stiti/SAE_2.04
stiti/SAE_2.04
1
1
Fork 0
Code Issues Pull Requests Packages Projects Releases Wiki Activity
37015daf4a
SAE_2.04/EXO1/README.md
stiti 37015daf4a AJout de l'exo 1
2024-06-11 14:34:27 +02:00

276 lines
11 KiB
Markdown
Raw Blame History

# 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
->genre(1) //liste les différents genres du tableau
->genre(2) //donne l'occurence correspondant aux valeurs de "genre(1)"
pie(genre(2),genre(1)) //ouvre un diagramme camembert représentant les genres en fonction de leur occurence
```
**Résultat :**
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
---
## 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 :**
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
---
## 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(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 :**
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
# RESULTAT A AJOUTER ICI
---
## 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) //107889.00
age_6_female = csvDouble(indice_6_female,2)
mean(age_6_female) //32.626286
exp_6_female = csvDouble(indice_6_female,6)
mean(exp_6_female) //7.4201792
indice_6_male = find(csvString(:,3) == "Male" )
salaire_6_male = csvDouble(indice_6_male,7)
mean(salaire_6_male) //121389.87
age_6_male = csvDouble(indice_6_male,2)
mean(age_6_male) //34.416394
exp_6_male = csvDouble(indice_6_male,6)
mean(exp_6_male) //8.6169662
indice_6_other = find(csvString(:,3) == "Other" )
salaire_6_other = csvDouble(indice_6_other,7)
mean(salaire_6_other) //125869.86
age_6_other = csvDouble(indice_6_other,2)
mean(age_6_other) //39.571429
exp_6_other = csvDouble(indice_6_other,6)
mean(exp_6_other) //16.428571
```
**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
---
[🏠](../ "Retour au sommaire") | [➡️](../EXO2/ "Exercice suivant (Exercice 2)")
Reference in New Issue View Git Blame Copy Permalink