6699x2 avec les genres et le niveau d'études high_homme = length(find(genre_lvl(:,2) == "0" & genre_lvl(:,1) == "Male")) // renvoie l'occurence d'hommes ayant un niveau d'étude de 0 high_femme = length(find(genre_lvl(:,2) == "0" & genre_lvl(:,1) == "Female")) // renvoie l'occurence des femmes ayant un niveau d'étude de 0 high_autre = length(find(genre_lvl(:,2) == "0" & genre_lvl(:,1) == "Other")) // renvoie l'occurence des autres ayant un niveau d'étude de 0 b_homme = length(find(genre_lvl(:,2) == "1" & genre_lvl(:,1) == "Male")) // renvoie l'occurence d'hommes ayant un niveau d'étude de 1 b_femme = length(find(genre_lvl(:,2) == "1" & genre_lvl(:,1) == "Female")) // renvoie l'occurence des femmes ayant un niveau d'étude de 1 b_autre = length(find(genre_lvl(:,2) == "1" & genre_lvl(:,1) == "Other")) // renvoie l'occurence des autres ayant un niveau d'étude de 1 m_homme = length(find(genre_lvl(:,2) == "2" & genre_lvl(:,1) == "Male")) // renvoie l'occurence des hommes ayant un niveau d'étude de 2 m_femme = length(find(genre_lvl(:,2) == "2" & genre_lvl(:,1) == "Female")) // renvoie l'occurence des femmes ayant un niveau d'étude de 2 m_autre = length(find(genre_lvl(:,2) == "2" & genre_lvl(:,1) == "Other")) // renvoie l'occurence des autres ayant un niveau d'étude de 2 d_homme = length(find(genre_lvl(:,2) == "3" & genre_lvl(:,1) == "Male")) // renvoie l'occurence des hommes ayant un niveau d'étude de 3 d_femme = length(find(genre_lvl(:,2) == "3" & genre_lvl(:,1) == "Female")) // renvoie l'occurence des femmes ayant un niveau d'étude de 3 d_autre = length(find(genre_lvl(:,2) == "3" & genre_lvl(:,1) == "Other")) // renvoie l'occurence des autres ayant un niveau d'étude de 3 temp = [high_homme, high_femme, high_autre;b_homme, b_femme, b_autre;m_homme, m_femme, m_autre;d_homme, d_femme, d_autre] //crée un tableau lvlEtude = [0,1,2,3] bar(lvlEtude,temp); legend("homme","femme","autre") ``` **Résultat :** ![q2](img/q2.png) --- ## Question 3 : Effectifs des 10 professions les plus représentées {#q3} > Donnez sous forme d'histogramme, les effectifs des 10 professions les plus représentées. **[Script Scilab](scripts/q3.sce) :** ```scilab metiers = tabul(csvString(:,5),"i") //récupère la liste des profession ainsi que leur occurence [occu,indice] = gsort(metiers(2)) //donne la liste des occurence trié ainsi que l'indice que son indice avant le tri profession = metiers(1) //stock la liste des profession dans une variable matrice_occurence = [occu(1:1),occu(2:2),occu(3:3),occu(4:4),occu(5:5),occu(6:6),occu(7:7),occu(8:8),occu(9:9),occu(10:10)] bar(1,matrice_occurence) //affiche l'histogramme des 10 professions avec le plus de monde legend(profession(indice(1:10))) //légende le graphe pour donner un nom à chaque colonne ``` **Résultat :** ![q3](img/q3.png) --- ## Question 4 : Profession la plus fréquente selon le genre {#q4} > Quelle est la profession la plus fréquente des femmes ? des hommes ? **[Script Scilab](scripts/q4.sce) :** ```scilab // Femme : indice_female = find(csvString(:,3) == "Female") //récupère les indice de la colonne 3 de data.csv contenant "Female" [valeurs] = csvString(indice_female,5) //récupère les métiers situés aux indices récupérés précédemment metiers_female = tabul(valeurs) //récupère les métiers sans doublons ainsi que leur occurence [occurence_tri,indice_tri] = gsort(metiers_female(2)) //récupère et trie dans un tableau ce qu'on a relevé précédemment et relève leur indice d'avant liste_metiers_female = metiers_female(1) //récupère dans une variable la liste des métiers unique dans le but de la parcourir par indice liste_metiers_female(119) //relève le métiers recensant le plus de femmes // Homme : indice_male = find(csvString(:,3) == "Male") //récupère les les indice de la colonne 3 de data.csv contenant "Male" [valeurs2] = csvString(indice_male,5) //récupère les métiers situés aux indices récupérés précédemment metiers_male = tabul(valeurs2) //récupère les métiers sans doublons ainsi que leur occurence [occurence_tri,indice_tri] = gsort(metiers_male(2)) //récupère et trie dans un tableau ce qu'on a relevé précédemment et relève leur indice d'avant liste_metiers_male = metiers_male(1) //récupère dans une variable la liste des métiers unique dans le but de la parcourir par indice liste_metiers_male(11) //relève le métiers recensant le plus d'hommes ``` **Résultat :** - Profession la plus fréquente des femmes : Data Scientist - Profession la plus fréquente des hommes : Software Engineer --- ## Question 5 : Statistiques par niveau d'études {#q5} > Pour chaque niveau d'études, donnez le salaire moyen, l'âge moyen et l'expérience moyenne. **[Script Scilab](scripts/q5.sce) :** ```scilab indice_high = find(csvDouble(:,4) == 0 ) salaire_high = csvDouble(indice_high,7) mean(salaire_high) //36706.694 age_high = csvDouble(indice_high,2) mean(age_high) //26.854911 exp_high = csvDouble(indice_high,6) mean(exp_high) //1.9151786 indice_b = find(csvDouble(:,4) == 1 ) salaire_b = csvDouble(indice_b,7) mean(salaire_b) //95082.909 age_b = csvDouble(indice_b,2) mean(age_b) //30.260179 exp_b = csvDouble(indice_b,6) mean(exp_b) //5.4195631 indice_m = find(csvDouble(:,4) == 2 ) salaire_m = csvDouble(indice_m,7) mean(salaire_m) //130112.06 age_m = csvDouble(indice_m,2) mean(age_m) //35.171505 exp_m = csvDouble(indice_m,6) mean(exp_m) //9.6456989 indice_p = find(csvDouble(:,4) == 3) salaire_p = csvDouble(indice_p,7) mean(salaire_p) //165651.46 age_p = csvDouble(indice_p,2) mean(age_p) //41.154858 exp_p = csvDouble(indice_p,6) mean(exp_p) //13.915267 ``` **Résultat :** - Niveau d'étude 0 : - Salaire moyen : 36,706.69 $ - Âge moyen : 26.85 ans - Expérience moyenne : 1.92 ans - Niveau d'étude 1 : - Salaire moyen : 95,082.91 $ - Âge moyen : 30.26 ans - Expérience moyenne : 5.42 ans - Niveau d'étude 2 : - Salaire moyen : 130,112.06 $ - Âge moyen : 35.17 ans - Expérience moyenne : 9.65 ans - Niveau d'étude 3 : - Salaire moyen : 165,651.46 $ - Âge moyen : 41.15 ans - Expérience moyenne : 13.92 ans --- ## Question 6 : Statistiques par genre {#q6} > Pour chaque genre, donnez le salaire moyen, l'âge moyen et l'expérience moyenne. **[Script Scilab](scripts/q6.sce) :** ```scilab indice_6_female = find(csvString(:,3) == "Female" ) salaire_6_female = csvDouble(indice_6_female,7) mean(salaire_6_female) age_6_female = csvDouble(indice_6_female,2) mean(age_6_female) exp_6_female = csvDouble(indice_6_female,6) mean(exp_6_female) indice_6_male = find(csvString(:,3) == "Male" ) salaire_6_male = csvDouble(indice_6_male,7) mean(salaire_6_male) age_6_male = csvDouble(indice_6_male,2) mean(age_6_male) exp_6_male = csvDouble(indice_6_male,6) mean(exp_6_male) indice_6_other = find(csvString(:,3) == "Other" ) salaire_6_other = csvDouble(indice_6_other,7) mean(salaire_6_other) age_6_other = csvDouble(indice_6_other,2) mean(age_6_other) exp_6_other = csvDouble(indice_6_other,6) mean(exp_6_other) ``` **Résultat :** - Genre Femme : - Salaire moyen : 107,889.00 $ - Âge moyen : 32.63 ans - Expérience moyenne : 7.42 ans - Genre Homme : - Salaire moyen : 121,389.87 $ - Âge moyen : 34.41 ans - Expérience moyenne : 8.62 ans - Genre Autre : - Salaire moyen : 125,869.86 $ - Âge moyen : 39.57 ans - Expérience moyenne : 16.43 ans ⚠️ Les résultats sont arrondis ! ⚠️ --- [🏠](../ "Retour au sommaire") | [➡️](../EXO2/ "Exercice suivant (Exercice 2)")