light pass on the 3 pandas exos on stack

Author: parmentelat

notebooks/myst-toc.yml

@@ -41,8 +41,8 @@ project:
       - file: pandas-exos/EXO-mosaique-nb.md
       - file: pandas-exos/EXO-titanic-nb.md
       - file: pandas-exos/EXO-stack-simple-nb.md
-      - file: pandas-exos/EXO-bornes-nb.md
       - file: pandas-exos/EXO-stack-multicol-nb.md
+      - file: pandas-exos/EXO-stack-bornes-nb.md
       - pattern: pandas-exos/.teacher/EXO-*corrige-nb.md
         hidden: true
 

…s-exos/.teacher/EXO-bornes-corrige-nb.md …/.teacher/EXO-stack-bornes-corrige-nb.mdnotebooks/pandas-exos/.teacher/EXO-bornes-corrige-nb.md renamed to notebooks/pandas-exos/.teacher/EXO-stack-bornes-corrige-nb.md notebooks/pandas-exos/.teacher/EXO-bornes-corrige-nb.md renamed to notebooks/pandas-exos/.teacher/EXO-stack-bornes-corrige-nb.md

@@ -9,28 +9,30 @@ kernelspec:
   name: python3
 language_info:
   name: python
-  nbconvert_exporter: python
   pygments_lexer: ipython3
+  nbconvert_exporter: python
 nbhosting:
   title: stack() multi-colonnes
 ---
 
+# `stack()`: usage un peu plus avancé
+
 ```{code-cell} ipython3
 import pandas as pd
 ```
 
-# `stack()`: usage un peu plus avancé
+ceci est une version un peu plus évoluée que dans l'exercice précédent [](#label-exo-stack-simple)  
+sauf que cette fois-ci, chaque type (t1, t2, t3, ...) est décrit par 3 colonnes
 
 ```{code-cell} ipython3
 df = pd.read_csv("data/stack-multicol.csv")
 df
 ```
 
-c'est donc une version un peut plus évoluée que dans un exercice précédent (`stack-simple`): chaque type est décrit par 3 colonnes
+et notre objectif est de le transformer en ceci
 
-+++
-
-on voudrait le transformer en ceci
+```{div}
+:label: exo-stack-multicol-target
 
 | index | city | postcode | type| attribute | value |
 |-------|------|----------|------|-----------|--------|
@@ -40,15 +42,18 @@ on voudrait le transformer en ceci
 |0|London|90000|t2|price|2000|
 |0|Paris|75000|t2|nb|2|
 |0|Paris|75000|t2|price|4000|
+```
 
 +++
 
-parce que
+notez bien que
 
 * on a enlevé tout ce qui concernait les nb==0
 * on ne se donne pas de spécification précise sur l'index, d'où les 0 mais ça peut être ce qu'on veut
 
 ```{code-cell} ipython3
+# quelques variables utiles pour la suite
+
 types = ['t1', 't2', 't3']
 attributes = ['nb', 'price', 'junk']
 ```
@@ -69,16 +74,20 @@ comme dans le premier exercice, on commence par calculer les colonnes qui contie
 
 +++
 
-on calcule la liste 
+on calcule la liste
 `[ "t1_nb", "t1_price", ...]`
 à partir du produit cartésien des deux listes
 
+````{admonition} indice
+:class: dropdown tip
+
 quelque chose comme
 ```python
 for typ in types:
     for attribute in attributes:
         columns.append(f"{typ}_{attribute}")
 ```
+````
 
 ```{code-cell} ipython3
 # à vous
@@ -94,7 +103,7 @@ true_columns = ...
 # notez qu'on pourrait aussi bien utiliser itertools.product
 
 true_columns = [
-    f"{typ}_{attribute}" 
+    f"{typ}_{attribute}"
     for typ in types for attribute in attributes
 ]
 ```
@@ -117,6 +126,7 @@ df2 = df[true_columns]
 
 ```{code-cell} ipython3
 # il s'agit maintenant de prendre les autres données
+# i.e. les colonnes qui ne sont pas dans df2
 
 # à vous
 df_left = ...
@@ -137,6 +147,16 @@ for column in true_columns:
     del df_left[column]
 ```
 
+```{code-cell} ipython3
+:tags: [level_basic]
+
+# prune-cell
+
+# on pourrait aussi faire comme ceci
+left_columns = list(set(df.columns) - set(true_columns))
+df_left = df[left_columns]
+```
+
 ```{code-cell} ipython3
 :cell_style: split
 
@@ -159,7 +179,11 @@ df2
 
 c'est le multi index qui va nous permettre de stacker correctement
 
-**[indice]** `pd.MultiIndex.from_product()`
+```{admonition} indice
+:class: dropdown tip
+
+voyez `pd.MultiIndex.from_product()`
+```
 
 ```{code-cell} ipython3
 # fabriquez un multi-index
@@ -178,7 +202,7 @@ multi_index = pd.MultiIndex.from_product([types, attributes])
 ```
 
 ```{code-cell} ipython3
-# adoptez ce multi-index comme index des colonnes
+# adoptez ce multi-index comme index des colonnes de df2
 
 ...
 ```
@@ -194,11 +218,9 @@ df2.columns = multi_index
 ```
 
 ```{code-cell} ipython3
-# vérifiez visuellement que l'indexation est correcte
-df
-```
+# vérifiez visuellement que les colonnes sont indexées correctement
+
 
-```{code-cell} ipython3
 df2
 ```
 
@@ -209,8 +231,13 @@ df2
 rappelez-vous qu'on ne s'intéressait pas aux données `junk`  
 du coup il est temps de nettoyer la table de ces colonnes-là
 
-**[note]** ceux qui suivent vont trouver une façon de faire qui implique de remonter dans le temps  
+```{admonition} note - on aurait pu le faire plus tôt
+:class: dropdown note
+
+ceux qui suivent vont trouver une façon de faire qui implique de remonter dans le temps  
+(je veux dire de traiter ce point plus tôt dans le notebook)  
 c'est vrai qu'on aurait pu faire comme ça, mais essayez tout de même de trouver une façon de le faire maintenant
+```
 
 ```{code-cell} ipython3
 # à vous pour le nettoyage
@@ -221,8 +248,10 @@ c'est vrai qu'on aurait pu faire comme ça, mais essayez tout de même de trouve
 :tags: [level_basic]
 
 # prune-cell
-# la remontée dans le temps consiste tout simplement à ne paa mentionner
+# la remontée dans le temps consiste tout simplement à ne pas mentionner
 # 'junk' dans la variable `attributes` au début du notebook
+# mais alors on aurait retrouvé ces données dans df_left,
+# qu'il faudrait alors calculer autrement...
 ```
 
 ```{code-cell} ipython3
@@ -273,21 +302,25 @@ type(df3), df3
 ```{code-cell} ipython3
 :cell_style: split
 
+# pour vérifier
+
 df2
 ```
 
 ```{code-cell} ipython3
 :cell_style: split
 
+# pour vérifier
+
 df3
 ```
 
 ## on nettoie (2): les colonnes vides
 
 +++
 
-ça n'était'était pas vraiment exprès au départ
-mais c'est intéressant: aucune ville n'a de t3
+ça n'était pas vraiment délibéré au départ  
+mais le cas est intéressant: aucune ville n'a de t3
 
 ```{code-cell} ipython3
 # à vous de supprimer les colonnes sans intérêt
@@ -368,14 +401,18 @@ s
 
 +++
 
-essentiellement maintenant, c'est la même logique que dans `stack-simple`, je vous laisse finir
+essentiellement maintenant, c'est la même logique que dans l'exercice [](#label-exo-stack-simple), je vous laisse finir [pour obtenir le résultat souhaité](#exo-stack-multicol-target)
 
-**[indices]** `reset_index()` et `join()`
+```{admonition} indice
+:class: dropdown tip
+
+voir `reset_index()` et `join()`
+```
 
 ```{code-cell} ipython3
 # à vous
 
-df_right = ...
+df_final = ...
 ```
 
 ```{code-cell} ipython3
@@ -391,12 +428,6 @@ df_right = s.reset_index(level=(1, 2))
 type(df_right), df_right
 ```
 
-```{code-cell} ipython3
-# à vous
-
-df_final = ...
-```
-
 ```{code-cell} ipython3
 :tags: [level_basic]
 
@@ -421,24 +452,29 @@ df_final
 
 # ce n'était pas demandé, mais 
 # si on veut remettre un index propre, on n'a qu'à faire
+
 df_final.index = pd.RangeIndex(0, len(df_final))
 df_final
 ```
 
-## à quoi ça sert
+## à quoi ça sert ?
+
+les usages pour ce type de traitement sont nombreux, par exemple
 
 ```{code-cell} ipython3
 :tags: [raises-exception]
 
-# en tous cas, sous cette forme, on peut s'intéresser à un type particulier
-df_t1 = df_final.loc[df_final.attribute == 't1', :]
+# sous cette forme, on peut s'intéresser à un type particulier
+
+df_t1 = df_final.loc[df_final.type == 't1', :]
 df_t1
 ```
 
 ```{code-cell} ipython3
 :tags: [raises-exception]
 
 # ou juste les nombres
-df_t1_nb = df_t1[df_t1.type == 'nb']
+
+df_t1_nb = df_t1[df_t1.attribute == 'nb']
 df_t1_nb
 ```

notebooks/pandas-exos/.teacher/EXO-stack-multicol-corrige-nb.md

@@ -15,6 +15,7 @@ nbhosting:
   title: stack() simple
 ---
 
+(label-exo-stack-simple)=
 # `stack()`: usage typique
 
 ```{code-cell} ipython3
@@ -112,9 +113,12 @@ series
 
 +++
 
-à ce stade, que faut-il faire avec la donnée `type` pour se rapprocher de ce qu'on cherche à produire ?
+maintenant, que faut-il faire avec la donnée `type` pour se rapprocher de ce qu'on cherche à produire ?
 
-**[indice]** voyez `df.reset_index()`
+```{admonition} indice
+:class: dropdown tip
+voyez `df.reset_index()`
+```
 
 ```{code-cell} ipython3
 # à vous
@@ -166,10 +170,15 @@ df3
 
 à ce stade il ne reste plus qu'à recoller les morceaux
 
-**[indice]** `pd.merge()` et/ou `df.join()`
+```{admonition} indice
+:class: dropdown tip
+voyez `pd.merge()` et/ou `df.join()`
+```
 
 ```{code-cell} ipython3
 # à vous
+
+df_all = ...
 ```
 
 ```{code-cell} ipython3