-
Notifications
You must be signed in to change notification settings - Fork 0
/
visualisation.py
51 lines (32 loc) · 1.57 KB
/
visualisation.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
# Importations
from preprocessing import *
import seaborn as sns
import plotly.express as px
# Affichage des premières lignes du dataset
dfi.head(20)
# Statistiques sur le dataset
dfi.describe()
# Visualisation des données
# Evolution du marché de l'immobilier sur les dernières années
sns.set(style='dark')
sns.countplot(x="year", data=dfi)
# Présentation des différents types de bien et leur volume
fig1 = px.histogram(df, x="year", color="Type local", marginal="violin")
fig1.update_layout(bargap=0.2)
fig1.show()
# Répartition des prix sur plusieurs années
fig2 = px.box(dfi, x="year", y="Valeur fonciere", hover_data=['No voie','Voie','Code postal'])
fig2.show()
# Tracé de la valeur foncière en fonction de la surface. L'objectif est de déterminer les biens d'exception qui pourraient être rénovés: grande surface et prix bas.
fig3 = px.scatter(dfi, x="Surface reelle bati", y="Valeur fonciere", color = "year", size = "Nombre pieces principales")
fig3.show()
# On se focalise désormais sur le nombre de pièces
fig4 = px.scatter(dfi, x="Valeur fonciere", y="Nombre pieces principales", color = "year", size = "Surface reelle bati", log_x=True, size_max=50)
fig4.show()
# Présentation avec informations statistiques
fig5 = px.scatter(df, x="Valeur fonciere", y="Surface reelle bati", color="year", marginal_y="violin",
marginal_x="box", template="simple_white", log_y=True)
fig5.show()
# Présentation en 3d
fig6 = px.scatter_3d(df, x="Valeur fonciere", y="Surface reelle bati", z="Nombre pieces principales", color="year", log_x=True, log_y=True)
fig6.show()